HUB DESATIVADO (02/10/2026, ordem da usuária): NinjaBR Hub está SEM COTA e os perfis hub/hubv2/hubts foram removidos (backup em ~/.agent-profiles/_removidos-hub-2026-10-02/). NÃO use Hub, NÃO rode hub-livre.sh (sai com erro), NÃO espere perfil do Hub liberar. Imagem: ChatGPT — se a cota de upload de uma conta acabar, troque de CONTA: gpt-noelia-7-10* ↔ gpt-noelia.empt*. Vídeo: Google Flow (flow-video-playwright).

criativo-ads-video-orq

Lições fixas da sessão de QA 2026-10-04 (mapas-visuais-eletrotecnia) — leia antes de tudo

Seis defeitos achados numa única rodada de revisão da dona, todos virando regra permanente abaixo. Nenhum se repete.

Gravação de tela de produto é SEMPRE da dona, nunca gerada pelo assistente. Nunca use agent-browser (screenshot, pan sintético, scroll gravado) pra produzir a cena de tela de um criativo. Antes de qualquer correção de tela, procure primeiro em criativos/MATERIAL-ENTREGAVEL/ (ou pasta equivalente) por gravação já entregue. Falta gravação ou o material não serve? Peça pra dona gravar — nunca gere substituto. Ver memória nao-gravar-tela-dona-grava.
Gravação real de celular pode trazer a UI do navegador (barra de status, hora, URL) no topo do frame. Antes de compositar, confira pixel a pixel se sobra chrome do browser — se sobrar, crop só essa faixa (ex.: ~130px de um frame 590×1280) antes de escalar pro canvas final. Nunca deixe a barra do Chrome visível no criativo entregue.
CTA final nunca empilha objeção. A fala de fechamento é benefício curto + comando direto. Nunca junte garantia + preço + condição de pagamento + termo legal na mesma frase — ver seção "CTA simples" mais abaixo.
Tarja de marca é opt-in, não padrão — ver seção própria mais abaixo.
Toda imagem gerada (capa de carrossel, card, qualquer asset) tem que ser CONFERIDA visualmente contra o produto certo antes de entregar — nunca confie só em dimensão/contagem de arquivo. Um worker gerou (ou puxou por engano) a capa de outro produto inteiro (Jiu-Jitsu numa oferta de eletrotécnica) e isso passou por todo QA automático porque dimensão e contagem bateram. Abra e olhe cada imagem final contra o nome/nicho do produto da oferta antes de declarar pronto.
Toda imagem que mostra o produto (mockup, página, tela, capa de entregável) leva a página/mockup REAL anexada como referência no prompt do GPT — nunca só descrição em texto. Sem anexo, o modelo inventa conteúdo genérico que não tem nada a ver com o produto real (regra da dona, 2026-10-04: "o objetivo é ver o produto aparecendo"). Antes de escrever o prompt de qualquer imagem que precise mostrar o produto: localize a página/mockup real (entregável já gerado, screenshot aprovado, ou gravação de tela da dona), anexe no upload do ChatGPT, e no prompt descreva explicitamente "use a imagem anexada como referência de conteúdo/layout da tela — não invente outra página". Vale pra capa de carrossel, card de entregável, mockup de celular, qualquer cena que mostre "o que a pessoa recebe".
-stream_loop -1 num clipe mais curto que o slot necessário gera um pulo visível quando reinicia (lido como "sobe e desce", "pisca", "volta do nada") — o loop reinicia a gravação do zero no meio da cena, sem fade nem aviso. Antes de usar stream_loop em qualquer gravação (b-roll, tela), meça a duração da fonte primeiro (ffprobe) e compare com os frames necessários da cena. Se a fonte já cobre o slot sozinha, não use stream_loop — use o clipe inteiro direto. Só use loop quando a fonte for genuinamente mais curta que o necessário, e aí prefira cortar a cena ou picar em outro ponto a aceitar o pulo.
Dois mixes de áudio sobre a mesma narração produzem eco/cancelamento de fase (soa "zuado", picotado, com pseudo-silêncios periódicos no silencedetect mesmo sem pausa real na fala). Antes de montar a mixagem final, garanta que existe uma única fonte de narração sendo usada — nunca misture áudio já embutido num render anterior (ex. Remotion) com uma segunda trilha de voz por cima. Se suspeitar de eco, gere um spectrograma (ffmpeg -lavfi showspectrumpic) do trecho suspeito: padrão de nulos periódicos = cancelamento de fase, não pausa de fala.

Tool agent-browser record não herda sessão de login (contexto novo, cookie httpOnly não propaga, mesmo documentado como "preserves cookies"). Se precisar operar página autenticada, faça login real pela UI (digitar+clicar) na MESMA sessão onde vai trabalhar, nunca via record nem via fetch() direto na API de login (o componente cliente não resincroniza sem reload real pós-login).

Entrega obrigatória de copy (03/10/2026): cada vídeo acompanha anuncio.md na pasta do master, com ângulo, persona/dor, texto principal, título/headline, descrição curta e CTA sugerido. Todos os campos seguem o ângulo e o mercado daquele vídeo. Leia ../criativo-ads/references/texto-anuncio-por-angulo.md. Não concluir a entrega só com MP4. Para BR, escolha voz catalogada brasileira; para PT, voz portuguesa. O languageCode não corrige sozinho o sotaque da voz.

Produção de criativo de vídeo para ads, cena a cena. Orquestradora de vídeo: a estratégia (o quê, para quem, quantas peças) vem de criativo-ads; esta skill decide COMO produzir e chama as mecânicas certas.

Onde cada coisa é gerada (escolha o motor de vídeo primeiro)

Etapa	Ferramenta	Mecânica (leia ANTES de tocar o browser)
Imagem de referência da cena	ChatGPT (`chatgpt.com`, perfil logado)	skill `gpt-imagem-playwright`
Vídeo, opção A	NinjaBR Hub (Veo 3.1 Quality, Imagem→Vídeo, com voz) — exige assinatura do Hub	`references/mecanica-hub.md` (resumo) → skill `hub-video-playwright` (detalhe)
Vídeo, opção B	Google Flow (Veo 3.x, Frames to Video) — exige conta Google com créditos	`references/mecanica-flow.md` (não validado: rode o protocolo de descoberta 1x)
Browser, perfis e lanes	Chromium persistente + `agent-browser`	`references/browser-setup.md`

Regra de escolha: NinjaBR Hub está PROIBIDO enquanto a assinatura não estiver paga (memória ninjabr-hub-nao-usar) → vídeo vai no Flow. Só volte ao Hub quando o dono confirmar que pagou. Os blocos de prompt (CANON_VOICE, anti-morphing, dentes, lip-sync, orçamento de palavras) e os gates de QA são os mesmos nos dois; só muda o teclado. Nunca dois motores na mesma cena.

Narração/voz off (VO): skill narracao-hub-tts (API NinjaVoice do Hub). Essa API NÃO usa login nem perfil de browser: continua valendo mesmo com o Hub de imagem/vídeo desativado. Voz padrão dos criativos: Rocha GTfQlFazcVAZK9iGyXN3. NUNCA espeak, edge-tts ou voz neural sem a dona pedir; se a API falhar, pare e avise em vez de trocar de motor. languageCode do mercado; o áudio vai pra intermediarios/ do criativo.

Montagem, legenda e motion: ver Stack de edição logo abaixo. B-roll de apoio (fonte literal, notícia, print de tela) busca com a skill get-brolls — ela só busca/entrega, não edita. Edição manual em timeline, OpenCut é opção externa (~/Projetos/opencut-classic, bun dev:web → localhost:3000).

Stack de edição (qual ferramenta pra quê) — revisado 2026-09-23

Etapa	Ferramenta padrão	Fallback
B-roll de apoio: cutaway, insert, footage real, print de tela/notícia, "corte do X falando Y"	get-brolls (`/get-brolls-brief` → `/get-brolls-review` → entrega com origem/licença). Só coleta, NÃO edita: o trecho entregue entra na montagem pelas linhas abaixo	Pexels/Pixabay/Pinterest à mão (seção Vitrine Guiada)
Corte de cabeça/cauda/pausas, fim da fala, repetição do Veo	video-use (`~/.claude/skills/video-use`): `helpers/transcribe.py` (ElevenLabs Scribe, palavra a palavra, NÃO é whisper) → `edl.json` → `helpers/render.py` (corta em fronteira de palavra, fade de 30ms em toda junção, preserva fps nativo)	`scripts/tight.py` + `scripts/montar.sh` (silencedetect)
Legenda karaokê de fala	`scripts/legenda_align.py` (tempo por alinhamento forçado roteiro+áudio) → Remotion `references/legenda-karaoke-tiktok-CANONICA.jsx` (KaraokeV2, vídeo+legenda na mesma composição)	ffmpeg `subtitles` estilo VSL2-MARTA (só VSL sem Remotion)
Split meio a meio, PiP, tarja, call-out, transição de escala	Remotion (composição React sobre as cenas uniformes)	Hyperframes
Motion/legenda animada elaborada, cards gráficos, transição com velocidade casada	Hyperframes (`hyperframes-*`, `talking-head-recut` pra cards sobre fala, `cut-the-curve` pra costuras)	Remotion
Medir (ffprobe, silencedetect, volumedetect, mpdecimate), extrair frame, normalizar resolução, concat, mix narração+trilha	ffmpeg — é a ferramenta certa aqui, não troca	—
Ajuste fino à mão pelo dono (timeline visual)	OpenCut classic (`~/Projetos/opencut-classic`, http://localhost:3000) — ferramenta externa, não é passo automático	—

Regras que valem pra qualquer ferramenta da tabela:

Timestamp de palavra NUNCA sai de whisper (regra do dono, ver cabeçalho do .jsx canônico). Isso exclui faster-whisper, whisper.cpp, @remotion/install-whisper-cpp (o que a skill remotion-captions ensina) e hyperframes transcribe (motor auto cai em whisper no Linux; parakeet-mlx é só Mac). As skills talking-head-recut e embedded-captions chamam hyperframes transcribe (whisper) no passo de transcrição: pule esse passo e entregue o transcript.json pronto (array plano [{text,start,end}]) gerado de uma fonte aceita. Fontes aceitas: Scribe via video-use, timing devolvido pelo TTS, forced-alignment não-whisper, grade de um VO gêmeo, ou distribuir por duração.
video-use precisa de ELEVENLABS_API_KEY (env ou .env na raiz de ~/Developer/video-use). Em 2026-09-23 a key não está configurada: sem ela, use o fallback da tabela e não trave o loop pedindo key. Scribe é pago por minuto de áudio; o transcript fica em cache em <videos_dir>/edit/transcripts/, nunca transcreva de novo o mesmo arquivo.
Do video-use aqui se usam os helpers, não o fluxo conversacional dele (entrevista + confirmação de estratégia): a estratégia já saiu da FASE 0/1 desta skill.
Legenda sempre é a ÚLTIMA camada, em qualquer ferramenta.

Jeito antigo (ffmpeg pra tudo): ver references/SKILL-ffmpeg-OLD-2026-09-23.md (cópia integral do SKILL.md antes desta revisão).

DOUTRINA — o criativo valida o público (regra 2026-09-21)

PRINCÍPIO-MÃE: o criativo tem que SAIR como se fosse orgânico. Nada inventado de IA, nada exagerado, nada clean/perfeito — acabamento de agência denuncia que é anúncio e mata a entrega. E o padrão é partir sempre de um MODELO VENCEDOR da biblioteca de escalados (modelagem-escalados), modelar o que já roda com verba — não inventar do zero.

Meta usa o CRIATIVO pra achar e validar o público, não só o targeting. Criativo que não diz pra quem é = algoritmo joga num leilão largo/caro. Sintoma real: CPM disparou (R$400 → R$1200) num criativo bonito e vazio (mockup neon, sem rosto, sem dor, sem público nomeado). CPM alto quase nunca é "público ruim" — é criativo que não comunica pra quem é.

Em vídeo, quem valida o público é o HOOK. O hook nomeia a persona nos primeiros 1-2s, direto: "Se você é dono de barbearia...", "Professor que dá aula particular, presta atenção...", "Nutricionista sem site, isso é pra você." O criativo aponta o público pra ele mesmo se reconhecer. Uma leva = vários hooks, um por persona (mesma matriz persona×ângulo do Kevones), body igual. Assim cada persona valida separado e o algoritmo aprende rápido.

O criativo tem que parecer o mais ORGÂNICO possível. Facebook/Instagram são redes de ENGAJAMENTO — o feed premia conteúdo nativo e enterra o que grita "anúncio". Cara de IA / bonito-cool demais / render limpo = engajamento cai = CPM dispara. Cenário e composição têm que parecer post orgânico / conteúdo nativo tirado por uma pessoa, não peça de agência. Isso é o que baixa o CPM. Priorize os formatos da biblioteca de escalados (modelagem-escalados) que já imitam conteúdo orgânico — print de Stories, caixa de perguntas, vídeo de celular na mão, screen-record — em vez de inventar arte "de anúncio". E use fonte estilo legenda de Story (sans limpa, nativa). Referência de formato que performa:

Cara de post de Stories: legenda em cima do vídeo com fonte tipo Stories, linha fina, texto simples — não banner de oferta.
Legenda estilo TikTok/Reels nativo (karaokê): palavra a palavra, texto branco que pula pra amarelo na palavra falada no momento (o "bounce" word-by-word highlight). É o padrão de legenda auto do TikTok — passa como conteúdo, não como ad. Montar no Remotion (ver remotion-captions / captions-overlay). Amarelo destaca a palavra-gancho da fala.
Gravação de tela real, PiP falante, b-roll de banco — tudo que quebra o acabamento "comercial" e aproxima de UGC.
Palette da marca: azul é a identidade/paleta (IPP); laranja SÓ no CTA/botão, não espalhado. (InovaLabX — não o violeta velho.)
Texto no estático/thumb: prefira o GPT colocar o texto, não overlay de código — texto do GPT sai orgânico (legenda de Story), overlay de código sai "perfeito demais", cara de anúncio. Diga o texto exato + fonte estilo Story + cores no prompt do GPT. QA de ortografia obrigatório (modelo erra letra), regenera se torto. (Legenda karaokê de vídeo continua no Remotion.)
TODA imagem de criativo/ad sai com FILTRO ORGÂNICO "foto feia de celular", SEMPRE. Diferente do entregável/mockup (esses são limpos, na identidade do DESIGN-SYSTEM.md): a imagem de anúncio tem que parecer foto real tirada no iPhone e postada no Stories — não render de IA, não estúdio. No prompt do GPT peça explícito: foto de celular amador, levemente torta/desalinhada, luz natural/ambiente imperfeita, leve grão/ruído e blur de câmera de celular, sem retoque, enquadramento de story vertical, "shot on iPhone", cara de UGC/postagem espontânea. Nada de perfeição comercial. Isso derruba muito o CPM — é o que faz passar como conteúdo nativo, não como ad. Regra de vida, todo criativo. Memória criativo-imagem-organica-iphone.
Mockup/entregável DENTRO do criativo = foto orgânica de "eu imprimi e usei". Quando o criativo mostra o produto (mockup, capa, página de entrega), NÃO cole o mockup limpo do DESIGN-SYSTEM na arte — peça ao GPT uma FOTO amadora de iPhone do material impresso em papel espalhado numa mesa de casa real + tablet/celular mostrando a capa, com props do dia a dia (xícara de café, óculos, caneta, luz de janela), leve grão e enquadramento torto, legenda de Story por cima. Parece que a pessoa comprou, imprimiu e fotografou — não render de catálogo. Refs reais em references/organico-iphone/ (ref-entregavel-impresso-mesa.png, ref-mockup-tablet-mesa.png — tutorial nicolasmoreirafe, "criativos em imagem totalmente orgânicos"). Anexe essas refs no GPT + a capa/página real do produto como conteúdo.

"Empresário" é só um exemplo — a persona varia. Não fixe numa role. O método pra gerar as personas/hooks de uma leva:

Liste TODA funcionalidade da entrega — tudo que o produto faz/inclui. (Ex. SiteExpress: site em 72h, alteração inclusa todo mês, hospedagem inclusa, link da bio, botão WhatsApp, mapa, aparece no Google, sem fidelidade, painel próprio, domínio .com.br...) Uma linha por funcionalidade.
Cada funcionalidade vira um ângulo — o benefício/dor que ela resolve.
Cada ângulo puxa uma persona/role que sente aquela dor. Uma funcionalidade pode servir várias personas; escolha a que mais dói pra cada uma.
O hook = persona + ângulo. Leva = 1 hook por (persona×ângulo), body igual.

Assim a leva cobre vários públicos de propósito e o algoritmo valida qual role converte, sem você chutar "empresário". É a matriz persona×ângulo do Kevones, alimentada pela lista de funcionalidades da entrega.

O texto do anúncio (copy primário/legenda) também valida o público. Não é só imagem/vídeo. A primeira linha do copy nomeia a persona e a dor, igual ao hook — o Meta lê o texto pra entregar. Copy genérico = leilão largo. Mesma regra: 1 persona por variação, primeira linha = persona + dor.

Palavras que inflam o CPM — evite. Certos termos derrubam o quality/engagement ranking e disparam o CPM (ou reprovam o anúncio):

Atributo pessoal na 2ª pessoa ("você está endividado", "você é gordo", "você tem mais de 50") — política de atributos pessoais do Meta, penaliza forte. Reescreva impessoal: "quem tá endividado", "pra quem passou dos 50".
Promessa/sensacionalismo ("garantido", "100%", "ganhe dinheiro fácil", "milagroso", "urgente!!!", CAIXA ALTA excessiva, excesso de emoji/!!!).
Termos de nicho sensível (saúde, dinheiro, relacionamento, emagrecimento) ditos como afirmação sobre a pessoa. Prefira dor + prova + benefício concreto, em 2ª pessoa neutra ou 3ª pessoa.

B-roll → skill get-brolls. Sempre que o criativo pedir vídeo de apoio, cutaway, insert, print de tela/notícia ou footage real, use a skill get-brolls (busca em YouTube/IG/TikTok/Wikimedia/NASA/Pexels/Pixabay, com prévia pra revisão e origem+licença registradas). Ela entra em DUAS fases:

Ao PENSAR o criativo (concepção): buscar referência real de como o conteúdo orgânico daquele ângulo se parece — alimenta o conceito e mantém a estética nativa (não "cara de IA"). Isso é o mais importante.
Na PÓS-PRODUÇÃO: sourcear os clipes de b-roll de verdade, já com licença e proveniência, pra montar/ilustrar. Comandos: /get-brolls-brief, /get-brolls-review, /get-brolls-status. get-brolls NÃO edita/renderiza o final — só coleta e entrega os trechos.

UM criativo serve feed E stories — não renderize dois. Monte no canvas 9:16 (1080×1920), mas mantenha TODO texto/legenda/CTA/logo dentro da banda central 4:5 (1080×1350) — os ~285px de cima e ~285px de baixo são só fundo/vídeo. Assim o corte do feed não come legenda. Vale pra estático e pra legenda de vídeo.

Gate: antes de subir, o criativo passa no teste de 1 segundo — estranho olha 1s e sabe (a) PRA QUEM é e (b) a DOR. Não passou, não sobe.

Este pipeline roda em LOOP — regra genérica, vale pra qualquer projeto/produto/nicho

Diferente de um loop-kit por projeto (que carrega estado exclusivo de uma oferta), este é o comportamento padrão desta skill em QUALQUER uso dela — sem cópia por produto, sem pasta própria. A regra existe porque, em produção, a execução travava sozinha no meio de uma etapa (imagem gerando, clipe gerando, gate rodando) e devolvia o controle achando que alguém ia avisar quando terminasse. Ninguém avisa. Só quem está olhando a tela/arquivo sabe.

O loop é você, o modelo, sendo acordado de novo via ScheduleWakeup (o /loop dinâmico do harness), não um script .sh/.py com sleep que roda sozinho em background esperando ser avisado. Se cair nesse padrão, pare — volte a checar você mesmo, um passo de cada vez.
Nunca devolva o turno com frases tipo "aguardando a geração terminar" ou "aguardando notificação" sem ter chamado ScheduleWakeup antes — isso é abandonar a leva no meio.
Cada wakeup faz um pedaço real e verificável de trabalho (nova imagem, novo clipe, gate passou, cena montada) — nunca "vou esperar mais um pouco" sem checar nada novo.
Trava contra loop fantasma: se dois wakeups seguidos não mudaram nenhum arquivo, isso é TRAVAMENTO REAL (browser caiu, lane perdida, Cloudflare, fila zumbi — ver hub-video-playwright/gpt-imagem-playwright). Investigue a causa antes de reagendar de novo; não insista cego.
Só termina o loop (ScheduleWakeup stop:true) quando a leva inteira passou no gate (gate.sh), foi montada e entregue — ou quando travou de verdade e precisa do usuário pra destravar (ex: pedir 2FA, decisão de produto).
Delegou pra um agente em background paralelo? Você continua sendo a rede de segurança: acorda, confere arquivo real (nunca confia no relato do agente sem olhar), cutuca se ele estiver parado.

Números que quebram criativo — decore estes

Todos medidos em produção, todos invisíveis ao ffprobe. Errar qualquer um custa regeração.

Regra	Valor	O que acontece se errar
Bloco de dentes em cena falada	sempre	dente some, fica prateado, amarelo ou torto durante a fala
Bloco de dentes COPIADO LITERAL	sempre	parafrasear falhou em 7 de 28 frames (boca fechada) — leva AR 26/08
Prompt sem contradição interna	sempre	descrição concreta vence regra genérica: `face-down` matou a tela ligada
Palavras por cena (Veo 8s)	16	acima disso o Veo acelera a fala e a voz sai robótica
Palavras por cena (Grok 10s)	22	idem, e a fala pode ser cortada no fim
Tamanho do prompt (Veo/Kling/Runway)	< 2500 chars	falha com "Serviço temporariamente indisponível"
fps na montagem	o nativo do motor (Veo = 24)	forçar 30 duplica frames → travadinho
Concat	filtro `concat`, nunca `-c copy`	áudio picotado nas junções
Ordem do histórico do Hub	crescente (índice 0 = mais antigo)	criativo montado de trás pra frente
Proporção	9:16	trocar de motor reseta pra 16:9 sem avisar
Rosto em quadro em toda cena falada	sempre	cena sem rosto sorteia outra voz — o criativo se denuncia
Contagem do prop no prompt	`exactly ONE ... stays in X`	o prop da imagem duplica na mesa
Superfície escrita	prop fixo + nunca "lê em voz alta"	o modelo reescreve o papel com a fala
Imagem da cena de ação	a variante do prop, nunca a base	o Veo inventa cenário, figurino e óculos novos na cena
Acessório no CHARACTER	só o que está na imagem	o objeto brota no meio do criativo e fica
Corte de silêncio	cabeça, cauda e pausas internas	sobra respiração; o criativo arrasta
`ffmpeg` em laço	`-nostdin`	come o stdin e corrompe os cortes em silêncio
Duração de cada corte (formato multi-cena curto)	≥6s por cena, não trim agressivo pra caber na VO	menos que isso lê como "corte nervoso/rápido demais" mesmo com velocidade normal — usuário reclamou em 2026-09-07 (3 vídeos "Detalhe" com corte ~4s cada)
Mão manuseando roupa no prompt	negar clipping e flutuação	sem isso a mão entra dentro do tecido ou a peça flutua sem apoio — adicionar `hand clipping through fabric, fingers penetrating garment, garment floating unsupported, garment defying gravity` no NEGATIVE

Antes de aceitar um clipe, confirme que sobrou respiro: se silencedetect não achar nenhum silêncio no fim, o texto estourou o tempo.

E antes de dizer que algo está pronto ou corrigido: abra o arquivo. Data de modificação e um frame extraído. A falha mais cara do dia não foi de modelo — foi reportar como feita uma correção que um script em background nunca executou.

Regras que não se negociam

Imagem sempre antes do vídeo. Nunca texto→vídeo. Sempre Imagem→Vídeo.
Todos os prompts em inglês — GPT e Grok. Só a fala do personagem fica no idioma do criativo.
Story 9:16 vertical desde a imagem.
Prompt de vídeo muito descritivo. Cena vaga = vídeo genérico.
A fala vai literal no prompt. Sem o texto exato, a boca não bate com o áudio.
Bloco anti-morphing em todo prompt de vídeo. Sem ele nascem objetos do nada e dedos a mais. 6b. Movimento sempre natural, e nada nascendo do nada. Todo prompt de vídeo, sem exceção, leva as duas metades: no ACTION, micro-movimento humano contínuo (piscar, respirar, peso do corpo, ombros e cabeça acompanhando a fala, dedos com peso e atrito nas cenas de mão); no CONTINUITY + NEGATIVE, a lista fechada de objetos e a proibição de qualquer coisa surgir, sumir, duplicar, derreter ou deformar. Cena parada demais lê como boneco falante; cena com objeto brotando lê como IA. As duas queimam o criativo do mesmo jeito.
Sem legenda na geração. Legenda é pós-produção — queimada pelo modelo fica horrível.
Só Grok. É ilimitado na assinatura do Hub; os outros modelos consomem o pool geral.
Orçamento de tempo antes de escrever as cenas. Nunca some no fim.
O Hub NÃO limpa o prompt nem a imagem entre gerações. O texto da cena anterior fica no campo e a próxima cena sai gerada com ele, sem aviso nenhum. Limpe à mão e confirme que zerou antes de digitar — a sequência canônica está em hub-video-playwright.
A cena de ação usa a imagem do estado que a fala dela descreve. Gerar as imagens de prop e deixar toda cena apontando para a base é o mesmo que não tê-las gerado. Prove o vínculo com bind.sh (md5 da imagem da cena bate com uma imagem aprovada do próprio criativo) — inspeção a olho não conta.
Só entra no CHARACTER o que está na IMAGEM. Acessório escrito no prompt e ausente da foto (colar, brinco, terço) aparece do nada no meio do criativo.
gate.sh antes de concatenar, e ele é bloqueante. Três checagens por cena: RMSE frame 0 × imagem da cena < 0,16; rosto × mediana das outras cenas < 0,20 (pega troca de set/figurino); silencedetect achou respiro no fim. Falhou qualquer uma, regera a cena — não monta.
Nunca apague CRIATIVO-*/VIDEO/cena-*.mp4. Sem os clipes-fonte, um defeito numa cena obriga a refazer o criativo inteiro.

FASE 0 — Briefing

Antes de decidir modo, cena ou fala: entenda o produto e quem compra. Nunca escreva a primeira linha de prompt de imagem, vídeo ou narração sem antes ler:

A página de vendas (pagina/index.html da oferta) — ela já carrega promessa, ângulo e para quem fala (comprador, não necessariamente usuário final), validados com o usuário antes de ir ao ar. É a fonte da verdade do projeto, não um detalhe a inferir depois.
O entregável (PDFs/imagens já gerados) — o que o comprador de fato recebe, pra demonstração usar conteúdo real (ver §E.0 mais abaixo).

Pular esse passo já custou caro: um criativo saiu com a narração falando diretamente com o idoso ("vas a recibir", "tu equilibrio") num produto cujo comprador real é o filho/cuidador — a própria página já usava hijo/hija/papá/mamá, e ninguém checou antes de escrever. Ver §E.4 para a regra completa de "a quem a narração se dirige".

Se você é o orquestrador delegando essa skill pra um pane/subagente, o prompt de spawn É o briefing. Aconteceu de novo (2026-09-07): um pane recebeu só caminho de arquivos de referência + "monte 1 criativo demonstrativo" e produziu vídeo/imagem tecnicamente corretos mas sem ângulo de venda nenhum — nunca soube produto, persona ou proposta, porque isso nunca chegou no prompt de spawn. Passar arquivos não é briefing. Todo spawn pra essa skill precisa incluir explicitamente: nome do produto, promessa/proposta real, persona (pra quem fala), preço real, e a instrução de invocar esta skill desde a FASE 0 — nunca pular direto pra "gere a cena X".

Só depois disso, decida o modo. Se não estiver claro no pedido, pergunte:

Modo A — Criativo completo do zero. Todas as cenas são geradas: hook, corpo, oferta e CTA. Use quando não existe criativo vencedor, ou quando o vencedor vai ser substituído.

Modo B — Hook novo sobre body existente. Só o hook é gerado; o corpo é um criativo que já converte, cortado no ponto certo. Use para escalar um vencedor testando ângulos e públicos diferentes. Mais barato e mais seguro.

Modo B2 — Body variado (a "v2"). Vários bodies em vez de um só, para quebrar a similaridade criativa que o Modo B carrega (ver FASE 1). Cada body muda pelo menos uma variável do conceito além do ângulo:

recut — o mesmo vencedor cortado em outro ponto, ou com blocos reordenados
promessa trocada — mesma oferta apresentada por outra dor/benefício
persona trocada — quem conduz o corpo do vídeo muda (a filha, o cético, o marido)
prova trocada — depoimento no lugar da explicação, ou vice-versa
CTA trocado — teste grátis vs. diagnóstico vs. consulta

Custa mais geração, mas é o que faz a leva virar conceitos distintos em vez de variações do mesmo anúncio.

Modo C — Variação do vencedor (metodologia Kevones). Não é um pipeline novo: é o Modo B (ou B2) com a matriz gatilho × ângulo do Kevones no lugar do briefing. A produção é a mesma — hook novo por criativo, body vencedor emendado depois. O que muda é de onde saem os hooks: em vez de inventados um a um, eles nascem de uma matriz que garante que nenhum repita o do lado.

Use quando a leva nasce de um criativo que já tem venda, e não de um briefing.

Como a matriz gera os hooks: 3 gatilhos × 4 ângulos = 12 combinações possíveis. Escolha N delas, uma por criativo, e cada uma vira a cena de hook:

	Surpresa	Novidade	Mudança de vida
TikTok	criativo 1	criativo 2	criativo 3
Direto	criativo 4	criativo 5	criativo 6
Dicas	criativo 7	criativo 8	criativo 9
Catálogo	só e-commerce

Regras de preenchimento:

Uma célula, um criativo. Duas células iguais é o mesmo hook com roupa diferente — a Meta lê como um anúncio só.
O ângulo manda no visual, o gatilho manda na fala. Cada linha da matriz ganha um look próprio (luz, superfície, hora, o que está em quadro); cada coluna ganha a abertura da frase. É isso que faz os N primeiros frames serem distintos.
O body fixa persona e oferta — a matriz só varia o ângulo. Continua valendo o teto de ~60% de body compartilhado da FASE 1: acima disso, a leva é uma família de conceitos. Meça e informe ao entregar.
O hook carrega a PERSONA; o body carrega mecanismo e CTA. Cada hook tem pessoa, rosto, idade, sexo e ambiente próprios. É a persona que a Meta lê como conceito distinto — variar só a superfície da mesa não engana ninguém.
Não replique o território visual do body nos hooks. Se o body é overhead de mãos numa mesa, nove hooks de mãos numa mesa são um criativo com nove nomes, por mais que a luz e a madeira mudem. Erro cometido em produção: as âncoras de continuidade (mesmas mãos, mesma voz) foram copiadas para todos os hooks e zeraram a diversidade que era o objetivo da leva.
Continuidade não se resolve repetindo o personagem — se resolve mudando de registro. Hook em 1ª pessoa com rosto, body em narração demonstrativa, são dois registros que o espectador aceita. O que denuncia montagem é a MESMA narradora soar diferente entre duas cenas, não o hook ter outra pessoa que o body.
Body narrado sem rosto (VO off) é justamente o caso que mais pede rosto no hook: cena sem rosto sorteia timbre, e rosto em quadro fixa. Herdar a narração do body no hook soma o risco de sorteio ao custo de zerar a diversidade.

Estratégia da leva (gatilho × ângulo, dor, bolhas, quantidade, corte) — mora na skill `criativo-ads`

A metodologia Kevones de criativo (curso 2025 + YouTube 2025/26) saiu daqui e foi para ~/.claude/skills/criativo-ads/references/kevones-criativo.md. Leia o arquivo antes de montar a matriz do Modo C. Resumo do que muda a produção:

Não fazer variação rasa do vencedor (trocar só gancho, música, voz, tom ou cor): desde a Andrômeda o Meta agrupa como o mesmo anúncio. Cada célula da matriz tem que trazer outra dor/persona/motivo de compra. Repete o formato, não o conteúdo.
Gatilhos (Surpresa / Novidade / Mudança de vida) abrem a fala; ângulos (TikTok / Direto / Dicas / Indicação / Conteúdo de valor) decidem a estrutura e o visual.
Quantidade por fase: teste de low ticket com 3–5; público validado com 3 criativos (1-1-3); depois ~3 novos por semana.
A peça entra em campanha nova com o público validado, nunca na que já vende.

Detalhe completo de tráfego na skill metaads-kevones — esta aqui só produz o vídeo. Não replique a régua de campanha aqui; ela muda e a fonte é aquela.

Pergunte sempre, antes de planejar a leva:

Esta leva vai ser 1 body com N hooks (teste limpo de hook, mais barato, mas ~70-80% de cada vídeo é o mesmo arquivo) ou v2 com bodies variados (mais caro, abre bolsões de público novos porque muda persona/promessa/prova, não só o gancho)?

Essa é a única pergunta desta decisão. Quantidade de bodies, variáveis e distribuição são derivadas por você a partir do número de criativos — ver abaixo.

No v2, o dimensionamento é decisão sua, não do usuário. Ele pede a quantidade de criativos; você deriva o resto e só informa o plano. Não pergunte quantos bodies, quantas personas ou qual variável — decida:

Criativos pedidos	Bodies	Hooks por body
até 3	1	todos (não compensa fatiar)
4 a 6	2	2 a 3
7 a 9	3	2 a 3
10 a 15	4	3 a 4
16+	5, e pare aí	3 a 4

Regra: um body a cada ~3 criativos, teto de 5 — acima disso a produção explode e o ganho de diversidade satura.

Qual variável cada body muda, nesta ordem de prioridade (o body 1 é sempre o vencedor original, intacto):

promessa — outra dor/benefício da mesma oferta
persona — quem conduz o corpo do vídeo
prova — depoimento no lugar da explicação
CTA — teste grátis vs. diagnóstico vs. consulta
recut — só se ainda faltar body depois dos quatro acima

Distribuição dos hooks: hooks do mesmo território semântico vão para bodies diferentes, nunca empilhados no mesmo. É isso que impede a leva inteira de conversar com o mesmo bolsão.

Apresente a matriz pronta (body × variável × hooks) e siga; só pare se o usuário quiser mudar.

Levante também, perguntando o que não souber:

Oferta — o que vende, preço, promessa, garantia
Público — quem, idade, dor, nível de consciência
Idioma e sotaque — ex: espanhol rioplatense com voseo, PT-BR
Duração alvo do criativo e do hook
Referência visual — existe criativo vencedor? tem atriz/persona a manter?
Plataforma — Meta feed/stories, YouTube, TikTok

Acervo de modelos: conte TERRITÓRIOS, não arquivos. Num acervo de 20 vídeos de referência, 7 eram o mesmo roteiro com corte e duração diferentes — o acervo real tinha 10 ideias, não 20. Transcreva tudo antes de planejar a leva (faster-whisper resolve em minutos) e agrupe por território semântico. Planejar "6 criativos" sobre um acervo que você achou que tinha 20 opções e tem 10 leva a repetir mecanismo sem perceber.

Mantenha um MODELOS-USADOS.md no projeto: qual modelo virou qual criativo, e quais territórios seguem livres. Sem isso a leva seguinte recicla o mesmo ângulo.

No Modo B, assista ao criativo vencedor antes de escrever qualquer coisa. Extraia a transcrição (das legendas queimadas, se não houver script) e mapeie a estrutura em blocos com timestamps. Sem isso o hook não encaixa.

Modo D — Modelagem de escalados. A leva não nasce de briefing nem de vencedor próprio: nasce de um formato que já está escalando na conta de outra pessoa, com o arquivo real anexado como referência. Existe uma biblioteca local de 103 formatos (87 estáticos, 16 vídeos, 47 categorias) em ~/.claude/biblioteca-escalados.

Quem conduz esse modo é a skill modelagem-escalados — leia-a antes de qualquer coisa. A divisão é:

	`modelagem-escalados`	esta skill
Estático	pipeline inteiro (01→12)	não entra
Vídeo	decupa o formato e devolve o briefing (prompt `11`)	produz: imagem → vídeo → QA → montagem

Fluxo de vídeo no Modo D:

scripts/buscar.sh --tipo video na skill modelagem-escalados lista os 16 formatos; 13 têm transcrição .txt ao lado do arquivo.
Prompt 11 decupa o vídeo escalado em blocos (hook / agitação / mecanismo / prova / oferta / CTA), acha o corte de atenção e nomeia o mecanismo do hook.
O briefing que sai dali entra aqui como Modo A ou B, já com persona, ângulo e falas por cena. Todas as regras desta skill continuam valendo — 16 palavras por cena no Veo, rosto em quadro, bloco de dentes, anti-morphing.

Regra que não muda no Modo D: modela-se o mecanismo, não o produto. Pessoa, marca, logo, prova e número da referência não sobrevivem à adaptação. Sem depoimento real no briefing, formato de prova social não entra.

Modo E — Vitrine Guiada (b-roll de banco + demonstração do entregável + guia falante, MISTURADOS no mesmo criativo). Nenhuma cena de mundo real é gerada por IA. O criativo é montado com quatro fontes que já existem ou já foram geradas antes (imagem do entregável, ver FASE 0/§E.0), e a única coisa que pode ser gerada agora é a pessoa que fala (ou nem ela, quando é só narração).

⚠️ PADRÃO VALIDADO (Receita Aprovada Tarot, 2026-09-23): O modo demonstrativo segue o padrão b-roll + gravação de tela/entregável + VO + legenda karaokê, SEM tarja vermelha, SEM geração de pessoa por IA. Ver seção E.2b para receita completa e detalhes de estrutura, layout, regras que funcionaram.

Camada	Fonte	Para que serve
B-roll	banco público (Pexels, Pixabay, Coverr, Mixkit) e Pinterest	contexto e dor: cenas do mundo do comprador que o acervo próprio não tem
Demonstração do entregável	gravação de tela ou mão apontando página real (§E.2 ou §E.0) — o material físico/mockup do produto	prova principal em produto PDF/guia: mostra exatamente o que o comprador recebe
Tela	gravação do próprio produto em modo mobile no DevTools (§E.2)	prova em produto navegável (portal, app, área de membros) — alternativa à demonstração acima, não soma com ela no mesmo criativo salvo casos específicos
Guia	personagem falante (imagem→vídeo, pipeline normal desta skill, ou UGC de leva anterior — nunca com áudio trocado, ver §E.6) ou só narração off	conduz, promete e chama pra ação; editado com as outras camadas via Meio a meio ou PiP (§E.3)

As quatro camadas não são modos separados — são um kit. Um único criativo pode abrir com b-roll (dor), passar pra demonstração do entregável (prova via gravação de tela ou visual), voltar pro b-roll (contexto), e fechar com o guia falando em PiP ou VO sobre a demonstração (CTA). A composição cena a cena decide qual camada entra onde — não existe regra de "este criativo é só b-roll" ou "este é só demonstração"; cada cena usa a fonte que prova melhor aquela frase do roteiro.

Use quando: o produto é digital e navegável (site, área de membros, catálogo, app) — a tela real vende mais que qualquer cena inventada; ou quando o b-roll do nicho existe pronto em banco e gerar aquilo por IA seria pagar caro por pior; ou quando o produto é um PDF/guia e a prova mais forte é ele mesmo, físico, na mão.

Inspiração de estrutura vem da biblioteca de escalados também — sempre olhe antes de inventar o corte. ~/.claude/skills/modelagem-escalados/scripts/buscar.sh --tipo video lista os 16 formatos de vídeo já escalados, por categoria:

Categoria	Qtd	Corresponde a
UGC (verde, tela dividida, expert reagindo)	7	Meio a meio / Miniatura-PiP
Tela dividida	2	Meio a meio
Antes e depois (com tela dividida)	2	Meio a meio
Tela verde	1	Miniatura-PiP (fundo composto)
POV em Vídeo	1	Print + POV + Meme, sem meme físico — só POV+prova
Identificação	1	Tela cheia
Animação 3D	1	fora do escopo do Modo E
Estilo stories	1	Tela cheia, ritmo de story nativo

Não é o Modo D (que decupa um vencedor específico e vira briefing formal): aqui é consulta rápida de referência validada, e entra em dois momentos, não só um:

Antes de pensar em como vai ser o criativo — primeiro passo, antes de decidir estrutura, persona ou ângulo. Busca referência validada primeiro, inventa depois em cima do que já funciona; nunca o inverso.
Antes de montar (FASE 7, já com os clipes/imagens prontos) — confere se o layout escolhido pra edição (Meio a meio, PiP, Tela cheia, Print+POV+Meme) ainda bate com o formato de referência, porque decisão de montagem muda depois de ver o material pronto: às vezes o corte planejado não sobra tempo pro layout que virou referência, e é melhor trocar de layout do que forçar.

Rode a busca de qualquer ponto do processo, sempre que o corte ou a montagem do criativo estiver em dúvida — nenhum arquivo da biblioteca entra na peça final, é referência de estrutura, não material.

Cuidado ao ler a referência: o que é edição não vira prompt de vídeo. O formato escalado mostra o resultado já montado (split, PiP, faixa, corte). Isso é decisão de pós-produção — mesma regra do começo desta seção (## Regra de voz/rosto, "Modos de edição"). Ao escrever o roteiro a partir de uma referência, separe sempre os dois: o que o guia fala e faz (vira prompt de vídeo, gerado em quadro cheio, normal) e o layout que a referência usa (vira nota de edição, aplicado depois no clipe pronto). Copiar a montagem da referência pro prompt do Veo ("cena dividida ao meio", "tela no canto") é o erro que gera clipe quebrado — o modelo tenta desenhar a divisão dentro da própria imagem.

E.0 — Modo padrão é DEMONSTRATIVO, UGC só se pedido

Regra do usuário (2026-09-06). Sem instrução em contrário, o criativo é demonstrativo — mostra o entregável por dentro, prova tangível do que o comprador recebe — não UGC de pessoa falando. Isso é o que "fica top" por padrão.

Receita padrão validada: ver §E.2b (Mapa do Tarot, 2026-09-23). Estrutura: hook em b-roll tela cheia → demonstração do entregável gravado → split (entregável em cima, b-roll embaixo) → CTA em b-roll tela cheia + VO off + legenda karaokê.

Pode sugerir UGC perguntando, nunca decidir por conta próprio. Só entra UGC se o usuário pedir ou aceitar a sugestão.
Quando UGC entrar, o tempo de vídeo tem que bater com o tempo da pessoa falando — nunca cortar pra alguns segundos genéricos. Quem narra o ritmo é a fala da pessoa; corta ou encurta as cenas de b-roll pra caber no tempo dela, não o contrário.
A demonstração usa as páginas REAIS do entregável, sempre por referência. Nunca inventa conteúdo genérico — se for gravação de tela, mostra a navegação real; se for imagem referência, é a página de verdade (páginas reais do produto) como referência ao pedir a cena. O material que aparece na tela é o material que o comprador vai receber.
Antes de montar a cena, saiba onde está o entregável. Localize os PDFs/ imagens já gerados do produto (pasta entregaveis/ da oferta, ou estagio-N-pdf/ dentro dela) — nunca invente ou assuma que não existe material pra referenciar. Se o produto ainda não tiver todas as páginas geradas, use as que já existem; não espere o produto inteiro terminar pra montar o criativo.
Antes de escrever qualquer narração/fala, leia a página de vendas (pagina/index.html) pra confirmar quem é o comprador. A página já carrega a persona certa (validada com o usuário antes de ir ao ar) — ela é a fonte da verdade sobre pra quem a copy fala, não o julgamento de quem escreve o criativo. Caso real (equilibrio-seguro-60): a narração foi escrita na 2ª pessoa pro idoso ("vas a recibir", "tu equilibrio") sem checar a página, que já usava hijo/hija/papá/mamá/cuidador — o comprador certo, não o usuário final. Grep rápido resolve: grep -oE "hijo|hija|papá|mamá| cuidador|tu ser querido" pagina/index.html. Se a página fala com o cuidador, a narração fala com o cuidador — sempre, sem exceção.

E.1 — Coleta do b-roll

Todo b-roll mostra o ASSUNTO do produto no quadro — e só entra clipe ENTREGUE pela get-brolls. Erro real (Mapa do Tarot, 2026-09-23): o projeto get-brolls só rodou search, nunca review/entrega; um pane baixou clipes à mão com queries genéricas ("hand writing journal", "book pages flipping") e o criativo saiu com pessoa escrevendo numa poltrona e livro abrindo em leque — nenhuma carta de tarô. Dono: "não tem nada a ver com o assunto". Regras:

Toda query e todo target do BRIEF carregam o objeto do nicho explícito (tarot cards spread on table hands, não hand writing journal). Palavra genérica (book, journal, writing, pages) sem o objeto do nicho = clipe genérico garantido.
No review, rejeite candidato em que o objeto do nicho não aparece no quadro.
Pasta raw/ baixada fora da skill não entra na montagem sem passar por review e registro de origem/licença. Delegou? Escreva isso no prompt do pane.
B-roll em tela cheia = object-fit: cover real no 1080×1920. Clipe horizontal encaixado sem cover vira letterbox com barra preta (v7 Imperatriz: conteúdo só em y 440–1480). QA: ffmpeg -vf cropdetect em cada bloco de b-roll tem que dar 1080:1920.
Nenhum clipe (nem outro trecho do mesmo clipe) aparece duas vezes no criativo. Faltou clipe: alonga o anterior ou busca outro.
B-roll sempre muted no Remotion — o único áudio é a VO. (Louco v7: áudio original do clipe vazou por baixo da narração.)
Clipe tem que ter duração útil ≥ slot. Mais curto, o Remotion segura o último frame e a cena "trava" (Louco v7, 25.8–27.1s e 27.5s–fim). QA: ffmpeg -vf "freezedetect=n=0.003:d=0.4" -f null - no final = zero freeze.

Os termos de busca saem do que você entendeu do produto e da persona na FASE 0, não de achismo na hora de buscar. Se o comprador é o filho/cuidador de um idoso (ver FASE 0/§E.4), o b-roll certo mostra a cena pela ótica dele — um adulto cuidando/visitando um idoso, não só "elderly exercising" genérico. Releia a página de vendas antes de montar a lista de termos; ela já diz qual é a dor e o contexto visual que vende.

Busca sempre em inglês, mesmo pra nicho brasileiro: o acervo indexado em português é uma fração do inglês. rural blacksmith welding, não ferreiro soldando. Baixe 3–4 clipes que fazem sentido pro roteiro, não os 3–4 primeiros bonitos.

Perfil de browser dedicado: pinterest (~/.agent-profiles/pinterest, registrado em registry.conf). Pinterest exige login pra ver vídeo; sem perfil persistente cai no muro de cadastro a cada sessão.
Prefira o banco público ao Pinterest quando o clipe existir nos dois: licença limpa (Pexels/Pixabay/Mixkit/Coverr liberam uso comercial sem atribuição). Pinterest é descoberta, não fonte — o pin quase sempre reaponta pra origem; baixe da origem.
Nunca use clipe com marca, logo, rosto reconhecível de celebridade ou legenda queimada. Corta o anúncio no review da Meta.
TikTok também é fonte — dupla função (buraco fechado 2026-09-09).
1. Sinal de demanda: vídeo viral sobre o tema/dor da oferta é a mesma leitura que "comentário recente no YouTube" (complemento de demanda do método, ver low-ticket-metodo-mvt mineração) — visualização e comentário alto e recente = gente querendo aquilo agora. Busque pelo termo da persona/dor antes de decidir que "não tem demanda".
2. Fonte de b-roll: cena TikTok que faz sentido pro roteiro (mesma regra de nunca usar marca/logo/rosto de celebridade/legenda queimada — corte esse trecho ou descarte o clipe) pode virar b-roll, do mesmo jeito que Pinterest é descoberta e você baixa da origem quando possível.
3. Download: yt-dlp baixa TikTok direto por URL, sem precisar de perfil logado pra vídeo público (yt-dlp <url> -o saida.mp4). Só precisa de conta/perfil de browser dedicado se o conteúdo estiver atrás de idade/restrição — nesse caso, mesma lógica dos outros perfis persistentes do projeto (criar um perfil dedicado, não usar conta pessoal).
4. Padronize igual aos outros: 9:16 (já nasce assim na maioria), sem áudio original, cortar qualquer selo/UI do TikTok (relógio, @usuário, ícones de like/comentário) antes de usar — nunca deixa a chrome do app original visível no criativo final.
Padronize antes de montar: 9:16, mesmo fps do resto, sem áudio original (-an) — a trilha e a narração são únicas pro criativo todo.
Se achar fácil, cena de gente usando algo parecido com o produto ajuda (mão folheando papel numa mesa, gente manuseando peça, cliente recebendo objeto) — o comprador se vê fazendo aquilo, mais forte que ambiente vazio. Mas é ganho oportunista, não meta: não trave a busca de b-roll tentando achar esse tipo específico. Cena de ambiente/ferramenta parada (banco tem de sobra) resolve o criativo sozinha na maioria das vezes.

E.2 — Gravação de tela em modo mobile

O produto navegado por dentro, gravado com o DevTools em device emulation (iPhone/Android, 9:16 nativo), não o desktop redimensionado — barra de rolagem e hover de mouse denunciam desktop e quebram a leitura de "isso é o app no meu celular".

Comando (agent-browser) — nunca gravar sem setar o device antes, senão sai em resolução de desktop:

agent-browser --session <sessao> set device "iPhone 16 Pro"   # NÃO --device (isso é o provider iOS)
agent-browser --session <sessao> navigate "<url do produto>"
agent-browser --session <sessao> record start "<saida.webm>"
# ... ações reais: scroll, clique em link/card/botão real da UI ...
agent-browser --session <sessao> record stop

Sai em ~1080×2340 (3x DPR do device), não exatamente 9:16 — normalize na montagem: scale=1080:-1,crop=1080:1920:0:0 (ou pad, se preferir não cortar).

Demonstração obrigatória do entregável digital

Quando o produto tiver portal, área de membros ou arquivos navegáveis, a gravação precisa provar a entrega real — não basta rolar a landing page:

Mostre rapidamente a tela de login e a entrada pelo e-mail da compra.
Nunca deixe um e-mail completo legível. Use uma conta fictícia e mantenha o campo desfocado, coberto ou mascarado com asteriscos; na área logada, exiba algo como cl******@dominio.com.
Passe pela visão geral do produto e por cada seção entregue, incluindo todos os bônus. Mostre pelo menos um detalhe interno de cada seção, não apenas o cartão/capa.
Faça cliques reais: abra um material, mostre seu conteúdo, volte ao portal e siga para o próximo. O corte final pode acelerar transições, mas cada seção precisa ser reconhecível em quadro.
Grave em device mobile real e enquadre para o texto importante continuar legível depois do crop 9:16. Sem cursor de desktop, hover ou rolagem horizontal.

Gate antes da montagem: revise quadro a quadro procurando e-mail, nome, token, pedido ou dado pessoal completo. Se aparecer, masque na interface ou na pós antes de exportar.

Grave clicando de verdade, não só rolando. viewport <w> <h> muda só o tamanho da janela — continua desktop, sem media query mobile, sem toque. Só set device ativa o user-agent e o layout mobile reais. Uma gravação que só rola a página sem nenhum clique prova menos que uma que abre uma ficha/card de verdade — o produto sendo usado, não só visto, é a prova que o Modo E promete.

Movimento lento e intencional: rolagem contínua, pausa em cima do que importa, um clique por bloco. Rolagem nervosa é o erro mais comum e ilegível em quadro pequeno.
Grave mais do que precisa e corte depois; regravar sincronizado com a narração custa mais que cortar.
Zero dado pessoal, e-mail, token ou nome real de cliente em quadro.

E.2b — RECEITA APROVADA: demonstrativo b-roll + tela + VO (Mapa do Tarot, 2026-09-23)

Dono: "criativo top em todos os sentidos". Reuse esta estrutura para qualquer criativo demonstrativo com VO off + gravação do entregável. Referências: mapa-do-tarot/criativos/ CRIATIVO-1/v10_imperatriz.mp4 (final 1.15x; v8 = mesma sem acelerar) e CRIATIVO-2/ (O Louco, mesma receita).

Bloco (pela frase da VO)	Layout	Legenda
Hook (pergunta + dor)	100% b-roll tela cheia do assunto (ex.: mãos embaralhando cartas). SEM still/produto parado	70%
"Olha esse material…" (lista do que tem)	gravação de tela do entregável 100%	70%
"Como se conecta… pratica" (mecanismo)	split: entregável EM CIMA 70% / b-roll EMBAIXO 30%, feather na costura	sobe p/ ~62-64%, logo acima do b-roll (senão some)
"Exercícios…" até o CTA	100% b-roll, 1 clipe DIFERENTE por frase	70%

Regras que fizeram dar certo (cada uma custou uma versão):

Tudo numa composição Remotion: layouts, transições ~0.3s, legenda KaraokeV2 como última camada, words.json do legenda_align.py. ffmpeg só mede/normaliza.
Split 50/50 com carta estática embaixo foi REJEITADO (b-roll cobria a carta); split 30/70 com b-roll em cima também ("ficou estranho") — o aprovado é entregável em cima.
Nenhum frame do A-roll antigo que não é mais usado (ex.: mão com a carta 0–5.34s) pode vazar em transição: corte seco/startFrom no primeiro frame da gravação.
B-roll: objeto do nicho visível, cover real 1080×1920 (cortar borda preta embutida do arquivo-fonte antes), nenhum clipe repetido, e criativo irmão da mesma leva usa b-rolls DIFERENTES (mesma base de tela, só troca VO + b-rolls).
Final acelerado 1.15x no Remotion (ver "Acelerar é padrão").
QA do orquestrador antes de mostrar: contact sheet 1fps, cropdetect em cada b-roll, frames a cada 0.1s na troca hook→tela, karaokê mudando de palavra, F0 da voz antes×depois.

Lições da leva ES Mapa del Tarot (dona, 05/10/2026 — v1 reprovada):

Gancho no máximo 2 frases curtas (2 linhas de legenda). Logo em seguida a fala já é sobre o material e a tela já MOSTRA o material. 3-4 frases de dor antes do produto = reprovado.
Modelo de gancho aprovado ("carta mal-entendida"): "Acha que a carta X é só sobre Y? Olha esse material." → mapa da carta X em tela (significado tirado do que aparece no mapa, nada inventado) → exercício → outras cenas. Usado na Imperatriz (BR) e La Muerte (ES). Se a dona mandar vídeo filmado da carta física + tela, o criativo ABRE com ele, mas SÓ durante a pergunta do gancho; no "Olha esse material" já cortam as gravações de tela limpas.
Dona mandou várias gravações do entregável = cada criativo mostra um pouco de CADA uma. Não a gravação inteira: cortes curtos (1,5-3 s) das MELHORES cenas de cada gravação, escolhidas para casar com a fala daquele criativo. 1-2 gravações inteiras por vídeo = reprovado.
Legenda com palavras sobrepostas = reprovado. Gate obrigatório: frames a cada 0,5 s ao longo do vídeo inteiro, nenhuma palavra encostando/sobrepondo outra; grupo de ~3-4 palavras, frase longa quebra em 2 linhas, gap da KaraokeV2 maior que o pop.
Gravação de celular: cortar barra de status/URL do navegador antes de compor.

Regra do demonstrativo (low ticket) — vale para qualquer Modo E. O criativo demonstrativo é feito de b-roll + o entregável gravado por dentro em VÁRIOS takes (um take por parte do entregável: sumário, um módulo aberto, um exemplo, um clique que abre uma ficha — nunca um take único rolando a página). O que segura a atenção é o arco dinâmico, que vai abrindo o entregável aos poucos:

Abre com b-roll em tela cheia (hook: o assunto/dor, em movimento).
Entregável em tela cheia (o que tem dentro, "olha esse material").
Split: meio a meio (50/50) ou 70/30 com o entregável em cima e o b-roll embaixo. Uma ou outra depende da fala: 70/30 quando o entregável precisa ser lido; meio a meio quando o b-roll carrega metade do sentido. Pode usar as duas no mesmo criativo.
Fecha com b-roll em tela cheia (resultado/desejo até o CTA).

Trocar de take/clipe a cada frase da VO; nenhum take nem b-roll se repete no mesmo criativo. No split o b-roll é vídeo em movimento e nunca cobre a tela do entregável (o 50/50 rejeitado abaixo foi com carta ESTÁTICA embaixo, não pelo 50/50 em si).

E.3 — Edição: os dois arranjos

Os dois arranjos existem no mesmo criativo, alternando. É essa alternância que segura a atenção.

Meio a meio (split 9:16). Tela em cima, pessoa embaixo (ou o inverso). Use enquanto a fala descreve o que a tela mostra — os dois canais dizem a mesma coisa ao mesmo tempo e a prova entra sem interromper a fala.

Foco alternado (PiP). A pessoa começa em quadro cheio falando. Quando a fala vira "olha aqui dentro", ela encolhe pra miniatura no canto e a tela toma o quadro rolando por dentro. No CTA ela volta ao foco em quadro cheio.

Regra do arranjo: quem está em quadro cheio é quem está carregando a informação naquele segundo. Personagem grande enquanto a tela mostra o que importa é desperdício dos dois lados. A transição entre arranjos é escala animada em ~0,3s, nunca corte seco — corte seco na troca de tamanho lê como bug.

Miniatura: canto inferior, ~28–32% da largura, cantos arredondados, sem borda grossa. Menor que isso o rosto some no feed; maior, briga com a tela.

Onde montar: composição Remotion — cada cena/gravação é um <OffthreadVideo> dentro de <Sequence>; a troca quadro cheio → miniatura é interpolate/spring de escala e posição em ~0,3s (9 frames a 30fps, 7 a 24fps); a borda esfumaçada do meio a meio é maskImage: linear-gradient(...) na camada de cima. Ver remotion-best-practices / remotion-multimedia. Hyperframes serve igual (hyperframes-*), quando o criativo já vai ter motion elaborado lá. O fps da composição é o nativo do motor (ver FASE 7), não 30 por hábito. Não testado ainda como template pronto desta skill: o primeiro criativo que usar, salve a composição em references/ pra reaproveitar.

Referências reais de composição, 4 exemplos salvos (2026-09-09) em references/composicao-tela-dividida/ — cobrem a variação que existe na prática, além do que já ia descrito acima:

Arquivo	Arranjo	Leitura
`exemplo-1-hook-meio-a-meio-blur.png`	Meio a meio, pessoa em cima, tela embaixo	Corte NÃO é linha reta — borda entre as duas camadas é esfumaçada/borrada (gradiente), não um corte seco de pixel. Legenda em destaque ("GREW UP" em vermelho) sentada bem na costura.
`exemplo-2-meio-a-meio-pessoa-baixo.png`	Meio a meio invertido, tela em cima, pessoa embaixo	Mesma borda esfumaçada; prova que a ordem (pessoa cima/baixo) é livre — decide pelo que a fala está descrevendo naquele segundo, não por regra fixa de posição.
`exemplo-3-split-corte-seco-play.png`	Split 50/50, linha reta (corte seco)	Ao contrário do E.3 acima: corte seco na linha do split TAMBÉM é válido quando o estilo é "demonstração de app/tela" — ícone de play sobreposto reforça que aquela metade é conteúdo navegável, não B-roll comum. Use linha reta quando quiser deixar claro "isto é uma tela", esfumaçado quando quiser fusão mais orgânica (b-roll/produto físico).
`exemplo-4-miniatura-pip-canto.png`	Miniatura/PiP, mas SEM o círculo perfeito da regra acima	Rosto pequeno com ícone de play ao lado — variação do PiP que sinaliza "isso é um vídeo dentro do vídeo", útil quando a demonstração em si parece um card/resultado de busca (ex: catálogo, feed).

Ordem não é fixa. Nenhuma regra obriga "hook em quadro cheio → split → CTA em quadro cheio" como sequência única. O hook pode nascer já em split (exemplo 1/2) se a informação da tela já for a prova do hook; guarde o quadro cheio pra quando a pessoa precisa carregar sozinha a atenção (identificação, CTA).

Legenda nos exemplos: texto bold, branco/amarelo claro, com 1 palavra-chave em vermelho/destaque, tamanho médio (nunca ocupando mais que ~2 linhas curtas), sentada na costura do split quando existe, ou no terço inferior quando é quadro cheio/PiP. Isso é a MESMA regra da legenda de fala (branca, caixa viva 960×1270) — a diferença é que aqui é call-out/manchete, não transcrição da fala.

E.4 — Narração e trilha

A quem a narração se dirige sai de QUEM COMPRA, não de quem USA o produto. Caso real (equilibrio-seguro-60): a narração falava na segunda pessoa como se o próprio idoso estivesse comprando ("vas a recibir", "tu equilibrio") — mas em nicho de idosos/terceira idade, saúde do idoso, cuidados especiais, quem decide e paga quase sempre é o filho/filha ou cuidador, não o idoso. Falar como se o idoso fosse o comprador erra o alvo da dor: o gatilho de quem cuida é preocupação/culpa/responsabilidade pelo bem-estar de outra pessoa, não autocuidado.

Antes de escrever a narração de qualquer criativo, pergunte quem decide a compra, não só quem usa o produto:

Nicho	Quem usa	Quem decide/paga	Narração fala com
Guias/produtos pra idosos	o idoso	filho(a), cuidador(a)	o cuidador — "para tu papá/mamá", nunca "para ti" no idoso
Material infantil/escolar	a criança	pai/mãe	o responsável
Produto pet	o pet	o dono	o dono
Produto B2B de uso técnico	o operador	quem compra na empresa	quem decide a compra, se for diferente de quem usa

Regra prática: se usuário final e comprador são pessoas diferentes, a narração (e a matriz persona×ângulo×oferta da FASE 1) é escrita para o comprador, descrevendo o benefício pela ótica dele ("dá tranquilidade pra você saber que ele está seguro"), não pela ótica de quem usa.

Gênero da voz sai do nicho, não do gosto. Nicho tocado majoritariamente por homens (serralheria, mecânica, pesca, obra) → voz masculina. Nicho majoritariamente feminino (cozinha, artesanato, maternidade, beleza) → voz feminina. Voz fora do nicho lê como anúncio de fora, não como alguém de dentro. Na dúvida, teste as duas como variação — é uma variável trocada, cabe no Modo C.

A narração é gerada pela skill narracao-hub-tts (API do NinjaVoice, sem browser, 82 vozes, pt-BR nativo, WAV síncrono). Invoque-a, não reescreva a mecânica aqui. Escolhida a voz do projeto, ela não muda entre cenas.

GATE FINAL — obrigatório antes de chamar qualquer vídeo de "pronto"/"final"

Erro real (2026-09-09): 8 vídeos (calça jeans, vestido, camisola) foram entregues e subidos pro Drive como "final" faltando voz certa, trilha e aceleração — regra que já estava escrita acima, só não era gate, e por isso foi pulada sob pressa. Descoberto só quando o usuário abriu um arquivo e notou o áudio cortado. A partir de agora, todo *-final.mp4 passa pelas quatro checagens abaixo antes de subir — sem exceção, sem "depois eu ajusto":

Checagem	Comando	Critério
Voz do nicho certa	ouvir/checar a voice-id usada no `narrar.sh`	feminina em moda feminina/beleza/maternidade; nunca o default `Brandon` (masculino) sem decidir
Trilha presente	`ffmpeg -i final.mp4 -af silencedetect=noise=-40dB:d=0.3 -f null - 2>&1 \| grep silence_`	nenhuma linha de silêncio — trilha contínua cobre até as pausas da narração
Aceleração aplicada	`ffprobe -show_entries format=duration` do final vs. soma bruta das cenas	final mais curto que a soma das cenas em 8s cada (não é 1:1 sem corte/aceleração)
Áudio completo	`silencedetect` não pode mostrar silêncio > 1s cobrindo o trecho de uma cena inteira	pega o bug do `amix duration=first` que corta no fim da 1ª fala

Pipeline padrão pra passar as quatro de uma vez, narração off (sem lip-sync a proteger):

Narração por narrar.sh com voz do nicho (nunca o default).
Concat mudo das cenas → overlay da narração (adelay+amix duration=longest se for por-cena, ou -shortest se for narração única) → 1.35x de aceleração (video+áudio juntos, setpts=PTS/1.35+atempo=1.35) → mixar trilha -20dB (duration=first, corta a música no fim da narração).
Só então: silencedetect tem que vir vazio. Se aparecer qualquer silence_start, algo no pipeline não fechou — não sobe assim.

Upload pro Drive: só o arquivo final, e nunca sem a pasta Kalodata

Só sobe o *-final.mp4 pra pasta 1 - FEED (postar)/ — nunca clipe de cena solto, TMP, ou intermediário sem trilha/aceleração.
Toda pasta datada de produto leva a pasta 0 - Pesquisa Kalodata/ com kalodata-metricas.png + link-kalodata.txt daquele produto (já existem em PRODUTOS/<produto>/ — copie de lá, nunca esqueça ao criar pasta nova no Drive).
Padrão fixo desde 09/09/2026: além da métrica, sempe inclua o print da TELA DE DETALHE DO PRODUTO no Kalodata (/product/detail?id=..., a página que mostra foto, preço, categoria, avaliação e "Principais métricas" — não o card de ranking da busca). É esse print + o link dessa URL de detalhe (não o link genérico /product de busca) que o usuário usa pra se afiliar. Nomeie "<Produto> - detalhe produto Kalodata.png" e salve junto do metricas Kalodata.png na mesma pasta 0 - Pesquisa Kalodata/. Como achar o link de detalhe certo: Hub -> /tools -> busca "kalodata" -> clica no card -> escolhe a conta certa (abre aba nova autenticada, kalodata2.*=Conta 1, kalodata3.*=Conta 2) -> aba Produto -> busca pelo nome exato do produto (da ficha.md) -> clica no resultado que bate (nome + preço + id batendo com o Cover CDN salvo em link-kalodata.txt) -> a URL vira /product/detail?id=<id>&... — é essa que entra no link-kalodata.txt e no links-kalodata.txt consolidado do Drive, substituindo qualquer link genérico de busca/ranking que estava lá antes.

Trilha sempre. Narração seca sobre gravação de tela soa como tutorial de suporte técnico. Regras da trilha:

Instrumental, sem letra — letra briga com a narração pelo mesmo canal.
Coerente com o nicho e com o gatilho: rural/oficina pede algo seco e ritmado, não épico de trailer; e trilha alegre não entra em criativo de dor.
−18 a −22 dB abaixo da voz. Se você percebe a música, está alta demais.
Uma trilha por criativo, contínua do primeiro ao último frame — trocar de música no meio parece emenda de dois vídeos.
Banco livre de royalties (Pixabay Music, Mixkit, Free Music Archive). Nunca música comercial: derruba o anúncio por direitos.

Baixar a trilha do Pixabay Music — `WebFetch` NÃO pega o link de áudio

O player do Pixabay Music carrega a faixa via JS só depois do clique em play; a página estática (o que WebFetch lê) não tem nenhum <audio>/.mp3 no HTML. Testado: WebFetch na página de busca devolveu "nenhum link .mp3 encontrado" mesmo com dezenas de faixas listadas visualmente.

Correção — abra num browser real, clique o overlay de play da faixa, e o <audio> aparece no DOM com o src direto do CDN (cdn.pixabay.com/audio/...), baixável por curl sem sessão/cookie:

~/.claude/bin/browsers.sh gratuito                     # ou qualquer perfil livre
agent-browser --session gratuito navigate "https://pixabay.com/music/search/genre/pop/"
agent-browser --session gratuito eval "(() => {
  const btns = Array.from(document.querySelectorAll('button'));
  const play = btns.find(b => b.className.toLowerCase().includes('play'));
  play.click(); return 'clicked';
})()"
sleep 2
agent-browser --session gratuito eval "(() => Array.from(document.querySelectorAll('audio,source')).map(a=>a.src||a.currentSrc).filter(Boolean))()"
# -> ["https://cdn.pixabay.com/audio/2026/06/04/audio_xxxxxxxxxx.mp3"]
curl -sL "<url>" -o trilha.mp3

Troque /genre/pop/ pelo gênero/mood do nicho (/search/mood/calm/, /genre/cinematic/ etc.) — a mecânica do clique é a mesma.

Baixe um BANCO de faixas variadas, não uma só. Usar a mesma trilha em todo criativo da leva é o mesmo erro de "todos os hooks abrem igual" (ver FASE 1, teste de similaridade) — só que no áudio. Navegue por vários gêneros diferentes (pop, corporate, acoustic, lofi, rnb, cinematic...), uma faixa de cada, e salve num banco reusável por nicho:

<PROJETO>/_ASSETS/trilhas/<genero>.mp3

Cada navigate pede sleep de ~3s antes do clique — o Pixabay é SPA e o componente do player pode não ter re-renderizado ainda; clicar cedo demais retorna o src da faixa anterior sem erro nenhum (parece ter funcionado, mas é a mesma URL de antes). Confirme que a URL mudou antes de seguir pro próximo gênero — se repetiu, aumente o sleep e tente de novo.

Na montagem, sorteie/alterne a faixa por criativo (ex.: pop no provador, corporate no detalhe, acoustic no pov) — nunca a mesma faixa em todos os formatos do mesmo produto, e nunca repita a mesma faixa em produtos vizinhos da mesma leva.

Nível real do mix — meça, não chute

(Mix narração+trilha continua no ffmpeg de propósito: os ganhos abaixo foram calibrados de ouvido em produção. Se a trilha for pra dentro de uma composição Remotion/Hyperframes, leve os MESMOS ganhos (volume do <Audio> / data-volume) e confira com o volumedetect do mesmo jeito. Não use hyperframes normalize-audio aqui: ele IGUALA a loudness da trilha à da narração, o oposto do que o mix pede.)

-18 a -22dB como ponto de partida genérico não bate com o que soa bem na prática: testado em produção e ainda saiu alto demais / narração baixa demais. O que funcionou depois de calibrar por ouvido:

ffmpeg -i vo.mp4 -i trilha.mp3 -filter_complex \
  "[0:a]volume=2.2[v0];[1:a]volume=-38dB[m];[v0][m]amix=inputs=2:duration=first:dropout_transition=0:normalize=0[aout]" \
  -map 0:v -map "[aout]" -c:v copy -c:a aac final.mp4

normalize=0 é obrigatório no amix. Sem isso o filtro reduz os dois canais pela metade automaticamente, e o resultado depende de quantos inputs existem — o -20dB de um teste não soa igual ao -20dB de outro. Com normalize=0, os ganhos (volume=) são os únicos que decidem o nível.
Narração ganha volume=2.2 (sobe ~+7dB) antes de mixar — sem isso ela fica baixa demais perto da trilha mesmo com a trilha atenuada.
Trilha em -38dB, bem mais baixo que o -18/-22dB da orientação genérica — meça de ouvido a cada leva nova, o valor certo varia com a loudness da faixa escolhida (uma faixa mais "cheia" precisa de mais corte).
Confirme com volumedetect, não só de ouvido: compare o mean_volume do vídeo final contra o da narração sozinha — se subiu muito (>2-3dB), a trilha está competindo.

ffmpeg -i narracao.wav -af volumedetect -f null - 2>&1 | grep mean_volume
ffmpeg -i final.mp4 -af volumedetect -f null - 2>&1 | grep mean_volume

E.4b — Sem guia, a tela carrega o criativo sozinha

Criativo 100% narração off, sem personagem em nenhuma cena: a gravação de tela do produto tem que aparecer em algum momento, meio a meio ou em quadro cheio. Sem rosto guiando, é a tela que prova que a oferta é real — só b-roll do zero ao fim, sem nenhum trecho de tela, vira anúncio genérico e não converte. Não precisa em toda cena, mas nenhum criativo sem guia fecha sem pelo menos um bloco de tela.

E.5 — O que continua valendo

Se houver personagem falante, o pipeline dele é o desta skill sem desconto: imagem→vídeo, 16 palavras por cena no Veo, rosto em toda cena falada, bloco de dentes literal, anti-morphing, gate de imagem e gate de clipe. O que o Modo E elimina é a geração das cenas de mundo — não a do rosto.

Custo: é o modo mais barato em cota de IA e o mais caro em edição. Orce tempo de montagem, não de geração.

E.6 — Reaproveitar clipe existente com narração NOVA: isso é Modo E, não regravação de fala

Caso recorrente: já existe um criativo (ou clipes soltos) de uma leva anterior, a copy/roteiro dele não vende (foi escrito sem método, ou sem ler a página de vendas), mas o material visual é bom e dá pra reaproveitar. A tentação é trocar só o áudio/texto por cima do vídeo pronto.

Isso quebra se a cena tem rosto falando. O clipe de talking-head já tem a boca sincronizada com o roteiro velho — trocar as palavras por um texto novo (tamanho, ritmo e conteúdo diferentes) desincroniza os lábios de forma visível. Não tem correção de pós que resolva; é o mesmo defeito de fundo do item "Voz tocando com a boca parada" da FASE 4, só que causado pela troca de roteiro em vez de estouro de orçamento.

Regra de decisão, ao herdar material de uma leva anterior:

Cena reaproveitável	Pode levar narração nova?
Rosto falando (talking-head, lip-sync gravado)	Não — só serve com o roteiro que já tinha, ou vira b-roll mudo cortando o áudio/lábios visíveis (evite closes de boca)
Mão, objeto, tela, ambiente, qualquer cena sem lábios em quadro	Sim, livre — é exatamente isso que o Modo E usa

Na prática: quando a copy velha não presta mas o acervo tem talking-head, não tente salvar a cena de rosto reescrevendo o áudio por cima — trate o projeto como Modo E do zero. As cenas mudas do acervo antigo (mão com material, gravação de tela, inserts) entram como b-roll pronto; as cenas de rosto ficam de fora ou viram referência de persona para uma leva futura de talking-head genuíno (Modo A/B/C). Narração nova, off-screen, carrega o criativo inteiro — ver E.4b.

E.7 — Leva de N criativos em Modo E usa a mesma matriz do Modo C

O Modo E não tem estrutura de teste própria. Para gerar uma leva (não um criativo isolado), a matriz gatilho × ângulo do Modo C (ver seção "Modo C — Variação do vencedor" nesta mesma skill, transcrita do curso do Kevones, módulo 15-masterclass-criativos-milionarios — skill metaads-kevones) é a fonte de diversidade — ela só troca de motor de produção, não de método:

O gatilho (Surpresa / Novidade / Mudança de vida) decide como o roteiro narrado abre — a primeira frase da narração off, não uma fala de personagem.
O ângulo (TikTok / Direto / Dicas) decide a estrutura do roteiro inteiro (história pessoal vs. produto+CTA vs. ensina-um-passo) e o look do b-roll daquele criativo — termos de busca e composição mudam por linha do ângulo, não só a fala.
Sem produto físico pra catálogo, a coluna Catálogo fica de fora: a matriz usada é 3 gatilhos × 3 ângulos = até 9 criativos, um por célula.
Persona da narração é sempre quem decide a compra (ver FASE 0/§E.4), igual em toda a matriz — o que muda célula a célula é o gatilho e o ângulo, nunca pra quem a narração fala.
O corpo de mundo (b-roll + tela) pode repetir entre células do mesmo ângulo — é o roteiro e o gatilho que fazem cada criativo ser um conceito distinto, não a obrigação de b-roll 100% exclusivo por criativo.

Preencha a matriz (roteiro por célula) antes de sair atrás de b-roll — só então a busca de clipes por termo (E.1) sabe o que cada criativo precisa mostrar.

Qual material B usar depende do formato do produto, não é escolha livre por criativo:

Produto é PDF/guia estático (o caso mais comum em low ticket): a prova é gravação de tela do entregável (§E.2), mostrando o material navegável. Gravação de tela em device mobile real é o padrão aqui — um PDF navegado num navegador lê como "uso real do produto", enquanto foto estática lê como "catálogo".
Produto é navegável (portal, área de membros, app, catálogo com várias seções): aí sim entra a gravação de tela em modo mobile (§E.2) — é o único jeito de provar que existe uma entrega maior que um arquivo único.
Os dois não competem dentro do mesmo criativo: escolha um pelo formato do produto e mantenha nas 9 células da matriz — variar isso célula a célula sem motivo lê como inconsistência de produção, não como diversidade.

E.8 — UGC dentro da leva Modo E: opcional, por CÉLULA, e é edição, não geração

A leva inteira não precisa ser 100% narração off. Célula a célula, dá pra trocar a narração off por um personagem UGC falando (gerado pelo pipeline normal desta skill — imagem→vídeo, bloco de dentes, anti-morphing) e casar ele com o material demonstrativo por edição, não por geração:

Meio a meio / Meio a meio invertido (§E.3): metade tela com o UGC falando, metade com a mão+página ou b-roll. Use enquanto a fala da pessoa descreve o que a outra metade mostra.
Miniatura/PiP: UGC pequeno no canto, o demonstrativo (mão+página, b-roll) ocupa o quadro cheio. Use pra trecho mais longo de prova, com a pessoa narrando por cima em voz off enquanto aparece reagindo/comentando no canto.

Isso é a mesma mecânica de edição do Modo E "com guia" (§E.3), só formalizando que dentro de uma leva majoritariamente narração-off, uma ou duas células podem ser UGC+demonstrativo — não precisa ser tudo-ou-nada por leva.

Regras que não mudam:

O UGC gerado é novo, pipeline completo (imagem de referência, vídeo, gate) — nunca é o clipe de talking-head reaproveitado de uma leva anterior com áudio trocado (isso quebra lip-sync, ver §E.6). Se não há orçamento/cota pra gerar UGC novo, a célula fica 100% narração off.
Custo sobe nas células com UGC: viram Modo A/B de verdade (imagem+vídeo no GPT/Hub) por dentro do Modo E — não são "grátis" como o resto da leva.
Escolha essas células pelo ângulo, não ao acaso: TikTok (história pessoal) é onde UGC rende mais — a pessoa em quadro reforça "isso aconteceu comigo/com alguém que eu conheço". Direto e Dicas seguem bem só com narração off.
Default recomendado pra leva 3×3 completa (9 criativos): UGC só na coluna TikTok (3 células — uma por gatilho), as colunas Direto e Dicas (6 células) ficam 100% narração off + demonstração do entregável + b-roll. Isso mantém 6 de 9 criativos no custo baixo do Modo E puro e concentra a geração paga (imagem+vídeo de pessoa) só onde ela mais rende. Ajuste pra cima ou pra baixo conforme orçamento, mas comece daqui e pergunte ao usuário antes de mudar a proporção.
Persona do UGC segue a mesma regra de sempre (FASE 0/§E.4): fala como quem decide a compra (filho/cuidador), nunca como o idoso.

FASE 1 — Conceito e orçamento de tempo

Conceito = PERSONA × ÂNGULO × OFERTA

A Meta hoje não persegue o público que você definiu: ela lê o criativo, interpreta a mensagem e vai buscar o público a partir dela. Consequência direta para quem cria: volume de criativos não é diversidade criativa. Cem anúncios dizendo a mesma coisa alcançam o mesmo bolsão, o alcance incremental cai e o funil colapsa.

Um conceito é a junção de três variáveis. Mudou uma, é conceito novo e desbloqueia um bolsão diferente:

Variável	O que muda de verdade
Persona	quem fala e para quem — idade, sexo, papel (a própria pessoa, a filha, o marido, o cético)
Ângulo	a ideia central — dor pura, prova social, desmistificação, curiosidade mecânica, comparação social, urgência
Oferta	a promessa e o formato — que dor resolve, teste grátis vs. diagnóstico vs. consulta, preço, garantia

Antes de escrever qualquer prompt, monte a matriz de conceitos da leva: uma linha por criativo, com persona, ângulo e oferta preenchidos. Se duas linhas só diferem no look, elas são o mesmo conceito com roupa diferente — corte uma.

Teste de similaridade — faça ANTES de gerar, não depois

Escreva as falas dos hooks lado a lado e conte:

Território semântico: no máximo 1 a 2 criativos por território. Se metade dos hooks aterrissa na mesma ideia central (por mais diferentes que sejam as cenas), são vários anúncios que a Meta lê como um só.
Palavra-chave repetida: se a mesma expressão central aparece em quase todos os hooks, a mensagem é a mesma por mais diferentes que sejam as cenas.
Promessa: quantas promessas distintas existem na leva? Se é uma só, a leva inteira é um conceito.

# conta a repetição da ideia central nas falas dos hooks da leva
grep -h "exact words\|says exactly" */HOOK/PROMPTS/*.txt | tr A-Z a-z | grep -c "<palavra-central>"

No Modo B, o body fixa persona e oferta — planeje a leva sabendo disso

Emendar hooks num body vencedor varia só o ângulo: persona, promessa, CTA e normalmente 70-80% da duração são o mesmo arquivo em todos os criativos. Isso é ótimo para testar hook (uma variável isolada), e é o teto de diversidade que nenhum hook novo rompe.

Meça a proporção e diga isso ao usuário ao entregar a leva:

# quanto do criativo final é body compartilhado
b=$(ffprobe -v error -show_entries format=duration -of csv=p=0 body.mp4)
f=$(ffprobe -v error -show_entries format=duration -of csv=p=0 CRIATIVO-N.mp4)
awk -v b=$b -v f=$f 'BEGIN{printf "body = %.0f%% do video\n", 100*b/f}'

Acima de ~60% de body compartilhado, a leva é uma família de conceitos, não várias. Para diversidade real, a leva seguinte precisa de body alternativo (recut diferente, versão com depoimento, outro ritual) e/ou outra promessa — não de mais hooks. É exatamente isso que o Modo B2 faz; ofereça a escolha ao usuário no briefing em vez de decidir sozinho.

Ficha de cada criativo

Persona, ângulo e oferta — os três, explícitos
Público — quem exatamente
Look — ambiente, paleta, tipo de luz, hora do dia. Visualmente diferente dos outros e do body.
Primeiro frame — o que aparece no segundo zero. Se dois criativos abrem igual, um deles está sobrando.

Ao ler resultado: não mate criativo por ROAS isolado

A Meta faz remarketing automático — mostra mais de um anúncio seu para a mesma pessoa até converter. Por isso é comum o criativo que abre caminho (primeiro contato) ficar com ROAS feio enquanto alimenta os que fecham. Pausar ele por métrica isolada derruba a campanha inteira. Avalie por resultado de campanha e alcance incremental, não anúncio a anúncio.

Orçamento de tempo — faça ANTES de escrever as cenas

O Grok só entrega 6s ou 10s por clipe, e o corte de silêncio come 20-30% de cada um. Planeje com o líquido:

Motor	Clipe	Líquido após cortar silêncio	Palavras (2,5 pal/s)
Veo 3.1 (padrão)	8s	~6 a 7s	até 20
Veo 3.1	6s	~4 a 5s	até 15
Grok (fallback)	10s	~7 a 8s	até 25
Grok (fallback)	6s	~3 a 4s	até 15

No fluxo padrão (Veo, 8s por cena), escreva cada fala com no máximo 20 palavras. Um criativo de 4 a 5 cenas fecha em ~28 a 35s de líquido — 5 cenas quando o território precisa de um bloco extra de prova ou objeção antes do CTA; não force a 5ª cena só para preencher tempo.

Combinações prontas:

Hook de 8-10s → um clipe de 8s no Veo
Hook de 12-14s → 8s + 6s
Hook de 16s → 8s + 8s
Criativo completo de ~30s → 4 clipes de 8s (o padrão desta skill)

Depois distribua a fala dentro do orçamento: ~2,5 palavras por segundo de líquido. Se o texto não couber, corte o texto — nunca estique o clipe.

Conte as palavras de CADA cena antes de gerar — é gate, não sugestão

Fala que não cabe no clipe não faz o modelo acelerar a voz. Ele deixa o áudio correr além da animação, e o resultado é a boca parada com a voz tocando por cima — defeito que só aparece assistindo, e que não tem conserto na pós.

Orçamento real, contando o Pace que você escreveu no VOICE:

Clipe	Pace 2.5 pal/s	Pace 2.2 pal/s
6s	~15 palavras	~13 palavras
10s	~25 palavras	~22 palavras

# conta as palavras da fala de todas as cenas de uma vez
for f in PROMPTS/vid-cena-*.txt; do
  w=$(grep -oP 'exact words: "\K[^"]+|says exactly: "\K[^"]+' "$f" | wc -w)
  printf "%s: %s palavras%s\n" "$f" "$w" "$([ "$w" -gt 25 ] && echo '  <-- ESTOURA')"
done

Se estourou, corte o texto. Nunca estique o clipe.

Atenção especial ao último bloco: é onde se empilha oferta, preço, brinde e garantia, e é por isso que ele estoura. Numa leva real, 7 de 9 criativos tinham a cena 4 acima do teto (uma com 34 palavras para 22 de orçamento) — todos escritos sem contar. Corte a repetição antes de cortar conteúdo: "na primeira compra", "em PDF", e dizer "sem renovação automática" logo depois de "não renova sozinho" são gordura que sai sem perder argumento.

CTA no corpo do roteiro: o "é grátis" abre a frase, não fecha

Esta seção vale para a objeção dentro do corpo (cena de prova, oferta). No fecho final a regra é outra: só o comando, sem condição (ver a seção abaixo). A objeção que trava o clique é preço. Se ela só cai no fim, o espectador já decidiu sair antes de descobrir que não custa nada. Derrube a objeção primeiro no corpo, depois mande a ação.

Es gratis: tocá el botón acá abajo y descubrí tu número maestro ahora.

Não:

Tocá el botón, descubrí el tuyo, es gratis.        ← grátis chega tarde demais

Padrão: <é grátis> : <comando> <benefício>. O resto do CTA (urgência, "pode sair do ar") vem depois, nunca antes do grátis.

CTA simples — só o comando, zero condição (regra da dona, 2026-10-04)

O fechamento do vídeo (fala da última cena, texto na tela do fecho E o campo CTA do anuncio.md) é uma frase de comando, curta. Nenhuma condição de compra no áudio nem no vídeo: nada de garantia, preço, "pagamento único", "acesso vitalício", "sem mensalidade", "dá pra imprimir", "aceita os termos" ou lista de benefício técnico. Empilhar condição faz o fecho parecer complicado e levanta objeção que não existia ("preciso aceitar uma lei?").

Condição de compra fica só na página de vendas/checkout e, se precisar, no texto do anúncio (anuncio.md). Não é exceção nem quando o produto é grátis: o "é grátis" não vai no fecho.

Escopo: isso vale pra vídeo/VO. Estático e carrossel podem mostrar garantia/vitalício (ex.: modelagem-escalados/references/carrossel-demonstrativo-iphone.md).

Tom canônico: CURIOSIDADE, o comando + o que a pessoa vai descobrir.

Clica aqui embaixo e descobre como.
Clica no link aqui embaixo e conhece o manual.
Clica aqui embaixo e vê por dentro.

Não:

Pagamento único, acesso vitalício, dá pra imprimir. Clica aqui embaixo e vê por dentro.   ← condição no fecho
Clica no botão, aceita os termos, garanta sua compra com 7 dias de garantia
e pagamento seguro, e acesse agora.                                          ← empilhado, burocrático

DENTES — bloco obrigatório em TODA cena de rosto falando

O defeito de dentes é o mais recorrente do Veo em talking head, e tem quatro variantes. Proibir uma não protege das outras — todas apareceram em produção, no mesmo projeto:

Variante	Como aparece
faltando	buraco escuro na arcada, a pessoa fica banguela em parte do clipe
prateado / metálico	um dente vira coroa de prata, cinza ou ouro — lê como dentadura barata
amarelado	esmalte encardido que não combina com a persona
torto	arcada desalinhada, dente virado, tamanho irregular

Nenhuma aparece na imagem de referência nem no primeiro frame: nascem no movimento da fala. Só se pegam amostrando a boca ao longo da duração.

Bloco canônico — cole no CONTINUITY de toda cena com rosto falando:

Her teeth stay natural and consistent for the entire clip: a complete upper and
lower row, off-white natural enamel, matte, evenly aligned, age-appropriate for a
65-year-old, with no changes while she speaks. No missing teeth, no gaps, no dark
holes in the mouth. No metallic, silver, grey or gold tooth, no crown, no cap, no
braces, no shiny reflective surface. No yellow, stained or discoloured teeth. No
crooked, twisted, overlapping or irregularly sized teeth. No denture look.

NEGATIVE:

missing teeth, gaps between teeth, toothless mouth, black holes in the mouth,
silver tooth, metallic teeth, grey metal tooth, gold tooth, dental crown, metal cap,
shiny reflective teeth, yellow teeth, stained teeth, discoloured teeth, crooked teeth,
twisted teeth, overlapping teeth, uneven tooth size, denture look, deformed teeth,
distorted dental anatomy

Cheque assim, sempre — recorte a BOCA, não o rosto inteiro:

# a boca fica em ~0.21-0.41 da altura; recortar mais abaixo pega só o pescoço
for t in 1.5 2.5 3.5 5 6; do
  ffmpeg -v error -ss $t -i cena-N.mp4 -frames:v 1 \
    -vf "crop=iw*0.5:ih*0.20:iw*0.25:ih*0.21,scale=230:-1" /tmp/b$t.jpg -y
done
montage /tmp/b*.jpg -tile 5x1 -geometry 230x+2+2 -background '#111' /tmp/boca.jpg

Um único frame não basta: o dente muda durante a fala. Cinco tempos é o mínimo.

Cuidado com o teto de 2500 chars. O bloco completo é longo e estoura o -short (medido: 2812). Corte na ordem descrita em hub-video-playwright — NEGATIVE enxuto, CONTINUITY resumido, cauda do VOICE. Nunca a fala nem a linha de lip-sync. Versão comprimida que cabe:

Teeth stay natural the whole clip: complete rows, off-white matte enamel, aligned,
no missing, metallic, silver, gold, yellow, stained or crooked teeth, no crown, no cap.

Dentes: o Veo apaga dentes em boca falando — proíba explicitamente

Em plano médio com a pessoa falando, é comum a arcada superior aparecer com buracos escuros ou dentes faltando — a pessoa fica banguela em parte do clipe. Não aparece no primeiro frame nem na imagem de referência: nasce no movimento da fala, então só se pega amostrando a boca ao longo da duração.

# recorte da boca em vários tempos
for t in 1.5 2.5 3.5 4.5 5.5; do
  ffmpeg -v error -ss $t -i cena-N.mp4 -frames:v 1 \
    -vf "crop=iw*0.5:ih*0.22:iw*0.25:ih*0.22,scale=260:-1" /tmp/b$t.jpg -y
done
montage /tmp/b*.jpg -tile 5x1 -geometry 260x+3+3 -background '#111' /tmp/boca.jpg

No CONTINUITY:

Her mouth keeps complete, natural, even teeth for the entire clip — a full upper
and lower row, no gaps, no missing teeth, no dark holes in the mouth while she speaks.

No NEGATIVE: missing teeth, gaps between teeth, toothless mouth, black holes in the mouth, deformed teeth, distorted dental anatomy.

Segunda variante do mesmo defeito: dente PRATEADO. Além de apagar dentes, o Veo às vezes entrega um dente metálico — prata, cinza, azulado ou dourado, como coroa ou capa. Numa senhora de 65 anos isso lê como dentadura barata e estraga o close. Proibir "missing teeth" não cobre: o dente está lá, só é de metal.

Acontece mesmo com a imagem de referência correta (dentes visíveis, boca entreaberta). Confirmado em produção (VSL Rosa, 2026-09-12): as 5 imagens de setup mostravam a boca entreaberta com dentes naturais, exatamente como manda a FASE 3 — e mesmo assim a cena 1 saiu com um dente nitidamente azul/metálico por ~1 frame em torno de 5,5s, no meio da fala. Ou seja, referência boa reduz a frequência do defeito mas não elimina: é defeito de invenção durante a ANIMAÇÃO, não de falta de informação na imagem. Conclusão prática: o bloco de dentes no CONTINUITY+NEGATIVE é obrigatório em toda cena falada mesmo quando a imagem de referência já está perfeita — nunca pule por achar que "a foto já resolve".

Acrescente no CONTINUITY:

Teeth are natural off-white enamel, matte, slightly uneven and age-appropriate:
no metallic, silver, grey or gold tooth, no crown, no cap, no shiny reflective surface.

E no NEGATIVE: silver tooth, metallic teeth, grey metal tooth, gold tooth, dental crown, metal cap, shiny reflective teeth.

Os dois blocos de dentes juntos estouram os 2500 chars do -short com facilidade — ao aplicar deu 2812. Corte na ordem descrita em hub-video-playwright: NEGATIVE enxuto, CONTINUITY resumido, cauda do VOICE. Nunca corte a fala nem a linha de lip-sync.

Vale para toda cena de rosto falando, não só close.

Ficha de cada cena

Look — ambiente, paleta, luz, hora
Personagem — idade, nacionalidade/etnia, roupa, cabelo, expressão
Enquadramento — close / médio / cenital, altura da câmera
Ação — o que acontece nos 6-10s, em uma frase
Fala — texto exato, idioma e sotaque
Voz — timbre, ritmo, emoção
Áudio ambiente — silêncio, rua, madrugada

FASE 2 — Browsers e lane

Escolha a lane do criativo antes de tudo — um nome curto que identifique este trabalho (tarot, espanhol, cozinha). Vários Claudes usam os mesmos browsers logados; sem lane todos caem na mesma aba e no mesmo chat, e um sobrescreve o material do outro.

LANE=<nome-do-criativo>
~/.claude/bin/lane.sh take gpt $LANE     # imagens
~/.claude/bin/lane.sh take hub $LANE     # vídeos
G=gpt-$LANE ; H=hub-$LANE                # use $G e $H em TODO comando

Protocolo completo em ~/.claude/bin/LANES.md. Regras que valem sempre:

Refixe a aba (lane.sh take ..., idempotente) no começo de cada fase e sempre que algo parecer fora de lugar.
Nunca agent-browser close --all — mata as abas dos outros Claudes. Ao terminar o criativo: lane.sh drop gpt $LANE e lane.sh drop hub $LANE.
Todo download leva o prefixo da lane no nome ($LANE-cena-1.mp4) e passa pela pasta de staging da lane antes de ir pro projeto.
A área do staging depende da ferramenta. export LANE_AREA=HUB quando o arquivo vem do Hub (vídeo, criativo, transcrição) — vai para ~/Downloads/HUB/$LANE/. A área padrão, PLAYWRIGHT, é a da geração por browser (imagens do ChatGPT), e fica em ~/Downloads/PLAYWRIGHT/$LANE/. Este criativo usa as duas: as imagens de cena saem do ChatGPT (PLAYWRIGHT) e os clipes saem do Hub (HUB). Exporte a variável na fase certa; misturar faz um collect levar arquivo de uma fase para a pasta da outra.

lane.sh take sobe (ou reaproveita) os Chromium persistentes e conecta o agent-browser. browsers.sh status mostra o que está de pé, em que URL, e avisa se tem Chromium empacotado (perfil em /tmp) rodando — esse não guarda login e trava no Cloudflare.

Portas fixas por perfil, registradas em ~/.agent-profiles/registry.conf. Nunca invente porta nova nem suba Chromium à mão fora do script: perfil errado = login perdido.

Nunca use agent-browser open — o Chromium empacotado dele trava no Cloudflare. Ver skill browser-cloudflare.

Os perfis em ~/.agent-profiles/ são persistentes, então normalmente já abrem logados.

Se o login cair: as credenciais estão em ~/.claude/.credentials.env (permissão 600) — set -a; source ~/.claude/.credentials.env; set +a, e preencha pela variável, nunca com o valor literal. O checkbox do Cloudflare pode ser clicado — nesse Chromium ele valida normalmente. Só chame o usuário se falhar duas vezes seguidas ou se pedir 2FA.

Passe --session $G (ChatGPT) ou --session $H (Hub) em todo comando. Sessão sem lane (--session gpt) é bug: vai parar no chat de outro Claude.

FASE 3 — Imagens de referência (lane gpt)

PRINCÍPIO CENTRAL: o que não estiver definido na IMAGEM, o modelo inventa

Toda decisão desta fase sai daqui. O Veo copia o que enxerga na imagem de referência e inventa tudo o que ela não mostra — e o que ele inventa muda durante o clipe, porque não tem de onde copiar.

Foi assim que apareceram, todos no mesmo projeto:

O que faltava na imagem	O que o modelo inventou
boca fechada, dentes não visíveis	dente faltando, prateado, amarelo, torto — mudando durante a fala
nenhum rosto em quadro (insert de mãos)	outra mulher e outra voz
prop mencionado no prompt mas ausente da foto	o objeto brotando na mesa
papel com texto que o prompt mandava "ler em voz alta"	a fala impressa no papel, truncada

A conclusão prática: resolva na imagem, não no prompt. Uma lista de proibições no NEGATIVE é a segunda linha de defesa; a primeira é a foto já mostrar a coisa certa. Custa uma imagem no ChatGPT (barato, rápido) e evita uma geração de vídeo perdida (cara, com cota).

Gere a imagem com a BOCA LEVEMENTE ABERTA, mostrando os dentes

O caso mais rentável desse princípio. Com a boca fechada na referência, o modelo não tem arcada de onde copiar e sorteia a dentição a cada frame. Com os dentes visíveis, ele copia.

MOUTH AND TEETH: her mouth is slightly open, caught mid-sentence as if she has just
started speaking, and her upper teeth are clearly and naturally visible. A complete,
even upper row of natural off-white enamel, matte, age-appropriate, slightly imperfect
but healthy. This is NOT a smile: no wide grin, no raised cheeks, no squinting — just
a relaxed talking mouth with the teeth showing.

O "NOT a smile" não é detalhe: sorriso largo na foto vira careta ao animar, porque o modelo parte de um extremo. Boca entreaberta de quem vai falar é o ponto certo.

Com isso na imagem, remova as travas de dente do prompt de vídeo — elas deixam de ser necessárias e liberam ~200 chars do teto de 2500.

Copie o bloco acima LITERALMENTE. Parafrasear reprova. Medido na leva AR de 26/08/2026: quem escreveu os prompts trocou por "lips slightly parted in a natural relaxed expression, upper teeth partly visible" e falhou em 7 de 28 frames (boca fechada). A versão fraca perde porque descreve uma EXPRESSÃO parada, e as pistas de expressão vizinhas — "calm", "composed", "quiet certainty", "expression in repose" — puxam boca fechada com mais força.

O que faz o bloco funcionar são três coisas, e as três somem na paráfrase:

Descreve AÇÃO (caught mid-sentence, has just started speaking), não estado. Boca aberta é consequência de estar falando.
Diz explicitamente o que NÃO é (This is NOT a smile).
Vai acompanhado, na lista negativa, de closed mouth, sealed lips, teeth hidden, teeth not visible, lips pressed together, posed static smile.

Se a cena pede expressão contida ou séria, não remova o bloco: mantenha e ajuste a frase da expressão para incluir a fala — calm and composed, speaking, e não calm and composed.

A imagem NASCE do roteiro — uma por cena onde o estado visual muda

A ordem é: escrever o roteiro → ler cena a cena → para cada cena, perguntar se o que está em quadro mudou → se mudou, essa cena tem imagem própria.

O caminho inverso é o que produz descasamento: gerar um punhado de imagens "genéricas" do criativo (uma base, uma com o prop na mão, um close) e depois distribuir pelas cenas. Feito assim, o prompt de vídeo de uma cena acaba descrevendo o que estava na imagem de outra — e o modelo tenta conciliar movendo objeto, inventando prop ou trocando a pessoa. Numa leva de 6 criativos isso custou 4 regerações.

Monte a tabela junto com o roteiro, antes de abrir o ChatGPT:

cena	fala	estado em quadro	imagem
1	"agarrá sal y un vaso con agua"	mesa com bacia, papel dentro	`A`
2	"quien hace esto ve la plata"	idem, nada mudou	`A`
3	"escribí tu número en un papel"	ela segura o papel	`B`
4	"ponelo en el vaso"	papel entrando na água	`C`
5	"tiene que ser el correcto"	volta ao repouso	`A`

Cenas que repetem o mesmo estado compartilham a imagem — isso é normal e desejável. O que não pode é uma cena usar imagem de um estado que a fala dela não descreve.

Os dois extremos estão errados, e os dois foram cometidos na mesma leva:

Imagem demais / variada demais — insert de mãos, close de prop, cenital. Cada enquadramento sem rosto é uma chance de o modelo inventar pessoa e voz.
Imagem de menos — uma única foto para o criativo inteiro, inclusive nas cenas em que ela pega o papel ou põe algo no copo. Aí o ACTION pede uma ação que a imagem não sustenta, e o objeto salta para a mão sozinho.

O critério que separa os dois:

Muda o que está em quadro? Nova imagem — sempre com o rosto dela em quadro. Só a fala muda? Mesma imagem.

Na prática, num criativo de 6 cenas isso costuma dar 2 ou 3 imagens: a de repouso (usada em 3-4 cenas), a dela segurando o objeto à altura do peito, e a da ação (pondo o papel no copo) — esta última em plano médio, com o rosto visível, nunca só as mãos.

Nos criativos que funcionaram, a proporção era 1 imagem por cena (4 cenas, 4 imagens), com variação mínima entre elas — mesmo plano frontal, no máximo um enquadramento um pouco mais fechado. Nunca insert de mãos, nunca close de objeto isolado.

A imagem é o primeiro frame do vídeo e o contrato que o vídeo vai seguir. Ela trava personagem, roupa, luz e ambiente.

O GPT gera até 10 imagens por vez. Lote é o modo certo de trabalhar — não caia para "uma por requisição" ao ver um grid. O grid é falha de redação do pedido, não limite do modelo.

⛔ MECÂNICA DO CHATGPT — invoque `gpt-imagem-playwright` ANTES de tocar no browser

Não improvise seletor, não copie comando de memória e não use agent-browser open. Os seletores do ChatGPT mudam; esta skill guarda as regras criativas (o que a imagem precisa mostrar), a outra guarda como operar — e é ela que é mantida atualizada.

Regras desta skill que a mecânica não substitui, e que valem sempre:

UMA cena por mensagem, chat novo a cada imagem. Lote de cenas volta grid — testado quatro vezes com redações cada vez mais explícitas, e nenhuma funcionou. Um grid 3×1 sai em 9:16 e passa por qualquer checagem de dimensão; cada cena dentro dele fica com ~941×557 e não serve de primeiro frame. Recortar não salva.
Automatize em vez de negociar com o modelo: for n in 31 32 33; do ./one.sh prompt-$n.txt cena-$n; done
Lote só para cenas independentes. A cena 2 de um hook nunca entra no mesmo lote da cena 1 — ela é gerada depois, com a cena 1 aprovada anexada.
Consistência de personagem: anexe um frame real e peça "same woman, same face, same age". Nunca descreva a pessoa do zero de novo.

# extrair frame de referência de um criativo existente
ffmpeg -ss <seg> -i vencedor.mp4 -frames:v 1 REFERENCIA/persona-01.png

Regras do prompt de imagem (inglês)

Frame parado, não ação em curso
vertical 9:16 story format
Lente e luz: shot on 35mm, natural window light, shallow depth of field
Proibir texto: no text, no captions, no watermark, no UI overlay
Look UGC: amateur phone footage look, slight grain, no studio lighting
Liste e feche os objetos: only these objects on the table: X, Y, Z — nothing else. Objeto ambíguo aqui vira objeto brotando no vídeo.
Realismo ancorado: grounded documentary realism, real ordinary objects, natural imperfections, no surreal elements, no decorative clutter
Feche a foto em repouso: still frame, subject at rest, not mid-gesture. Sem isso a imagem sai no meio de um movimento e o vídeo anima a partir de um extremo — o gesto "completa" sozinho e vira morphing. Vem dos criativos que funcionaram
Proíba o que pode vazar da referência. Se a foto de referência tem vela e cristal e a cena nova é uma cozinha, escreva absolutely no candles, no crystals, no tarot cards, no mystical objects.

Duas personas parecidas na mesma leva CONVERGEM para o mesmo visual

Ao gerar vários corpos de uma vez, personas do mesmo "tipo" (duas mulheres de meia-idade em ambiente doméstico à noite, por exemplo) saem visualmente idênticas mesmo com prompts diferentes — mesmo cabelo, mesma roupa, mesma luz. Dois corpos gêmeos destroem o objetivo da leva: a Meta lê os dois como um conceito só.

Idade diferente não basta ("mulher 45" vs "mulher 38" convergiu). Force contraste em eixos concretos e proíba explicitamente os elementos do outro:

Eixo	Corpo A	Corpo B
cabelo	liso e solto	ondulado
cor da roupa	verde escuro	cinza
móvel	sofá + estante	cama + criado-mudo
luz	teto neutra, fria	abajur quente

E na descrição de um: absolutely no bed, no table lamp, no bedside table.

Cheque isso no gate, montando os corpos lado a lado. Dois que se parecem custam uma imagem para corrigir agora e a leva inteira se passarem.

Peça longa (VSL): NÃO gere uma imagem por cena — gere por SETUP

Numa peça de 2 minutos são ~17 cenas de 8s. Gerar 17 imagens é desperdício e, pior, instabilidade: cada imagem nova é outro sorteio de rosto, e ao longo de 17 cenas a persona escorrega mesmo com referência anexada.

A mesma imagem serve de primeiro frame para várias falas diferentes. Agrupe por setup visual, não por cena:

Imagem	Setup	Cenas que usam
A	plano médio, mesa, mãos na mesa	1, 2, 5, 6, 10, 13
B	close no rosto	3, 4, 8, 9, 16, 17
C	médio + objeto da fala (caderno)	7
D	médio + objeto da fala (papel e caneta)	11
E	insert cenital de mãos, sem rosto	12
F	médio + objeto da oferta (dossiê aberto)	14, 15

6 imagens para 17 cenas. Menos geração, e a persona fica idêntica do começo ao fim porque quase tudo nasce do mesmo frame.

Regra de alternância: nunca deixe o mesmo enquadramento por mais de ~20s. Médio e close alternados, e pelo menos um insert sem rosto no meio — é o que quebra a monotonia do busto falante numa peça longa.

Decupagem: escreva a peça já em cenas de 8s

Não escreva o roteiro corrido e fatie depois. Escreva direto na grade do motor: uma linha por cena, com a fala e a contagem de palavras ao lado.

| # | Fala | pal | Enquadramento |
|---|------|-----|---------------|
| 1 | Esos tres números que acabás de descubrir no se quedan quietos. | 11 | médio |
| 2 | Actúan en silencio, tirando todo para atrás. Conocerlos no alcanza. | 16 | médio |

Assim o teto de 16 palavras deixa de ser algo a conferir no fim e passa a ser a própria unidade de escrita. E a coluna de enquadramento já vira o mapa de quais imagens gerar.

Conta de tempo: 8s por cena, ~6,5-7s líquidos após cortar silêncio e somar o respiro de 0,75s. Uma peça de 2min = ~17 cenas faladas.

Regerar cena de personagem existente: anexe a referência, não redescreva

Toda regeração de uma cena cujo criativo já tem a persona definida usa imagem aprovada anexada, nunca descrição textual da pessoa. Vale para conserto de defeito, troca de pose, mudança de enquadramento — qualquer motivo.

Numa leva real a cena 1 precisou ser refeita: foi descrita do zero com a mesma idade, cabelo, roupa, parede e luz, e voltou outra mulher, enquanto as cenas 2, 3 e 4 seguiam com a original. Descrição textual sorteia; referência anexada fixa.

Peça também uma única imagem, explicitamente — o modelo entrega colagem de 4 poses com facilidade, e a colagem tem as dimensões corretas (9:16), então passa por qualquer checagem que não seja abrir o arquivo. Aconteceu no mesmo criativo: a imagem da cena 1 era um grid de quatro fotos empilhadas, virou clipe, e só apareceu quando o dono assistiu.

A cena tem que fazer sentido na vida real — teste antes de escrever o prompt

Antes de descrever qualquer cena, pergunte: uma pessoa de verdade faria isso, nesse lugar, desse jeito? Se a resposta é não, o defeito não nasce no modelo: nasce no roteiro, e nenhum bloco anti-morphing conserta.

O caso que originou esta regra: "homem no banco do motorista com o celular apoiado no volante". Ninguém apoia celular no volante — não tem onde firmar. O modelo não sabe onde fixar o objeto e ele desgruda e flutua no meio do clipe. Foram três regerações tentando corrigir com prompt, até a correção certa aparecer: tirar o celular da cena. Ele fala de memória, mãos no volante; a leitura aconteceu antes de entrar no carro.

Checagem, cena por cena:

Todo objeto tem apoio físico? Na mão fechada, sobre a mesa, no bolso. Objeto "apoiado" onde não se apoia é morphing garantido.
A ação é possível ali? Dirigindo não se lê tela. Cozinhando não se segura telefone com as duas mãos. Deitado não se digita de frente pra câmera.
O objeto precisa mesmo estar em cena? Se a fala já entrega a informação, cortar o objeto é sempre melhor que domar o objeto. Menos coisa em cena, menos invenção.
A pessoa está vestida e posicionada como aquele ambiente pede? Roupa de praia numa cena de escritório de manhã lê como IA — e pode atrair o público errado.
A hora do dia bate com a luz e com a fala? "Chega no e-mail de manhã" com janela noturna ao fundo se contradiz.

Regra prática: remover é mais barato que corrigir. Cada objeto a mais é uma chance de o modelo inventar. Se a cena funciona sem o objeto, tire.

Tela, papel, placa: TODA superfície que mostra conteúdo é obrigatória no prompt

Se a cena tem celular, laptop, tablet, papel escrito, cartaz ou placa, o conteúdo dessa superfície tem que ser descrito explicitamente. Deixar implícito produz três defeitos, todos já vistos em produção:

Tela preta / aparelho desligado. O modelo entrega o objeto sem conteúdo. Em imagem parece só sóbrio; virando vídeo é a cena inteira com uma tela apagada, e num criativo de mecanismo isso mata o anúncio — a tela É o produto.
Aparelho virado de costas. "Resolve" o problema de texto errado escondendo a tela, e entrega uma cena que não mostra nada.
Idioma errado. Sai em inglês por padrão. Um anúncio brasileiro exibindo o próprio produto em inglês (e com data de outro ano) não sobe.

Escreva sempre os quatro itens: ligada, o que aparece, em que idioma, com que aparência. Modelo para tela de app de leitura em PT-BR:

the phone screen is ON and clearly visible, displaying a reading app in Portuguese:
a short title line, a date line, and three or four paragraphs of body text in
Brazilian Portuguese, dark background with warm off-white text, calm editorial
layout, no app chrome, no message bubbles, no chat interface, no green color,
no English text, text slightly soft so individual words are not sharply readable

O "slightly soft" é deliberado: resolve a tensão entre precisar de conteúdo plausível e não poder exibir texto inventado. Texto nítido na tela de um produto real é mockup falso — pode prometer o que a oferta não promete, e reprova.

Nunca: balão de mensagem, layout de chat, qualquer tom esverdeado (lê como WhatsApp), tela preta, aparelho de costas, texto em inglês.

E confira abrindo a imagem antes de mandar pro vídeo. Tela errada na imagem é tela errada no clipe — e clipe custa cota.

Descrição concreta VENCE regra genérica — não deixe o prompt se contradizer

Aconteceu duas vezes na mesma leva (AR, 26/08/2026), e as duas custaram regeração:

O que o prompt dizia	O que saiu
negativa com `no lit screen` (escrita pensando em "sem UI")	celular desligado na cena
corpo do prompt: `the phone face-down beside her`	celular de tela pra baixo, produto invisível

Nos dois casos existia, no mesmo arquivo, uma regra genérica mandando o contrário ("a tela tem que estar ligada"). O modelo obedeceu à descrição concreta e ignorou a regra. Objeto descrito no corpo do prompt pesa mais que instrução abstrata no fim.

Duas consequências práticas:

Ao corrigir um prompt, releia o corpo inteiro procurando a descrição que contradiz a correção. Acrescentar a regra certa sem remover a frase errada não corrige nada — só cria um prompt esquizofrênico.
Nunca escreva no lit screen querendo dizer "sem interface". A negativa correta para cena com celular é phone screen off, black screen, phone face down — que é o oposto do que aquela frase pedia.

Marca de terceiro em cena: proíba logo, permita o genérico

Documento, cartão, embalagem ou tela em cena podem vir com marca real legível — na leva AR saiu um cartão VISA nítido em cima de um resumo de fatura. Bandeira de cartão identificável em criativo de tráfego pago é briga com o Meta de graça.

Na lista negativa de todo prompt de imagem:

brand names, brand logos, credit card brand marks, VISA, Mastercard,
legible printed text, readable document text

Mas não confunda marca com cenário. Um papel escrito ESTADO DE CUENTA DE TARJETA DE CRÉDITO, sem bandeira, sem número de cartão e com o corpo ilegível, está aprovado — é cenário genérico, ajuda a contar a história e não imita instituição real. O que se proíbe é a marca identificável e o documento que passe por real. Regerar cenário genérico é queimar geração para piorar a cena.

Nacionalidade: seja específico, "Latin American" não basta

"Latin American" faz o modelo cair no padrão mexicano/andino. Se o criativo fala com um país, o rosto tem que ler como daquele país — senão o público não se reconhece.

Argentina / Uruguai: Argentine woman from Buenos Aires, of Italian and Spanish descent, European-Mediterranean features, fair to light olive skin
Brasil: especifique a região — Sul, Sudeste e Nordeste têm fenótipos bem diferentes
México / América Central: Mexican woman, mestiza features, warm olive skin
Colômbia / Venezuela caribenha: Caribbean Colombian woman

Combine sempre com a idade e o tipo de cabelo. E confira na imagem gerada antes de mandar pro vídeo — corrigir aqui custa uma imagem, corrigir depois custa o clipe inteiro.

Rosto: natural, exposição correta, expressão em repouso

A imagem é o ponto de partida da animação. Rosto estourado ou expressão exagerada na foto vira careta esquisita no vídeo — o modelo anima a partir daquele extremo e não tem pra onde ir.

Sempre inclua:

natural evenly exposed face, no blown-out highlights on the skin, no overexposure,
soft natural skin tones, visible pores and fine lines, natural skin texture,
relaxed neutral expression, mouth closed or barely open, no exaggerated
expression, no wide grin, no raised eyebrows, no squinting, no forced pose,
candid unposed look

E proíba o acabamento de banco de imagem: no beauty retouching, no skin smoothing, no plastic skin, no airbrushing, no stock photo look, no perfect studio lighting.

Deixe a emoção para o prompt de vídeo, não para a imagem. Se a cena pede alguém rindo ou falando rápido, gere a imagem com o rosto em repouso e descreva a emoção no ACTION do vídeo. Partir do repouso dá movimento natural; partir do exagero dá deformação.

A imagem manda; o prompt de vídeo se ADAPTA a ela

Depois de aprovar a imagem, releia o CONTINUITY das cenas que a usam e confirme que ele descreve o que está na imagem, não o que você imaginou ao escrever.

Caso real: a imagem voltou com o papel do número sobre a mesa, na frente do copo; os seis prompts do criativo diziam que ele estava submerso no mel dentro do copo. Nada disso é erro isolado — junto, é instrução para o modelo mover o papel durante o clipe, que é exatamente como nasce objeto flutuando. Foram 10 arquivos de prompt corrigidos antes de gerar; se tivesse gerado, seriam 6 clipes perdidos.

Regra: imagem aprovada é a fonte da verdade. O prompt descreve a imagem, nunca o contrário.

O gatilho mais perigoso é REMAPEAR. Trocar qual imagem uma cena usa — por defeito, por decisão de formato, por qualquer motivo — e não reescrever o CONTINUITY daquela cena. O caminho fica certo, o valida_img.sh passa, e o prompt continua descrevendo a imagem antiga.

Encontrados numa única revisão, todos por esse motivo:

prompt dizia	imagem nova tinha	o clipe faria
"um celular sobre a toalha"	mesa vazia	celular brotando do nada
"as mãos escrevendo na fatura"	faturas paradas, mãos na mesa	mão indo ao objeto sozinha
"ela segura a folha de louro"	folha na mesa	folha saltando para a mão

Checklist ao remapear qualquer cena — os três, sempre:

copiar a imagem nova para CRIATIVO-N/IMG/cena-i.png e validar por hash
reescrever o CONTINUITY listando o que está na imagem nova, com contagem (exactly ONE …) e onde cada coisa fica
reescrever o ACTION para o novo enquadramento — e, em plano fixo, incluir she does not pick anything up para que nenhum objeto salte para a mão

FASE 3.5 — QA das imagens: GATE obrigatório antes de qualquer vídeo

Nenhum clipe é gerado enquanto TODAS as imagens da leva não passarem por aqui.

Motivo, medido em produção: vídeo é o recurso escasso (o Grok tem teto por dia no Hub). Imagem errada que vira vídeo custa duas gerações — a perdida e a regeração. Uma leva inteira já queimou a cota assim.

Ordem de trabalho da leva, sem exceção:

Um worker só. Nunca vários no mesmo browser — abas compartilhadas trocam imagem entre criativos sem avisar.
Gerar todas as imagens, de todos os criativos.
Este gate. Quem revisa não é quem gerou.
Só então vídeo, um criativo por vez, fechado antes do próximo.

O gate

# imagem duplicada: o mesmo PNG salvo como cenas diferentes
md5sum CRIATIVO-*/IMG/*.png | sort | uniq -w32 -D     # qualquer saída = defeito

# contact sheet por criativo
montage CRIATIVO-N/IMG/cena-{1,2,3,4}.png -tile 4x1 \
  -geometry 220x391+4+4 -background '#111' sheet-N.jpg

Abrir o sheet e verificar, por cena:

Checagem	Falha já vista
Hashes todos distintos	3 cenas eram o mesmo PNG; o vídeo saiu com 3 cenas idênticas
Persona e ambiente batem com o roteiro	cena-4 de um criativo era imagem de outro
Mesma pessoa, roupa e cabelo em todas as cenas	troca de atriz no meio do criativo
Toda tela ligada, com conteúdo, no idioma certo	4 imagens com tela preta ou celular de costas
Sem texto queimado, marca d'água, objeto proibido	legenda escrita pelo modelo dentro da cena
Serve como primeiro frame: rosto em repouso, objeto na posição inicial	expressão exagerada virou careta ao animar

Contar arquivos não é QA. Só hash e olho detectam esses defeitos — todos eles passaram por relatório de worker dizendo "verificado".

Imagem reprovada volta pra FASE 3. Só depois de a leva inteira passar é que a FASE 4 começa.

FASE 4 — Prompt de vídeo

Antes de escrever a primeira linha de qualquer prompt de vídeo

Estas decisões são tomadas enquanto você escreve, não conferidas depois. Cada uma existe porque o defeito correspondente já queimou clipe em produção, e nenhum deles tem conserto na pós — o único remédio é regerar, gastando cota.

1. A fala cabe no clipe? Escreva a fala e conte na hora. 10s = 25 palavras (22 se o VOICE pedir 2.2 pal/s); 6s = 15. Se não cabe, corte o texto agora — esticar o clipe não é opção. Texto que estoura faz o áudio correr além da animação: a boca para e a voz continua.

2. Tem objeto na mão? Então gere em 6s, não 10s — a degradação cresce com a duração. E antes disso pergunte se o objeto precisa mesmo existir na cena: se a fala já entrega a informação, tirar o objeto é sempre melhor que domar o objeto.

3. O objeto tem apoio físico real? Mão fechada, mesa, bolso. Se está "apoiado" onde ninguém apoia (celular no volante), o modelo não sabe onde fixar e ele desgruda e flutua. Isso é defeito de roteiro: volte e mude a cena, não o prompt.

4. CHARACTER e VOICE são strings fixas. Escreva uma vez por criativo e cole byte a byte em todas as cenas. Resumir, reescrever ou trocar por "same woman as in the reference" muda a pessoa e a voz.

5. Nenhuma instrução meta no texto. Nada de "same as scene 1", "keep consistent", "do not paraphrase". O Grok lê isso como conteúdo da cena.

6. A lista de objetos é fechada e nomeada. Tudo que está em quadro, nada além.

7. Nunca peça legenda. no subtitles, no burned-in text no NEGATIVE, sempre. Mas saiba que o NEGATIVE não basta sozinho: numa cena real com o bloco completo de proibições (captions, subtitles, burned-in text, on-screen text, closed captions) a legenda apareceu mesmo assim — porque a fala tinha 29 palavras para um clipe de 10s. Texto que não cabe faz o modelo "ajudar" imprimindo a frase na tela. A mesma cena, com a fala encurtada, saiu limpa. Legenda queimada é quase sempre sintoma de fala longa demais — trate pelo item 1, não por mais proibição.

8. Papel, placa ou tela EM QUADRO: trave o conteúdo como prop fixo. Se a cena tem uma superfície escrita e o personagem fala, o modelo reescreve a superfície com a fala. Não é legenda na tela: ele imprime o texto falado no próprio objeto, com a caligrafia da cena, e o resultado sai truncado e sem sentido.

Caso real: cena de uma senhora segurando um papel com sete palavras e o número 63. O ACTION dizia que ela lia as palavras em voz alta. O clipe voltou com o papel reescrito — "Yo soy bendición, yo soy sod, properidad, yonfección, Repetilo antes Repetilo de dormir." — enquanto as duas cenas irmãs, com o mesmo papel e sem "lê em voz alta", saíram intactas.

Duas travas, as duas necessárias:

Nunca escreva que o personagem lê o conteúdo em voz alta. Troque reads the words out loud to the lens por speaks to the lens. É essa frase que convida o modelo a sincronizar objeto e fala.
Declare a superfície como prop imutável no CONTINUITY:

The sheet of paper is a fixed prop: it shows exactly the same seven handwritten
Spanish words and the number 63 as in the reference image, completely unchanged
for the whole clip. No new words are written on it, no text on it changes,
nothing is added or erased.

E no NEGATIVE: text changing on the paper, new handwriting appearing, words being written during the clip, altered handwriting, spoken words printed on the paper.

Vale para toda cena com superfície escrita em quadro, mesmo as que já saíram certas uma vez — o defeito é sorteado, não determinístico. Ao adicionar o bloco na versão -short, confira o limite de 2500 chars: no caso real os três prompts passaram para 2588 e tiveram que perder a cauda do VOICE.

9. Prop que aparece na imagem DUPLICA na mesa — conte-o no prompt. Se a imagem de referência tem um objeto pequeno em posição específica (um papelzinho dentro de uma tigela, uma moeda no copo), o Veo cria uma segunda cópia dele no quadro, tipicamente sobre a mesa, em cenas onde a mão não está mexendo em nada.

Caso real: bacia com água e um papel "11" submerso. Em 4 de 8 cenas do mesmo criativo nasceu um segundo papel "11" na mesa, na frente da bacia. A imagem de referência estava correta e o bloco anti-morphing padrão estava no prompt — não bastou, porque ele proíbe "objetos aparecerem" de forma genérica e não diz quantos existem.

Escreva a contagem e o lugar, explicitamente:

There is exactly ONE small white paper slip in the entire scene and it stays
submerged inside the glass bowl for the whole clip. No second paper slip exists,
none appears on the table, none is duplicated.

NEGATIVE: duplicated paper slip, second piece of paper appearing on the table, paper multiplying.

Regra geral: todo prop pequeno e destacado leva numeral por extenso (exactly ONE) e o lugar onde fica. "Only these objects: X, Y" não impede a duplicação de X — só impede a entrada de um Z.

Passe pelos nove para cada cena. Cinco minutos escrevendo evitam uma regeração que custa cota e meia hora.

O Grok recebe imagem + texto. O texto descreve movimento, ação e fala. A aparência já está na imagem, mas o personagem precisa ser reafirmado para a voz sair certa.

Estrutura (inglês)

CHARACTER: <idade, nacionalidade, aparência resumida, "must stay the same for the whole clip">
CAMERA: locked-off static <plano>, no camera movement, no zoom, no pan
ACTION: <o que acontece, em ordem, nos N segundos — UMA ação só>
  + <micro-movimento natural contínuo: piscar, respirar, peso do corpo,
     ombros e cabeça acompanhando a fala, mão que se ajusta>
DIALOGUE: she speaks on camera, in <idioma/sotaque>. Her lips must be accurately
  synced to these exact words: "<texto exato>"
  Her mouth moves visibly and continuously for the ENTIRE spoken line, from the first
  syllable to the last. The audio must never play while her mouth is closed or still.
  She finishes speaking before the clip ends.
VOICE: <idade, timbre, ritmo, emoção, "natural conversational pace">
AUDIO: <ambiente> only. No background music, no score, no sound effects, no subtitles.
CONTINUITY AND PHYSICS: <bloco abaixo>
NEGATIVE: <lista abaixo>

As três linhas extras do DIALOGUE não são enfeite. Sem elas o Grok trata a fala como faixa de áudio independente da animação: quando o texto é longo, ele mantém a voz tocando com o rosto parado. Escrever que a boca se move do primeiro ao último sílabo, e que o áudio nunca toca com a boca fechada, amarra as duas coisas.

Isso não substitui o gate de contagem de palavras da FASE 1 — é a segunda trava. Texto muito acima do orçamento estoura mesmo com a instrução; a instrução segura a margem, a contagem segura o caso grosseiro.

Cena SEM ROSTO sorteia outra voz — evite b-roll falado

O Veo deriva o timbre do rosto que está no frame. Numa cena de b-roll (só mãos, só objeto) não há rosto, então ele sorteia uma voz nova — e o VOICE idêntico, copiado byte a byte, não segura. O espectador ouve outra pessoa no meio do criativo e a montagem se denuncia na hora.

Caso real: criativo de 8 cenas, sete com a senhora em quadro e uma de b-roll (mãos com sal, sem rosto). Só essa saiu com voz diferente. O dono percebeu antes de qualquer análise técnica: "a voz não é a mesma".

A saída é uma só: reenquadre para incluir o rosto. Não existe insert de mãos falado que funcione — o modelo inventa a pessoa. Se o objeto precisa aparecer, ela o segura à altura do peito, com o rosto em quadro.

Regra: toda cena falada tem rosto em quadro.

Sobra b-roll de verdade? Então ele é mudo, e a fala fica na cena anterior ou seguinte. Nunca gere b-roll com narração esperando que combine com o resto.

Ponha também no NEGATIVE das cenas faladas: off-screen narrator, voice-over, different voice.

Para narração fora de quadro — só quando o criativo inteiro é narrado e nenhuma cena tem rosto — troque o DIALOGUE por:

DIALOGUE: an off-screen female narrator speaks in <idioma/sotaque>, no one is
  visible speaking on camera. She says exactly: "<texto exato>"
  The narration starts within the first second and finishes before the clip ends,
  at a natural pace, without rushing and without trailing silence.

`CHARACTER` e `VOICE` são texto FIXO — copie igual, nunca "same as reference"

O erro mais fácil de cometer e o mais caro: escrever a descrição completa na cena 1 (35-year-old woman from Buenos Aires, of Spanish descent, fair skin, straight dark brown hair…) e, na cena 2, resumir para same woman as in the reference image, same face, same top. Parece equivalente — não é. Texto diferente muda o que o modelo sorteia: a personagem sai levemente diferente e a voz junto.

Regra: o bloco CHARACTER e o bloco VOICE são strings fixas do criativo. Escreva uma vez, cole byte a byte igual em todas as cenas. A única coisa que varia entre cenas é CAMERA, ACTION, DIALOGUE e a lista de objetos do CONTINUITY.

O mesmo vale para o sotaque: Argentine Spanish with Buenos Aires accent numa cena e Argentine woman, Buenos Aires accent na outra já é variação suficiente para o sotaque escorregar. Uma frase, sempre a mesma.

Verificação antes de gerar:

diff <(grep '^CHARACTER' v-cena-1.txt) <(grep '^CHARACTER' v-cena-2.txt)   # tem que ser vazio
diff <(grep '^VOICE'     v-cena-1.txt) <(grep '^VOICE'     v-cena-2.txt)   # tem que ser vazio

A imagem da cena 2 sai da cena 1, não do zero

Gerar as duas imagens do mesmo hook em paralelo, a partir da mesma descrição textual, dá duas pessoas parecidas — não a mesma. Gere a cena 1, aprove, e então gere a cena 2 anexando a imagem da cena 1 como referência, pedindo só a mudança de enquadramento e o que ela tem nas mãos. Consistência de rosto, roupa, luz e cenário sai de graça.

Cena de "verso"/folhear página: o verso sai EM BRANCO se nenhuma imagem mostra o conteúdo dele

Caso real (equilibrio-seguro-60, cena de mão virando página): o verso da folha saiu em branco. Causa raiz — a mesma regra de sempre desta skill, "o que não está na imagem, o modelo inventa (ou deixa vazio)": a imagem de referência mostrava só a FRENTE da folha, com o texto e a ilustração daquele lado. Ao animar o giro, o Veo não tem nenhum pixel de onde copiar o que fica atrás — e sem isso ele não inventa conteúdo plausível, ele apaga: o verso vira uma folha branca lisa.

É um defeito diferente (e mais comum) do que a mistura de páginas — ver abaixo. Um é falta total de informação (verso branco); o outro é informação demais e ambígua (duas folhas soltas, o modelo mistura). O remédio dos dois é o mesmo: decidir na imagem, não no prompt de vídeo.

Correção: gerar uma imagem própria já mostrando o estado do verso — outra página real do PDF, foto separada — e usar essa imagem como referência daquela cena específica (ou como frame final, se o motor aceitar). Nunca escrever no prompt de vídeo "a hand turns the page revealing the back" esperando que o modelo desenhe um verso plausível sozinho: sem imagem de origem, ele não tem o que desenhar.

Melhor ainda: não anime a virada, corte entre dois clipes estáticos. Girar a página fisicamente dentro de um único clipe é a parte mais frágil do pedido — pede ao modelo física de papel (dobra, sombra, ângulo) E o conteúdo do verso ao mesmo tempo, dois problemas somados. Como o Grok Imagine é ilimitado no plano do Hub (regra 8 desta skill), sai mais barato e mais confiável gerar dois clipes separados, cada um de uma imagem de referência diferente — um em repouso com a frente da página, outro em repouso já com o verso — e resolver a "virada" na montagem (corte seco ou crossfade curto no ffmpeg), não na geração. Zero física de papel pro Veo/Grok errar, zero conteúdo inventado: cada clipe só precisa sustentar o que já está na própria imagem.

Use a virada animada apenas quando o movimento em si for o ponto de venda da cena (ex.: mostrar o material é grosso, várias páginas). Quando o objetivo é só mostrar duas páginas de conteúdo, dois clipes estáticos + corte é mais barato e mais seguro que uma virada animada.

A regra generaliza pra qualquer plano do modo demonstrativo, não só folhear. Folha deitada na mesa, folha em pé/segurada, pilha de folhas desfocada com uma em foco, tela de notebook/celular mostrando a página — cada um desses é um estado visual diferente, e cada um vira uma imagem própria, gerada no GPT com a(s) página(s) real(is) certa(s) anexada(s) como referência daquele estado específico.

Isso vale mesmo quando a composição da imagem tem várias folhas espalhadas de propósito (dá volume, mostra "são 60 guias"): não tem problema nenhum ter 3-4 folhas na mesma foto — o que quebra o vídeo é a folha ENTRAR EM MOVIMENTO sem imagem de origem pra aquele exato enquadramento. Pra pilha espalhada funcionar:

Ao montar o prompt de imagem, anexe as páginas reais que vão aparecer legíveis naquela composição (a que estiver em foco, pelo menos) — nunca peça "várias páginas do guia" sem anexar quais.
A cena de vídeo gerada a partir dessa imagem é estática (repouso, só micro-movimento) — não peça ação que mude qual folha está em foco ou que reorganize a pilha; isso volta a ser "movimento sem imagem de origem".
Precisa de outro enquadramento da mesma pilha (outra folha em foco, ângulo diferente)? É outra imagem, gerada e aprovada separadamente — mesmo raciocínio do verso: o que muda de estado visual pede referência própria.

Segundo defeito possível na mesma cena, causa oposta: o modelo misturou um pouco de cada página, como se houvesse 2-3 folhas soltas em quadro, ou focou em uma e borrou o resto. A causa mais provável é a imagem de referência mostrar mais de uma folha solta, ou a folha entrando em ângulo/dobra que expõe uma segunda superfície — o Veo não sabe qual delas é o "verso" e tenta desenhar as duas ao mesmo tempo, ou soma texto de ambas.

Antes de gerar a cena de folhear:

A imagem de referência mostra exatamente UMA folha, plana ou com dobra mínima — nunca duas ou três páginas soltas na mesma foto, mesmo que a intenção seja mostrar "o material tem várias páginas".
Se a cena precisa mostrar o verso, gere uma imagem própria só pra esse estado — a folha já virada, mostrando o conteúdo de trás, foco único e nítido — em vez de esperar o vídeo criar esse estado a partir de uma folha vista de frente.
No prompt de vídeo, declare no CONTINUITY: there is exactly ONE sheet of paper in frame, single, flat or with a single natural fold — never two or three loose sheets, never a blurred mix of two pages. E no NEGATIVE: multiple loose sheets, blended pages, two pages overlapping, out-of-focus second page.
Se sair errado mesmo assim, não tente "consertar" no vídeo — regere a IMAGEM primeiro (fonte da verdade, ver seção seguinte), garantindo folha única em foco antes de gastar cota de vídeo de novo.

Bloco CANON_VOICE — a voz TEM que ser a mesma nas duas cenas

O Grok sorteia uma voz nova a cada clipe. Duas cenas do mesmo criativo com descrições de voz diferentes — ou vagas — saem com pessoas diferentes falando, e o hook morre: o espectador percebe na hora que é montagem.

Escreva a voz uma vez, como um bloco fixo, e cole literalmente igual, palavra por palavra, em todas as cenas daquele criativo. Não reescreva, não resuma, não "melhore" na cena 2 — qualquer variação de texto muda a voz sorteada.

O bloco precisa fechar seis eixos. Vago em qualquer um deles = voz solta:

VOICE: age <idade numérica>, <sexo>, native <idioma + sotaque regional>.
  Pitch: <registro — ex. low chest register, no head voice>.
  Texture: <textura — ex. slightly husky, dry, faint vocal fry at sentence ends>.
  Pace: <ritmo em palavras por segundo + pausas>.
  Energy: <energia — ex. contained and matter-of-fact, never bright, never salesy>.
  Delivery: <entrega — ex. speaking to one person across a table>.
  No echo, no reverb, no processing, no announcer tone.

NUNCA escreva instrução meta dentro do prompt. Nada de (identical in every scene of this creative — do not paraphrase), same as scene 1, keep consistent with the other clip ou qualquer nota de processo. O Grok não tem memória entre gerações: ele lê isso como texto da cena e a qualidade cai — no caso real que originou esta regra, o clipe saiu com a voz tocando sobre o rosto parado, e só depois a boca entrava em sincronia. A consistência se obtém copiando o mesmo texto descritivo, em silêncio. Escreva sempre como se aquele clipe fosse o único que existe.

Regras que fazem o bloco valer:

Idade numérica, não "meia-idade". O modelo trata 48 e 40s como vozes diferentes.
Registro e textura explícitos (low chest register, slightly husky) — sem isso a cena 2 volta ao padrão claro e jovem do modelo.
Ritmo em palavras por segundo, não "natural". "Natural" oscila entre clipes.
Sotaque no bloco de voz também, mesmo já estando no DIALOGUE.
A mesma imagem de referência de pessoa nas duas cenas: o Grok deriva timbre do rosto. Roupa, luz e idade diferentes na imagem puxam a voz junto.
Nunca descreva emoção diferente entre cenas do mesmo hook (calm na 1 e emotional na 2 vira outra atriz). Se a emoção precisa evoluir, ponha a evolução no ACTION e mantenha o VOICE intacto.

Confira sempre ouvindo as duas cenas em sequência antes de montar. Se destoou, regere a cena — não tem conserto na pós.

Bloco anti-morphing — obrigatório

Sem isso o modelo faz coisa brotar do nada: objeto aparecendo na mesa, dedo extra, mão virando outra mão, roupa mudando no meio do clipe, fundo se reorganizando. É o defeito que mais queima criativo.

CONTINUITY AND PHYSICS: Everything must stay physically consistent and natural
for the entire clip. The scene contains ONLY the objects visible in the reference
image: <liste-os>. No new objects appear, nothing materializes, grows, multiplies
or fades in. Objects keep their exact shape, size, color and position unless the
described action moves them. Hands keep exactly five fingers, correct anatomy,
natural skin, no extra limbs, no fusing, no melting. The face keeps the same
identity, same age, same features throughout — no morphing, no drifting, no face
swap. Clothing, hair and jewelry stay exactly as in the reference image. The
background stays static and stable, no warping, no shifting walls, no sliding
furniture. Real-world physics, natural gravity, natural human motion. Grounded
documentary realism. Vertical 9:16.
NEGATIVE: morphing, warping, melting, extra fingers, extra limbs, deformed hands,
objects appearing out of nowhere, floating objects, duplicated objects, identity
change, face swap, distorted anatomy, surreal artifacts, dreamlike transitions,
glitch, flicker, text overlay, captions, subtitles, watermark, logo, camera whip,
unnatural zoom, background music, unsynced lips.

Reforços que valem mais que o bloco em si:

Micro-movimento é obrigatório no ACTION. Sem ele o Grok anima só a boca e o resto congela — lê como boneco falante e queima o criativo. Uma frase de ação principal + uma frase de movimento contínuo. Para cenas de mãos: dedos com peso e atrito, pequenas hesitações, punho que se ajusta. Ponha também frozen mannequin stillness, static doll-like body no NEGATIVE.
Câmera travada. locked-off static camera. Quanto mais a câmera anda, mais cenário o modelo inventa.
Nomear e fechar a lista de objetos em cena.
Preferir 6s quando tem objeto na mão. A degradação cresce com a duração.
Texto escrito em quadro oscila. Nome ou número manuscrito treme entre frames. Mantenha pequeno, fora do centro, ou mascare na pós.

Disciplina de execução — as cinco falhas que mais custam

Não são bugs de ferramenta. São jeitos de trabalhar que produziram, num único dia, uma correção que nunca aconteceu, um defeito entregue ao cliente, um lote perdido numa queda de sessão e um browser preso enquanto outro agente esperava.

1. Correção em background não é correção — verifique o ARQUIVO

Um script foi posto em background para regerar uma cena defeituosa "assim que o lote anterior terminasse". Ele esperou, destravou, e mandou ao Hub o prompt antigo. O relatório da sessão dizia que a correção estava na fila; o arquivo em disco continuava com data e conteúdo velhos. O dono descobriu abrindo o vídeo.

Regras:

Nunca reporte "corrigido" ou "na fila" sem olhar o arquivo. ls -la na data de modificação e um frame extraído. Intenção não é resultado.
Correção pontual roda em primeiro plano, acompanhando cada passo. Background serve para lote longo e repetitivo, não para conserto.
Encadear scripts com while pgrep ...; do sleep; done é frágil: quando destrava, o estado da página já é outro. Prefira rodar em sequência explícita.

# antes de dizer que trocou:
ls -la VIDEO/cena-8.mp4                       # data tem que ser de agora
ffmpeg -ss 4 -i VIDEO/cena-8.mp4 -frames:v 1 /tmp/check.jpg && <abrir e olhar>

2. A sessão pode cair — o estado da verdade é o DISCO, não a memória

Uma leva longa atravessa quedas de sessão. Quando isso acontece, todo job em background morre sem aviso e as notificações que você esperava nunca chegam: elas voltam depois marcadas como stopped, sem dizer o que ficou pronto.

Retomar é sempre o mesmo procedimento, na ordem:

# 1. o que já está montado
for c in $CRIATIVOS; do [ -f "CRIATIVO-$c/CRIATIVO-$c.mp4" ] && \
  echo "$c $(ffprobe -v error -show_entries format=duration -of csv=p=0 CRIATIVO-$c/CRIATIVO-$c.mp4)"; done
# 2. o que tem clipe mas não foi montado
ls CRIATIVO-*/VIDEO/cena-*.mp4 | wc -l
# 3. o que tem imagem mas não tem clipe   (cobertura cena a cena)
# 4. só então decidir o que falta gerar

Duas armadilhas na retomada:

Arquivo existir não é arquivo certo. Depois de uma queda, um .png no lugar esperado pode ser a versão reprovada que nunca foi substituída. Confira o conteúdo, não o caminho — foi assim que uma imagem descartada quase virou clipe.
O browser persiste, a sessão não. A barra do Hub costuma sobreviver com motor, Quality e 9:16 intactos. Confirme com o gate em vez de reconfigurar às cegas.

3. Leva longa roda em FILA IDEMPOTENTE — o disco é o checkpoint

Uma leva de 36 cenas leva horas e vai atravessar queda de sessão. Aconteceu duas vezes no mesmo dia. O que decide se você perde o trabalho é como a fila foi escrita, não a sorte.

Duas propriedades, as duas obrigatórias:

1. Pule o que já existe. A fila checa o destino final antes de gerar. Relançar o mesmo comando depois de uma queda retoma na cena exata, sem regerar nada e sem gastar cota:

[ -f "$P/CRIATIVO-$n/VIDEO/cena-$i.mp4" ] && { echo "cena $i ja existe"; continue; }

2. Mova o arquivo para o destino NA HORA. Nada de acumular em ~/Downloads para organizar depois — "depois" é justamente quando a sessão cai, e aí o clipe existe mas a fila não sabe:

STAGING="$(LANE_AREA=HUB ~/.claude/bin/lane.sh dir "$LANE")"
/tmp/gen.sh ... && mv "$STAGING/$LANE-$n-$i.mp4" "$P/CRIATIVO-$n/VIDEO/cena-$i.mp4"

Com as duas, a recuperação vira uma linha: scripts/fila.sh. Sem elas, é inventário manual do que sobreviveu — e o risco de regerar o que já estava pronto.

A fila também para no primeiro criativo que não fechar as 6 cenas, em vez de seguir queimando cota contra um teto ou um bloqueio.

Modelo pronto em scripts/fila.sh.

4. Solte a lane assim que terminar — tem gente na fila

Os browsers são compartilhados entre Claudes. Terminou de gerar imagem? Solte a lane do gpt na hora, mesmo que o vídeo ainda vá levar horas no hub:

~/.claude/bin/lane.sh drop gpt $LANE
~/.claude/bin/browsers.sh status     # confirme que o perfil sumiu da lista

Segurar uma lane ociosa é o que produz o roubo de aba do outro lado. E ao pedirem o browser de volta, cheque antes se você ainda precisa dele: numa ocasião a resposta era "não preciso de nenhuma imagem nova", e o que faltava era só copiar arquivo já gerado — trabalho de disco, zero navegador.

5. Defeito visto no QA é defeito reportado — nunca "deixa passar por cota"

No QA de um criativo apareceu um papel duplicado (um dentro da tigela, outro brotando na mesa) em 4 de 8 cenas. A decisão foi seguir em frente para poupar cota, sem avisar. O dono achou o mesmo defeito minutos depois, e a regeração teve que ser feita de qualquer jeito — com a diferença de que agora havia um criativo montado em cima do material errado.

Defeito percebido, fala. A decisão de aceitar ou regerar é de quem paga a veiculação, não de quem monta.
Economizar cota escondendo defeito não economiza nada: o retrabalho vem depois, maior, e com a confiança quebrada.
Nenhum criativo é montado sobre cena reprovada. Corrige antes.

FASE 5 — Gerar o vídeo

⛔ MECÂNICA DO HUB — invoque `hub-video-playwright` ANTES de tocar no browser

Não improvise seletor e não faça retry rápido no Enviar — cada clique conta como requisição e derruba a sessão por um minuto.

O que esta skill decide, e a outra apenas executa:

Decisão	Onde está
quantas cenas, que fala, quantas palavras	FASE 1
que imagem cada cena usa	FASE 3
o texto do prompt de vídeo, com os blocos obrigatórios	FASE 4
se o clipe voltou aceitável	QA de clipes, abaixo
como emendar e montar	FASE 7

Regra de ouro que atravessa as duas: um criativo por vez, fechado antes do próximo. Vídeo é o recurso escasso — a cota do Veo repõe por geração, 24h depois de cada uma.

QA de clipes — diagnóstico e gate antes de montar

1. Voz tocando com a boca parada (dessincronia por fala longa)

Causa quase sempre a mesma: o texto não cabia no clipe. O Grok não acelera a fala — deixa o áudio correr além da animação. Ver o gate de contagem de palavras na FASE 1; se você pulou, é aqui que a conta chega.

# quanto do clipe é fala: se ocupa ~100% da duração, o texto estourou
ffmpeg -i cena-N.mp4 -af silencedetect=noise=-32dB:d=0.3 -f null - 2>&1 | grep silence_
ffprobe -v error -show_entries format=duration -of csv=p=0 cena-N.mp4

Fala terminando junto com o último frame, sem respiro no fim, é sinal forte. Confirme assistindo os últimos 2 segundos. Não tem conserto na pós: corte o texto e regere.

Causa secundária, se o texto cabia: instrução meta dentro do prompt — ver FASE 4.

1b. Corte automático por RMS pega respiração/eco, não o fim real da palavra

Defeito oposto do anterior, e mais traiçoeiro porque passa despercebido no QA de imagem e no ffprobe — só aparece assistindo a transição entre cenas.

O corte de silêncio por RMS (usado no Modo B/C pra achar onde a fala do hook termina) mede energia de áudio, não fala. Numa pessoa que "esvai" a voz aos poucos em vez de calar abruptamente, o resíduo de respiração/eco continua acima do limiar por 1-2s depois que ela já parou de falar e já está sorrindo de boca fechada. O corte então:

inclui esse trecho de sorriso estático antes da transição (parece "sobra estranha" no fim do hook);
e ao mesmo tempo o corpo (cena seguinte) começa achando que o hook terminou ali — quando na verdade a última palavra da fala nem chegou a ser dita, porque o corte foi medido pelo fim do ÁUDIO alto, não pelo fim da FALA.

Caso real (leva 08-09-MONJE-V2, CT69/70/71-AR): o corte automático deu [0.30, 7.68] (7.38s) pro hook de CT69, quando a fala real ("...esconde.") terminava em torno de 5.75s — 1.9s de respiração/sorriso incluídos, e a palavra final cortada no meio porque o corpo já tinha começado antes dela sair.

Não confie no silencedetect/RMS sozinho pra cena de hook curta com fala terminando perto do fim do clipe. Depois do corte automático:

# contact sheet da boca nos últimos 2-3s do hook, pra ver onde a fala PARA de verdade
for t in $(seq 4.5 0.3 7.5); do
  ffmpeg -v error -ss $t -i cena-1.mp4 -frames:v 1 -vf scale=300:-1 /tmp/m$t.jpg -y
done
montage /tmp/m*.jpg -tile 3x3 -geometry 300x+3+3 -background '#111' /tmp/sheet.jpg

Olhe o sheet: ache o último frame com boca ainda em movimento de fala (não sorriso), some ~0.1-0.2s de folga, e use isso como fim do corte manual — ignore onde o RMS achou que a energia caiu.

2. Morphing (objeto duplicando, flutuando, desgrudando)

Frame estático não pega. Amostre ao longo do clipe e olhe a sequência:

for k in 1 2 3 4 5 6; do
  ffmpeg -v error -ss $(awk -v k=$k 'BEGIN{print k*1.4}') -i cena-N.mp4 -frames:v 1 f$k.jpg
done
montage f?.jpg -tile 6x1 -geometry 180x320+3+3 sheet.jpg

Se o objeto muda de posição sem a mão levar, ou aparece um segundo, é morphing. E se o objeto está "apoiado" onde não se apoia, o defeito é do roteiro — ver a regra de verossimilhança na FASE 3.

3. Clipe de outro criativo

Com vários itens no histórico da conta, é fácil baixar o vídeo errado. Confira a pessoa e o ambiente do frame contra o roteiro daquela cena, não só o prompt exibido na página.

O gate de clipes — um sheet por criativo, dois tempos por cena

Olhar "um frame de cada cena" não pega os defeitos que apareceram hoje: papel duplicado, texto reescrito e degradação de fim de clipe só existem em parte da duração. Amostre no mínimo dois tempos por cena — um no meio e um perto do fim, que é onde o Veo degrada.

# faixa inferior (mesa/props) de cada cena, aos 3s e aos 6,8s
for i in $(seq 1 $N); do
  for t in 3 6.8; do
    ffmpeg -v error -ss $t -i cena-$i.mp4 -frames:v 1 \
      -vf "crop=iw:ih*0.45:0:ih*0.55,scale=200:-1" /tmp/z$i-$t.jpg -y
  done
done
montage /tmp/z*.jpg -tile 4x2 -geometry 200x+3+3 -background '#111' /tmp/qa.jpg

Recortar a faixa inferior é o truque: é onde ficam mesa, props e mãos, e é onde nascem os objetos duplicados. No quadro inteiro o papelzinho extra some no meio da imagem.

Checagem	Como	Defeito real que ela pega
prop único	sheet da faixa inferior, 2 tempos	2º papel "11" brotando na mesa
superfície escrita intacta	frame do meio, ler o texto	fala impressa no papel
fim do clipe limpo	frame a ~0,3s do fim	papel desbotando, roupa mudando
mesma voz	ouvir as cenas em sequência	b-roll sem rosto com voz sorteada
respiro sobrando	`tight.py` em cada cena	pausas de respiração
cena é do criativo certo	RMSE frame 0 × imagem de origem	clipe de outro job

O tamanho do arquivo é um sinal grátis. Numa leva de 8 cenas, sete tinham ~4,7 MB e uma tinha 2,3 MB — era justamente a de b-roll sem rosto, a que saiu com voz diferente. Clipe muito fora da média dos irmãos merece um olhar:

ls -la cena-*.mp4 | awk '{print $NF, $5}'

Checklist antes de montar

Palavras da fala dentro do orçamento (contadas ANTES de gerar)
Boca acompanha a fala até o fim, com respiro no final
Sem objeto duplicando, flutuando ou desgrudando
Sem legenda ou texto queimado na imagem
Mesma pessoa, roupa e cabelo das outras cenas do criativo
Pessoa e ambiente batem com o roteiro desta cena
r_frame_rate igual ao dos outros segmentos
Superfície escrita em quadro continua com o texto da imagem de referência
Cortes revisados por fala e gesto: sem falsa partida ou cauda inútil; pausas com função preservadas. tight.py só propõe candidatos.

FASE 6 — Registrar

Para cada cena, salve PROMPTS/cena-N.md com prompt de imagem, prompt de vídeo, duração, modelo e data. Sem isso não dá para reproduzir nem iterar uma cena que ficou quase boa.

FASE 7 — Montagem

Antes de cortar ou normalizar, leia Acabamento natural: áudio, cortes e clareza. A revisão aprovada do Número Mestre AR/LATAM é o guia para falsas partidas, gestos tardios, ruído, música e diferenças de volume. tight.py é detector de candidatos, não aprovação de cortes; preserve pausas com função e confira o master.

Cortar silêncio — cabeça, cauda E pausas internas

O motor entrega ar demais. Cada clipe de 8s do Veo chega com 0,8 a 1,6s de silêncio sobrando só nas pontas, mais as pausas de respiração no meio da fala. Num criativo de 11 cenas isso somou 9 segundos de nada — o dono assistiu e a primeira coisa que apontou foi "as pausas de respiração ainda aparecem".

Aparar só a cauda não resolve: as pausas internas são a maior parte do problema. Numa medição real, o mesmo criativo tinha 20 silêncios com d=0.35 depois de aparado só nas pontas, e 3 depois do corte completo.

Padrão (quando houver ELEVENLABS_API_KEY): corte por palavra no video-use. silencedetect mede "onde há som", e o Veo enche o fim do clipe de som que não é fala (ver "Fim da fala" abaixo). O transcript Scribe dá a fronteira de cada palavra, então o corte nunca come sílaba nem deixa sorriso sobrando:

VU=~/Developer/video-use; PY=$VU/.venv/bin/python
# 1. transcreve cada cena (cacheado em VIDEO/edit/transcripts/<cena>.json)
for i in $(seq 1 $N); do $PY $VU/helpers/transcribe.py VIDEO/cena-$i.mp4 --language pt; done
$PY $VU/helpers/pack_transcripts.py --edit-dir VIDEO/edit     # -> VIDEO/edit/takes_packed.md
# 2. monte VIDEO/edit/edl.json: um range por trecho falado, borda na palavra
#    (padding 30–200 ms, calibrado por fala e gesto; não use cauda fixa de 0,30 s)
# 3. renderiza: corta por trecho, fade de 30ms em cada junção, concat, fps nativo
$PY $VU/helpers/render.py VIDEO/edit/edl.json -o VIDEO/edit/preview.mp4 --preview --no-subtitles
$PY $VU/helpers/render.py VIDEO/edit/edl.json -o FINAL-sem-legenda.mp4 --no-subtitles --no-loudnorm

edl.json (formato do video-use):

{"version": 1,
 "sources": {"cena-1": "/abs/VIDEO/cena-1.mp4", "cena-2": "/abs/VIDEO/cena-2.mp4"},
 "ranges": [
   {"source": "cena-1", "start": 0.26, "end": 2.90, "beat": "HOOK", "quote": "...", "reason": "..."},
   {"source": "cena-1", "start": 3.05, "end": 6.95, "beat": "HOOK", "quote": "...", "reason": "pausa interna cortada"},
   {"source": "cena-2", "start": 0.18, "end": 5.40, "beat": "BODY", "quote": "...", "reason": "..."}]}

--no-subtitles: a legenda é a camada final no Remotion (canônica), não o SRT/ASS do video-use.
--no-loudnorm: o render.py normaliza pra -14 LUFS por padrão; aqui o nível final sai do mix calibrado (E.4), então desligue e deixe o mix decidir.
Não passe --fps: sem ele o render preserva o fps da fonte (Veo = 24), que é a regra.
Uma cena que veio em resolução diferente continua precisando da normalização 1080×1920 antes (seção "ANTES do concat" abaixo) — não testado se o render.py cobre isso sozinho.
Os mesmos transcripts servem pro "Fim da fala" e pra caça de repetição do Veo, mais abaixo — uma transcrição por cena, nunca duas.

Status: helpers conferidos (--help) em 2026-09-23; o fluxo inteiro ainda não rodou num criativo real desta skill. No primeiro uso, compare o resultado com o montar.sh no mesmo material antes de trocar de vez.

Fallback (sem key, ou se o video-use falhar): scripts/tight.py — ele lê o silencedetect e devolve candidatos. Revise fala, repetição, música e gesto antes de aprovar qualquer trecho:

python3 scripts/tight.py cena-1.mp4
# 0.360 2.747
# 3.111 6.653
# 7.218 7.712

Parâmetros no topo do arquivo, calibrados em produção:

Constante	Valor	O que faz
`HEAD_PAD`	0.10	respiro antes da primeira sílaba
`TAIL_PAD`	0.30	respiro depois da última
`MINGAP`	0.30	pausa acima disso é cortada
`MAXGAP`	0.16	o que sobra da pausa cortada

Trechos com menos de 0,35s são descartados — clipe de 0,1s quebra o encode e o erro que aparece é enganoso (reclama do -ss da linha seguinte).

O jump cut aqui é a estética, não um defeito. Os criativos-modelo deste nicho são cortados assim; ritmo frouxo é que destoa. Só preserve a pausa quando ela for dramática de propósito.

scripts/montar.sh <dir-criativo> <n-cenas> <saida.mp4> faz tudo: corta, faz upscale para 1080x1920, normaliza no fps nativo e concatena pelo filtro. (Fallback. Atenção: o montar.sh fixa -r 24 — em cena de outro motor, ajuste.)

`ffmpeg` come o stdin do loop — sempre `-nostdin`

Bug que corrompe a montagem em silêncio e é dificílimo de ler pelo erro. Dentro de while read ... done < <(...), o ffmpeg lê o mesmo stdin e engole as linhas restantes. A primeira cena sai certa e da segunda em diante os tempos chegam truncados ou vazios:

Invalid duration for option ss: .360      # o "0" sumiu — linha meio consumida
Invalid duration for option to:           # linha inteira consumida

O erro aponta para o valor, então se perde tempo procurando bug de formatação numérica ou de locale. A causa é o stdin.

ffmpeg -nostdin -v error -ss "$a" -to "$b" -i cena-$i.mp4 ...

Regra: todo ffmpeg dentro de laço que lê linhas leva -nostdin.

Upscale + normalização

VF="scale=1080:1920:flags=lanczos,unsharp=5:5:0.7:5:5:0.0,fps=30,format=yuv420p"
ffmpeg -ss <ini> -to <fim> -i cena-N.mp4 -vf "$VF" \
  -c:v libx264 -crf 18 -preset slow -c:a aac -b:a 192k -ar 48000 -ac 2 -y s<N>.mp4

Acelerar uma cena arrastada (vídeo e voz juntos, sem subir o tom):

ffmpeg -i cena.mp4 -vf "setpts=PTS/1.3,$VF" -af "atempo=1.3" ... -y saida.mp4

Se a cena não tem boca em quadro, dá para acelerar só o vídeo e deixar a voz no ritmo natural.

Voz robótica = fala longa demais. O teto do Veo é 16 palavras.

Quando o texto não cabe no clipe, o Veo não corta a fala: ele acelera. O resultado soa sintético, "robótico do nada", e nenhuma métrica técnica acusa — o arquivo fica perfeito, só a voz é que está comprimida.

Medido em produção, no mesmo criativo:

Fala	Ritmo resultante	Resultado
20 palavras	2,82 pal/s	robótica
18 palavras	2,56 pal/s	robótica
18 palavras (ocupa os 8s)	2,25 pal/s	cortada no fim, sem respiro
17 palavras	2,29 pal/s	natural

O Veo fala mais devagar que o Grok — ~2,2 pal/s contra 2,5. Não reaproveite a régua de um motor no outro.

Motor	Clipe	Teto real
Veo 3.1	8s	16 palavras
Grok	10s	22 palavras
Grok	6s	13 palavras

Depois de gerar, confirme que a fala terminou antes do fim do clipe:

# tem que sobrar respiro: fim da fala < duracao - 0.5s
ffmpeg -i clipe.mp4 -af silencedetect=noise=-34dB:d=0.35 -f null - 2>&1 | grep -oP 'silence_start: \K[0-9.]+' | tail -1
ffprobe -v error -show_entries format=duration -of csv=p=0 clipe.mp4

Se não houver nenhum silence_start, a fala foi até o último frame: o texto estourou. Encurte e regere — a montagem não conserta.

Antes de condenar o clipe, repita a -28dB. O Veo entrega ruído de sala audível, e a -34dB esse room tone conta como som: o silencedetect não acha silêncio nenhum e o clipe parece estourado quando não está. Num clipe real, -34dB não devolveu uma linha sequer, e -28dB:d=0.2 mostrou a fala terminando em 6,0s de 8,0s, com 1,9s de respiro.

# checagem primária
ffmpeg -i clipe.mp4 -af silencedetect=noise=-34dB:d=0.35 -f null - 2>&1 | grep silence_
# se vier VAZIO, confirme antes de regerar:
ffmpeg -i clipe.mp4 -af silencedetect=noise=-28dB:d=0.2 -f null - 2>&1 | grep silence_

Só é estouro de verdade quando as duas passagens não acham silêncio no fim. Regerar por leitura errada do limiar gasta cota à toa.

O Veo degrada DEPOIS que a fala acaba — corte ali, não regere

Quando a fala termina antes dos 8s, o modelo precisa preencher o resto e é aí que ele inventa: a pessoa baixa o objeto, o texto escrito desbota, a roupa muda, um microfone de lapela aparece. O miolo do clipe está perfeito.

Caso real: cena regerada saiu com o papel correto e, a partir de ~6,3s — depois do fim da fala em 6,75s — as primeiras linhas do papel começaram a apagar e o suéter mudou de textura. Regerar de novo custaria cota e provavelmente repetiria o padrão, porque a causa é estrutural.

A correção é o corte, não a regeração:

# 1. onde a fala termina de fato
ffmpeg -i clipe.mp4 -af silencedetect=noise=-28dB:d=0.12 -f null - 2>&1 | grep -oP 'silence_start: \K[0-9.]+' | tail -1
# 2. corte logo depois disso
ffmpeg -nostdin -v error -ss 0 -to 6.80 -i clipe.mp4 -c:v libx264 -crf 18 -preset slow -r 24 \
  -c:a aac -b:a 192k -ar 48000 -ac 2 -y cena-N.mp4

Antes de condenar um clipe, amostre o fim (-ss <dur-1.5>, -ss <dur-0.3>). Se o defeito só existe depois da última sílaba, é corte de 10 segundos — não uma geração nova.

NUNCA force fps — respeite o nativo do motor

O Veo entrega 24fps. Forçar fps=30 na normalização duplica frames de forma irregular e o clipe fica com travadinho (judder) perceptível, sobretudo em movimento de mão e cabeça. Nenhum ffprobe acusa: o arquivo fica 30fps certinho.

# descobre o fps nativo ANTES de normalizar
ffprobe -v error -select_streams v -show_entries stream=r_frame_rate -of csv=p=0 clipe.mp4

Normalize mantendo o nativo — sem fps= no filtro, e -r igual ao de origem:

ffmpeg -ss 0 -to $end -i clipe.mp4 \
  -vf "scale=1080:1920:flags=lanczos,format=yuv420p" \
  -c:v libx264 -crf 18 -preset slow -r 24 \
  -c:a aac -b:a 192k -ar 48000 -ac 2 -y sN.mp4

Modo B: o fps do CRIATIVO é o do motor, e o BODY é que se adapta

No Modo B você emenda hook do Veo (24fps) num body que quase sempre é 30fps. Um dos dois tem que ceder, e a escolha não é opinião — se mede:

# para cada candidato: total de frames vs frames únicos
tot=$(ffprobe -v error -select_streams v -show_entries stream=nb_frames -of csv=p=0 x.mp4)
uni=$(ffmpeg -i x.mp4 -vf mpdecimate -f null - 2>&1 | grep -oP 'frame=\s*\K[0-9]+' | tail -1)

Medido num hook real de 8s:

Caminho	Hook	Veredito
forçar tudo a 30 (converte o hook 24→30)	240 total / 173 únicos = 67 frames duplicados	judder
manter 24 (converte o body 30→24)	192 total / 173 únicos, nativo	limpo

O detalhe que fecha a questão: o hook tem 173 frames únicos nas duas versões. Subir para 30 não acrescenta informação nenhuma, só duplica — e a duplicação cai justamente no hook, que é a parte que segura a atenção no feed.

Portanto: o criativo inteiro sai no fps do motor (Veo = 24), e o body é reamostrado para esse fps. O body perde frames numa conversão real de taxa, que é bem menos visível que padrão de duplicação. Nunca o contrário.

Todos os clipes do mesmo criativo precisam do mesmo fps antes do concat — mas esse fps é o do motor, não 30 por hábito. Verifique que não sobrou frame duplicado:

# frames unicos tem que bater com o total
ffmpeg -i FINAL.mp4 -vf mpdecimate -f null - 2>&1 | grep -oP 'frame=\s*\K[0-9]+' | tail -1
ffprobe -v error -select_streams v -show_entries stream=nb_frames -of csv=p=0 FINAL.mp4

ANTES do concat: normalize TODA cena pra 1080x1920 — cenas de resoluções diferentes DISTORCEM o vídeo inteiro

Erro real (2026-09-09): um vídeo saiu com a pessoa esticada horizontalmente, tipo espelho deformado — não era morphing do Veo, era montagem. Cada cena de um mesmo criativo pode voltar do Hub numa resolução diferente (720×1280, 1080×1920, e às vezes até 1920×1080 paisagem por engano de engine/fallback) — motores e fallbacks diferentes entregam tamanhos diferentes, e nada nisso aparece no ffprobe de forma óbvia se você só olhar duração.

Concatenar cenas com resolução diferente sem normalizar produz um vídeo final com o canvas do PRIMEIRO clipe, e as cenas seguintes espremidas/estiradas para caber ali — silenciosamente, sem erro no ffmpeg. Uma cena paisagem (1920×1080) misturada com cenas retrato (1080×1920) é o caso mais visível, mas duas cenas retrato de tamanhos diferentes (720×1280 vs 1080×1920) já basta pra distorcer.

Confira as dimensões de TODAS as cenas antes de montar:

for i in 1 2 3; do ffprobe -v error -show_entries stream=width,height -of csv=p=0 VIDEO/cena-$i.mp4; done

Se não bater 100% entre todas, normalize cada cena antes do concat — nunca confie que "todas são 9:16" só porque a proporção parece certa em cada uma:

VF="scale=1080:1920:force_original_aspect_ratio=increase,crop=1080:1920,setsar=1"
ffmpeg -y -i cena-N.mp4 -vf "$VF" -c:v libx264 -crf 18 -preset fast normN.mp4

force_original_aspect_ratio=increase + crop cobre o quadro inteiro e recorta a sobra (nunca deixa barra preta) — funciona tanto pra ajustar 720×1280→1080×1920 quanto pra "salvar" uma cena que veio paisagem por engano, recortando pro centro em vez de esticar. Rode isso sempre, mesmo quando as cenas parecem OK — o defeito só aparece assistindo o vídeo final, não em nenhum comando de checagem rápida.

Concat: use o FILTRO, não `-c copy`

-c copy emenda os arquivos sem realinhar os frames de áudio. O vídeo fica certo e o áudio sai picotado nas junções — estalo audível a cada troca de cena. Só se percebe ouvindo; nenhum ffprobe acusa.

ffmpeg -i q1.mp4 -i q2.mp4 -i q3.mp4 -i q4.mp4 \
 -filter_complex "[0:v][0:a][1:v][1:a][2:v][2:a][3:v][3:a]concat=n=4:v=1:a=1[v][a]" \
 -map "[v]" -map "[a]" -c:v libx264 -crf 18 -preset slow \
 -c:a aac -b:a 192k -ar 48000 -ac 2 -movflags +faststart -y FINAL.mp4

Reencoda, mas é o único jeito de emendar áudio limpo. Confira depois:

# só devem sobrar as pausas naturais entre cenas, nenhum estalo
ffmpeg -i FINAL.mp4 -af silencedetect=noise=-40dB:d=0.25 -f null - 2>&1 | grep silence_

A ordem do histórico do Hub é CRESCENTE — não inverta

document.querySelectorAll('video')[0] é o clipe MAIS ANTIGO, não o mais novo. Inverter a lista monta o criativo de trás para frente, e isso passa por qualquer checagem técnica: resolução, fps e duração ficam corretos, as cenas é que estão trocadas.

Confirme por conteúdo, não por posição. Cada clipe começa na imagem que o gerou, então casar frame 0 contra as imagens de referência resolve:

for n in 1 2 3 4; do ffmpeg -v error -ss 0.1 -i clipe-$n.mp4 -frames:v 1 -vf scale=200:-1 /tmp/v$n.png; done
for n in 1 2 3 4; do magick IMG/cena-$n.png -resize 200x /tmp/i$n.png; done
for v in 1 2 3 4; do for i in 1 2 3 4; do
  echo "v$v vs i$i: $(magick compare -metric RMSE /tmp/v$v.png /tmp/i$i.png null: 2>&1 | grep -oP '^[0-9.]+')"
done; done
# menor RMSE de cada linha = a cena daquele clipe

Concat

Todos os trechos precisam ter mesma resolução, fps, codec e taxa de áudio — normalize antes.

printf "file '%s'\nfile '%s'\n" /abs/s1.mp4 /abs/s2.mp4 > list.txt
ffmpeg -f concat -safe 0 -i list.txt -c copy -y HOOK-1.mp4

Fim da fala: use a ÚLTIMA PALAVRA (transcript), não `silencedetect`

silencedetect responde "onde há som", não "onde há fala". No Veo os dois divergem sempre, porque o modelo preenche o resto do clipe depois que a fala acaba — e o que ele põe ali (respiração, riso, um "hmm", roupa roçando) é som audível.

Medido num hook real de 8s: a última palavra terminava em 4,94s, e o silencedetect apontava o último início de silêncio em 6,92s. Cortar por ele deixava 2 segundos de sorriso no fim do hook — exatamente o trecho que o corte existia para remover.

Com o transcript Scribe da cena (o mesmo do corte, ver FASE 7 acima), o fim da fala sai de graça — whisper está proibido (regra do dono):

VU=~/Developer/video-use
$VU/.venv/bin/python $VU/helpers/transcribe.py "$CLIP" --language pt   # cacheado
T=$(dirname "$CLIP")/edit/transcripts/$(basename "$CLIP" .mp4).json
END=$(python3 -c "import json,sys;w=[x for x in json.load(open(sys.argv[1]))['words'] if x.get('type','word')=='word'];print(round(w[-1]['end'],2))" "$T")
CUT=$(awk -v e="$END" 'BEGIN{print e+0.15}')               # ponto de partida; valide fala/gesto

O mesmo vale para o início: start da primeira palavra - 0.15 apara a cabeça sem cortar a primeira sílaba. Sem key do ElevenLabs, volte ao silencedetect a -28dB e amostre o fim no olho (frames em END, END+0.5, END+1) antes de cortar.

Jeito antigo (faster-whisper local): ver references/SKILL-ffmpeg-OLD-2026-09-23.md §"Fim da fala: use a ÚLTIMA PALAVRA (whisper)".

silencedetect continua útil para o que ele de fato mede: detectar que a fala estourou o clipe (nenhum silêncio no fim = texto longo demais, regere) e cortar pausas internas na montagem.

Fala CURTA demais: o Veo REPETE a frase para preencher o clipe

O teto de 16 palavras protege contra fala longa (voz acelerada, boca parada, legenda queimada). Mas existe o defeito oposto, e ele é mais difícil de ver: fala curta demais num clipe de 8s faz o Veo repetir a frase inteira.

Caso real (leva 29-08): fala de 13 palavras, "Si todos los meses terminás en la misma cuenta, esto es para vos." O clipe voltou com:

Si todos los meses terminás en la misma cuenta, esto es para vos, esto es para vos.

A repetição começou em 5,86s e a primeira ocorrência terminava em 4,82s. Nada no ffprobe acusa: 8,00s, áudio normal, lip-sync correto — o modelo dubla a repetição direitinho. E o QA por frames não pega, porque a imagem está perfeita. Só se pega lendo a transcrição, e o dono do anúncio pegou antes de mim.

Pior: o corte pela última palavra (a regra da seção anterior) mantém as duas — ele corta em 6,82s, que é o fim da repetição.

Faixa segura de fala para o Veo em 8s: 11 a 16 palavras. Abaixo de ~11 o risco de repetição sobe; acima de 16 a voz acelera. Escreva dentro da faixa.

No QA, procure repetição na transcrição — não em frames. words = as palavras do transcript Scribe da cena ([x for x in json['words'] if x.get('type','word')=='word'], chaves text/start/end):

norm = [re.sub(r"[^\w]", "", x["text"]).lower() for x in words]
for L in range(min(8, len(words)//2), 2, -1):
    for i in range(len(norm) - 2*L + 1):
        if norm[i:i+L] == norm[i+L:i+2*L] and norm[i]:
            fim = words[i+L-1]["end"]    # corta no fim da PRIMEIRA ocorrencia

Achou repetição? Não regere — corte no fim da primeira ocorrência. O trecho até ali está perfeito, e a regeração pode repetir o padrão, porque a causa é estrutural: sobra tempo no clipe.

Deixe o aviso visível no log da montagem. Defeito silencioso que ninguém vê é defeito que chega ao cliente.

Modo B — emendar no body

Ache o ponto de corte do criativo vencedor e corte dentro de um silêncio entre frases, nunca no meio de uma. Com key: transcreva o body no video-use e leia o takes_packed.md — as frases já vêm com [ini-fim] e quebra em silêncio ≥0,5s, o corte sai da fronteira da frase. Sem key: silencedetect.

Cheque redundância: se o hook acabou de dizer algo e o body repete logo em seguida, corte mais adiante. É o erro mais fácil de cometer aqui.

Mapeie a abertura do body frame a frame antes de decidir:

ffmpeg -ss 0 -to 9 -i body.mp4 -vf "fps=2,crop=iw:ih*0.55:0:ih*0.40,scale=380:-1,tile=1x18" -frames:v 1 head.jpg

Depois upscale o body para casar com o hook e concatene.

Toda cena é a MESMA pessoa em quadro falando — não peça edição ao modelo

Não peça ao Veo variação de enquadramento, insert de mãos, close de prop ou qualquer "dinâmica de edição". Cena a cena, sempre o mesmo plano: a pessoa sentada de frente, falando. É o formato que sai limpo.

Medido numa leva de 6 criativos: as cenas com enquadramento diferente (mãos na carteira, mãos escrevendo, close do celular) trocaram a personagem ou a voz em 4 criativos. As cenas de plano fixo com rosto não deram um defeito.

Split, PiP, corte seco, tarja — tudo isso é pós-produção no Remotion (ou Hyperframes, se o criativo já tem motion lá; ver E.3), aplicada sobre cenas uniformes. Não é coisa que se pede na geração.

Legenda, motion, trilha — Remotion (legenda), Hyperframes (motion), ffmpeg (mix)

O Grok já entrega voz, então música é opcional e fica baixa. Legenda queimada só na pós, casando com o estilo do criativo vencedor. Ver skills remotion-create, remotion-captions (menos a parte de transcrição: ela usa whisper.cpp, proibido — os timestamps vêm do Scribe/TTS, ver Stack de edição), remotion-render.

Legenda animada além do karaokê (palavra que entra com motion, destaque que cresce, texto que interage com o sujeito): Hyperframes — skills embedded-captions

captions-overlay (doutrina: legenda é overlay por cima, nunca faixa reservada). Mesma regra de timestamp: entregue o transcript.json pronto, não rode o hyperframes transcribe delas.

⭐ LEGENDA KARAOKÊ TIKTOK — CANÔNICA v2 (padrão fixo do dono, 2026-09-23)

Por que v2: a v1 (references/legenda-karaoke-tiktok-v1-OLD.jsx) tinha três defeitos que o dono apontou: (1) não acompanhava a fala — timestamps de whisper/distribuição por duração, grudados um no outro, legenda ficava na tela nas pausas; (2) borda grotesca — WebkitTextStroke fica centrado na borda da letra, come o desenho e serrilha as quinas, e o chroma-key do fundo #0000FF deixava halo; (3) pequena e chapada, sem profundidade. Aprovado visualmente em mapa-do-tarot/criativos/v4_imperatriz_KARAOKE-V2.mp4.

Passo 1 — tempo de cada palavra: scripts/legenda_align.py (alinhamento forçado, NÃO whisper). A gente sempre tem o texto falado (roteiro/prompt do Veo/texto do TTS). O alinhador (wav2vec2/MMS via ctc-forced-aligner, local, grátis, CPU ~45s pra 30s de áudio) só descobre ONDE cada palavra do roteiro cai no áudio — não adivinha palavra, então não erra texto nem deriva no tempo. Venv pronta em ~/Developer/legenda-karaoke:

~/Developer/legenda-karaoke/.venv/bin/python ~/.claude/skills/criativo-ads-video-orq/scripts/legenda_align.py \
  final_sem_legenda.mp4 roteiro.txt -o src/words.json        # --lang por (padrão)

roteiro.txt = EXATAMENTE o que é falado, na ordem, com pontuação (pontuação quebra linha). Se o Veo improvisou/trocou palavra, corrija o roteiro pro que foi dito de fato.
Números viram extenso só pro alinhamento ("78" alinha como "setenta e oito"), exibição fica "78".
Saída: linhas de 1-3 palavras, quebra em pontuação e em pausa >0,30s; linha só existe enquanto é falada (+0,15s); nas pausas a tela fica limpa. Palavra ativa não pisca em gap <0,30s.
Rodar no vídeo montado final (tempo da saída), não nos clipes soltos.
Ele imprime palavras de confiança baixa: confira essas no vídeo.
Alternativa paga equivalente: Scribe do video-use (precisa ELEVENLABS_API_KEY).
Proibido: hyperframes transcribe (whisper small.en, só inglês), faster-whisper, whisper.cpp, remotion-captions com install-whisper-cpp, e "distribuir por duração".

Passo 2 — render: references/legenda-karaoke-tiktok-CANONICA.jsx (componente KaraokeV2). Vídeo e legenda na MESMA composição Remotion (<OffthreadVideo> + legenda por cima) — sem fundo #0000FF, sem chroma-key, sem overlay ffmpeg. Composição com o fps nativo do vídeo (Veo = 24, montado pode ser 25) e 1080×1920. Precisa @remotion/google-fonts na mesma versão do remotion. Projeto de referência pronto: mapa-do-tarot/criativos/BR/CRIATIVO-1/intermediarios/remotion-cap (composição KaraokeV2, vídeo em public/).

Parâmetro	Valor
Fonte	Montserrat 900 (`@remotion/google-fonts/Montserrat`), caixa alta, `letterSpacing 0.5px`
`fontSize`	60 (canvas 1080×1920)
Posição	centro vertical em 70% da altura (`top: height*0.70`, `translateY(-50%)`) — centra igual com 1 ou 2 linhas, dentro da banda 4:5, fora do rodapé
Largura	`left 4%`, `width 92%`, flex-wrap centralizado, `gap 0 26px`, `lineHeight 1.25`
Cor base / ativa	`#FFFFFF` / `#FFD400` — SÓ a palavra sendo falada fica amarela
Contorno	anel de 24 `text-shadow` de 5px, preto — redondo, todo por FORA da letra (nunca `WebkitTextStroke`)
Profundidade	`0 7px 0 #000` (extrusão) + `0 10px 14px rgba(0,0,0,.55)` (sombra)
Pop	palavra ativa escala ~1,05 com `spring` (damping 12, stiffness 220) — o gap 26px absorve; não aumente o pop sem aumentar o gap (senão as palavras grudam: "IMPERATRIZSÓ")
Chunk	1-3 palavras, vem pronto do `legenda_align.py`

words.json: [{ start, end, words: [{ text, start, end }] }, ...].

Jeito antigo (v1: Arial + WebkitTextStroke + chroma #0000FF, tamanhos 34/72): ver references/legenda-karaoke-tiktok-v1-OLD.jsx e references/SKILL-ffmpeg-OLD-2026-09-23.md.

QA obrigatório: extrair frames em tempos de fala e provar que existe UMA palavra #FFD400 E que a posição do amarelo MUDA entre frames (karaokê real, não amarelo fixo). Amarelo ausente ou estático = FAIL.

Fallback — legenda sem Remotion (ffmpeg puro): padrão validado da VSL2-MARTA

Só fallback: o padrão é o karaokê canônico acima. (O render.py --build-subtitles do video-use cai nesta mesma classe — SRT/ASS queimado — e serve só aqui.) Quando não há pipeline Remotion montado pro projeto (caso comum de VSL gerada via hub-video-playwright + montagem própria em ffmpeg), reproduza o estilo aprovado da VSL2-MARTA em vez de inventar um novo:

Fonte Inter Bold, sem itálico. Itálico fino (ex. Georgia) foi tentado numa VSL e reprovado pelo usuário — pareceu fraco/errado comparado ao padrão.
Amarelo #FFD21E (ASS: &H001ED2FF), contorno preto fino, sem fundo.
Fonte fina + linha larga, não fonte grande + linha curta. São duas variáveis independentes e fáceis de confundir: "tá grosso/enorme" pede FontSize/Outline menores; "não preenche o espaço, fica um bloco centralizado sobrando lateral" pede MAXCH maior e MarginL/MarginR menores. Valores validados no monge (VSL-MONGE, 2026-09-08), depois de passar por "grosso demais" (FontSize=17) e "fino demais, pouca largura" (FontSize=12 com MAXCH=34):
```
MAXCH = 56  # char por linha antes de quebrar
style = (
    "FontName=Inter,FontSize=10,Bold=1,Italic=0,"
    "PrimaryColour=&H001ED2FF,OutlineColour=&H00000000,BackColour=&H00000000,"
    "BorderStyle=1,Outline=1.0,Shadow=0.4,Alignment=2,MarginV=100,MarginL=15,MarginR=15,WrapStyle=0"
)
```
2 linhas por cue, tempos distribuídos proporcionalmente por caractere dentro da janela de fala da cena. Isso é ponto de partida, não valor fixo — confirme sempre extraindo um frame antes de aceitar como pronto (ver abaixo).
Posição embaixo, nunca no meio nem cobrindo boca/rosto. Em 1080×1920 via filtro subtitles do ffmpeg: MarginV≈100 (distância da base), dentro da faixa "que não corta" descrita abaixo.
Implementação de referência (gera SRT chunked + queima via ffmpeg -vf subtitles=...:force_style=..., sem precisar de Remotion): PERSONAGENS/MONGE/VSL-MONGE/TOOLS/gen_captions2.py no projeto NUMERO-MESTRE. Copie e adapte (troca só o dict de falas e a lista de durações por cena) em vez de reescrever o estilo do zero.
Sempre compare contra um frame do vídeo de referência aprovado (ex.: PERSONAGENS/MARTA/VSL2-MARTA/VIDEO/VSL2-MARTA-legenda.mp4) antes de dar como pronta — a primeira tentativa raramente bate no tamanho/posição certos de primeira, e o usuário nota na hora se destoar do padrão já validado.

Legenda mora na área que não corta — regra fixa

Todo vídeo final é 1080 × 1920. A legenda nunca encosta nas faixas que a plataforma cobre ou corta:

Topo: 290 px livres. Nome de perfil e notificações no Stories; corte no feed.
Base: 360 px livres. Legenda da plataforma, nome do áudio, botões, "seguir".
Laterais: 60 px, atenção redobrada à direita (botões de interação).

Isso deixa a legenda dentro de uma caixa viva de 960 × 1270 px centralizada — a mesma do prompt 07 da skill modelagem-escalados, porque o feed recorta um 9:16 para 1080 × 1350 centralizado. Na prática: a linha de legenda assenta com a base entre ~1300 px e ~1560 px do topo, nunca abaixo disso.

Duas armadilhas medidas em produção:

Legenda de duas linhas cresce para cima, não para baixo. Ancore a caixa pela base, senão a segunda linha invade a faixa dos 360 px.
Legenda que "não pula" — largura fixa e base fixa. Legenda que muda de altura a cada frase denuncia automação e cansa o olho. Ver a memória de pós-produção do projeto AstroDicas (1.15x, corte de respiração, legenda dourada estável).

Acelerar é padrão, não opcional

Todo criativo final acelera na pós-produção — sempre, em todos os modos. É o que faz a fala soar mais rápida e a peça não arrastar; sem isso o ritmo fica de vídeo institucional, não de anúncio. Acelere o pré-final inteiro (vídeo + áudio juntos, setpts+atempo, nunca só um dos dois — descasa lip-sync). Confirme a legenda depois de acelerar: tempo de cena muda, ponto de troca de frase muda junto.

Com personagem falando em quadro (lip-sync gerado no Veo): 1.10x a 1.20x. Acima disso a boca visivelmente descasa da voz.
100% narração off / b-roll / gravação de tela (sem boca sincronizada pra proteger): 1.30x a 1.40x. Testado em produção — 1.20x ficou lento demais pro ritmo de criativo demonstrativo; sem lip-sync, o teto sobe. Exceção aprovada: VO de TTS já em ritmo de anúncio (MiniMax, Mapa do Tarot) → 1.15x é o ponto (dono, 2026-09-23: 1.25x ficou rápido demais). Acelere NO REMOTION: composição que roda o render final via <OffthreadVideo playbackRate={1.15}>, durationInFrames = ceil(dur*fps/1.15) — vídeo, voz e karaokê queimado andam juntos, pitch preservado (confira F0 antes×depois; tem que ficar ~igual, não +15%).

Tarja de marca — OPT-IN, não é mais padrão (regra da dona, 2026-10-04)

⚠️ Mudança 2026-10-04: a tarja deixou de ser automática em qualquer modo. Antes desta data era obrigatória nos Modos A-D; a dona reportou que toda entrega está saindo com a faixa vermelha sem ter sido pedida e não quer isso por padrão. A tarja só entra se o brief daquele criativo pedir explicitamente. Sem pedido explícito, nenhum criativo (A, B, C, D ou E) leva tarja — e isso vale também pro Modo E, que já não usava por outro motivo (ver §E.2b).

Quando o usuário pede ("quero a faixa com o nome do produto", "bota tarja"), siga as regras abaixo. Fora isso, pule esta seção inteira.

Toda peça que pedir tarja leva uma tarja sólida vermelha, letra branca, com o nome do produto, fixa na área que não corta (topo ou base da caixa viva de 960 × 1270 px, nunca dentro dela por cima da legenda de fala — são duas coisas diferentes, não competem pelo mesmo espaço).

Onde: topo (abaixo dos 290px livres) OU base (acima dos 360px livres) — escolha um lado e mantenha em todo o criativo, nunca alterna.
O quê: nome do produto/oferta, curto — não é headline nem CTA, é identificação de marca visível o tempo todo.
Cor: fundo vermelho sólido, texto branco, alto contraste — não é a legenda de fala (essa segue o estilo do criativo vencedor); a tarja é elemento fixo, a legenda de fala é dinâmica por frase.
Presença: do primeiro ao último frame, ou pelo menos do fim do hook até o CTA — nunca só num flash de 1-2s, senão ninguém lê.

Referência canônica (validada, print salvo em produção): faixa vermelha com borda rasgada (efeito "papel picado"), texto branco em caixa alta, 2-3 linhas, sentada exatamente na costura do Meio a meio — onde o bloco de cima (tela: planilha, dashboard, gravação) encontra o bloco de baixo (pessoa em quadro falando). No bloco de cima ainda cabe uma miniatura pequena no canto superior direito (a mesma pessoa, reagindo) — três camadas visuais ao mesmo tempo: tela grande, rosto pequeno reagindo, faixa de manchete no meio, pessoa falando embaixo com legenda própria (branca, sem fundo, separada da faixa). A frase da faixa é a manchete que para o scroll ("não entra em X antes desse vídeo"), não o CTA nem o preço — isso fica na fala. Quando o layout é Meio a meio, a faixa pode sentar na costura em vez do topo/base da caixa viva; nos outros layouts (Tela cheia, Miniatura/PiP) ela volta pro topo ou base, fora da área que corta.

Modos de edição — só DEPOIS do pré-final

Ordem obrigatória. Editar antes de fechar o pré-final é retrabalho garantido: qualquer corte de silêncio ou mudança de ritmo depois desloca todos os pontos de troca de layout, e a peça inteira precisa ser remontada.

Pré-final — concatenar as cenas aprovadas no gate. É um vídeo assistível, com a fala inteira, sem nenhuma edição de layout.
Pós-produção base — acelerar (1.15x é o padrão medido), cortar respiração e fala repetida, queimar legenda dentro da caixa viva. Só aqui o tempo final de cada fala existe de verdade.
Modos de edição — agora sim, com os segundos reais em mãos.

O material B: gravação de tela OU b-roll de banco

O que entra na outra metade depende do que o criativo precisa provar:

Produto digital (portal, app, dashboard): gravação de tela em modo mobile, navegada como um usuário novo. Ver Modo E (Vitrine Guiada).
Produto físico ou serviço (coleira de pet artesanal, marcenaria, estética): cenas de banco público e Pinterest, montadas na ordem da fala. Um plano por ideia, nunca um plano genérico "de enfeite".
Com ou sem narração: a fala da personagem pode continuar por cima, ou o trecho vira narração pela skill narracao-hub-tts com a voz da peça.

A regra de enquadramento é a mesma para os dois: material vertical entra em moldura deitada com zoom e foco próprios, senão a metade fica com sobra morta e a peça parece dois vídeos empilhados.

O menu — escolha UM por criativo

Os quatro layouts são linguagens diferentes, não um combo. Três trocas de linguagem em dez segundos viram mostruário: sinalizam edição automática e queimam a atenção que o hook comprou. A peça abre na pessoa, usa UM estilo no miolo para provar o que ela disse, e volta pra ela no fecho.

Estilo	Serve pra	Uso típico
Meio a meio (B em cima, ela embaixo)	provar o que ela acabou de afirmar	uma inserção, na fala do mecanismo
Meio a meio invertido (ela em cima, B embaixo)	devolver o peso pra ela sem soltar o B	quando a fala volta a ser pessoal
Miniatura / PiP (B em foco, ela no canto)	demonstração longa em que o B é protagonista	trecho de 4-8s, voz off narrando
Tela cheia dela	hook e fecho	sempre começo e fim
Print + POV + Meme	prova social/resultado sem rosto nenhum em quadro	ver abaixo

Print + POV + Meme — o único layout sem rosto real

Três zonas empilhadas, fundo preto sólido, sem faixa colorida:

Topo — print de prova. Screenshot real (chat, dashboard, resultado, métrica) — ROAS, ROI, conversa, o que for a prova daquele criativo.
Meio — texto POV. Amarelo, itálico, negrito, fundo preto. Sempre começa com "POV:" e conta a situação em 1-2 linhas — é a piada/gancho, não a oferta.
Base — personagem meme recortado. PNG com fundo removido (Shrek, Doge, etc.), reagindo à situação do POV. É a assinatura visual do formato — sem ele vira só um print com legenda.

Sem narração, sem b-roll, sem gravação de tela em movimento — é 100% estático em composição, o "vídeo" é só o efeito de entrada de cada zona (fade/slide curto) e som de fundo opcional. Cabe no Modo E como variante estática dele, ou no Modo D pela biblioteca de escalados (categoria "meme"/"ilustração"). Nunca misture com faixa vermelha do layout Meio a meio — são dois vocabulários visuais diferentes.

Implementação de referência (Remotion, com os quatro layouts e o menu de estilos já escritos): marketing/anuncios/2026-09-02-BR-gratis/editor/ no projeto AstroDicas — src/layouts.ts (retângulo + zoom + foco de cada layout), src/estilos.ts (o menu), src/MeioAMeio.tsx (a viagem entre layouts).

A troca não é fade: os dois vídeos viajam entre os retângulos, então a pessoa encolhe de verdade enquanto o B cresce. Fade entre dois layouts lê como corte de software; a viagem lê como decisão de edição.

Estrutura de pastas

Vocabulário — não confunda:

Hook = os primeiros ~10s novos, gerados cena a cena. Varia entre criativos.
Body = o criativo vencedor existente, cortado no ponto de entrada. Igual em todos.
Criativo = hook + body. É o que sobe pro Meta.

<PROJETO>/ANUNCIO/<DD-MM>/
  REFERENCIA/                frames do criativo vencedor (persona, look)
  CRIATIVO-<N>/
    HOOK/                    (só no Modo B)
      IMG/     cena-1.png ...
      VIDEO/   cena-1.mp4 ...
      PROMPTS/ cena-1.md  ...
      HOOK-<N>.mp4
    CRIATIVO-<N>.mp4         entregável final

No Modo A, IMG/ VIDEO/ PROMPTS/ ficam direto em CRIATIVO-<N>/, sem a pasta HOOK/.

Numeração: continue a série do projeto, não recomece do 1. Antes de criar as pastas, veja até que número os anúncios já chegaram e siga daí. Se o projeto já tem AD1…AD9, os novos são CRIATIVO-10, 11, 12. Recomeçar do 1 gera colisão de nome no gerenciador de anúncios e some com o histórico de qual criativo é qual.

ls <PROJETO>/ANUNCIO/*/ | grep -oE "(AD|CRIATIVO-)[0-9]+" | sort -uV | tail -3

Erros comuns

Sintoma	Causa	Correção
Boca não bate com o áudio	Fala não foi literal no prompt	`lips accurately synced to these exact words: "<texto>"`
Pessoa muda de rosto entre cenas	Cada imagem gerada do zero	Anexe frame de `REFERENCIA/` e peça "same woman, same face"
Objeto brotando na cena	Falta bloco de continuidade	Cole o bloco anti-morphing e feche a lista de objetos
Mão deformada, dedo a mais	Idem, pior em clipe longo	Bloco anti-morphing + prefira 6s com objeto na mão
Fundo se reorganizando	Câmera com movimento demais	`locked-off static camera`
Elemento místico vazando pra cena nova	Referência tinha vela/cristal	Proíba explicitamente no prompt de imagem
Sotaque neutro em vez do regional	Sotaque não especificado	`Argentine Spanish, voseo, Buenos Aires accent`
Fala cortada no fim	Texto longo demais	6s ≈ 15 palavras, 10s ≈ 25
Frase repetida no clipe ("esto es para vos, esto es para vos")	fala CURTA demais para os 8s	faixa segura 11-16 palavras; corte no fim da 1a ocorrencia, nao regere
Voz tocando com a boca parada	Texto estourou o orçamento do clipe	Conte as palavras ANTES (FASE 1). Corte o texto e regere — não tem conserto na pós
Trilha indesejada	Grok adiciona por padrão	`no background music, ambient sound only`
Legenda queimada no clipe	Não foi proibido	`no subtitles, no burned-in text`
Vídeo horizontal	Formato não travado na imagem	`vertical 9:16 story format` desde o GPT
Total do hook estourou o alvo	Cenas escritas soltas e somadas no fim	Orçamento de tempo na FASE 1
Body repete o que o hook disse	Corte no lugar errado	Corte mais adiante, ver Modo B
Cena gerada com o prompt da cena anterior	Hub não limpa o textarea	sequência canônica de envio em `hub-video-playwright`
Loop de espera trava para sempre	src do `<video>` vira `blob:`	ver `hub-video-playwright`
Rosto vira careta ao animar	Imagem de origem estourada ou com expressão exagerada	Gere o rosto em repouso e exposição correta; a emoção vai no `ACTION` do vídeo
Clique em `Enviar` responde OK e nada acontece	Crisp por cima, ou ref expirado	ver `hub-video-playwright`
Loop de espera estoura sem clipe novo	Verificação de Segurança na tela	ver `hub-video-playwright`
Cena parada, boca mexendo e corpo congelado	`ACTION` sem micro-movimento	Descreva piscar, respirar, peso do corpo, mão que se ajusta
Imagens do GPT chegam fora de ordem	ordem do DOM ≠ ordem das cenas	ver `gpt-imagem-playwright`
Só 2 de N imagens baixam do GPT	downloads em rajada bloqueados	ver `gpt-imagem-playwright`
"Muitas requisições em pouco tempo"	cada clique em Enviar é requisição	ver `hub-video-playwright`
Clipe gerado da imagem reprovada	regerou a imagem mas não redistribuiu às cenas	`valida_img.sh` por hash antes de cada envio
Imagem baixada é miniatura (416x681)	filtro de download frouxo	valide dimensão com `ffprobe`; tamanho fora da média dos irmãos = lixo
Cena sem imagem descoberta só na hora de gerar	distribuição rodou antes de a imagem existir	cobertura cena a cena, não contagem total
Objeto flutuando apesar do bloco anti-morphing	prompt descreve o prop em lugar diferente da imagem	imagem aprovada é a fonte da verdade; adapte o prompt a ela
Lote reporta sucesso com item faltando	falha de envio no meio não para o loop	reconcilie pedido × disco no fim do lote
Dente prateado/metálico	Veo põe coroa ou capa de metal	bloco de esmalte natural no `CONTINUITY` + negativo de metal
Banguela — dentes somem enquanto fala	Veo apaga dentes no movimento da boca	bloco de dentes no `CONTINUITY` + `NEGATIVE`; amostre a boca em 5 tempos
Personagem TROCADA numa cena	`DIALOGUE` (fala em quadro) usado em imagem sem rosto — o modelo inventa a pessoa	declare narração explícita + `no new character`, ou reenquadre com rosto
Voz muda no meio do criativo	cena de b-roll sem rosto em quadro	Toda cena falada mostra o rosto; b-roll é mudo — ver "Cena SEM ROSTO sorteia outra voz"
Prop pequeno duplicado (2 papéis, 2 moedas)	prompt não disse QUANTOS existem	`exactly ONE ... stays inside the bowl` + negativo de duplicação — item 9 da FASE 4
Papel/tela reescrito com a fala	`ACTION` dizia que ela lê em voz alta	Trave a superfície como prop fixo no `CONTINUITY` + `NEGATIVE` — ver item 8 da FASE 4
Respiração e pausas sobrando no final	montagem conservou cauda inútil	corte por palavra + gesto (FASE 7); sem key, revise candidatos do `tight.py`, preservando pausas úteis
Tempos de corte truncados/vazios da 2ª cena em diante	`ffmpeg` comeu o stdin do `while read`	`ffmpeg -nostdin`
Cloudflare travando	Chromium empacotado	skill `browser-cloudflare`; `~/.claude/bin/browsers.sh status`
Sessão errada / conta trocada	Faltou `--session`	Passe sempre

Skills-filhas — invoque, não reescreva

Esta skill é o orquestrador. A mecânica de browser vive nas duas skills abaixo, e elas são a única fonte de verdade sobre seletores e operação. Copiar comando delas para cá cria segunda verdade — foi assim que a antiga grok-video-hub-playwright ficou dizendo que o motor padrão era o Grok enquanto o fluxo real já era Veo 3.1.

Skill	Cobre	Invocada na
`gpt-imagem-playwright`	imagem no ChatGPT: lane, chat novo, anexo, envio, download, validação do arquivo	FASE 3
`hub-video-playwright`	vídeo no NinjaBR Hub: motor Veo 3.1 Quality, 9:16, envio, gates, cota, download	FASE 5
`narracao-hub-tts`	narração off em WAV pelo NinjaVoice: escolha de voz por nicho, lote cena a cena, mixagem com trilha	Modo E

Se um seletor mudar, corrija na skill-filha. Nunca aqui.

Referências

scripts/browsers.sh — sobe e conecta os dois browsers persistentes
references/caso-numero-mestre.md — caso real completo (projeto NUMERO-MESTRE, Modo B): oferta, escolha do body, corte, os 3 hooks, erros cometidos e comandos usados
Skill browser-cloudflare — detalhe de por que o Chromium do sistema
Skills remotion-create, remotion-captions, remotion-render — montagem final e legenda canônica
Skill video-use (~/Developer/video-use) — transcript Scribe por palavra, EDL, corte/concat com fade (FASE 7)
Skills hyperframes-*, embedded-captions, captions-overlay, talking-head-recut, cut-the-curve — motion, legenda animada, cards e costuras
references/SKILL-ffmpeg-OLD-2026-09-23.md — SKILL.md como era antes da revisão da stack de edição (tudo em ffmpeg + whisper)

在你喜欢的 AI 中提问

文档