Revisão do processo de edição — 14/10/2026

Escrito a pedido dele, depois de os 6 reels da Dani serem reprovados por inteiro e de ele dizer: "estou tendo muito problema com sua edição de vídeo, vc n segue as alterações que passo" e "o problema não é só cor, mas a própria edição, cortar silêncios, cortar pessoas falando de fundo, fazer os cortes direitos sem cortar palavras q estão sendo ditas, tudo isso que eu já venho reclamando".

Este documento tem três partes: o que eu errei (com a evidência da sessão), o que a pesquisa achou (testado, não listado) e o processo novo.

PARTE 1 — O que eu errei

Não é um erro, é um padrão. Os seis reels foram reprovados por nove motivos, e oito deles têm a mesma origem.

O padrão: eu meço o que é fácil e invento o que é difícil

Oito dos nove são a mesma coisa: existia uma medida possível e eu escolhi um número. Isso já está escrito no CLAUDE.md desde 12/08 — "eu troco o que ele julga por um número que eu consigo calcular" — e eu repeti assim mesmo.

O segundo erro: validei tarde

Renderizei seis reels completos antes de mostrar qualquer coisa. Cada rodada de ajuste custou de 8 a 15 minutos de render. Para descobrir que a legenda estava no corpo errado eu não precisava de um mp4 — precisava de um frame.

Contagem desta sessão: 9 rodadas de render completo, quase todas para ajustar um parâmetro que um frame teria respondido.

O terceiro erro: a decupagem foi feita no escuro

É o que ele mais reclama, e é onde eu tinha menos instrumento.

• Usei o transcrever.py com vad_filter=True, contra a regra escrita da casa. O VAD pendurou 4,3s de silêncio dentro da palavra "vida" e escondeu uma leitura inteira ("sem burocracia" virou "sem confusão").
• Troquei pelo MLX sem VAD. Ele alucinou — "seu colégio" 27 vezes no take 894, "이" 20 vezes no 897 — e eu refinei bordas de corte em cima de timestamps inventados.
• Em nenhum momento tive uma medida de quem está falando. A direção fala dentro dos takes ("fala de novo", "não encosta, tá?", "pode ser") e a única defesa que eu tinha era ler a transcrição e cortar na mão.

PARTE 2 — O que a pesquisa achou (testado, não listado)

Instalei e rodei cada ferramenta no material real da Dani. O que não passou no teste está marcado como reprovado — vale tanto quanto o que passou.

✅ WhisperX — alinhamento forçado (resolve o problema nº 1)

github.com/m-bain/whisperX · BSD-4

Transcreve com faster-whisper e depois alinha cada palavra com um modelo wav2vec2. A borda da palavra deixa de ser um palpite do Whisper e passa a ser o resultado de um alinhamento acústico. É exatamente o remédio para "cortar sem cortar palavras q estão sendo ditas".

Traz também diarização (pyannote) — rotula quem fala em cada trecho. É o remédio para "pessoas falando de fundo": a direção vira um locutor diferente e sai do corte por medida, não por eu ler a transcrição e decidir.

Testado no take 894, o que me custou duas rodadas de retrabalho:

Isso é a prova: o defeito que me obrigou a transcrever trechos isolados na mão, um a um, o alinhamento forçado resolve na origem.

⚠️ O custo, medido no mesmo teste: neste Mac, em CPU, o take de 2min35 levou 169s de transcrição + 843s de alinhamento — cerca de 17 minutos para um take, mais de uma hora para os nove da Dani. Isso não derruba a ferramenta, mas define onde ela entra: alinhamento forçado não é para varrer o material inteiro, é para os blocos onde a borda do corte importa. A varredura segue no faster-whisper rápido; o alinhamento roda só nos trechos escolhidos.

✅ auto-editor — corte de silêncio com saída pro editor

auto-editor.com · testado no take 894

Achou os trechos silenciosos e exportou .xml do Premiere e .fcpxml do Resolve. Isso muda a entrega: em vez de você receber um mp4 fechado que só dá pra aprovar ou reprovar, você recebe a timeline decupada pra abrir e ajustar.

⚠️ Ele corta silêncio e só. Não sabe quem fala nem qual leitura é a boa — essas duas continuam sendo decisão, e é por isso que ele entra como primeira camada, não como solução.

✅ PySceneDetect — mede o ritmo da referência

Rodado nas 6 refs: plano mediano de 1,50 a 4,83s. ⚠️ Mas essa régua não vale para estes vídeos: as refs são b-roll puro e ele confirmou que "esses vídeos em si não precisam de brolls". Fica registrado para quando houver b-roll.

❌ color-matcher — REPROVADO no teste

github.com/hahnec/color-matcher · testado e descartado

Transfere a cor de uma imagem de referência para outra (reinhard, mkl, mvgd, hm). Parecia a resposta para a cor. Não é. Ele copia a cor da cena da referência, não o look: a ref é ela de vermelho num átrio de vidro, o take é ela de branco num sofá — o reinhard deixou a pele acinzentada e o hm-mvgd-hm deixou verde e laranja. A calibração por ponto branco, na mão, ficou melhor. Fica a lição: ferramenta open-source não entra por ser open-source, entra por passar no teste.

❌ PyonFX — não instala neste Mac

Biblioteca de efeitos ASS. Depende de pycairo, que precisa do cairo nativo, e este Mac não tem Homebrew. A digitação do destaque foi feita em ASS puro e funciona — não precisa dela.

🔴 video-use — o achado principal

github.com/browser-use/video-use · MIT · clonado e lido

Uma skill de Claude Code para editar vídeo, aberta, feita pelo time do browser-use. Não é uma biblioteca: é o processo inteiro, e as regras duras dele são, uma por uma, as lições que eu aprendi apanhando nesta sessão. Três delas eu ainda estava fazendo errado:

E a ferramenta que me faltava: timeline_view.py — dado um vídeo e um intervalo, gera uma tira de frames com a forma de onda embaixo, as palavras rotuladas e os silêncios sombreados. É isso que permite olhar uma emenda em vez de adivinhar. É o oposto do que eu vinha fazendo: renderizar o filme inteiro para descobrir que um parâmetro estava errado.

⚠️ Ele transcreve via ElevenLabs Scribe (pago, por API). O fork freecut troca por Whisper local. Aqui a troca natural é WhisperX, que já está instalado e dá alinhamento forçado + diarização sem sair da máquina.

📋 Avaliado, não testado ainda

PARTE 3 — O processo novo

3.1 🔴 A regra que faltava

Se dá para medir, mede. Se não dá para medir, pergunta. Nunca escolhe.

Já existe no CLAUDE.md em três formas diferentes e eu violei as três. A diferença agora é que ela vira checklist executável, não lembrete.

3.2 O portão de referência — antes de montar, não depois

Nenhum frame é renderizado antes de a referência estar medida por inteiro, numa tabela, com o número e de onde saiu:

Sem essa tabela preenchida, a montagem não começa. Foi a falta dela que gerou sete dos nove pontos de reprovação.

3.3 O portão de amostra — 10 segundos antes do lote

A pesquisa de human-in-the-loop diz a mesma coisa que o bom senso: o checkpoint vale no último momento barato, antes de o esforço se multiplicar.

Regra nova: nunca mais seis reels de uma vez. Um trecho de ~10s do primeiro, você aprova o estilo, e só então o lote. Se eu tivesse feito isso, a reprovação teria custado 1 render em vez de 12.

3.4 🔴 A decupagem deixa de ser cega — é o centro de tudo

É o que ele mais reclama ("cortar silêncios, cortar pessoas falando de fundo, fazer os cortes direitos sem cortar palavras") e era onde eu tinha menos instrumento. Ordem nova, cada passo com uma medida:

1. WhisperX transcreve e alinha palavra a palavra (wav2vec2). A borda deixa de ser palpite do Whisper. Medido: a palavra que o VAD esticava por 4,30s passa a medir 0,28s.
2. Diarização separa a voz dela da voz da direção. Tudo que não é ela sai por medida, não porque eu li a transcrição e achei que era o Luan falando.
3. Repetições agrupadas — e eu NÃO escolho sozinho. Quando a mesma frase aparece 2, 3, 4 vezes, monto a lista com cada tentativa e o tempo dela, e você escolhe. É o que as ferramentas do mercado fazem (FireCut lista e deixa o editor escolher), e é exatamente a decisão que eu vinha tomando no escuro — e errando.
4. A borda do corte, com as réguas do video-use somadas às nossas:
5. cai sempre em fronteira de palavra do alinhamento forçado, nunca no meio
6. pad de 30–200 ms em cada ponta (o ASR deriva 50–100 ms; os nossos 120/150 ms ficam na faixa)
7. alvo preferencial: silêncio ≥ 400 ms. Entre 150 e 400 ms só com conferência visual. Abaixo de 150 ms é inseguro — era a minha régua de 250 ms sem conferência
8. fade de 30 ms em TODA emenda, não só nas apertadas. É o que elimina o pop do corte
9. Conferir a emenda OLHANDO, com timeline_view no arquivo renderizado, janela de ±1,5s em cada corte: frames em cima, forma de onda embaixo, palavras rotuladas. Testado e funciona.
10. Conferência de texto no áudio montado, antes de o vídeo existir.

3.5 Um crítico antes de você ver

Para qualquer peça que vai ser publicada, um sub-agente recebe o arquivo pronto, o plano de corte e as suas referências, com a instrução de procurar defeito, não elogiar: veredito, problemas ranqueados com timecode e evidência, e as cinco correções mais urgentes. Olho novo pega o que o autor parou de enxergar — foi o que faltou nos seis reels.

3.6 A entrega muda de forma

Hoje eu entrego um mp4 fechado: você só pode aprovar ou reprovar inteiro. Com o auto-editor exportando .fcpxml, posso te entregar a timeline decupada pro Resolve — você abre, mexe no que quiser, e o que eu errei você conserta em 30 segundos em vez de me devolver pra outra rodada.

3.7 Validar em frame, não em render

Nenhum parâmetro visual se ajusta renderizando o vídeo inteiro. Frame único para cor, legenda, posição e tipografia; trecho de 10s para ritmo e som. O render completo é só o último passo.

3.8 O que vira arquivo

O que eu preciso de você

1. A ordem das rodadas. Prefere receber a amostra de 10s, ou a timeline no Resolve pra mexer você mesmo?
2. As repetições. Quando ela grava a mesma frase 4 vezes, você quer escolher qual entra, ou quer que eu escolha e te diga o critério?
3. A régua da legenda. A medida da ref dá 40px (2,1% da altura). A prática de tráfego pago pede legenda grande e de alto contraste, porque o feed roda mudo. São conflitantes — e a referência é sua, então a palavra é sua.