otimizevideo — 30 minutos viram 2, sem o modelo escolher os cortes

O que é

Um cortador de vídeo em que a decisão é auditável

Aula, podcast ou palestra de 20 a 30 minutos entram; sai um output.mp4 de cerca de dois minutos com o melhor conteúdo. Cada fase grava um JSON que dá pra ler, editar e re-renderizar sem gastar nada.

🎯 O modelo pontua, não corta

Ele vê [042] 4.2s talking_head "texto" e devolve uma nota. O tempo vem da transcrição com timestamp por palavra, então a fronteira do corte já é uma fronteira de palavra real — nunca um timestamp inventado.

🔁 Determinístico e barato de refazer

A escolha (mochila por nota, cota por tópico, âncoras de gancho e fecho, coesão) é código. Mesmo notas.json, mesmo plan.json. Editar o plano à mão e re-renderizar custa zero chamada de modelo.

🔌 Provedor trocável por fase

Transcrição no Groq ou Whisper local; pontuação no GLM, Gemini, Ollama ou no próprio Claude Code; TTS no inemavox ou ElevenLabs; imagem no flux-2-klein. Uma linha no config.yaml ou uma flag.

Como funciona

Nove fases, um JSON entre cada uma

Cada fase lê o artefato da anterior e grava o seu. Rodar uma fase de novo não refaz as outras — e o que já existe é reaproveitado, a menos que você peça --forcar.

ingest→ transcrever→ cenas→ classificar→ unidades→ pontuar→ selecionar→ narrar→ render

Modo A — condensado

O padrão. Mantém o apresentador e corta só o que rende. Variante A+ (--substituir gerado) troca os trechos de apresentador por ilustração gerada e preserva o áudio original.

Modo B — sem apresentador

Fica só com slide, demo de tela e gráfico; um roteiro em PT-BR é escrito pelo modelo e narrado por TTS, com o áudio original virando cama a −18 dB.

Modo C — só visual

Mesma seleção do B, sem a camada de narração — para quando o material visual já se explica.

Pré-requisitos

O que precisa estar na máquina

Nada de container nem build. Python 3.12, ffmpeg e as chaves nos .env de sempre.

ffmpeg e ffprobe

Fazem todo o corte, o mix de áudio e a manchete. O render roda dentro de um scope com teto de memória.

# Debian/Ubuntu
sudo apt install ffmpeg

Dependências Python

yt-dlp para baixar, PySceneDetect para achar os cortes, mediapipe e OpenCV para detectar rosto.

# na raiz do projeto
pip install -r requirements.txt

Chaves de API

Lidas em runtime de ~/projetos/openpcbotv2/.env e ~/projetos/wifi/.env. Nenhuma chave é copiada para o projeto.

# o que é usado
GROQ_API_KEY
OPENROUTER_API_KEY
FAL_KEY  # só no modo A+

Guia de uso · passo a passo

Do link ao corte de dois minutos

Todos os comandos abaixo são reais e foram rodados na validação ponta a ponta. O <id> é o nome da pasta criada em trabalho/.

Rode o pipeline inteiro

Uma linha faz tudo: baixa, transcreve, detecta cena, pontua, seleciona e renderiza. O resultado é copiado para ~/projetos/output/otimizevideo/<id>/.

python3 otv.py run "https://www.youtube.com/watch?v=..." --modo A --alvo 120

Veja o que foi escolhido

O status lista os artefatos, a manchete e cada segmento com tempo, duração e classificação visual.

python3 otv.py status <id>  # plan: modo A · 136.6s em 18 segmentos

Confira o gasto

Cada fase registra tempo e custo em trabalho/<id>/custos.json. Uma condensação típica sai por centavos de dólar.

python3 otv.py custo <id>  # total US$0.0023

Não gostou de um trecho? Edite o plano

Abra o plan.json, tire ou ajuste um segmento e renderize de novo. Nenhuma chamada de modelo acontece — o corte manual é de graça.

$EDITOR trabalho/<id>/plan.json
python3 otv.py render <id>

Troque o provedor de uma fase só

As fases são independentes: re-pontuar com outro modelo não refaz a transcrição nem o download.

python3 otv.py pontuar <id> --provedor gemini --forcar
python3 otv.py selecionar <id> && python3 otv.py render <id>

Modo B — vídeo sem apresentador, com narração

Fica só com slide, demo e gráfico. Precisa da classificação visual por modelo, então passe --visual.

python3 otv.py run "<url>" --modo B --visual glm  # roteiro.md + narracao/*.wav

Modo A+ — apresentador vira ilustração

Cada trecho com rosto é trocado por uma imagem gerada com Ken Burns lento. O áudio segue sendo o original, então a fala não muda.

python3 otv.py run "<url>" --modo A --visual glm --substituir gerado

30 minutos viram 2 — e o modelo nunca escolhe onde cortar