Transcrever — Áudio e Vídeo em Texto

Esta skill transforma uma gravação em texto. Serve para qualquer gravação: reunião com cliente, audiência, depoimento, sustentação oral, áudio de WhatsApp, gravação de consulta ou ligação. O resultado é uma legenda (.srt) e uma transcrição (.md) limpa, com a hora de cada fala entre colchetes ([HH:MM:SS]) e um marcador [?] no lugar do nome de quem fala.

A transcrição roda 100% no seu computador (offline). Nenhum áudio sai da sua máquina — bom para sigilo profissional.

Aviso honesto de tempo: transcrever 1 hora de áudio leva cerca de 15 a 25 minutos de processamento. É normal. O computador fica trabalhando esse tempo.

Ao final, há um passo opcional que identifica quem é cada pessoa nas falas e separa os trechos mais importantes — útil quando você tem o contexto da gravação (uma ata, uma pauta, uma lista de presentes, ou simplesmente sabe quem participou).

Instrução

Considere <arquivo-de-midia> o caminho relativo do áudio ou vídeo informado pelo usuário. Exemplos:

• casos/Silva-vs-Maria/autos/audiencia.webm
• casos/reuniao-cliente-joao/reuniao.m4a
• casos/Silva-vs-Maria/autos/audio-whatsapp.ogg

Se o caminho não tiver sido informado, detecte o arquivo aberto no editor quando essa informação estiver disponível; caso contrário, pergunte ao usuário.

Os caminhos abaixo são todos relativos à raiz do projeto aberta no agente. Substitua <arquivo-de-midia> pelo caminho real, sempre entre aspas.

---

Passo 1 — Verificar o ambiente

Antes de transcrever, confira se as ferramentas necessárias e o modelo de reconhecimento de voz estão instalados:

which whisper-cli ffmpeg
ls ~/.whisper-models/ggml-medium-q5_0.bin 2>/dev/null

Se qualquer uma dessas linhas não encontrar o que procura (saída vazia ou mensagem de "não encontrado"), o ambiente ainda não está pronto. Nesse caso, oriente o usuário a executar a skill preparar-ambiente, que instala tudo automaticamente (as ferramentas e o modelo de voz). Não tente instalar nada aqui; apenas aponte para essa skill e pare.

Se tudo foi encontrado, siga para o Passo 2.

---

Passo 2 — Transcrever

Execute o comando de transcrição com o caminho do arquivo de mídia:

python3 "${CLAUDE_PLUGIN_ROOT:-.}/ferramentas/processamento/transcrever/transcrever.py" "<arquivo-de-midia>"

O que o programa faz, por baixo dos panos:

• Extrai o áudio do arquivo (mesmo de um vídeo) e o prepara para leitura.
• Divide o áudio em blocos de 10 minutos.
• Transcreve cada bloco em português, usando o modelo de voz local.
• Vai salvando a legenda .srt a cada bloco concluído (salvamento incremental).
• Monta a transcrição .md ao final.

Lembre o usuário do tempo: ~15 a 25 minutos por hora de áudio. É hora de tomar um café.

Se o processo for interrompido no meio (computador desligou, você cancelou), basta rodar o mesmo comando de novo: os blocos já transcritos não são refeitos, e a transcrição continua de onde parou.

---

Passo 3 — Conferir as saídas

Os dois arquivos nascem ao lado do arquivo de mídia original, com o mesmo nome:

• <nome-do-arquivo>.srt — legenda com a hora exata de cada trecho.
• <nome-do-arquivo>.md — transcrição em texto, pronta para leitura, no formato:

- **[00:02:15]** `[?]` Boa tarde a todos, vamos dar início à reunião...
- **[00:02:31]** `[?]` Doutor, eu queria entender melhor o prazo...

Cada linha traz a hora da fala ([HH:MM:SS]) e o marcador [?], que é um espaço reservado para o nome ou papel de quem está falando. Abra o .md e confirme que o texto está coerente com o áudio.

Anti-alucinação: a transcrição deve ser fiel ao áudio. Nunca complete, corrija ou invente falas que não foram ditas. Se um trecho ficou inaudível ou incompreensível, deixe como está (o programa pode marcar [inaudível]).

Pronto. Se você só precisava do texto da gravação, pode parar aqui. O Passo 4 é opcional.

---

Passo 4 (OPCIONAL) — Identificar quem fala e destacar o que importa

Este passo só vale a pena quando você tem contexto sobre a gravação: sabe quem são as pessoas, tem uma ata, uma pauta, uma lista de presentes ou a ordem em que as pessoas falaram. Com esse contexto, dá para trocar cada [?] pelo papel real de quem fala e separar as falas mais relevantes.

Se você não tem esse contexto, pode ignorar este passo.

4a — Reunir a referência de contexto

Junte qualquer material que diga quem participou e em que ordem. Pode ser:

• Uma ata (de audiência, de reunião, de assembleia).
• Uma pauta ou roteiro do encontro.
• Uma lista de presentes ou de testemunhas.
• O analise/SUMARIO.md do caso (quem é cliente, parte contrária, advogados).
• Ou simplesmente o que o usuário souber de cabeça sobre quem estava lá.

Extraia dessa referência um elenco simples: quem participou e, se houver, a ordem em que cada pessoa falou. Em audiência, por exemplo, a ordem da ata é a chave mestra: o juiz abre, depois falam advogados, depois as partes, depois as testemunhas na ordem listada.

4b — Trocar cada [?] pelo papel real

Leia a transcrição e, para cada fala, deduza quem está falando comparando o conteúdo com a referência de contexto e com pistas da própria fala. Algumas pistas úteis (adapte ao tipo de gravação):

Pista na fala	Provável interlocutor
"Declaro aberta", "defiro/indefiro", "dou por encerrada"	Juiz (em audiência)
"Excelência", "MM. Juiz", "nobre magistrado"	Advogado se dirigindo ao juízo
"Pergunto se o senhor...", "o senhor confirma que..."	Quem está conduzindo a pergunta
Respostas longas, em 1ª pessoa, narrando um fato	Depoente / pessoa sendo ouvida
"Vamos ao próximo ponto da pauta"	Quem conduz a reunião
Mudança brusca de tema + nova pessoa	Transição — use a ordem do elenco

Substitua o [?] por um rótulo claro. Use o que fizer sentido para o tipo de gravação, por exemplo:

• Audiência: [Juiz], [Adv. Cliente], [Adv. Parte Contrária], [Testemunha – Nome], [Parte Autora – Nome], [Perito], [MP].
• Reunião com cliente: [Advogado], [Cliente – Nome], [Sócio].
• Sustentação oral: [Advogado], [Relator], [Procurador].

Faça a substituição direto no arquivo .md. Exemplo:

- **[00:02:15]** `[?]` Boa tarde a todos, vamos dar início à reunião...
+ **[00:02:15]** `[Advogado]` Boa tarde a todos, vamos dar início à reunião...

Se um trecho ficar ambíguo (você não tem certeza de quem fala), mantenha o [?] e deixe uma nota ao lado em vez de chutar:

- **[00:14:02]** `[?]` ...e foi exatamente isso que combinamos. <!-- AMBÍGUO: Cliente ou Sócio? -->

Continue fiel ao áudio: rotular é só dizer quem falou, nunca mudar o que foi dito.

4c — Extrair as falas mais relevantes

Crie (ou complemente) um resumo das falas que importam juridicamente, usando o timestamp como "endereço" da prova — assim qualquer pessoa consegue voltar ao trecho exato da gravação. Sugestão de local: analise/PROVA_ORAL.md do caso (ou outro arquivo de análise que faça sentido). Não sobrescreva o que já existe; acrescente uma nova seção.

Organize por pessoa e por relevância:

## Gravação de DD/MM/AAAA — [tipo: reunião / audiência / depoimento]

**Fonte:** `caminho/do/arquivo-original` · transcrição em `caminho/da/transcricao.md`

### [Pessoa – Nome / papel]
**Favorável**
- **[00:12:34]** Confirmou que o serviço foi concluído em fevereiro/2024.
  → sustenta a tese de cumprimento do contrato.

**A neutralizar / desfavorável**
- **[00:25:10]** Disse que não foi avisada do prazo.
  → risco; possível contraponto: documento que comprova o aviso.

**Contradições**
- **[00:31:48]** Afirmou "A", mas o documento X diz o contrário.

O que selecionar: fatos controvertidos confirmados ou negados; datas, valores, nomes e locais relevantes; admissões (algo dito contra o próprio interesse de quem fala); contradições com documentos; declarações sobre intenção ou conhecimento.

O que descartar: cumprimentos, "ahn...", pedidos de repetição, ruído de fala.

Anti-alucinação: todo ponto extraído deve ter respaldo direto no áudio. Se você não ouviu, não escreva.

---

Passo 5 — Confirmar ao usuário

Ao terminar, informe de forma objetiva:

• A duração total do áudio transcrito (em minutos).
• O caminho dos arquivos gerados (.srt e .md).
• Se o Passo 4 foi feito: quantos interlocutores foram identificados, quantos trechos ficaram como [?] ambíguos (liste os timestamps) e o caminho do resumo de falas relevantes.
• Próximos passos sugeridos, conforme o caso: rotular os [?] (se ainda não feito), usar a skill diagnosticar para revisar a tese à luz do que foi dito, ou usar a skill redigir-peca para empregar os trechos como prova.