Video Analysis - Ingestão e Transcrição de Vídeo

Diferente de gerar vídeo (skill 27), esta skill entende vídeo que já existe: baixa, extrai o que for necessário (legenda, frames, áudio), e entrega texto/frames que o modelo consegue interpretar diretamente.

Governança Global

Esta skill segue GLOBAL.md, policies/execution.md, policies/handoffs.md, policies/token-efficiency.md, policies/tool-safety.md e policies/evals.md.

Para comandos completos de ffmpeg por estratégia e exemplos de payload de transcrição, consultar docs/skill-guides/video-analysis.md apenas quando necessário.

Quando Usar

• transcrever áudio de um vídeo (aula, reunião gravada, podcast em vídeo)
• baixar vídeo de plataforma pública e extrair legenda/transcript
• responder pergunta sobre conteúdo visual ou falado de um vídeo específico
• resumir um vídeo longo em texto

Quando Nao Usar

• gerar vídeo novo (text-to-video, image-to-video) — isso é skill 27
• edição de pós-produção tradicional (corte, mux, efeitos) — isso é pipeline de mídia, não análise
• baixar conteúdo protegido por DRM ou de plataforma que proíbe download nos termos de uso — ver nota de ToS abaixo

Setup de Dependências

ffmpeg e yt-dlp são binários de sistema (não pacotes Node) — rodar node scripts/setup-video-analysis.mjs uma vez detecta o que falta e tenta instalar automaticamente via o gerenciador de pacote já disponível na máquina (winget/choco/scoop no Windows, brew no macOS, apt/dnf no Linux; pip para yt-dlp e faster-whisper em qualquer SO). Se não conseguir instalar sozinho, o script imprime o comando manual exato. Rodar --check-only só verifica, sem tentar instalar nada.

Entradas Esperadas

• URL de vídeo público (YouTube, Vimeo, etc.) ou caminho de arquivo local
• pergunta específica sobre o conteúdo, se houver (senão, resumo geral)
• preferência de transcrição (local/offline por padrão, hosted só se pedido)

Saidas Esperadas

• transcript com timestamps (start, end, text por segmento)
• ou frames extraídos + descrição, quando a pergunta é visual
• resumo estruturado quando pedido

O Fluxo (3 passos, na ordem)

1. Baixar + tentar legenda nativa primeiro — yt-dlp baixa o vídeo e verifica se a plataforma já tem legenda/caption. Se tiver, pula direto pro texto sem gastar tempo com áudio.
2. Extrair frames, só se a pergunta for visual — três estratégias por custo de token: keyframe (só cortes de cena, até 50 frames, mais barato), scene-aware (detecção de mudança de cena + fallback uniforme, até 100 frames), uniform (amostragem regular, sem cap, mais caro). ~80 frames a 512px de largura ≈ 50-80k tokens de imagem — decidir a estratégia baseado no orçamento de contexto disponível.
3. Transcrever áudio, só se não há legenda — ver seção abaixo. Pré-processar o áudio pra mono/16kHz antes de transcrever (reduz tempo de processamento sem perder qualidade de transcrição).

Checkpoint por passo: ler o resultado antes de avançar — legenda "encontrada" que na verdade é auto-gerada de baixa qualidade (erros óbvios de reconhecimento) conta como "não tem legenda boa", cair pro passo 3. Frame extraído borrado/preto (falha do yt-dlp) volta pro passo 1 com outra estratégia de download antes de gastar tokens analisando frame ruim.

Transcrição — local por padrão, hosted como override

Opção	Custo	Privacidade	Velocidade
Local (faster-whisper) — default	$0	áudio nunca sai da máquina	mais lento em CPU, ok em GPU
Hosted (Groq whisper-large-v3) — override	~$0.01-0.02/hora de áudio	áudio enviado a terceiro	rápido
Hosted (OpenAI whisper-1) — fallback do override	mais caro que Groq	áudio enviado a terceiro	rápido

Usar local sempre que possível — é gratuito e não depende de rede. Só trocar pra hosted quando o usuário pedir explicitamente velocidade acima de custo/privacidade (ex: vídeo muito longo, urgência).

Chave de API (só se usar hosted): GROQ_API_KEY (preferencial) com fallback pra OPENAI_API_KEY, resolvidas via env — mesma convenção de FAL_AI_API_KEY na skill 17. Sem chave configurada, usar local automaticamente em vez de falhar.

Regra Default (aplica automaticamente)

Sem pedido explícito do usuário, a skill usa: transcrição local, extração de frame em modo scene-aware (equilíbrio custo/cobertura), e tenta legenda nativa antes de qualquer processamento de áudio ou vídeo.

Nota de ToS

Baixar vídeo de plataformas de terceiros pode violar os termos de uso do serviço, dependendo do conteúdo e da finalidade. Confirmar com o usuário que ele tem direito de baixar/processar o vídeo antes de prosseguir — não assumir que todo vídeo público é livre para download.

Anti-Rationalization

Racionalização	Realidade
"É só pegar a legenda automática do YouTube"	Legenda automática erra nome próprio e termo técnico — avisar o usuário quando a fonte é auto-gerada, não humana
"Hosted é sempre melhor, é mais rápido"	Hosted manda o áudio pra fora — usar só quando o usuário aceitar esse trade-off explicitamente
"Extrair todos os frames pra garantir cobertura"	Uniform sem cap em vídeo longo estoura o orçamento de contexto — escolher a estratégia pelo orçamento disponível

Evidencia de Conclusao

• fonte do vídeo confirmada (URL pública ou arquivo local do usuário)
• estratégia de transcrição/extração escolhida e justificada (local vs hosted, qual modo de frame)
• output entregue no formato que a pergunta do usuário pede (transcript, frames, ou resumo)

Handoff

• Prompt Engineer (26): se o resumo/transcript alimentar outro prompt reutilizável
• Video Integration Specialist (27): se o pedido virar geração de vídeo novo em vez de análise do existente

Fontes Externas

• Fluxo de download→legenda-ou-frame→transcrição inspirado em bradautomates/claude-video (MIT) — mecanismo adaptado para transcrição local-por-padrão via faster-whisper, que a fonte não oferece (ela é hosted-only via Groq/OpenAI).