--- name: ler-video-local description: Lê um arquivo de vídeo do próprio computador (mp4, mov, mkv, webm) transformando-o em quadros JPEG e transcrição da fala com carimbo de tempo, tudo offline. Use quando o pedido mencionar um vídeo, uma gravação de tela, um mp4 no desktop ou nos downloads, ou quando alguém disser "assista esse vídeo", "veja o que eu falei aqui", "transcreve essa gravação". Instala o que faltar (ffmpeg e faster-whisper) sem tocar no sistema. license: MIT allowed-tools: Bash, Read, Glob --- # 🎬 Ler vídeo local Você não assiste vídeo. Ninguém aqui assiste. A entrada visual é imagem — JPEG, PNG, GIF, WebP — e um `.mp4` bate na porta, olha pra dentro e vai embora. Esta skill é a ponte: o vídeo vira uma série de quadros que você lê nativamente, mais um texto da fala com o horário em cada trecho. Assim "o que ele disse em 04:12" e "o que estava na tela em 04:12" viram a mesma pergunta, que é o ponto inteiro do exercício. 🔌 Roda tudo na máquina. Nenhum byte sai daqui, ninguém cobra por minuto, e o vídeo da reunião não vai parar em servidor nenhum. ## 1️⃣ Achar o arquivo e medir Não pergunte o caminho se der pra descobrir sozinho. Gravação de tela tem hábitos, e o hábito dela é cair no desktop ou em downloads com a data no nome: ```bash ls -lat ~/Desktop ~/Downloads 2>/dev/null | grep -iE "\.(mp4|mov|mkv|webm)$" | head ``` ⏱️ Meça a duração antes de qualquer outra coisa. Ela manda no resto do plano: passando de 10 minutos, a transcrição vira uma caminhada de vários minutos de CPU e **tem que ir para segundo plano**. Rodar isso em primeiro plano é como esperar o café olhando pra cafeteira. ## 2️⃣ Instalar o que falta Duas dependências, as duas por `pip`, nenhuma pedindo senha de administrador: ```bash python -m pip install --quiet imageio-ffmpeg faster-whisper ``` 📦 O `imageio-ffmpeg` traz um ffmpeg estático dentro do próprio pacote — se já houver ffmpeg no PATH, o script prefere esse e ignora o carona. Na primeira transcrição o modelo é baixado (~1,5 GB do `large-v3-turbo`) e fica em cache; da segunda vez em diante ele já está lá, esperando. Ambiente gerido por `uv`? `uv pip install` faz o mesmo serviço. ## 3️⃣ Quadros primeiro, transcrição ao fundo Esta ordem não é frescura. Os quadros saem em segundos, a transcrição leva minutos. Dispare a transcrição em segundo plano e vá lendo os quadros enquanto ela trabalha. ```bash # ⚡ rápido: devolve os JPEG e o índice arquivo -> instante python ler_video.py "CAMINHO/DO/VIDEO.mp4" --intervalo 20 --frames-apenas # 🐌 lento: escreve transcricao.txt linha a linha, dá pra acompanhar com tail python ler_video.py "CAMINHO/DO/VIDEO.mp4" --transcrever-apenas ``` O segundo comando vai para segundo plano (no Claude Code, `run_in_background`). Enquanto ele mói o áudio, leia os quadros com a ferramenta de leitura de arquivo — JPEG entra direto, sem cerimônia. 📐 Intervalo por duração: **20s** para gravação longa (16 minutos dão 50 quadros, que é o limite razoável antes de o contexto começar a reclamar) e **5s** para vídeo de até 3 minutos. 🧭 Gravação de navegador? Acrescente `--tira-urls`. O script recorta a barra de endereço de todos os quadros e empilha numa imagem só: uma leitura, e você tem o roteiro inteiro da navegação. Confira o resultado — se o recorte pegar o lugar errado a tira sai ilegível, e aí não insista, leia os quadros normalmente. 🗒️ Passe o jargão do projeto em `--vocabulario`. Sigla, nome próprio e termo interno só saem escritos direito se estiverem nessa lista. Sem ela, o modelo escreve o que acha que ouviu, com toda a confiança do mundo. ## 4️⃣ Ler os dois juntos, e desconfiar do texto 📝 A transcrição é matéria-prima, não ata de reunião assinada. Numa gravação de 16 minutos que passou por aqui, 19 das 183 linhas registraram apenas "Beleza." A fala tinha conteúdo. O modelo é que estava de acordo com tudo. Antes de executar qualquer coisa que a transcrição mandar: - 🖼️ Confira cada pedido contra o quadro do mesmo instante. É o quadro que diz qual botão estava sob o cursor quando ele falou "tira esse aqui". - ⚖️ Texto e imagem discordaram? A imagem ganha. - ❓ Trecho ininteligível e importante? Diga qual minuto e pergunte. Adivinhar pedido de interface é como adivinhar senha: tecnicamente possível, socialmente caro. Ao final, escreva o inventário do que foi pedido com o minuto ao lado de cada item, e confirme antes de encostar no código. ## 🩹 Ajustes que já custaram tempo Estão embutidos no script. Você só precisa mexer se trocar de caminho — e cada um deles é cicatriz de alguém. - **`condition_on_previous_text=False`.** O padrão da biblioteca é `True`, e com ele o modelo se ancora no que já escreveu e entra em loop, repetindo a mesma linha por minutos a fio, muito convicto. Custou dez minutos de CPU antes de alguém notar. - **`large-v3-turbo`, nunca `small`.** O `small` é bem mais rápido e inventa português: frases que não existem na fala, com cara de frase correta. É o pior tipo de erro, o que não parece erro. - **`int8` na CPU.** Sem GPU, é o que torna o `large-v3-turbo` viável — cerca de duas vezes o tempo real, ou seja, 16 minutos de vídeo em uns 8 minutos de máquina. - **WAV mono 16 kHz.** É o que o Whisper quer. Entregar outro formato só faz a biblioteca reamostrar por dentro, de mau humor. ## 🚧 Quando esta skill é a escolha errada Ela lê pixel e fala. Só. Se o vídeo for de um defeito em página web, uma ferramenta de bug report que capture console, requisições de rede e eventos de clique vai entregar o que nenhum quadro contém: o status da requisição que falhou, o seletor do elemento clicado, o horário de cada evento. Diga isso a quem pediu, em vez de reconstruir por adivinhação a partir de uma imagem de alguém clicando com cara de decepção. ✅ Aqui você ganha em outra moeda: sem limite de duração, sem upload, e o áudio em português continua em português.