locucao

Imported from 4nrry/agent-plugins (plugins/media-agent/skills/locucao/SKILL.md). Install upstream with npx skills add 4nrry/agent-plugins --skill locucao. Copyright stays with the author.

Locucao para video

Tres coisas quebram em silencio: o volume, a pronuncia e a licenca. Nenhuma levanta erro; todas aparecem so na entrega.

1. Uma frase por arquivo, e um JSON que manda em tudo

Gere cada frase como um arquivo (s1.wav, s2.wav, ...) e mantenha um JSON com o que a legenda mostra, o que o TTS deve falar e quanto durou:

[{"id": "s1", "text": "E cada laudo custa ate vinte mil reais.",
  "say":  "E cada laudo custa ate vinte mil reais.",
  "duration": 6.87, "start": 0.9}]

• text e a legenda. say e o que vai para o TTS. Sao campos diferentes porque sigla e nome proprio se escrevem de um jeito e se falam de outro: CETESB se le "Cetesbi", SmartCompost se le "Smart Compost". Numero por extenso no say evita "24h" virar "vinte e quatro agá".
• duration vem do arquivo gerado (ffprobe), nunca de estimativa. A legenda e a trilha com ducking derivam dele; regravar uma frase e trocar um numero.
• Legenda a partir desse JSON e deterministica e tem zero erro de transcricao. Whisper so entra para transcrever audio que nao foi voce quem gerou.

2. Volume: TTS local sai baixo e a trilha come

Pocket, Kokoro, Qwen3-TTS e Chatterbox entregam entre -24 e -30 LUFS. Uma trilha a -20 por cima e a voz some, e ninguem ve erro porque o mix "toca". Normalize cada frase a -16 LUFS (pico -1.5 dBTP) antes de montar, e o video final de novo:

"${CLAUDE_PLUGIN_ROOT}/skills/locucao/scripts/vo-normalize.sh" -o vo-norm -j vo-durations.json vo/*.wav
ffmpeg -i final.raw.mp4 -c:v copy -af loudnorm=I=-16:TP=-1.5:LRA=11 -c:a aac -b:a 192k final.mp4

O script mede em duas passadas (loudnorm com measured_*) e depois confere: voz tem crest factor alto, e o teto de true peak faz o loudnorm entregar 1 a 2 LU abaixo do alvo em frase curta — medido: -17,3 LUFS pedindo -16, tanto em uma passada quanto em duas. A terceira passada aplica o ganho que faltou com alimiter no mesmo teto; com ela as frases chegaram a -16,1..-16,4. Ducking da trilha sob a voz: 0.5 → 0.16 com rampa de ~0.35 s funcionou; menos que isso a musica compete, mais que isso o corte fica audivel.

3. Qual TTS, e o que cada um esconde

ElevenLabs, o que a pagina de precos nao deixa obvio:

• Free e nao comercial. Video de empresa exige Starter ou acima.
• Voz da biblioteca (Voice Library) via API no Free devolve paid_plan_required.
• output_format=mp3_44100_192 devolve 403 no Starter: 192 kbps e Creator+. Use mp3_44100_128 e converta para wav se o pipeline pede.
• Modelo eleven_multilingual_v2 para pt-BR; o say do JSON e o que vai no text da request.

Ouca as vozes antes de decidir: nesta colecao, quatro TTS locais foram descartados de ouvido por quem fala a lingua, e a metrica de qualidade nao substitui isso.

4. Voz de uma pessoa real

Nao gere voz sintetica falando como uma pessoa real que aparece no video (a professora, o fundador), nem clone a voz dela a partir de audio publico, sem que ela grave ou autorize. Texto na tela na primeira pessoa, com a foto dela, e o que a propria pessoa ja publica no site e funciona: Reels e assistido sem som na maior parte do tempo. Se ela quiser narracao, ela grava; o pipeline desta skill (uma frase por arquivo, -16 LUFS, JSON de duracoes) serve igual.

5. Chaves

Chave de API vem do ambiente, nunca de arquivo no repositorio nem da linha de comando (ps mostra). Um gerenciador de segredos com run (bws, 1Password, sops) injeta so no processo filho. Atencao: bws run junta os argumentos numa string e passa a um shell — prompt com espaco e aspas precisa ser re-citado (printf '%q ') ou vira erro de sintaxe do sh.

O que nao foi verificado

• Que -16 LUFS e o alvo certo para toda plataforma: e o que LinkedIn e Instagram aceitam sem re-normalizar de forma audivel nesta experiencia; nao ha medicao controlada.
• Qualidade de pt-BR dos TTS locais e julgamento de um ouvinte nativo em 2026-09, com os pesos daquela data.