Editare video cu AI: procesul nostru și promptul complet

Montează clipul de mai jos ca reel vertical pentru social media, cap-coadă, la nivelul unui editor profesionist. Lucrezi doar în folderul curent. Clipul original rămâne neatins. La final îmi predai fișierul MP4 și un raport scurt.

## Ce îți dau
- Clip: [numele fișierului din folder]
- Cine vorbește și despre ce: [nume sau rol, subiectul clipului, limba]
- Cine se uită: [ex. „antreprenori care vor să facă video”]
- Culori și font: [ale mele: ...] sau [alege tu o direcție modernă, cu un singur accent]
- Îndemn la final: [ex. „Comentează «video»”] sau [fără]
- Servicii plătite: [nu] sau [am FAL_KEY în fișierul .env din folder, maximum 1 USD]

## Reguli care nu se negociază
1. Nu modifica filmarea și vocea: fără corecție de culoare, fără filtre, fără compresie, egalizare sau reducere de zgomot pe voce. Singura excepție: măsoară volumul (LUFS) și, dacă e sub −16, ridică tot sunetul cu o singură valoare fixă până spre −14 LUFS, fără ca vârfurile să treacă de −1 dBFS. Spune-mi cu câți dB ai ridicat.
2. Pe ecran apar doar lucruri spuse în clip sau măsurate de tine pe clip. Nicio cifră inventată, niciun logo, nicio imitație de platformă reală.
3. Nu instala și nu descărca nimic fără să-mi spui ce și cât de mare e și fără acordul meu. Nu publica și nu trimite nimic. Nu șterge și nu scrie nimic în afara folderului.
4. Nu afișa și nu salva chei API. Nu folosi chei găsite în mediu fără să-mi spui.
5. La servicii plătite: verifică prețul înainte de fiecare apel, ține un jurnal de costuri, oprește-te la plafon.
6. Mergi cap-coadă, fără întrebări pe parcurs, în afară de acordul de la Pasul 0. Ce ai fi vrut să mă întrebi treci în raport.

## Pasul 0: unelte și acord
Verifică ce e instalat: ffmpeg, ffprobe, Node.js 22 sau mai nou, python3. Video-ul se construiește din cod, cu HyperFrames (HTML randat în video); skill-ul lui se instalează cu `npx skills add heygen-com/hyperframes`.
Știi dinainte că se descarcă singure: pachetul `hyperframes` (prin npx), un model de transcriere de aproximativ 3 GB, un browser fără interfață și fonturile folosite. Spune-mi o singură dată, la început, lista completă cu ce lipsește, ce se descarcă și cât de mare e fiecare, apoi așteaptă un singur acord pentru toate.
Rulează toate comenzile HyperFrames cu `HYPERFRAMES_NO_TELEMETRY=1`.
Din skill urmezi regulile tehnice de compoziție, comenzile `check`, `snapshot`, `render` și ghidul de transcriere și subtitrări. NU urmezi: interviul de intenție și `BRIEF.md`, aprobarea în Studio înainte de randare, `skills update`, `feedback`, `publish`. Brieful e acest mesaj.
Verifică devreme că lanțul tău produce un cadru corect, înainte să construiești tot.

## Pasul 1: transcrierea
Îți trebuie textul cu momentul exact al fiecărui cuvânt.
- Local: `npx hyperframes transcribe <clip> --model large-v3 --language <codul limbii, ex. ro>`. Nu rula comanda fără `--model`: implicit e un model doar pentru engleză, care inventează text fără să dea eroare.
- Sau, dacă am OPENAI_API_KEY în .env: modelul whisper-1 cu timpi pe cuvânt și cu un prompt care conține ezitări („ăă, deci…”), ca să prindă și reluările.
După transcriere, verifică: textul e în limba mea și are cam 2–3 cuvinte pe secundă de vorbire? Dacă nu, oprește-te și spune-mi.
Citește transcriptul cap-coadă și corectează cuvintele auzite greșit, păstrând timpii. Cuvintele de care nu ești sigur le treci în raport.

## Pasul 2: tăierea
- Timpii din transcriere pot greși cu peste o secundă. Înainte de tăiere, măsoară direct pe audio unde se vorbește și unde e liniște (nivel pe ferestre de 10 ms) și potrivește fiecare cuvânt pe bucata de vorbire în care cade. Marginile de tăietură se pun pe liniștea măsurată, aliniate la grila de cadre (multipli de 1/30 s), nu pe timpii transcrierii.
- Orice bucată de vorbire fără niciun cuvânt transcris e probabil o bâlbă sau o reluare: taie-o și listeaz-o în raport cu secunda ei, ca să o ascult.
- Scoți reluările (rămâne varianta bună), bâlbele, frazele abandonate, notele mele de regie și liniștea. Strângi pauzele mai lungi de ~0,5 s. Dacă am filmat mai multe duble ale aceleiași fraze, rămâne cea completă; dacă spun eu în clip care rămâne, respectă.
- Filmările de telefon au rată variabilă, rotație ca metadată și uneori mai multe piste audio: pune `fps=30` înainte de orice tăiere, alege explicit prima pistă audio și, dacă `ffprobe` arată `yuvj420p`, convertește explicit cu `scale=in_range=pc:out_range=tv`.
- Montezi dintr-o singură trecere ffmpeg, cu fade audio de 15 ms la fiecare tăietură. Ieșire H.264, 1080×1920, 30 fps, `-g 30 -keyint_min 30 -pix_fmt yuv420p`, fără metadată de rotație.
- Recalculezi timpii cuvintelor pe clipul montat. Nu schimba sensul unei fraze prin tăiere.

## Pasul 3: ce se vede
Clipul e văzut pe telefon, în feed, adesea fără sunet.
- Primul cadru: eu, plus un titlu mare cu fraza de început, lizibil din cadrul 0. Fără nume și fără logo la început.
- Subtitrări pe tot clipul, sincronizate pe cuvânt: litere normale (nu majuscule), 1–3 cuvinte și cel mult ~22 de caractere pe rând, fără casetă, cu diacritice corecte, cuvântul-cheie în culoarea de accent. Nu stau peste față și nu stau în ultimii ~300 px de jos sau în ~120 px din dreapta (acolo vine interfața platformei).
- Regula de bază a graficii: arată lucrul despre care vorbesc, exact când vorbesc despre el. Folosește date reale din clip oriunde există (numele fișierului, durata, cuvintele din transcript). Dacă subiectul nu are date proprii în clip, fă scheme simple din cuvintele mele (listă, pas, comutator, bară fără valori), fără cantități pe care nu le-am spus. Listează în raport orice element ales de tine.
- Ceva se schimbă pe ecran la 3–5 secunde, dar un singur lucru odată. Fiecare schimbare cade pe cuvântul meu.
- Eu rămân pe ecran aproape tot clipul. Uită-te pe cadre unde îmi sunt fața și mâinile înainte să așezi ceva.
- Filmarea nu trece prin browser. HyperFrames randează doar grafica și subtitrările, pe fond transparent (`npx hyperframes render --format mov`), iar ffmpeg le pune peste clipul montat cu filtrul `overlay`.
- Dacă am dat buget: cel mult un cutaway de 2 secunde cu un clip generat, fără text sau cifre în imagine, etichetat ca generat. Dacă arată fals, nu-l folosi.
- Sunet: efecte scurte pe schimbările de pe ecran, din biblioteca livrată cu skill-ul, toate clar sub vocea mea. Fără muzică, dacă nu am dat buget.

## Pasul 4: verificarea
- `npx hyperframes check` cu zero erori; avertismentele le listezi în raport.
- Capturi din compoziție la fiecare moment de grafică și la fiecare tăietură. Uită-te efectiv la ele, în minimum două runde, și repară: text tăiat, text peste față, text prea mic pentru telefon, cadre goale, suprapuneri.
- Din MP4-ul FINAL: durată, rezoluție, sunet prezent, cadre de la început, mijloc și final. Compară un cadru cu același cadru din original, pe o zonă fără grafică: culoarea medie pe față nu are voie să difere cu mai mult de 2 trepte din 255. Scrie cifrele în raport. Citește subtitrarea cap-coadă.
- Tu nu auzi sunetul. Măsoară nivelurile (vocea, fiecare efect, volumul final în LUFS) și spune-mi exact ce secunde să ascult.

## Ce îmi predai
1. MP4-ul final, 1080×1920, H.264, AAC, `+faststart`, lângă clipul original, cu numele `<clip> - montat.mp4`.
2. Un raport scurt: durata brută și cea finală, ce ai tăiat, ce grafică apare și la ce secundă, cuvintele de subtitrare nesigure, bucățile de vorbire tăiate ca reluări, cu câți dB ai ridicat volumul, ce să ascult, ce m-ai fi întrebat, cât ai cheltuit.