V-GEN: gerador autônomo de telejornais com Google Gemini e FFmpeg

Uma emissora de TV regional enfrentou um grave problema de pessoal: o editor e o operador de câmera pediram demissão. Para não perder a licença, foi preciso automatizar a transmissão e a produção de conteúdo. No primeiro ano, o administrador de suporte técnico combinou matérias jornalísticas ao vivo com videoapresentações e slide-shows feitos a partir de fontes locais. Mas até mesmo a coleta de informações, seu processamento, a seleção do material visual e a edição final levavam de 20 a 30 minutos por matéria. Era preciso encontrar uma solução.

Arquitetura: sete etapas de automação

O V-GEN combina diversas tecnologias modernas em uma única cadeia de produção.

1. Busca inteligente de notícias Parsers clássicos de RSS quebram facilmente quando o layout do site muda. O V-GEN usa o Google Gemini (modelo gemini-3.8-flash) com Grounding integrado: acesso direto ao índice de busca do Google em tempo real. O sistema escaneia publicações dos últimos 7 a 10 dias filtradas por geografia definida, cruza fatos de veículos regionais, comunicados do Ministério de Situações de Emergência (o equivalente russo da Defesa Civil), posts de administrações municipais e destaca eventos confirmados.

2. Reescrita editorial e engenharia de prompt O prompt usado no V-GEN contém exigências rígidas do formato televisivo:

Extensão: estritamente entre 800 e 1.000 caracteres com espaços (~45 a 60 segundos de leitura). Composição: gancho no primeiro parágrafo, seguido de fatos e detalhes, com o status ou a data do próximo evento no encerramento. Linguagem: fala coloquial, sem expressões burocráticas (termos como "com o objetivo de implementar" são proibidos), sem saudações ("Olá" é inadmissível), números escritos por extenso ("sete de outubro", "trinta milhões de rublos").

A geografia e os filtros abrangem eventos na cidade e no distrito, decisões regionais do governador, inspeções do Ministério de Situações de Emergência, tarifas de serviços públicos. Proibição estrita: objetos perdidos, garagens, anúncios particulares.

As áreas temáticas incluem incidentes e segurança (Ministério de Situações de Emergência, trânsito, tribunais), serviços públicos e ambiente urbano (aquecimento, estradas, urbanização), área social (hospitais, escolas), cultura, esporte e programação.

3. Síntese de voz: Google Gemini TTS A narração é feita com a voz Callirrhoe — um padrão de apresentador de TV profissional: enérgica, calorosa, sem pausas mecânicas. Vozes alternativas disponíveis: Puck, Charon, Kore, Fenrir, Aoede, Leda, Orpheus, Zephyr. O sistema está protegido contra prompt injection: apenas o texto da notícia já limpo, sem instruções, é enviado ao TTS. O fluxo de áudio é normalizado conforme padrões de transmissão: 48 kHz, 16-bit stereo.

4. Sequência visual: Smart UNCROP e Ken Burns O algoritmo Smart UNCROP converte automaticamente qualquer imagem para Full HD 1920×1080. Se a proporção já estiver próxima de 16:9, aplica-se escalonamento e centralização. Se a foto for vertical ou quadrada, cria-se um fundo desfocado (a imagem original é esticada, borrada com desfoque gaussiano de raio 28 pixels e escurecida em 30%), e sobre ele é sobreposta a fotografia original nítida, centralizada.

O efeito Ken Burns é implementado por meio de zoom subpixel: as coordenadas são transmitidas como números de ponto flutuante (float), e o escalonamento é feito com interpolação bilinear. O zoom varia de 1,0 (100%) a 1,15 (115%), os quadros alternam entre aproximação e afastamento, e o último slide obrigatoriamente mostra o afastamento (Zoom Out).

5. Matemática precisa de tempos O áudio do apresentador é o soberano absoluto da cronometragem. Fórmula: Lead-In (1 segundo) + Duração da Voz (medida em subsegundos) + Lead-Out (3 segundos). Se o vídeo contém 7 quadros, cada um dura (tempo total – 4 segundos) / 7. Os vídeos de B-Roll são reproduzidos em loop, enquadrados em 1920×1080 e normalizados (SAR 1:1, 30 fps, yuv420p).

6. Montagem final no FFmpeg O sistema define o nível de volume da música de fundo (−5,4 dB), o Fade Out sincronizado (1,5 segundo de vídeo e áudio), a junção com a vinheta de transmissão do canal e a sobreposição do logotipo com transparência.

O resultado é um arquivo MP4 pronto, com nome em russo ("Reparo das redes de aquecimento em Tutáiev.mp4"), pronto para ir ao ar.