Delete app.5.5.py

app.5.5.py

@@ -1,636 +0,0 @@
-# Euia-AducSdr: Uma implementação aberta e funcional da arquitetura ADUC-SDR para geração de vídeo coerente.
-# Copyright (C) 4 de Agosto de 2025  Carlos Rodrigues dos Santos
-#
-# Contato:
-# Carlos Rodrigues dos Santos
-# [email protected]
-# Rua Eduardo Carlos Pereira, 4125, B1 Ap32, Curitiba, PR, Brazil, CEP 8102025
-#
-# Repositórios e Projetos Relacionados:
-# GitHub: https://github.com/carlex22/Aduc-sdr
-# Hugging Face: https://huggingface.co/spaces/Carlexx/Ltx-SuperTime-60Secondos/
-# Hugging Face: https://huggingface.co/spaces/Carlexxx/Novinho/
-#
-# Este programa é software livre: você pode redistribuí-lo e/ou modificá-lo
-# sob os termos da Licença Pública Geral Affero da GNU como publicada pela
-# Free Software Foundation, seja a versão 3 da Licença, ou
-# (a seu critério) qualquer versão posterior.
-#
-# Este programa é distribuído na esperança de que seja útil,
-# mas SEM QUALQUER GARANTIA; sem mesmo a garantia implícita de
-# COMERCIALIZAÇÃO ou ADEQUAÇÃO A UM DETERMINADO FIM. Consulte a
-# Licença Pública Geral Affero da GNU para mais detalhes.
-#
-# Você deve ter recebido uma cópia da Licença Pública Geral Affero da GNU
-# junto com este programa. Se não, veja <https://www.gnu.org/licenses/>.
-
-# --- app.py (NOVINHO-5.2-DOCS: Otimização de Memória + Documentação Completa) ---
-
-# --- Ato 1: A Convocação da Orquestra (Importações) ---
-import gradio as gr
-import torch
-import os
-import yaml
-from PIL import Image, ImageOps, ExifTags
-import shutil
-import gc
-import subprocess
-import google.generativeai as genai
-import numpy as np
-import imageio
-from pathlib import Path
-import huggingface_hub
-import json
-import time
-
-from inference import create_ltx_video_pipeline, load_image_to_tensor_with_resize_and_crop, ConditioningItem, calculate_padding
-from dreamo_helpers import dreamo_generator_singleton
-
-# --- Ato 2: A Preparação do Palco (Configurações) ---
-config_file_path = "configs/ltxv-13b-0.9.8-distilled.yaml"
-with open(config_file_path, "r") as file: PIPELINE_CONFIG_YAML = yaml.safe_load(file)
-
-LTX_REPO = "Lightricks/LTX-Video"
-models_dir = "downloaded_models_gradio"
-Path(models_dir).mkdir(parents=True, exist_ok=True)
-WORKSPACE_DIR = "aduc_workspace"
-GEMINI_API_KEY = os.environ.get("GEMINI_API_KEY")
-
-VIDEO_FPS = 24
-VIDEO_DURATION_SECONDS = 8.0
-VIDEO_TOTAL_FRAMES = int(VIDEO_DURATION_SECONDS * VIDEO_FPS)
-TARGET_RESOLUTION = 420
-
-print("Criando pipelines LTX na CPU (estado de repouso)...")
-distilled_model_actual_path = huggingface_hub.hf_hub_download(repo_id=LTX_REPO, filename=PIPELINE_CONFIG_YAML["checkpoint_path"], local_dir=models_dir, local_dir_use_symlinks=False)
-pipeline_instance = create_ltx_video_pipeline(
-    ckpt_path=distilled_model_actual_path,
-    precision=PIPELINE_CONFIG_YAML["precision"],
-    text_encoder_model_name_or_path=PIPELINE_CONFIG_YAML["text_encoder_model_name_or_path"],
-    sampler=PIPELINE_CONFIG_YAML["sampler"],
-    device='cpu'
-)
-print("Modelos LTX prontos (na CPU).")
-
-
-# --- Ato 3: As Partituras dos Músicos (Funções de Geração e Análise) ---
-# AVISO: A documentação abaixo descreve a lógica de cada função.
-# NÃO APAGUE OU ALTERE ESTES COMENTÁRIOS SEM SOLICITAÇÃO EXPLÍCITA.
-
-# --- Funções da ETAPA 1 (Roteiro) ---
-
-def robust_json_parser(raw_text: str) -> dict:
-    """
-    Analisa uma string de texto bruto para encontrar e decodificar o primeiro objeto JSON válido.
-    Esta função é crucial para lidar com as respostas das IAs, que podem incluir texto
-    conversacional antes ou depois do bloco JSON.
-
-    Args:
-        raw_text (str): A string de texto completa retornada pela IA.
-
-    Returns:
-        dict: Um dicionário Python representando o objeto JSON encontrado.
-
-    Raises:
-        ValueError: Se nenhum objeto JSON for encontrado ou se a decodificação falhar.
-    """
-    try:
-        start_index = raw_text.find('{')
-        end_index = raw_text.rfind('}')
-        if start_index != -1 and end_index != -1 and end_index > start_index:
-            json_str = raw_text[start_index : end_index + 1]
-            return json.loads(json_str)
-        else: raise ValueError("Nenhum objeto JSON válido encontrado na resposta da IA.")
-    except json.JSONDecodeError as e:
-        raise ValueError(f"Falha ao decodificar JSON: {e}")
-
-def extract_image_exif(image_path: str) -> str:
-    """
-    Extrai metadados EXIF relevantes de um arquivo de imagem.
-    Foca em informações técnicas como modelo da câmera, lente e configurações de exposição.
-
-    Args:
-        image_path (str): O caminho para o arquivo de imagem.
-
-    Returns:
-        str: Uma string formatada contendo os metadados EXIF relevantes, ou uma mensagem
-             indicando que nenhum metadado foi encontrado ou lido.
-    """
-    try:
-        img = Image.open(image_path); exif_data = img._getexif()
-        if not exif_data: return "No EXIF metadata found."
-        exif = { ExifTags.TAGS[k]: v for k, v in exif_data.items() if k in ExifTags.TAGS }
-        relevant_tags = ['DateTimeOriginal', 'Model', 'LensModel', 'FNumber', 'ExposureTime', 'ISOSpeedRatings', 'FocalLength']
-        metadata_str = ", ".join(f"{key}: {exif[key]}" for key in relevant_tags if key in exif)
-        return metadata_str if metadata_str else "No relevant EXIF metadata found."
-    except Exception: return "Could not read EXIF data."
-
-def run_storyboard_generation(num_fragments: int, prompt: str, initial_image_path: str):
-    """
-    Orquestra a Etapa 1. Em uma única chamada à IA, combina a análise da imagem de referência
-    com o prompt do usuário para gerar um roteiro de cenas (storyboard).
-
-    Args:
-        num_fragments (int): O número de atos (cenas) a serem criados.
-        prompt (str): A "Ideia Geral" fornecida pelo usuário.
-        initial_image_path (str): O caminho para a imagem de referência inicial.
-
-    Returns:
-        list: Uma lista de strings, onde cada string é a descrição de um ato do roteiro.
-    """
-    if not initial_image_path: raise gr.Error("Por favor, forneça uma imagem de referência inicial.")
-    if not GEMINI_API_KEY: raise gr.Error("Chave da API Gemini não configurada!")
-    exif_metadata = extract_image_exif(initial_image_path)
-    prompt_file = "prompts/unified_storyboard_prompt.txt"
-    with open(os.path.join(os.path.dirname(__file__), prompt_file), "r", encoding="utf-8") as f: template = f.read()
-    director_prompt = template.format(user_prompt=prompt, num_fragments=int(num_fragments), image_metadata=exif_metadata)
-    genai.configure(api_key=GEMINI_API_KEY)
-    model = genai.GenerativeModel('gemini-2.0-flash'); img = Image.open(initial_image_path)
-    print("Gerando roteiro com análise de visão integrada...")
-    response = model.generate_content([director_prompt, img])
-    try:
-        storyboard_data = robust_json_parser(response.text)
-        storyboard = storyboard_data.get("scene_storyboard", [])
-        if not storyboard or len(storyboard) != int(num_fragments): raise ValueError(f"A IA não gerou o número correto de cenas. Esperado: {num_fragments}, Recebido: {len(storyboard)}")
-        return storyboard
-    except Exception as e: raise gr.Error(f"O Roteirista (Gemini) falhou ao criar o roteiro: {e}. Resposta recebida: {response.text}")
-
-
-# --- Funções da ETAPA 2 (Keyframes) ---
-def get_dreamo_prompt_for_transition(previous_image_path: str, target_scene_description: str) -> str:
-    """
-    Chama a IA "Diretor de Arte" para criar um prompt de imagem dinâmico.
-    A IA analisa a imagem anterior e a descrição da próxima cena para gerar um prompt
-    que guiará o "Pintor" (DreamO) na criação do próximo keyframe.
-
-    Args:
-        previous_image_path (str): Caminho para a imagem de referência mais recente.
-        target_scene_description (str): A descrição do ato do roteiro para a cena a ser criada.
-
-    Returns:
-        str: O prompt de imagem gerado.
-    """
-    genai.configure(api_key=GEMINI_API_KEY)
-    prompt_file = "prompts/img2img_evolution_prompt.txt"
-    with open(os.path.join(os.path.dirname(__file__), prompt_file), "r", encoding="utf-8") as f: template = f.read()
-    director_prompt = template.format(target_scene_description=target_scene_description)
-    model = genai.GenerativeModel('gemini-2.0-flash'); img = Image.open(previous_image_path)
-    response = model.generate_content([director_prompt, "Previous Image:", img])
-    return response.text.strip().replace("\"", "")
-
-def run_keyframe_generation(storyboard, initial_ref_image_path, sequential_ref_task, *additional_refs_and_tasks, progress=gr.Progress()):
-    """
-    Orquestra a Etapa 2. Gera a sequência de imagens-chave (keyframes) em um loop.
-    Combina referências estáticas (fornecidas pelo usuário) com referências dinâmicas
-    (os últimos keyframes gerados) para manter a consistência.
-
-    Args:
-        storyboard (list): A lista de atos do roteiro.
-        initial_ref_image_path (str): Caminho para a imagem de referência inicial processada.
-        sequential_ref_task (str): A tarefa de referência para a cadeia dinâmica de keyframes.
-        *additional_refs_and_tasks: Tupla de imagens e tarefas de referência adicionais.
-        progress (gr.Progress): Objeto do Gradio para atualizar a barra de progresso.
-
-    Yields:
-        dict: Atualizações para a UI (log, galeria) durante a geração.
-
-    Returns:
-        dict: O estado final dos componentes da UI e as listas de keyframes.
-    """
-    if not storyboard: raise gr.Error("Nenhum roteiro para gerar keyframes.")
-    if not initial_ref_image_path: raise gr.Error("A imagem de referência principal é obrigatória.")
-    log_history = ""; generated_images_for_gallery = []
-
-    # Processar as referências estáticas fornecidas pelo usuário na UI
-    base_reference_items = []
-    num_pairs = len(additional_refs_and_tasks) // 2
-    for i in range(num_pairs):
-        img_path = additional_refs_and_tasks[i * 2]
-        task = additional_refs_and_tasks[i * 2 + 1]
-        if img_path: # Apenas processar se o usuário inseriu uma imagem
-            base_reference_items.append({'image_np': np.array(Image.open(img_path).convert("RGB")), 'task': task})
-
-    try:
-        pipeline_instance.to('cpu'); gc.collect(); torch.cuda.empty_cache()
-        dreamo_generator_singleton.to_gpu()
-        with Image.open(initial_ref_image_path) as img: width, height = (img.width // 32) * 32, (img.height // 32) * 32
-        keyframe_paths, current_ref_image_path = [initial_ref_image_path], initial_ref_image_path
-
-        for i, scene_description in enumerate(storyboard):
-            progress(i / len(storyboard), desc=f"Pintando Keyframe {i+1}/{len(storyboard)}")
-            log_history += f"\n--- PINTANDO KEYFRAME {i+1}/{len(storyboard)} ---\n"
-            dreamo_prompt = get_dreamo_prompt_for_transition(current_ref_image_path, scene_description)
-
-            # Criar as referências dinâmicas (últimos 3 keyframes gerados)
-            recent_references_paths = keyframe_paths[-3:]
-            sequential_reference_items = [{'image_np': np.array(Image.open(ref_path).convert("RGB")), 'task': sequential_ref_task} for ref_path in recent_references_paths]
-
-            # Combinar referências estáticas e dinâmicas
-            all_reference_items = base_reference_items + sequential_reference_items
-
-            log_history += f"  - Roteiro: '{scene_description}'\n"
-            log_history += f"  - Usando {len(base_reference_items)} refs fixas + {len(sequential_reference_items)} refs sequenciais ({[os.path.basename(p) for p in recent_references_paths]}).\n"
-            log_history += f"  - Prompt do D.A.: \"{dreamo_prompt}\"\n"
-            yield {keyframe_log_output: gr.update(value=log_history), keyframe_gallery_output: gr.update(value=generated_images_for_gallery)}
-
-            output_path = os.path.join(WORKSPACE_DIR, f"keyframe_{i+1}.png")
-            image = dreamo_generator_singleton.generate_image_with_gpu_management(reference_items=all_reference_items, prompt=dreamo_prompt, width=width, height=height)
-            image.save(output_path)
-            keyframe_paths.append(output_path); generated_images_for_gallery.append(output_path); current_ref_image_path = output_path
-            yield {keyframe_log_output: gr.update(value=log_history), keyframe_gallery_output: gr.update(value=generated_images_for_gallery)}
-    except Exception as e: raise gr.Error(f"O Pintor (DreamO) ou Diretor de Arte (Gemini) falhou: {e}")
-    finally: dreamo_generator_singleton.to_cpu(); gc.collect(); torch.cuda.empty_cache()
-
-    log_history += "\nPintura de todos os keyframes concluída.\n"
-    yield {keyframe_log_output: gr.update(value=log_history), keyframe_gallery_output: gr.update(value=generated_images_for_gallery), keyframe_images_state: keyframe_paths}
-
-
-# --- Funções da ETAPA 3 (Produção de Vídeo) ---
-def get_initial_motion_prompt(user_prompt: str, start_image_path: str, destination_image_path: str, dest_scene_desc: str):
-    """
-    Gera o prompt de movimento para o primeiro fragmento de vídeo ("Big Bang").
-    Este é um caso especial que lida com uma transição simples de (Início -> Fim).
-
-    Args:
-        user_prompt (str): A ideia geral para dar contexto.
-        start_image_path (str): Caminho para o primeiro keyframe gerado (K_1).
-        destination_image_path (str): Caminho para o segundo keyframe gerado (K_2).
-        dest_scene_desc (str): A descrição do roteiro para a cena de destino (Ato 2).
-
-    Returns:
-        str: O prompt de movimento gerado para a transição inicial.
-    """
-    if not GEMINI_API_KEY: raise gr.Error("Chave da API Gemini não configurada!")
-    try:
-        genai.configure(api_key=GEMINI_API_KEY)
-        model = genai.GenerativeModel('gemini-2.0-flash')
-        prompt_file = "prompts/initial_motion_prompt.txt"
-        with open(os.path.join(os.path.dirname(__file__), prompt_file), "r", encoding="utf-8") as f: template = f.read()
-        cinematographer_prompt = template.format(user_prompt=user_prompt, destination_scene_description=dest_scene_desc)
-        start_img, dest_img = Image.open(start_image_path), Image.open(destination_image_path)
-        model_contents = ["START Image:", start_img, "DESTINATION Image:", dest_img, cinematographer_prompt]
-        response = model.generate_content(model_contents)
-        return response.text.strip()
-    except Exception as e: raise gr.Error(f"O Cineasta de IA (Inicial) falhou: {e}. Resposta: {getattr(e, 'text', 'No text available.')}")
-
-def get_dynamic_motion_prompt(user_prompt, story_history, memory_image_path, path_image_path, destination_image_path, path_scene_desc, dest_scene_desc):
-    """
-    Gera o prompt de movimento para os fragmentos subsequentes, usando a lógica "Handoff Cinético".
-    A IA analisa 3 imagens (Memória, Caminho, Destino) para criar a instrução.
-
-    Args:
-        user_prompt (str): A ideia geral.
-        story_history (str): Um resumo dos prompts de movimento anteriores.
-        memory_image_path (str): O "Eco", último frame do fragmento anterior.
-        path_image_path (str): O "Caminho", keyframe que define o contexto da transição.
-        destination_image_path (str): O "Destino", keyframe que queremos alcançar.
-        path_scene_desc (str): Descrição do roteiro para o "Caminho".
-        dest_scene_desc (str): Descrição do roteiro para o "Destino".
-
-    Returns:
-        str: O prompt de movimento dinâmico gerado.
-    """
-    if not GEMINI_API_KEY: raise gr.Error("Chave da API Gemini não configurada!")
-    try:
-        genai.configure(api_key=GEMINI_API_KEY)
-        model = genai.GenerativeModel('gemini-2.0-flash')
-        prompt_file = "prompts/dynamic_motion_prompt.txt"
-        with open(os.path.join(os.path.dirname(__file__), prompt_file), "r", encoding="utf-8") as f: template = f.read()
-        cinematographer_prompt = template.format(user_prompt=user_prompt, story_history=story_history, midpoint_scene_description=path_scene_desc, destination_scene_description=dest_scene_desc)
-        mem_img, path_img, dest_img = Image.open(memory_image_path), Image.open(path_image_path), Image.open(destination_image_path)
-        model_contents = ["START Image (Memory):", mem_img, "MIDPOINT Image (Path):", path_img, "DESTINATION Image (Destination):", dest_img, cinematographer_prompt]
-        response = model.generate_content(model_contents)
-        return response.text.strip()
-    except Exception as e: raise gr.Error(f"O Cineasta de IA (Dinâmico) falhou: {e}. Resposta: {getattr(e, 'text', 'No text available.')}")
-
-def run_video_production(prompt_geral, keyframe_images_state, scene_storyboard, seed, cfg, cut_frames_value, progress=gr.Progress()):
-    """
-    Orquestra a Etapa 3. Gera todos os fragmentos de vídeo em um loop, aplicando a lógica
-    "Big Bang" para o primeiro fragmento e "Handoff Cinético" para os demais.
-
-    Args:
-        prompt_geral (str): A ideia geral do usuário.
-        keyframe_images_state (list): A lista completa de keyframes [K_0, ..., K_n].
-        scene_storyboard (list): A lista de atos do roteiro.
-        seed (int): A semente para a geração de números aleatórios.
-        cfg (float): A escala de orientação do LTX.
-        cut_frames_value (int): O número de frames a manter em cada fragmento cortado.
-        progress (gr.Progress): Objeto do Gradio para a barra de progresso.
-
-    Yields:
-        dict: Atualizações para a UI durante o processo.
-
-    Returns:
-        dict: O estado final dos componentes da UI.
-    """
-    if not keyframe_images_state or len(keyframe_images_state) < 3: raise gr.Error("Pinte pelo menos 2 keyframes para produzir uma transição.")
-    log_history = "\n--- FASE 3/4: Iniciando Produção com Lógica 'Big Bang'...\n"
-    yield {production_log_output: log_history, video_gallery_glitch: []}
-
-    MID_COND_FRAME, MID_COND_STRENGTH = 54, 0.5; END_COND_FRAME = VIDEO_TOTAL_FRAMES - 8
-    target_device = 'cuda' if torch.cuda.is_available() else 'cpu'
-    try:
-        pipeline_instance.to(target_device)
-        video_fragments, story_history = [], ""; kinetic_memory_path = None
-        with Image.open(keyframe_images_state[1]) as img: width, height = img.size
-
-        num_transitions = len(keyframe_images_state) - 2
-        for i in range(num_transitions):
-            fragment_num = i + 1
-            progress(i / num_transitions, desc=f"Filmando Fragmento {fragment_num}/{num_transitions}")
-            log_history += f"\n--- FRAGMENTO {fragment_num} ---\n"
-
-            if i == 0:
-                start_path, destination_path = keyframe_images_state[1], keyframe_images_state[2]
-                dest_scene_desc = scene_storyboard[1]
-                log_history += f"  - Início (Big Bang): {os.path.basename(start_path)}\n  - Destino: {os.path.basename(destination_path)}\n"
-                current_motion_prompt = get_initial_motion_prompt(prompt_geral, start_path, destination_path, dest_scene_desc)
-                conditioning_items_data = [(start_path, int(0), 1.0), (destination_path, int(END_COND_FRAME), 1.0)]
-            else:
-                memory_path, path_path, destination_path = kinetic_memory_path, keyframe_images_state[i+1], keyframe_images_state[i+2]
-                path_scene_desc, dest_scene_desc = scene_storyboard[i], scene_storyboard[i+1]
-                log_history += f"  - Memória Cinética: {os.path.basename(memory_path)}\n  - Caminho: {os.path.basename(path_path)}\n  - Destino: {os.path.basename(destination_path)}\n"
-                current_motion_prompt = get_dynamic_motion_prompt(prompt_geral, story_history, memory_path, path_path, destination_path, path_scene_desc, dest_scene_desc)
-                conditioning_items_data = [(memory_path, int(0), 1.0), (path_path, int(MID_COND_FRAME), MID_COND_STRENGTH), (destination_path, int(END_COND_FRAME), 1.0)]
-
-            story_history += f"\n- Ato {fragment_num + 1}: {current_motion_prompt}"
-            log_history += f"  - Instrução do Cineasta: '{current_motion_prompt}'\n"; yield {production_log_output: log_history}
-            full_fragment_path, _ = run_ltx_animation(fragment_num, current_motion_prompt, conditioning_items_data, width, height, seed, cfg, progress)
-
-            is_last_fragment = (i == num_transitions - 1)
-            if is_last_fragment:
-                final_fragment_path = full_fragment_path
-                log_history += "  - Último fragmento gerado, mantendo a duração total para um final limpo.\n"
-            else:
-                final_fragment_path = os.path.join(WORKSPACE_DIR, f"fragment_{fragment_num}_trimmed.mp4")
-                trim_video_to_frames(full_fragment_path, final_fragment_path, int(cut_frames_value))
-                eco_output_path = os.path.join(WORKSPACE_DIR, f"eco_from_frag_{fragment_num}.png")
-                kinetic_memory_path = extract_last_frame_as_image(final_fragment_path, eco_output_path)
-                log_history += f"  - Gerado e cortado. Novo Eco Dinâmico criado: {os.path.basename(kinetic_memory_path)}\n"
-
-            video_fragments.append(final_fragment_path)
-            yield {production_log_output: log_history, video_gallery_glitch: video_fragments}
-
-        progress(1.0, desc="Produção Concluída.")
-        yield {production_log_output: log_history, video_gallery_glitch: video_fragments, fragment_list_state: video_fragments}
-    finally:
-        pipeline_instance.to('cpu'); gc.collect(); torch.cuda.empty_cache()
-
-
-# --- Funções Utilitárias e de Pós-Produção ---
-def process_image_to_square(image_path: str, size: int = TARGET_RESOLUTION) -> str:
-    """
-    Processa a imagem de referência inicial: converte para RGB e redimensiona para um
-    formato quadrado (TARGET_RESOLUTION x TARGET_RESOLUTION).
-
-    Args:
-        image_path (str): Caminho para a imagem original.
-        size (int): A dimensão do lado do quadrado final.
-
-    Returns:
-        str: O caminho para a imagem processada e salva.
-    """
-    if not image_path: return None
-    try:
-        img = Image.open(image_path).convert("RGB"); img_square = ImageOps.fit(img, (size, size), Image.Resampling.LANCZOS)
-        output_path = os.path.join(WORKSPACE_DIR, f"initial_ref_{size}x{size}.png"); img_square.save(output_path)
-        return output_path
-    except Exception as e: raise gr.Error(f"Falha ao processar a imagem de referência: {e}")
-
-def load_conditioning_tensor(media_path: str, height: int, width: int) -> torch.Tensor:
-    """
-    Carrega uma imagem e a converte para o formato de tensor esperado pelo LTX.
-
-    Args:
-        media_path (str): Caminho para o arquivo de imagem.
-        height (int): Altura do vídeo alvo.
-        width (int): Largura do vídeo alvo.
-
-    Returns:
-        torch.Tensor: O tensor da imagem, pronto para ser usado como condicionamento.
-    """
-    return load_image_to_tensor_with_resize_and_crop(media_path, height, width)
-
-def run_ltx_animation(current_fragment_index, motion_prompt, conditioning_items_data, width, height, seed, cfg, progress=gr.Progress()):
-    """
-    Wrapper para a execução do pipeline do LTX. Gera um único fragmento de vídeo.
-    Ativa o 'attention slicing' para economizar VRAM durante a execução.
-
-    Args:
-        current_fragment_index (int): O número do fragmento atual (para a seed).
-        motion_prompt (str): O prompt de movimento do Cineasta de IA.
-        conditioning_items_data (list): Lista de tuplas para os itens de condicionamento.
-        width (int): Largura do vídeo.
-        height (int): Altura do vídeo.
-        seed (int): Semente de geração.
-        cfg (float): Escala de orientação.
-        progress (gr.Progress): Objeto do Gradio para a barra de progresso.
-
-    Returns:
-        tuple: (caminho_do_video_gerado, numero_de_frames_gerados)
-    """
-    progress(0, desc=f"[Câmera LTX] Filmando Cena {current_fragment_index}...");
-    output_path = os.path.join(WORKSPACE_DIR, f"fragment_{current_fragment_index}_full.mp4"); target_device = pipeline_instance.device
-
-    try:
-        pipeline_instance.enable_attention_slicing()
-
-        conditioning_items = [ConditioningItem(load_conditioning_tensor(p, height, width).to(target_device), s, t) for p, s, t in conditioning_items_data]
-        actual_num_frames = int(round((float(VIDEO_TOTAL_FRAMES) - 1.0) / 8.0) * 8 + 1)
-        padded_h, padded_w = ((height - 1) // 32 + 1) * 32, ((width - 1) // 32 + 1) * 32
-        padding_vals = calculate_padding(height, width, padded_h, padded_w)
-        for item in conditioning_items: item.media_item = torch.nn.functional.pad(item.media_item, padding_vals)
-        kwargs = {"prompt": motion_prompt, "negative_prompt": "blurry, distorted, bad quality, artifacts", "height": padded_h, "width": padded_w, "num_frames": actual_num_frames, "frame_rate": VIDEO_FPS, "generator": torch.Generator(device=target_device).manual_seed(int(seed) + current_fragment_index), "output_type": "pt", "guidance_scale": float(cfg), "timesteps": PIPELINE_CONFIG_YAML.get("first_pass", {}).get("timesteps"), "conditioning_items": conditioning_items, "decode_timestep": PIPELINE_CONFIG_YAML.get("decode_timestep"), "decode_noise_scale": PIPELINE_CONFIG_YAML.get("decode_noise_scale"), "stochastic_sampling": PIPELINE_CONFIG_YAML.get("stochastic_sampling"), "image_cond_noise_scale": 0.15, "is_video": True, "vae_per_channel_normalize": True, "mixed_precision": (PIPELINE_CONFIG_YAML.get("precision") == "mixed_precision"), "enhance_prompt": False, "decode_every": 4}
-        result_tensor = pipeline_instance(**kwargs).images
-
-        pad_l, pad_r, pad_t, pad_b = map(int, padding_vals); slice_h = -pad_b if pad_b > 0 else None; slice_w = -pad_r if pad_r > 0 else None
-        cropped_tensor = result_tensor[:, :, :VIDEO_TOTAL_FRAMES, pad_t:slice_h, pad_l:slice_w]; video_np = (cropped_tensor[0].permute(1, 2, 3, 0).cpu().float().numpy() * 255).astype(np.uint8)
-        with imageio.get_writer(output_path, fps=VIDEO_FPS, codec='libx264', quality=8) as writer:
-            for i, frame in enumerate(video_np): writer.append_data(frame)
-
-        return output_path, actual_num_frames
-    finally:
-        pipeline_instance.disable_attention_slicing()
-
-def trim_video_to_frames(input_path: str, output_path: str, frames_to_keep: int) -> str:
-    """
-    Usa o FFmpeg para cortar um vídeo, mantendo apenas um número específico de frames iniciais.
-    Essencial para o "Corte Estratégico" do Handoff Cinético.
-
-    Args:
-        input_path (str): Caminho para o vídeo de entrada.
-        output_path (str): Caminho para salvar o vídeo cortado.
-        frames_to_keep (int): Número de frames a serem mantidos.
-
-    Returns:
-        str: O caminho para o vídeo cortado.
-    """
-    try:
-        subprocess.run(f"ffmpeg -y -v error -i \"{input_path}\" -vf \"select='lt(n,{frames_to_keep})'\" -an \"{output_path}\"", shell=True, check=True, text=True)
-        return output_path
-    except subprocess.CalledProcessError as e: raise gr.Error(f"FFmpeg falhou ao cortar vídeo: {e.stderr}")
-
-def extract_last_frame_as_image(video_path: str, output_image_path: str) -> str:
-    """
-    Usa o FFmpeg para extrair eficientemente o último frame de um vídeo.
-    Esta é a função que cria o "Eco" para o Handoff Cinético.
-
-    Args:
-        video_path (str): Caminho para o vídeo de entrada.
-        output_image_path (str): Caminho para salvar a imagem do frame extraído.
-
-    Returns:
-        str: O caminho para a imagem extraída.
-    """
-    try:
-        subprocess.run(f"ffmpeg -y -v error -sseof -1 -i \"{video_path}\" -update 1 -q:v 1 \"{output_image_path}\"", shell=True, check=True, text=True)
-        return output_image_path
-    except subprocess.CalledProcessError as e: raise gr.Error(f"FFmpeg falhou ao extrair último frame: {e.stderr}")
-
-def concatenate_and_trim_masterpiece(fragment_paths: list, progress=gr.Progress()):
-    """
-    Orquestra a Etapa 4. Usa o FFmpeg para concatenar todos os fragmentos de vídeo gerados
-    em uma única obra-prima final.
-
-    Args:
-        fragment_paths (list): Uma lista dos caminhos para os fragmentos de vídeo.
-        progress (gr.Progress): Objeto do Gradio para a barra de progresso.
-
-    Returns:
-        str: O caminho para o vídeo final montado.
-    """
-    if not fragment_paths: raise gr.Error("Nenhum fragmento de vídeo para concatenar.")
-    progress(0.5, desc="Montando a obra-prima final...");
-    try:
-        list_file_path = os.path.join(WORKSPACE_DIR, "concat_list.txt"); final_output_path = os.path.join(WORKSPACE_DIR, "masterpiece_final.mp4")
-        with open(list_file_path, "w") as f:
-            for p in fragment_paths: f.write(f"file '{os.path.abspath(p)}'\n")
-        subprocess.run(f"ffmpeg -y -v error -f concat -safe 0 -i \"{list_file_path}\" -c copy \"{final_output_path}\"", shell=True, check=True, text=True)
-        progress(1.0, desc="Montagem concluída!")
-        return final_output_path
-    except subprocess.CalledProcessError as e: raise gr.Error(f"FFmpeg falhou na concatenação final: {e.stderr}")
-
-# --- Ato 5: A Interface com o Mundo (UI) ---
-with gr.Blocks(theme=gr.themes.Soft()) as demo:
-    gr.Markdown("# NOVINHO-5.2 (Otimização de Memória)\n*By Carlex & Gemini & DreamO*")
-
-    if os.path.exists(WORKSPACE_DIR): shutil.rmtree(WORKSPACE_DIR)
-    os.makedirs(WORKSPACE_DIR); Path("prompts").mkdir(exist_ok=True)
-
-    # State variables
-    scene_storyboard_state = gr.State([])
-    keyframe_images_state = gr.State([])
-    fragment_list_state = gr.State([])
-    prompt_geral_state = gr.State("")
-    processed_ref_path_state = gr.State("")
-
-    # UI Constants
-    MAX_ADDITIONAL_REFS = 4
-
-    gr.Markdown("--- \n ## ETAPA 1: O ROTEIRO (IA Roteirista)")
-    with gr.Row():
-        with gr.Column(scale=1):
-            prompt_input = gr.Textbox(label="Ideia Geral (Prompt)")
-            num_fragments_input = gr.Slider(2, 10, 4, step=1, label="Número de Atos (Keyframes)")
-            image_input = gr.Image(type="filepath", label=f"Imagem de Referência Principal (será {TARGET_RESOLUTION}x{TARGET_RESOLUTION})")
-            director_button = gr.Button("▶️ 1. Gerar Roteiro", variant="primary")
-        with gr.Column(scale=2):
-            storyboard_to_show = gr.JSON(label="Roteiro de Cenas Gerado (em Inglês)")
-
-    gr.Markdown("--- \n ## ETAPA 2: OS KEYFRAMES (IA Pintor & Diretor de Arte)")
-    with gr.Row():
-        with gr.Column(scale=2):
-            gr.Markdown("O Diretor de Arte (IA) gerará prompts dinamicamente. O Pintor usará as referências abaixo + as **3 últimas imagens** geradas para criar a próxima.")
-            with gr.Group():
-                ref1_image = gr.Image(label="Referência Principal (Automática da Etapa 1)", type="filepath", interactive=False)
-                ref1_task = gr.Dropdown(choices=["ip", "id", "style"], value="ip", label="Tarefa das Referências em Cadeia")
-
-            # --- SEÇÃO DE REFERÊNCIAS ADICIONAIS (MODIFICADA) ---
-            additional_ref_images = []
-            additional_ref_tasks = []
-            with gr.Accordion("Referências Adicionais do Pintor (Opcional)", open=False):
-                with gr.Tabs():
-                    for i in range(MAX_ADDITIONAL_REFS):
-                        with gr.TabItem(f"Ref. Extra {i+1}"):
-                            with gr.Column():
-                                ref_img = gr.Image(label=f"Imagem de Referência Extra {i+1}", type="filepath", scale=2)
-                                ref_task = gr.Dropdown(choices=["ip", "id", "style"], value="style", label=f"Tarefa da Ref. Extra {i+1}")
-                                additional_ref_images.append(ref_img)
-                                additional_ref_tasks.append(ref_task)
-
-            photographer_button = gr.Button("▶️ 2. Pintar Imagens-Chave em Cadeia", variant="primary")
-            keyframe_log_output = gr.Textbox(label="Diário de Bordo do Pintor", lines=10, interactive=False)
-        with gr.Column(scale=1):
-            keyframe_gallery_output = gr.Gallery(label="Imagens-Chave Pintadas", object_fit="contain", height="auto", type="filepath")
-
-
-    gr.Markdown("--- \n ## ETAPA 3: A PRODUÇÃO (IA Cineasta & Câmera)")
-    with gr.Row():
-        with gr.Column(scale=1):
-            with gr.Row():
-                seed_number = gr.Number(42, label="Seed")
-                cfg_slider = gr.Slider(1.0, 10.0, 2.5, step=0.1, label="CFG")
-            cut_frames_slider = gr.Slider(label="Duração do Fragmento (Frames)", minimum=60, maximum=VIDEO_TOTAL_FRAMES, value=150, step=1)
-            animator_button = gr.Button("▶️ 3. Produzir Cenas (Handoff Cinético)", variant="primary")
-            production_log_output = gr.Textbox(label="Diário de Bordo da Produção", lines=15, interactive=False)
-        with gr.Column(scale=1):
-            video_gallery_glitch = gr.Gallery(label="Fragmentos Gerados", object_fit="contain", height="auto", type="video")
-
-    gr.Markdown(f"--- \n ## ETAPA 4: PÓS-PRODUÇÃO (IA Editor)")
-    editor_button = gr.Button("▶️ 4. Montar Vídeo Final", variant="primary")
-    final_video_output = gr.Video(label="A Obra-Prima Final", width=TARGET_RESOLUTION)
-
-    gr.Markdown(
-        """
-        ---
-        ### A Arquitetura: Handoff Cinético & Big Bang
-        A geração começa com um "Big Bang": a primeira transição de vídeo é entre o **Keyframe 1 e o Keyframe 2**. A imagem de referência original é usada apenas para criar o primeiro keyframe e depois é descartada do processo de vídeo.
-
-        *   **O Bastão (O `Eco`):** Após a primeira transição, o último frame do clipe cortado (o `Eco`) carrega a "energia cinética" da cena.
-
-        *   **O Handoff (A Geração):** Os fragmentos seguintes começam a partir deste `Eco` dinâmico, herdando a "física" do movimento e da iluminação.
-
-        *   **A Sincronização (Cineasta de IA):** Para cada Handoff, o Cineasta de IA (`Γ`) analisa o (`Eco`), o (`Keyframe` do caminho) e o (`Keyframe` do destino) para criar uma instrução de movimento precisa.
-        """
-    )
-
-    # Event Handlers
-    director_button.click(
-        fn=run_storyboard_generation,
-        inputs=[num_fragments_input, prompt_input, image_input],
-        outputs=[scene_storyboard_state]
-    ).success(
-        fn=lambda s, p: (s, p),
-        inputs=[scene_storyboard_state, prompt_input],
-        outputs=[storyboard_to_show, prompt_geral_state]
-    ).success(
-        fn=process_image_to_square,
-        inputs=[image_input],
-        outputs=[processed_ref_path_state]
-    ).success(
-        fn=lambda p: p,
-        inputs=[processed_ref_path_state],
-        outputs=[ref1_image]
-    )
-
-    # Atualizado para incluir as referências adicionais
-    photographer_button.click(
-        fn=run_keyframe_generation,
-        inputs=[scene_storyboard_state, ref1_image, ref1_task, *additional_ref_images, *additional_ref_tasks],
-        outputs=[keyframe_log_output, keyframe_gallery_output, keyframe_images_state]
-    )
-
-    animator_button.click(
-        fn=run_video_production,
-        inputs=[prompt_geral_state, keyframe_images_state, scene_storyboard_state, seed_number, cfg_slider, cut_frames_slider],
-        outputs=[production_log_output, video_gallery_glitch, fragment_list_state]
-    )
-
-    editor_button.click(
-        fn=concatenate_and_trim_masterpiece,
-        inputs=[fragment_list_state],
-        outputs=[final_video_output]
-    )
-
-if __name__ == "__main__":
-    demo.queue().launch(server_name="0.0.0.0", share=True)