Coloque o que você quiser dentro de um vídeo que já está gravado

São três coisas, e você provavelmente já tem duas. O FFmpeg corta, transcodifica e recola áudio. O Python roda o analisador. O acesso ao modelo vem pelo Higgsfield, que é onde a edição acontece de verdade.

ffmpeg -version
ffprobe -version
python --version

:: se faltar o ffmpeg:
winget install Gyan.FFmpeg

:: conectar o Higgsfield ao Claude Code:
claude mcp add higgsfield https://mcp.higgsfield.ai/mcp

Entre 4 e 30 segundos, uma tomada contínua, e o lugar onde o elemento vai entrar precisa aparecer em algum momento. O terceiro limite é o mais ignorado e o que mais estraga resultado: inserir numa área que o vídeo nunca mostrou obriga o modelo a inventar cenário.

1. Duração entre 4 e 30 segundos. Maior que isso, fatie em blocos
2. Uma tomada só, sem corte de edição no meio
3. O lugar da inserção aparece em quadro em algum trecho
4. Tem um objeto de tamanho conhecido por perto, que vira a âncora de escala

Este passo separa quem acerta de primeira de quem queima crédito. O script extrai os quadros, lê a duração e monta o plano. Depois você olha os quadros, um por um. Não deduza a cena pela transcrição.

1. Onde o elemento cabe: a superfície, a profundidade, o que já ocupa aquele espaço
2. Objeto âncora de escala: algo de tamanho conhecido perto da inserção
3. O que fica na frente: vidro, folha, tronco, borda de mesa, ombro
4. A luz: direção, dureza, temperatura
5. Tudo que precisa ser preservado: roupa, acessórios, cenário

python "%USERPROFILE%\.claude\skills\videos-inserir-elementos\materiais\scripts\analisar_cena.py" "CAMINHO\DO\VIDEO.mp4"

Responda duas perguntas. De que segundo a que segundo a área da inserção está em quadro? Fora dessa janela o elemento não existe. E a fala aponta para o elemento em algum momento? Se você diz olha isso, é nesse segundo que ele precisa estar bem visível.

A foto vai junto com o vídeo e é ela que trava a aparência do elemento. Sem foto, o modelo inventa o elemento do zero a cada geração e você nunca consegue repetir nem corrigir. É o passo que mais muda o resultado e o que mais gente pula.

1. Elemento sozinho, sem mão segurando e sem outra pessoa no quadro
2. Corpo inteiro, porque close da cabeça devolve um corpo inventado
3. Fundo simples: fundo forte é copiado junto
4. Sem marca d'água, texto ou logo, porque são reproduzidos

:: 1. varredura para escolher o quadro
ffmpeg -v error -y -i referencia.mp4 -vf "fps=1/2,scale=540:-1" frames/ref_%02d.jpg

:: 2. extraia o melhor em resolucao cheia
ffmpeg -v error -y -ss 17 -i referencia.mp4 -frames:v 1 ref_full.png

:: 3. recorte so o elemento e suba a resolucao
ffmpeg -v error -y -i ref_full.png -vf "crop=500:230:170:590,scale=1000:460" elemento-ref.png

Vídeo de celular costuma vir em 4K, que é pesado e desnecessário: a saída sai em 1080p de qualquer jeito. Transcodifique antes de subir e guarde o original, porque é dele que sai o áudio no final.

ffmpeg -v error -y -i base-original.mov ^
  -vf "scale=1080:1920" -c:v libx264 -crf 20 -preset slow -pix_fmt yuv420p ^
  -c:a aac -b:a 192k base-1080.mp4

:: para 16:9 use scale=1920:1080

Esta é a ideia central do método inteiro: 80 por cento do prompt protege o que já está no vídeo, 20 por cento descreve o que entra. Se o seu ficou ao contrário, o resultado deforma. Você não está gerando um vídeo novo com o elemento. Você está dizendo que o vídeo é real, que ele fica exatamente como está, e que uma única coisa vai ser acrescentada.

1. Escreva em inglês: o modelo obedece melhor. A fala do vídeo continua no idioma original
2. Timecodes explícitos que somam a duração real do vídeo
3. Ancore a escala num objeto que já aparece na cena, nunca a palavra small
4. Declare a profundidade e repita: BEHIND the glass, never in front of it
5. Nomeie o que oclui: folhas, tronco, borda, moldura, ombro
6. Blinde todo trecho onde o elemento não aparece, com uma linha própria
7. Nunca nomeie equipamento de câmera: o modelo desenha o equipamento dentro da cena

São duas entradas, sempre as duas: o vídeo e a foto. Antes de gerar, rode a mesma chamada com get_cost, que não submete job nenhum e devolve o preço. Guarde os dois identificadores: para corrigir depois você não reenvia arquivo.

generate_video({ params: {
  model: "seedance_2_5",
  mode: "video_edit",
  resolution: "1080p",
  use_unlim: false,
  medias: [
    { role: "video_references", value: "<media_id do video>" },
    { role: "image_references", value: "<media_id da foto>" }
  ],
  get_cost: true
}})

A plataforma quase sempre devolve uma sugestão de preset antes de aceitar o seu texto, com um nome aleatório que nada tem a ver com o pedido. Aceitar descarta a sua direção inteira. Recuse e repita a chamada com o prompt literal.

O resultado volta com a fala recriada pelo modelo. Não é a sua voz, e às vezes a última palavra sai trocada. Isso não se resolve escrevendo melhor o prompt. O vídeo também volta um pouco mais curto e com taxa de quadros diferente, então o script estica para a duração original e o lip sync bate de novo.

python "%USERPROFILE%\.claude\skills\videos-inserir-elementos\materiais\scripts\recolar_audio.py" gerado.mp4 base-original.mp4 final.mp4

Extraia quadros nos pontos-chave do arco e olhe cada um. Quem valida identidade e lip sync é o olho humano, então não dê por certo sem ter olhado.

1. A escala bate com os objetos ao redor em todos os quadros
2. Está no plano de profundidade certo, nunca na frente do que deveria estar atrás
3. Toca a superfície e tem sombra de contato, não flutua
4. O rosto está idêntico do começo ao fim, sem variação
5. Nos trechos blindados o elemento realmente não aparece

for %t in (1.0 2.5 4.0 5.5 7.0 9.2 11.5) do ffmpeg -v error -y -ss %t -i final.mp4 -frames:v 1 -vf scale=540:-1 check\g_%t.jpg