Upload ai_studio_code (41).py

ai_studio_code (41).py

@@ -0,0 +1,612 @@
+# 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-4.2: O Piloto de Testes - Correção Final e Documentação de Bordo) ---
+
+# --- Ato 1: A Convocação da Orquestra (Importações) ---
+import gradio as gr
+import torch
+import os
+import yaml
+from PIL import Image, ImageOps
+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_cpu_init"
+Path(models_dir).mkdir(parents=True, exist_ok=True)
+WORKSPACE_DIR = "aduc_workspace"
+GEMINI_API_KEY = os.environ.get("GEMINI_API_KEY")
+
+VIDEO_FPS = 36
+VIDEO_DURATION_SECONDS = 4
+VIDEO_TOTAL_FRAMES = VIDEO_DURATION_SECONDS * VIDEO_FPS
+CONVERGENCE_FRAMES = 8
+TARGET_RESOLUTION = 720
+MAX_REFS = 4
+
+print("Baixando e criando pipelines LTX na CPU...")
+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 Corrigidas e Documentadas) ---
+
+####
+# Carrega uma mídia (imagem ou vídeo) e a converte em um tensor Pytorch.
+# Esta função prepara as imagens de condicionamento (início e fim) para o pipeline LTX.
+# Se a entrada for um vídeo, extrai e usa apenas o seu primeiro frame.
+####
+def load_conditioning_tensor(media_path: str, height: int, width: int) -> torch.Tensor:
+    if not media_path: raise ValueError("Caminho da mídia de condicionamento não pode ser nulo.")
+    lower_path = media_path.lower()
+    if lower_path.endswith(('.png', '.jpg', '.jpeg')):
+        return load_image_to_tensor_with_resize_and_crop(media_path, height, width)
+    elif lower_path.endswith('.mp4'):
+        try:
+            with imageio.get_reader(media_path) as reader:
+                first_frame = reader.get_data(0)
+            image = Image.fromarray(first_frame).convert("RGB")
+            return load_image_to_tensor_with_resize_and_crop(image, height, width)
+        except Exception as e:
+            raise gr.Error(f"Falha ao ler o primeiro frame do vídeo '{media_path}': {e}")
+    else:
+        raise gr.Error(f"Formato de arquivo de condicionamento não suportado: {media_path}")
+
+####
+# Executa o pipeline LTX para gerar um único fragmento de vídeo.
+# Atua como a "Câmera" do sistema. Recebe um ponto de partida e um ponto de
+# chegada (em `conditioning_items_data`), uma instrução de movimento (`motion_prompt`),
+# e renderiza o clipe de vídeo correspondente. Gerencia o uso da GPU.
+####
+def run_ltx_animation(current_fragment_index, motion_prompt, conditioning_items_data, width, height, seed, cfg, progress=gr.Progress()):
+    progress(0, desc=f"[TECPIX 5000] Filmando Cena {current_fragment_index}...");
+    output_path = os.path.join(WORKSPACE_DIR, f"fragment_{current_fragment_index}.mp4"); target_device = 'cuda' if torch.cuda.is_available() else 'cpu'
+    try:
+        pipeline_instance.to(target_device)
+        conditioning_items = []
+        for (path, start_frame, strength) in conditioning_items_data:
+            tensor = load_conditioning_tensor(path, height, width)
+            conditioning_items.append(ConditioningItem(tensor.to(target_device), start_frame, strength))
+        
+        n_val = round((float(VIDEO_TOTAL_FRAMES) - 1.0) / 8.0); actual_num_frames = int(n_val * 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 cond_item in conditioning_items: cond_item.media_item = torch.nn.functional.pad(cond_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"), "offload_to_cpu": False, "enhance_prompt": False}
+        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): progress(i / len(video_np), desc=f"Renderizando frame {i+1}/{len(video_np)}..."); writer.append_data(frame)
+        return output_path
+    finally:
+        pipeline_instance.to('cpu'); gc.collect()
+        if torch.cuda.is_available(): torch.cuda.empty_cache()
+
+####
+# Processa a imagem de referência inicial do usuário, tornando-a quadrada.
+# Garante que a imagem de referência principal tenha as dimensões corretas
+# (ex: 720x720) antes de ser usada no pipeline, evitando distorções.
+####
+def process_image_to_square(image_path: str, size: int = TARGET_RESOLUTION) -> str:
+    if not image_path or not os.path.exists(image_path): return None
+    try:
+        img = Image.open(image_path).convert("RGB")
+        img_square = ImageOps.fit(img, (size, size), Image.Resampling.LANCZOS)
+        output_filename = f"initial_ref_{size}x{size}.png"
+        output_path = os.path.join(WORKSPACE_DIR, output_filename)
+        img_square.save(output_path)
+        return output_path
+    except Exception as e: raise gr.Error(f"Falha ao processar a imagem de referência: {e}")
+
+####
+# Gera o roteiro de cenas estáticas (storyboard) usando Gemini.
+# Atua como o "Sonhador" ou "Fotógrafo". Analisa a ideia geral do usuário
+# e a imagem de referência para criar uma sequência de descrições de cenas.
+####
+def get_static_scenes_storyboard(num_fragments: int, prompt: str, initial_image_path: str):
+    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!")
+    genai.configure(api_key=GEMINI_API_KEY)
+    prompt_file = "prompts/photographer_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))
+    model = genai.GenerativeModel('gemini-1.5-flash'); img = Image.open(initial_image_path)
+    response = model.generate_content([director_prompt, img])
+    try:
+        cleaned_response = response.text.strip().replace("```json", "").replace("```", "")
+        storyboard_data = json.loads(cleaned_response)
+        return storyboard_data.get("scene_storyboard", [])
+    except Exception as e: raise gr.Error(f"O Sonhador (Gemini) falhou ao criar o roteiro: {e}. Resposta: {response.text}")
+
+####
+# Gera todas as imagens-chave (keyframes) para a história usando DreamO.
+# Atua como o "Pintor". Itera sobre o roteiro e pinta uma imagem para cada cena.
+# Opera de forma sequencial, usando o keyframe anterior como referência para o próximo.
+####
+def run_keyframe_generation(storyboard, initial_ref_image_path, *reference_args):
+    if not storyboard:
+        raise gr.Error("Nenhum roteiro para gerar imagens-chave.")
+    if not initial_ref_image_path or not os.path.exists(initial_ref_image_path):
+        raise gr.Error("A imagem de referência principal é obrigat��ria para iniciar a pintura.")
+
+    num_total_refs = MAX_REFS + 1
+    ref_paths = list(reference_args[:num_total_refs])
+    ref_tasks = list(reference_args[num_total_refs:])
+    
+    with Image.open(initial_ref_image_path) as img:
+        width, height = img.size
+        width, height = (width // 32) * 32, (height // 32) * 32
+
+    keyframe_paths = []
+    log_history = ""
+
+    try:
+        dreamo_generator_singleton.to_gpu()
+
+        log_history += f"Pintando Keyframe Inicial (Cena 1/{len(storyboard)})...\n"
+        yield {keyframe_log_output: gr.update(value=log_history), keyframe_gallery_output: gr.update(value=keyframe_paths)}
+        
+        references_for_first_frame = []
+        references_for_first_frame.append({'image_np': np.array(Image.open(initial_ref_image_path).convert("RGB")), 'task': 'ip'})
+        log_history += f"  - Usando imagem de referência principal '{os.path.basename(initial_ref_image_path)}' (Tarefa: ip)\n"
+
+        for j in range(1, num_total_refs):
+            aux_path, aux_task = ref_paths[j], ref_tasks[j]
+            if aux_path and os.path.exists(aux_path):
+                references_for_first_frame.append({'image_np': np.array(Image.open(aux_path).convert("RGB")), 'task': aux_task})
+                log_history += f"  - Usando ref. auxiliar: {os.path.basename(aux_path)} (Tarefa: {aux_task})\n"
+        
+        first_prompt = storyboard[0]
+        output_path = os.path.join(WORKSPACE_DIR, "keyframe_1.png")
+        image = dreamo_generator_singleton.generate_image_with_gpu_management(
+            reference_items=references_for_first_frame, prompt=first_prompt, width=width, height=height
+        )
+        image.save(output_path)
+        keyframe_paths.append(output_path)
+        current_ref_image_path = output_path
+        
+        for i, prompt in enumerate(storyboard[1:], start=1):
+            log_history += f"\nPintando Cena Sequencial {i+1}/{len(storyboard)}...\n"
+            yield {keyframe_log_output: gr.update(value=log_history), keyframe_gallery_output: gr.update(value=keyframe_paths)}
+            
+            reference_items_for_dreamo = []
+            sequential_ref_task = ref_tasks[0]
+            reference_items_for_dreamo.append({'image_np': np.array(Image.open(current_ref_image_path).convert("RGB")), 'task': sequential_ref_task})
+            log_history += f"  - Usando ref. sequencial: {os.path.basename(current_ref_image_path)} (Tarefa: {sequential_ref_task})\n"
+
+            for j in range(1, num_total_refs):
+                aux_path, aux_task = ref_paths[j], ref_tasks[j]
+                if aux_path and os.path.exists(aux_path):
+                    reference_items_for_dreamo.append({'image_np': np.array(Image.open(aux_path).convert("RGB")), 'task': aux_task})
+                    log_history += f"  - Usando ref. auxiliar: {os.path.basename(aux_path)} (Tarefa: {aux_task})\n"
+
+            output_path = os.path.join(WORKSPACE_DIR, f"keyframe_{i+1}.png")
+            image = dreamo_generator_singleton.generate_image_with_gpu_management(
+                reference_items=reference_items_for_dreamo, prompt=prompt, width=width, height=height
+            )
+            image.save(output_path)
+            keyframe_paths.append(output_path)
+            current_ref_image_path = output_path
+
+    except Exception as e:
+        raise gr.Error(f"O Pintor (DreamO) encontrou um erro: {e}")
+    finally:
+        dreamo_generator_singleton.to_cpu()
+        
+    log_history += "\nPintura de todos os keyframes concluída.\n"
+    yield {keyframe_log_output: gr.update(value=log_history), keyframe_gallery_output: gr.update(value=keyframe_paths), keyframe_images_state: keyframe_paths}
+
+####
+# Gera um único prompt de movimento para uma transição, usando Gemini.
+# Atua como a "consciência" do Cineasta. Analisa uma mídia de partida e uma
+# imagem de chegada para descrever como a câmera deve se mover.
+# Usa uma lógica bifocal e espera ativa para robustez.
+####
+def get_single_motion_prompt(user_prompt: str, story_history: str, start_media_path: str, end_keyframe_path: str, prompt_filename: str):
+    if not GEMINI_API_KEY:
+        raise gr.Error("Chave da API Gemini não configurada!")
+
+    uploaded_file = None
+    try:
+        genai.configure(api_key=GEMINI_API_KEY)
+        model = genai.GenerativeModel('gemini-1.5-flash')
+
+        print(f"Cineasta: Fazendo upload do arquivo de contexto '{start_media_path}'...")
+        file_to_upload = genai.upload_file(start_media_path)
+        
+        print(f"Cineasta: Aguardando arquivo '{file_to_upload.name}' ficar ATIVO...")
+        timeout_seconds = 180
+        start_time = time.time()
+
+        while file_to_upload.state.name == "PROCESSING":
+            if time.time() - start_time > timeout_seconds:
+                genai.delete_file(name=file_to_upload.name)
+                raise TimeoutError(f"Tempo de espera para o processamento do arquivo '{file_to_upload.name}' excedido.")
+            
+            time.sleep(5)
+            file_to_upload = genai.get_file(name=file_to_upload.name)
+        
+        if file_to_upload.state.name != "ACTIVE":
+            raise gr.Error(f"O arquivo de mídia '{file_to_upload.name}' não pôde ser processado. Estado final: {file_to_upload.state.name}")
+        
+        print(f"Cineasta: Arquivo '{file_to_upload.name}' está ATIVO. Gerando prompt...")
+        uploaded_file = file_to_upload
+        
+        end_media = Image.open(end_keyframe_path)
+        
+        prompt_file_path = os.path.join(os.path.dirname(__file__), "prompts", prompt_filename)
+        with open(prompt_file_path, "r", encoding="utf-8") as f:
+            template = f.read()
+        
+        director_prompt = template.format(user_prompt=user_prompt, story_history=story_history)
+        
+        model_contents = [director_prompt, uploaded_file, end_media]
+        response = model.generate_content(model_contents)
+        
+        cleaned_text = response.text.strip()
+        if cleaned_text.startswith("```json"):
+            cleaned_text = cleaned_text[len("```json"):].strip()
+        if cleaned_text.endswith("```"):
+            cleaned_text = cleaned_text[:-len("```")].strip()
+        
+        try:
+            motion_data = json.loads(cleaned_text)
+            final_prompt = motion_data.get("motion_prompt", "")
+            if not final_prompt:
+                raise ValueError("Prompt de movimento vazio no JSON.")
+            return final_prompt
+        except (json.JSONDecodeError, ValueError):
+            return cleaned_text.replace("\"", "").replace("{", "").replace("}", "").replace("motion_prompt:", "").strip()
+
+    except Exception as e:
+        response_text = getattr(e, 'text', 'Nenhuma resposta de texto disponível.')
+        raise gr.Error(f"O Cineasta (Gemini) falhou ao criar o prompt de movimento: {e}. Resposta: {response_text}")
+    
+    finally:
+        if uploaded_file:
+            try:
+                genai.delete_file(uploaded_file.name)
+            except Exception as delete_e:
+                print(f"Aviso: Falha ao deletar o arquivo temporário {uploaded_file.name} da API Gemini. Erro: {delete_e}")
+
+####
+# Orquestra a produção de todos os fragmentos de vídeo.
+# Implementa a lógica central da arquitetura ADUC-SDR para a geração de vídeo:
+# 1. Fragmento 1: Gerado a partir da transição do Keyframe 1 para o Keyframe 2.
+# 2. Fragmentos Subsequentes: Gerados a partir do "eco" do vídeo anterior para o
+#    próximo keyframe na sequência.
+####
+def run_video_production(prompt_geral, keyframe_image_paths, scene_storyboard, seed, cfg, progress=gr.Progress()):
+    if not keyframe_image_paths or len(keyframe_image_paths) < 2:
+        raise gr.Error("Pinte pelo menos 2 keyframes na Etapa 2 para produzir as transições.")
+
+    log_history = "\n--- FASE 3/4: A Câmera e o Cineasta estão filmando em sequência just-in-time...\n"
+    yield {production_log_output: log_history, video_gallery_glitch: []}
+    
+    video_fragments = []
+    
+    previous_media_path = keyframe_image_paths[0]
+    
+    story_history = ""
+    with Image.open(keyframe_image_paths[0]) as img:
+        width, height = img.size
+
+    num_transitions = len(keyframe_image_paths) - 1
+    for i in range(num_transitions):
+        start_media_path = previous_media_path
+        end_keyframe_path = keyframe_image_paths[i+1]
+        
+        is_first_fragment = (i == 0)
+        
+        fragment_num = i + 1
+        progress(i / num_transitions, desc=f"Planejando e Filmando Fragmento {fragment_num}/{num_transitions}")
+        
+        log_history += f"\n--- FRAGMENTO {fragment_num} ---\n"
+        log_history += "Cineasta (Gemini) está analisando a cena anterior e a próxima...\n"
+        yield {production_log_output: log_history}
+        
+        if is_first_fragment:
+            prompt_filename_to_use = "director_motion_prompt.txt"
+            story_history = f"A história começa com a transição da cena '{scene_storyboard[0]}' para '{scene_storyboard[1]}'."
+        else:
+            prompt_filename_to_use = "director_motion_prompt_transition.txt"
+            story_history += f"\n- Em seguida, a cena muda de '{scene_storyboard[i]}' para '{scene_storyboard[i+1]}'."
+
+        current_motion_prompt = get_single_motion_prompt(prompt_geral, story_history, start_media_path, end_keyframe_path, prompt_filename_to_use)
+
+        log_history += f"Instrução do Cineasta ({prompt_filename_to_use}): '{current_motion_prompt}'\n"
+        log_history += f"Filmando transição de '{os.path.basename(start_media_path)}' para '{os.path.basename(end_keyframe_path)}'...\n"
+        yield {production_log_output: log_history}
+
+        end_frame_index = VIDEO_TOTAL_FRAMES - CONVERGENCE_FRAMES
+        conditioning_items_data = [(start_media_path, 0, 1.0), (end_keyframe_path, end_frame_index, 1.0)]
+        
+        fragment_path = run_ltx_animation(fragment_num, current_motion_prompt, conditioning_items_data, width, height, seed, cfg, progress)
+        video_fragments.append(fragment_path)
+        
+        log_history += f"Fragmento {fragment_num} filmado. Extraindo memória física para a próxima cena...\n"
+        yield {production_log_output: log_history, video_gallery_glitch: video_fragments}
+        
+        previous_media_path = extract_final_frames_video(fragment_path, fragment_num, CONVERGENCE_FRAMES)
+        
+    log_history += "\nFilmagem de todos os fragmentos de transição concluída.\n"
+    progress(1.0, desc="Produção Concluída.")
+    yield {production_log_output: log_history, video_gallery_glitch: video_fragments, fragment_list_state: video_fragments}
+
+####
+# Extrai os últimos N frames de um vídeo para criar o "clipe de convergência" ou "eco".
+# Esta é a etapa de "Destilação" da arquitetura ADUC-SDR. O clipe gerado
+# serve como o ponto de partida (Contexto Causal) para a próxima animação.
+# O comando FFmpeg é robustecido para garantir compatibilidade com a API do Google.
+####
+def extract_final_frames_video(input_video_path: str, fragment_index: int, num_frames: int):
+    output_video_path = os.path.join(WORKSPACE_DIR, f"convergence_clip_{fragment_index}.mp4")
+    if not os.path.exists(input_video_path): raise gr.Error(f"Erro Interno: Vídeo de entrada para extração não encontrado: {input_video_path}")
+    try:
+        command_probe = f"ffprobe -v error -select_streams v:0 -count_frames -show_entries stream=nb_read_frames -of default=noprint_wrappers=1:nokey=1 \"{input_video_path}\""
+        result_probe = subprocess.run(command_probe, shell=True, check=True, capture_output=True, text=True); total_frames = int(result_probe.stdout.strip())
+        start_frame_index = total_frames - num_frames
+        if start_frame_index < 0:
+            shutil.copyfile(input_video_path, output_video_path); return output_video_path
+        
+        command_extract = (
+            f"ffmpeg -y -v error -i \"{input_video_path}\" "
+            f"-vf \"select='gte(n,{start_frame_index})'\" "
+            f"-c:v libx264 -profile:v baseline -level 3.0 -pix_fmt yuv420p "
+            f"-an \"{output_video_path}\""
+        )
+        
+        subprocess.run(command_extract, shell=True, check=True, capture_output=True, text=True); return output_video_path
+    except (subprocess.CalledProcessError, ValueError) as e:
+        error_message = f"Editor Mágico (FFmpeg) falhou ao extrair o clipe de convergência: {e}"
+        if hasattr(e, 'stderr'): error_message += f"\nDetalhes: {e.stderr}"
+        raise gr.Error(error_message)
+
+####
+# Realiza a pós-produção, unindo todos os fragmentos de vídeo em uma obra final.
+# Atua como o "Editor". Remove a sobreposição de "eco" entre os clipes e os concatena.
+####
+def concatenate_and_trim_masterpiece(fragment_paths: list, progress=gr.Progress()):
+    if not fragment_paths: raise gr.Error("Nenhum fragmento de vídeo para concatenar.")
+    progress(0.2, desc="Aparando fragmentos para transições suaves...");
+    trimmed_dir = os.path.join(WORKSPACE_DIR, "trimmed"); os.makedirs(trimmed_dir, exist_ok=True)
+    paths_for_concat = []
+    try:
+        for i, path in enumerate(fragment_paths):
+            if i == len(fragment_paths) - 1:
+                paths_for_concat.append(path)
+                continue
+
+            trimmed_path = os.path.join(trimmed_dir, f"fragment_{i}_trimmed.mp4")
+            probe_cmd = f"ffprobe -v error -select_streams v:0 -count_frames -show_entries stream=nb_read_frames -of default=noprint_wrappers=1:nokey=1 \"{path}\""
+            result = subprocess.run(probe_cmd, shell=True, check=True, capture_output=True, text=True)
+            total_frames = int(result.stdout.strip())
+            frames_to_keep = total_frames - CONVERGENCE_FRAMES
+            if frames_to_keep <= 0:
+                shutil.copyfile(path, trimmed_path)
+                paths_for_concat.append(trimmed_path)
+                continue
+            
+            trim_cmd = f"ffmpeg -y -v error -i \"{path}\" -vf \"select='lt(n,{frames_to_keep})'\" -c:v libx264 -preset ultrafast -an \"{trimmed_path}\""
+            subprocess.run(trim_cmd, shell=True, check=True, capture_output=True, text=True)
+            paths_for_concat.append(trimmed_path)
+
+        progress(0.6, desc="Montando a obra-prima final...")
+        list_file_path = os.path.join(WORKSPACE_DIR, "concat_list.txt"); final_output_path = os.path.join(WORKSPACE_DIR, "obra_prima_final.mp4")
+        with open(list_file_path, "w") as f:
+            for p in paths_for_concat: f.write(f"file '{os.path.abspath(p)}'\n")
+        concat_cmd = f"ffmpeg -y -v error -f concat -safe 0 -i \"{list_file_path}\" -c copy \"{final_output_path}\""
+        subprocess.run(concat_cmd, shell=True, check=True, capture_output=True, text=True)
+        return final_output_path
+    except (subprocess.CalledProcessError, ValueError) as e:
+        error_message = f"FFmpeg falhou durante a pós-produção (corte e concatenação): {e}"
+        if hasattr(e, 'stderr'): error_message += f"\nDetalhes do erro do FFmpeg: {e.stderr}"
+        raise gr.Error(error_message)
+
+# --- Ato 5: A Interface com o Mundo (A UI Restaurada e Aprimorada) ---
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# NOVINHO-4.2 (Piloto de Testes - Arquitetura Estabilizada)\n*By Carlex & Gemini & DreamO*")
+    
+    if os.path.exists(WORKSPACE_DIR): shutil.rmtree(WORKSPACE_DIR)
+    os.makedirs(WORKSPACE_DIR)
+    Path("examples").mkdir(exist_ok=True)
+    
+    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("")
+    visible_references_state = gr.State(0)
+
+    # --- ETAPA 1: O ROTEIRO ---
+    gr.Markdown("--- \n ## ETAPA 1: O ROTEIRO (Sonhador)")
+    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 Cenas")
+            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 de Cenas", variant="primary")
+        with gr.Column(scale=2):
+            storyboard_to_show = gr.JSON(label="Roteiro de Cenas Gerado")
+            
+    # --- ETAPA 2: OS KEYFRAMES ---
+    gr.Markdown("--- \n ## ETAPA 2: OS KEYFRAMES (Pintor)")
+    with gr.Row():
+        with gr.Column(scale=2):
+            gr.Markdown("### Controles do Pintor (DreamO)")
+            gr.Markdown("**Tarefas:** `style` (estilo), `ip` (conteúdo), `id` (identidade).")
+            ref_image_inputs, ref_task_inputs, aux_ref_rows = [], [], []
+            with gr.Group():
+                with gr.Row():
+                    ref_image_inputs.append(gr.Image(label="Referência Sequencial (Automática)", type="filepath", interactive=False))
+                    ref_task_inputs.append(gr.Dropdown(choices=["ip", "id", "style"], value="style", label="Tarefa Seq."))
+            for i in range(MAX_REFS):
+                with gr.Row(visible=False) as ref_row_aux:
+                    ref_image_inputs.append(gr.Image(label=f"Ref. Auxiliar {i+1}", type="filepath"))
+                    ref_task_inputs.append(gr.Dropdown(choices=["ip", "id", "style"], value="ip", label=f"Tarefa Aux. {i+1}"))
+                aux_ref_rows.append(ref_row_aux)
+            with gr.Row():
+                add_ref_button = gr.Button("➕ Add Ref.")
+                remove_ref_button = gr.Button("➖ Rem. Ref.")
+            photographer_button = gr.Button("▶️ 2. Pintar Imagens-Chave", variant="primary")
+        with gr.Column(scale=1):
+            keyframe_log_output = gr.Textbox(label="Diário de Bordo do Pintor", lines=15, interactive=False)
+            keyframe_gallery_output = gr.Gallery(label="Imagens-Chave Pintadas", object_fit="contain", height="auto", type="filepath")
+
+    # --- ETAPA 3: A PRODUÇÃO ---
+    gr.Markdown("--- \n ## ETAPA 3: A PRODUÇÃO (Cineasta e 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")
+            animator_button = gr.Button("▶️ 3. Produzir Cenas em Vídeo", variant="primary")
+            production_log_output = gr.Textbox(label="Diário de Bordo da Produção", lines=10, interactive=False)
+        with gr.Column(scale=1):
+            video_gallery_glitch = gr.Gallery(label="Fragmentos Gerados (com sobreposição)", object_fit="contain", height="auto", type="video")
+    
+    # --- ETAPA 4: PÓS-PRODUÇÃO ---
+    gr.Markdown(f"--- \n ## ETAPA 4: PÓS-PRODUÇÃO (Editor)")
+    editor_button = gr.Button("▶️ 4. Montar Vídeo Final", variant="primary")
+    final_video_output = gr.Video(label="A Obra-Prima Final", width=TARGET_RESOLUTION)
+
+    # --- Rodapé Filosófico ---
+    gr.Markdown(
+        """
+        ---
+        ### A Arquitetura ADUC-SDR: O Esquema Matemático
+        A geração de vídeo é governada por uma função seccional que define como cada fragmento (`V_i`) é criado. A fórmula muda dependendo se estamos no **"Gênesis"** da história ou na **"Cadeia Causal"** que se segue.
+
+        ---
+        #### **FÓRMULA 1: O FRAGMENTO INICIAL (Gênesis, `i=1`)**
+        *Define a criação do primeiro clipe a partir de imagens estáticas.*
+
+        **Ato 1: Planejamento Inicial (`P_1`)**
+        `P_1 = Γ_initial( K_1, K_2, P_geral )`
+
+        **Ato 2: Execução Inicial (`V_1`)**
+        `V_1 = Ψ( { (K_1, F_start), (K_2, F_end) }, P_1 )`
+
+        ---
+        #### **FÓRMULA 2: A CADEIA CAUSAL (Momentum, `i > 1`)**
+        *Define a criação dos fragmentos subsequentes, garantindo a continuidade através do "eco".*
+
+        **Ato 0: Destilação do Eco (`C_(i-1)`)**
+        `C_(i-1) = Δ(V_(i-1))`
+
+        **Ato 1: Planejamento de Continuidade (`P_i`)**
+        `P_i = Γ_transition( C_(i-1), K_(i+1), P_geral, H_(i-1) )`
+
+        **Ato 2: Execução Causal (`V_i`)**
+        `V_i = Ψ( { (C_(i-1), F_start), (K_(i+1), F_end) }, P_i )`
+
+        ---
+        #### **Componentes (O Léxico da Arquitetura):**
+        - **`V_i`**: Fragmento de Vídeo
+        - **`K_i`**: Keyframe (Imagem Estática)
+        - **`C_i`**: "Eco" Causal (Clipe de Vídeo)
+        - **`P_i`**: Prompt de Movimento
+        - **`P_geral`**: Prompt Geral (Intenção do Diretor)
+        - **`H_i`**: Histórico Narrativo
+        - **`Γ`**: Cineasta (Gerador de Prompt)
+        - **`Ψ`**: Câmera (Gerador de Vídeo)
+        - **`Δ`**: Editor (Extrator de "Eco")
+        - **`F_start`, `F_end`**: Constantes de Frame (Âncoras Temporais)
+        """
+    )
+
+
+    # --- Ato 6: A Regência (Lógica de Conexão dos Botões) ---
+    def update_reference_visibility(current_count, action):
+        if action == "add": new_count = min(MAX_REFS, current_count + 1)
+        else: new_count = max(0, current_count - 1)
+        return [new_count] + [gr.update(visible=(i < new_count)) for i in range(MAX_REFS)]
+
+    add_ref_button.click(fn=update_reference_visibility, inputs=[visible_references_state, gr.State("add")], outputs=[visible_references_state] + aux_ref_rows)
+    remove_ref_button.click(fn=update_reference_visibility, inputs=[visible_references_state, gr.State("remove")], outputs=[visible_references_state] + aux_ref_rows)
+
+    director_button.click(
+        fn=get_static_scenes_storyboard, 
+        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=[ref_image_inputs[0]]
+    )
+    
+    photographer_button.click(
+        fn=run_keyframe_generation, 
+        inputs=[scene_storyboard_state, processed_ref_path_state] + ref_image_inputs + ref_task_inputs, 
+        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],
+        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)