Case-lite / Automação editorial

De 57 vídeos brutos a uma fila editorial revisável.

Automação editorial com IA aplicada e controle humano.

PythonGeminiExcelAutomaçãoOperação editorialProduto interno
Lote real processado
57
vídeos processados
Cortes
IA
Excel
Revisão
57

vídeos processados

Lote real do EP001

2

filas geradas

Episódio + fila geral

1

relatório editorial

Markdown por lote

V2

mesa de revisão

Excel com dropdowns

O problema

O gargalo não era criar conteúdo.

O desafio era operar volume sem perder critério. Lotes recorrentes de vídeos curtos exigiam revisão, tema, categoria, renomeação, legendas, hashtags, calendário e status por canal.

O trabalho manual desviava energia da parte mais estratégica: transformar conteúdo bruto em uma fila editorial rastreável, revisável e pronta para decisão humana.

Meu papel

Da especificação ao uso real.

01

Diagnostiquei o fluxo editorial e operacional.

02

Consolidei PRD, spec e critérios de sucesso.

03

Desenhei a arquitetura do app desktop local.

04

Implementei o pipeline em Python com interface gráfica.

05

Integrei Gemini para análise editorial dos vídeos.

06

Modelei exportações em Excel, CSV e Markdown.

07

Evoluí a V2 para uma mesa editorial com revisão humana.

Como funciona

Cortes entram. Uma fila revisável sai.

O usuário seleciona o episódio, o app valida a configuração e a pasta de cortes, mostra uma pré-visualização e só então processa o lote com Gemini. A saída vira cópias renomeadas, planilhas e relatório para revisão humana.

01

Cortes

Vídeos brutos do episódio

02

Scanner

Detecção e pré-visualização

03

Gemini

Transcrição e leitura editorial

04

Motor editorial

Tema, categoria, score e legendas

05

Excel / CSV / Markdown

Fila e relatório do lote

06

Revisão humana

Decisão final antes de publicar

Decisões de produto

IA aplicada sem abrir mão de controle.

IA acelera. Humano revisa.

A IA entra para estruturar e sugerir, mas a decisão editorial final continua humana.

Local antes de plataforma.

Um app desktop reduziu complexidade, preservou controle e evitou dependências prematuras.

Excel como mesa editorial.

A planilha virou ambiente de revisão, com dropdowns, filtros e status operacionais.

Templates para escala.

O primeiro uso foi Papo de Decisão, mas a estrutura nasceu genérica para outros pipelines.

Sem publicação automática.

Publicar direto nas redes ficou fora da V1 para manter segurança, critério e revisão.

Originais preservados.

O app cria cópias renomeadas e evita sobrescrever decisões humanas já tomadas.

Evidências visuais

Placeholders agora. Prints reais depois.

A primeira versão já reserva os espaços certos para evidências higienizadas. Cada slot indica o que será substituído por print real sem expor dados sensíveis.

UI local

Slot futuro: interface do app

Mostra seleção de episódio, pré-visualização, progresso e log operacional.

Excel

Slot futuro: mesa editorial V2

Mostra dropdowns, filtro, cabeçalho congelado e campos de revisão humana.

Relatório

Slot futuro: relatório editorial Markdown

Mostra resumo executivo, leitura editorial e direcionamentos do lote.

Antes / depois

Slot futuro: renomeação segura

Mostra como cortes brutos viram arquivos padronizados sem expor dados sensíveis.

Resultado validado

Validado operacionalmente, não como promessa.

App executado no Windows.

Gemini API configurada no próprio app.

57 vídeos detectados e processados no EP001.

Fila do episódio e fila geral geradas.

Planilhas reais migradas para V2 com backups preservados.

Exportação .xlsx e relatório .md validados tecnicamente.

A qualidade editorial final ainda depende da revisão humana. O próximo salto é medir tempo, custo e qualidade depois de novos lotes revisados.
Como foi construído

Produto + técnica leve.

Python + tkinter/ttk

App desktop local com interface simples.

Gemini API

Análise editorial, transcrição e sugestões por vídeo.

PyYAML

Templates e configuração por episódio.

openpyxl

Mesa editorial em Excel com filtros, dropdowns e cabeçalho congelado.

CSV + Markdown

Fila operacional e relatório editorial por lote.

PyInstaller

Caminho de empacotamento para executável local.

Constraints e segurança

Controle antes de automação total.

A API key fica local e não entra no case.

O app não publica automaticamente em redes sociais.

Caminhos completos, planilhas sensíveis e conteúdo bruto não são expostos.

Custo e tempo por lote ainda precisam ser medidos.

O executável local ainda precisa de validação final.

Próximos passos

O que medir e evoluir.

01

Validar o executável local no Windows.

02

Medir tempo de processamento por lote.

03

Acompanhar custo Gemini por episódio.

04

Revisar qualidade editorial após uso humano real.

05

Adicionar log detalhado por arquivo gerado.

06

Retroalimentar o sistema com decisões humanas da planilha.

Próximo movimento

Quer ver como isso se conecta com outros trabalhos?