Upload ai_studio_code (99).py

ai_studio_code (99).py

@@ -0,0 +1,553 @@
+# 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_demo.py (NOVINHO-6.2: Demo Version) ---
+
+# --- 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
+import spaces
+
+# --- Variável de Controle do Modo Demo ---
+# Para habilitar a funcionalidade completa, mude esta variável para True.
+# Isso requer que o Space esteja rodando em um hardware de GPU.
+ENABLE_MODELS = False
+
+# Importações condicionais que dependem dos modelos
+if ENABLE_MODELS:
+    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
+else:
+    # Definimos placeholders para que o resto do código não falhe na importação
+    ConditioningItem = dict
+
+# --- Ato 2: A Preparação do Palco (Configurações Condicionais) ---
+if ENABLE_MODELS:
+    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)
+    
+    print("MODO COMPLETO ATIVADO: Carregando 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).")
+else:
+    # Em modo demo, definimos as variáveis dos modelos como None para evitar erros.
+    pipeline_instance = None
+    dreamo_generator_singleton = None
+    PIPELINE_CONFIG_YAML = {}
+    print("MODO DEMO ATIVADO: Carregamento de modelos pesados ignorado.")
+
+WORKSPACE_DIR = "aduc_workspace"
+GEMINI_API_KEY = os.environ.get("GEMINI_API_KEY")
+VIDEO_FPS = 24
+TARGET_RESOLUTION = 420
+
+
+# --- Ato 3: As Partituras dos Músicos (Funções de Geração e Análise) ---
+
+def robust_json_parser(raw_text: str) -> dict:
+    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:
+    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):
+    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! Esta função requer uma chave, mesmo em modo demo.")
+    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-1.5-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}")
+
+def get_dreamo_prompt_for_transition(previous_image_path: str, target_scene_description: str) -> str:
+    if not GEMINI_API_KEY: raise gr.Error("Chave da API Gemini não configurada!")
+    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-1.5-flash'); img = Image.open(previous_image_path)
+    response = model.generate_content([director_prompt, "Previous Image:", img])
+    return response.text.strip().replace("\"", "")
+
+@spaces.GPU(duration=180)
+def run_keyframe_generation(storyboard, ref_images_tasks, progress=gr.Progress()):
+    if not ENABLE_MODELS or dreamo_generator_singleton is None:
+        raise gr.Error("Modo Demo Ativado! Para gerar imagens, clone este Space, mude a variável 'ENABLE_MODELS' para True no arquivo app.py e use hardware de GPU.")
+    
+    if not storyboard: raise gr.Error("Nenhum roteiro para gerar keyframes.")
+    initial_ref_image_path = ref_images_tasks[0]['image']
+    if not initial_ref_image_path or not os.path.exists(initial_ref_image_path): raise gr.Error("A imagem de referência principal (à esquerda) é obrigatória.")
+    log_history = ""; generated_images_for_gallery = [] 
+    try:
+        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)
+            reference_items = []
+            fixed_references_basenames = [os.path.basename(item['image']) for item in ref_images_tasks if item['image']]
+            for item in ref_images_tasks:
+                if item['image']:
+                    reference_items.append({'image_np': np.array(Image.open(item['image']).convert("RGB")), 'task': item['task']})
+            dynamic_references_paths = keyframe_paths[-3:]
+            for ref_path in dynamic_references_paths:
+                if os.path.basename(ref_path) not in fixed_references_basenames:
+                    reference_items.append({'image_np': np.array(Image.open(ref_path).convert("RGB")), 'task': 'ip'})
+            log_history += f"  - Roteiro: '{scene_description}'\n  - Usando {len(reference_items)} referências visuais.\n  - 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=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:
+        if ENABLE_MODELS:
+            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}
+
+def get_initial_motion_prompt(user_prompt: str, start_image_path: str, destination_image_path: str, dest_scene_desc: str):
+    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-1.5-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_media_path, path_image_path, destination_image_path, path_scene_desc, dest_scene_desc):
+    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-1.5-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)
+        with imageio.get_reader(memory_media_path) as reader:
+            mem_img = Image.fromarray(reader.get_data(0))
+        path_img, dest_img = Image.open(path_image_path), Image.open(destination_image_path)
+        model_contents = ["START Image (from Kinetic Echo):", 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.')}")
+
+@spaces.GPU(duration=360)
+def run_video_production(
+    video_duration_seconds, video_fps, eco_video_frames, use_attention_slicing,
+    fragment_duration_frames, mid_cond_strength, num_inference_steps,
+    prompt_geral, keyframe_images_state, scene_storyboard, cfg, 
+    progress=gr.Progress()
+):
+    if not ENABLE_MODELS or pipeline_instance is None:
+        raise gr.Error("Modo Demo Ativado! Para gerar vídeos, clone este Space, mude a variável 'ENABLE_MODELS' para True no arquivo app.py e use hardware de GPU.")
+    
+    video_total_frames = int(video_duration_seconds * video_fps)
+    if not keyframe_images_state or len(keyframe_images_state) < 3: raise gr.Error("Pinte pelo menos 2 keyframes para produzir uma transição.")
+    if int(fragment_duration_frames) > video_total_frames:
+        raise gr.Error(f"A 'Duração de Cada Fragmento' ({fragment_duration_frames} frames) não pode ser maior que a 'Duração da Geração Bruta' ({video_total_frames} frames).")
+
+    log_history = "\n--- FASE 3/4: Iniciando Produção (Eco + Déjà Vu)...\n"
+    yield {
+        production_log_output: log_history, video_gallery_glitch: [],
+        prod_media_start_output: gr.update(value=None),
+        prod_media_mid_output: gr.update(value=None, visible=False),
+        prod_media_end_output: gr.update(value=None),
+    }
+    
+    seed = int(time.time())
+    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"Preparando Fragmento {fragment_num}...")
+            log_history += f"\n--- FRAGMENTO {fragment_num}/{num_transitions} ---\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, 0, 1.0), (destination_path, int(video_total_frames), 1.0)]
+                yield {
+                    production_log_output: gr.update(value=log_history),
+                    prod_media_start_output: gr.update(value=start_path),
+                    prod_media_mid_output: gr.update(value=None, visible=False),
+                    prod_media_end_output: gr.update(value=destination_path),
+                }
+            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 (Vídeo): {os.path.basename(memory_path)}\n  - Caminho: {os.path.basename(path_path)}\n  - Destino: {os.path.basename(destination_path)}\n"
+                mid_cond_frame_calculated = int(video_total_frames - fragment_duration_frames + eco_video_frames)
+                log_history += f"  - Frame de Condicionamento do 'Caminho' calculado: {mid_cond_frame_calculated}\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, 0, 1.0), (path_path, mid_cond_frame_calculated, mid_cond_strength), (destination_path, int(video_total_frames), 1.0)]
+                yield {
+                    production_log_output: gr.update(value=log_history),
+                    prod_media_start_output: gr.update(value=memory_path),
+                    prod_media_mid_output: gr.update(value=path_path, visible=True),
+                    prod_media_end_output: gr.update(value=destination_path),
+                }
+
+            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}
+            
+            progress(i / num_transitions, desc=f"Filmando Fragmento {fragment_num}...")
+            full_fragment_path, actual_frames_generated = run_ltx_animation(
+                current_fragment_index=fragment_num, motion_prompt=current_motion_prompt, 
+                conditioning_items_data=conditioning_items_data, width=width, height=height, 
+                seed=seed, cfg=cfg, progress=progress,
+                video_total_frames=video_total_frames, video_fps=video_fps,
+                use_attention_slicing=use_attention_slicing, num_inference_steps=num_inference_steps
+            )
+            log_history += f"  - LOG: Gerei o fragmento_{fragment_num} bruto com {actual_frames_generated} frames.\n"
+            yield {production_log_output: log_history}
+            trimmed_fragment_path = os.path.join(WORKSPACE_DIR, f"fragment_{fragment_num}_trimmed.mp4")
+            trim_video_to_frames(full_fragment_path, trimmed_fragment_path, int(fragment_duration_frames))
+            log_history += f"  - LOG: Reduzi o fragmento_{fragment_num} para {int(fragment_duration_frames)} frames.\n"
+            yield {production_log_output: log_history}
+            is_last_fragment = (i == num_transitions - 1)
+            if not is_last_fragment:
+                eco_output_path = os.path.join(WORKSPACE_DIR, f"eco_from_frag_{fragment_num}.mp4")
+                kinetic_memory_path = extract_last_n_frames_as_video(trimmed_fragment_path, eco_output_path, int(eco_video_frames))
+                log_history += f"  - LOG: Gerei o eco com {int(eco_video_frames)} frames a partir do final do fragmento reduzido.\n"
+                log_history += f"  - Novo Eco Cinético (Vídeo) criado: {os.path.basename(kinetic_memory_path)}\n"
+            else:
+                 log_history += f"  - Este é o último fragmento, não é necessário gerar um eco.\n"
+            video_fragments.append(trimmed_fragment_path)
+            yield {production_log_output: log_history, video_gallery_glitch: video_fragments}
+        progress(1.0, desc="Produção Concluída.")
+        log_history += "\nProdução de todos os fragmentos concluída.\n"
+        yield {production_log_output: log_history, video_gallery_glitch: video_fragments, fragment_list_state: video_fragments}
+    finally:
+        if ENABLE_MODELS:
+            pipeline_instance.to('cpu')
+            gc.collect()
+            torch.cuda.empty_cache()
+
+def process_image_to_square(image_path: str, size: int = TARGET_RESOLUTION) -> str:
+    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:
+    if not ENABLE_MODELS: return None
+    if media_path.lower().endswith(('.mp4', '.mov', '.avi')):
+        with imageio.get_reader(media_path) as reader:
+            first_frame_np = reader.get_data(0)
+        temp_img_path = os.path.join(WORKSPACE_DIR, f"temp_frame_from_{os.path.basename(media_path)}.png")
+        Image.fromarray(first_frame_np).save(temp_img_path)
+        return load_image_to_tensor_with_resize_and_crop(temp_img_path, height, width)
+    else:
+        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,
+    video_total_frames, video_fps, use_attention_slicing, num_inference_steps
+):
+    if not ENABLE_MODELS: return None, 0
+    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:
+        if use_attention_slicing: 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)
+        first_pass_config = PIPELINE_CONFIG_YAML.get("first_pass", {}).copy()
+        first_pass_config['num_inference_steps'] = int(num_inference_steps)
+        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": first_pass_config.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, "num_inference_steps": int(num_inference_steps)}
+        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[:, :, :actual_num_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:
+        if ENABLE_MODELS and use_attention_slicing:
+            pipeline_instance.disable_attention_slicing()
+
+def trim_video_to_frames(input_path: str, output_path: str, frames_to_keep: int) -> str:
+    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_n_frames_as_video(input_path: str, output_path: str, n_frames: int) -> str:
+    try:
+        cmd_probe = f"ffprobe -v error -select_streams v:0 -count_frames -show_entries stream=nb_read_frames -of default=nokey=1:noprint_wrappers=1 \"{input_path}\""
+        result = subprocess.run(cmd_probe, shell=True, check=True, text=True, capture_output=True)
+        total_frames = int(result.stdout.strip())
+        if n_frames >= total_frames:
+             shutil.copyfile(input_path, output_path)
+             return output_path
+        start_frame = total_frames - n_frames
+        cmd_ffmpeg = f"ffmpeg -y -v error -i \"{input_path}\" -vf \"select='gte(n,{start_frame})'\" -vframes {n_frames} -an \"{output_path}\""
+        subprocess.run(cmd_ffmpeg, shell=True, check=True, text=True)
+        return output_path
+    except (subprocess.CalledProcessError, ValueError) as e:
+        raise gr.Error(f"FFmpeg falhou ao extrair os últimos {n_frames} frames: {getattr(e, 'stderr', str(e))}")
+
+def concatenate_and_trim_masterpiece(fragment_paths: list, fragment_duration_frames: int, eco_video_frames: int, progress=gr.Progress()):
+    if not fragment_paths: raise gr.Error("Nenhum fragmento de vídeo para concatenar.")
+    progress(0.1, desc="Preparando fragmentos para montagem final...");
+    try:
+        list_file_path = os.path.join(WORKSPACE_DIR, "concat_list.txt")
+        final_output_path = os.path.join(WORKSPACE_DIR, "masterpiece_final.mp4")
+        temp_files_for_concat = []
+        final_clip_len = int(fragment_duration_frames - eco_video_frames)
+        for i, p in enumerate(fragment_paths):
+            if i == len(fragment_paths) - 1:
+                temp_files_for_concat.append(os.path.abspath(p))
+                progress(0.1 + (i / len(fragment_paths)) * 0.8, desc=f"Mantendo último fragmento: {os.path.basename(p)}")
+            else:
+                temp_path = os.path.join(WORKSPACE_DIR, f"temp_concat_{i}.mp4")
+                progress(0.1 + (i / len(fragment_paths)) * 0.8, desc=f"Cortando {os.path.basename(p)} para {final_clip_len} frames")
+                trim_video_to_frames(p, temp_path, final_clip_len)
+                temp_files_for_concat.append(temp_path)
+        progress(0.9, desc="Concatenando clipes...")
+        with open(list_file_path, "w") as f:
+            for p_temp in temp_files_for_concat: f.write(f"file '{p_temp}'\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("# NOVIM-6.2 (Painel de Controle do Diretor)\n*By Carlex & Gemini & DreamO - Versão de Demonstração*")
+    
+    if not ENABLE_MODELS:
+        gr.Warning(
+            """
+            **MODO DE DEMONSTRAÇÃO ATIVADO**
+            Você pode explorar a interface e usar a "Etapa 1: Gerar Roteiro" se tiver uma chave da API Gemini configurada.
+            Para habilitar a geração de imagens e vídeos (Etapas 2 e 3), você precisa:
+            1. **Fork este Space:** Clique no menu de três pontos ao lado do título e selecione "Duplicate this Space".
+            2. **Escolha um Hardware de GPU:** Na tela de duplicação, selecione um hardware de GPU (ex: T4 Small).
+            3. **Edite o `app.py`:** Na aba "Files" do seu novo Space, edite o arquivo `app.py`.
+            4. **Ative os Modelos:** Mude a linha `ENABLE_MODELS = False` para `ENABLE_MODELS = True`.
+            5. Salve o arquivo. O Space será reiniciado com a funcionalidade completa.
+            """
+        )
+
+    if os.path.exists(WORKSPACE_DIR): shutil.rmtree(WORKSPACE_DIR)
+    os.makedirs(WORKSPACE_DIR); Path("prompts").mkdir(exist_ok=True)
+    
+    scene_storyboard_state, keyframe_images_state, fragment_list_state = gr.State([]), gr.State([]), gr.State([])
+    prompt_geral_state, processed_ref_path_state = gr.State(""), gr.State("")
+
+    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, 5, 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("Forneça referências para guiar a IA. A Principal é obrigatória. A Secundária é opcional (ex: para estilo ou uma segunda pessoa).")
+            with gr.Row():
+                with gr.Column():
+                    ref1_image = gr.Image(label="Referência Principal (Conteúdo/ID)", type="filepath")
+                    ref1_task = gr.Dropdown(choices=["ip", "id", "style"], value="ip", label="Tarefa da Ref. Principal")
+                with gr.Column():
+                    ref2_image = gr.Image(label="Referência Secundária (Opcional)", type="filepath")
+                    ref2_task = gr.Dropdown(choices=["ip", "id", "style"], value="style", label="Tarefa da Ref. Secundária")
+            photographer_button = gr.Button("▶️ 2. Pintar Imagens-Chave em Cadeia", 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")
+
+    gr.Markdown("--- \n ## ETAPA 3: A PRODUÇÃO (IA Cineasta & Câmera)")
+    with gr.Row():
+        with gr.Column(scale=1):
+            cfg_slider = gr.Slider(1.0, 10.0, 2.5, step=0.1, label="CFG")
+            with gr.Accordion("Controles Avançados de Timing e Performance", open=False):
+                video_duration_slider = gr.Slider(label="Duração da Geração Bruta (segundos)", minimum=2.0, maximum=10.0, value=6.0, step=0.5)
+                video_fps_slider = gr.Slider(label="FPS do Vídeo", minimum=12, maximum=30, value=30, step=1)
+                num_inference_steps_slider = gr.Slider(label="Etapas de Inferência", minimum=10, maximum=50, value=30, step=1)
+                slicing_checkbox = gr.Checkbox(label="Usar Attention Slicing (Economiza VRAM)", value=True)
+                gr.Markdown("---"); gr.Markdown("#### Controles de Duração (Arquitetura Eco + Déjà Vu)")
+                fragment_duration_slider = gr.Slider(label="Duração de Cada Fragmento (Frames)", minimum=30, maximum=300, value=90, step=1)
+                eco_frames_slider = gr.Slider(label="Tamanho do Eco Cinético (Frames)", minimum=4, maximum=48, value=8, step=1)
+                mid_cond_strength_slider = gr.Slider(label="Força do 'Caminho'", minimum=0.1, maximum=1.0, value=0.5, step=0.05)
+            gr.Markdown(
+                """
+                **Instruções (Nova Arquitetura):**
+                - **Duração da Geração Bruta:** Tempo total que a IA tem para criar a transição. Deve ser MAIOR que a Duração do Fragmento.
+                - **Duração de Cada Fragmento:** O comprimento final de cada clipe de vídeo que será gerado.
+                - **Tamanho do Eco Cinético:** Quantos frames do *final* de um fragmento serão passados para o próximo para garantir continuidade.
+                - **Força do Caminho:** Define o quão forte a imagem-chave intermediária ('Caminho') influencia a transição.
+                """
+            )
+            animator_button = gr.Button("▶️ 3. Produzir Cenas (Handoff Cinético)", variant="primary")
+            with gr.Accordion("Visualização das Mídias de Condicionamento (Ao Vivo)", open=True):
+                with gr.Row():
+                    prod_media_start_output = gr.Video(label="Mídia Inicial (Eco/K1)", interactive=False)
+                    prod_media_mid_output = gr.Image(label="Mídia do Caminho (K_i-1)", interactive=False, visible=False)
+                    prod_media_end_output = gr.Image(label="Mídia de Destino (K_i)", interactive=False)
+            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 (Versões Cortadas)", object_fit="contain", height="auto", type="video")
+    
+    fragment_duration_state = gr.State()
+    eco_frames_state = gr.State()
+    
+    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)
+
+    gr.Markdown(
+        """
+        ---
+        ### A Arquitetura: Eco + Déjà Vu
+        A geração começa com um "Big Bang" entre os dois primeiros keyframes. A partir daí, a mágica acontece.
+        *   **O Eco (A Memória Física):** No final de cada cena, os últimos frames são capturados e salvos como um pequeno vídeo, o `Eco`. Ele carrega a "energia cinética" do movimento, iluminação e atmosfera da cena que acabou.
+        *   **O Déjà Vu (A Memória Conceitual):** Para criar a próxima cena, o Cineasta de IA (Gemini) assiste ao `Eco`, olha para o keyframe do "caminho" e o keyframe do "destino". Com essa visão tripla, ele tem um "déjà vu", uma memória do que acabou de acontecer que o inspira a escrever uma instrução de câmera precisa para conectar o passado ao futuro de forma fluida e coerente.
+        """
+    )
+    
+    # --- Ato 6: A Regência (Lógica de Conexão dos Botões) ---
+    def process_and_update_storyboard(num_fragments, prompt, image_path):
+        processed_path = process_image_to_square(image_path)
+        if not processed_path: raise gr.Error("A imagem de referência é inválida ou não foi fornecida.")
+        storyboard = run_storyboard_generation(num_fragments, prompt, processed_path)
+        return storyboard, prompt, processed_path
+
+    director_button.click(
+        fn=process_and_update_storyboard, 
+        inputs=[num_fragments_input, prompt_input, image_input], 
+        outputs=[scene_storyboard_state, prompt_geral_state, processed_ref_path_state]
+    ).success(
+        fn=lambda s, p: (s, p),
+        inputs=[scene_storyboard_state, processed_ref_path_state],
+        outputs=[storyboard_to_show, ref1_image]
+    )
+    
+    @photographer_button.click(
+        inputs=[scene_storyboard_state, ref1_image, ref1_task, ref2_image, ref2_task],
+        outputs=[keyframe_log_output, keyframe_gallery_output, keyframe_images_state]
+    )
+    def run_keyframe_generation_wrapper(storyboard, ref1_img, ref1_tsk, ref2_img, ref2_tsk, progress=gr.Progress()):
+        ref_data = [
+            {'image': ref1_img, 'task': ref1_tsk},
+            {'image': ref2_img, 'task': ref2_tsk}
+        ]
+        yield from run_keyframe_generation(storyboard, ref_data, progress)
+
+    animator_button.click(
+        fn=lambda frag_dur, eco_dur: (frag_dur, eco_dur),
+        inputs=[fragment_duration_slider, eco_frames_slider],
+        outputs=[fragment_duration_state, eco_frames_state]
+    ).then(
+        fn=run_video_production,
+        inputs=[
+            video_duration_slider, video_fps_slider, eco_frames_slider, slicing_checkbox,
+            fragment_duration_slider, mid_cond_strength_slider,
+            num_inference_steps_slider,
+            prompt_geral_state, keyframe_images_state, scene_storyboard_state, cfg_slider
+        ],
+        outputs=[
+            production_log_output, video_gallery_glitch, fragment_list_state,
+            prod_media_start_output, prod_media_mid_output, prod_media_end_output
+        ]
+    )
+    
+    editor_button.click(
+        fn=concatenate_and_trim_masterpiece, 
+        inputs=[fragment_list_state, fragment_duration_state, eco_frames_state], 
+        outputs=[final_video_output]
+    )
+
+if __name__ == "__main__":
+    demo.queue().launch(server_name="0.0.0.0", share=True)