Resumo Falado

Transforme texto escrito em áudio que as pessoas realmente vão querer ouvir.

Esta habilidade é deliberadamente uma etapa terminal em uma cadeia. Outra habilidade (ou você) produz o texto; esta o torna audível. Ela se combina naturalmente com roundup, daily-prep, meeting-minutes, ou qualquer trabalho de sumarização.

Tudo roda localmente na CPU. Nenhum texto é enviado para um serviço de fala na nuvem, o que importa quando o conteúdo é confidencial, e significa que a habilidade funciona em um agente de nuvem sem interface gráfica ou contêiner CI tão bem quanto em um laptop.

Pré-requisitos

O motor de síntese é Kyutai pocket-tts, um pequeno modelo neural de TTS projetado para rodar em CPUs.

O script incluso o instala automaticamente em um virtualenv em cache na primeira utilização, então geralmente você não precisa fazer nada. Para instalá-lo explicitamente:

pip install pocket-tts          # any platform
brew install pocket-tts         # macOS, if preferred

pocket-tts requer Python >=3.10 e <3.15. O script procura por um interpretador compatível em vez de assumir que python3 é um — vale a pena saber se você estiver em um Python muito novo, onde a instalação falharia de outra forma.

Você também precisa de um codificador. ffmpeg é fortemente preferido (brew install ffmpeg ou apt-get install -y ffmpeg); no macOS, o script recorre ao embutido afconvert e emite .m4a em vez de .mp3.

A primeira execução baixa o modelo (~1GB) do Hugging Face. Depois disso, ele fica totalmente offline e sintetiza aproximadamente 6x mais rápido que em tempo real.

A etapa importante: reescreva para o ouvido

Não alimente texto escrito diretamente no sintetizador. Prosa que soa bem na tela é cansativa de ouvir. Reescrevê-la primeiro é o que separa um resumo de áudio útil de um inaudível.

Produza um roteiro falado que:

• Começa com orientação. O que é isso, o que cobre, quanto tempo dura aproximadamente.
• Substitui marcadores por prosa conectiva. "Primeiro… O maior é… Finalmente…" — um ouvinte não tem estrutura visual para se apoiar, então carregue-a na linguagem.
• Expande abreviações no primeiro uso. "PR" se torna "pull request", "CI" se torna "continuous integration". Acrônimos que soam bem são ruído quando falados.
• Fala datas e números naturalmente. "vinte de agosto", não "2026-08-20". "Cerca de três mil", não "2.847".
• Nunca lê URLs em voz alta. Diga "link na versão escrita" em vez disso.
• Usa frases curtas. Divida qualquer coisa acima de aproximadamente 25 palavras.
• Sinaliza transições. "Passando para o lado do produto…", "Duas coisas precisam da sua atenção…".
• Termina com as ações. Recapitule o que o ouvinte deve fazer, pois é isso que ele precisa reter e não pode rolar para trás.
• Descarta qualquer coisa puramente visual. Tabelas, blocos de código e diagramas devem ser resumidos em uma frase ou omitidos, nunca lidos em voz alta.

Escreva este roteiro falado em seu próprio arquivo .txt. Mantenha a versão escrita original com seus links intactos — o áudio é um companheiro para ela, não um substituto. O usuário vai querer clicar depois.

Sintetizar

./scripts/tts.sh <input.txt> <output.mp3> [voice.safetensors]

O script remove qualquer markdown residual, divide o texto em limites de frases em pedaços de ~600 caracteres (a qualidade degrada em entradas longas e únicas), sintetiza cada pedaço e concatena o resultado em um MP3 mono a 96kbps — pequeno o suficiente para sincronizar com um telefone, bom o suficiente para fala.

Substituições de ambiente:

Vozes

A voz padrão em inglês é alba. Para usar uma diferente, pocket-tts suporta clonagem de voz a partir de uma pequena amostra de áudio limpa:

pocket-tts export-voice --help

Passe o arquivo .safetensors resultante como o terceiro argumento para o script.

Clone apenas uma voz que você tenha o direito de usar. Não clone a voz de uma pessoa real — colega, cliente ou figura pública — sem o consentimento explícito dela.

Saída

• Padrão para ~/Music/Briefings/, a menos que o usuário diga o contrário; é fácil apontar um telefone ou aplicativo de podcast.
• Nomeie arquivos <subject>-<YYYY-MM-DD>.mp3.
• Relate o caminho, a duração e o tamanho.
• Ofereça para reproduzir: afplay <path> no macOS, ffplay -nodisp -autoexit <path> em outros lugares.

Orientação de comprimento

Mire em 4–6 minutos para um resumo rotineiro, que é aproximadamente 600–900 palavras faladas

…