teqo-backup/docs/plans/backfill-acervo-falas.md

Backfill 2011–2026 + import de produção do acervo de falas

Status: rascunho Atualizado em: 2026-09-12 Issue: #957 Priority: P2 Impeccable: A — N/A (dados/ops, sem UI) Rascunho UI: N/A — sem UI Appetite: ~1–2 dias + tempo de máquina; um outcome verificável — o acervo completo (54ª–57ª) está em produção com relatório de cobertura por legislatura Responsável: —

Intenção

O C153 prova o acervo com a 57ª legislatura; o valor pleno da vertical é o histórico — "o Solla sempre defendeu isso" só existe se as falas de 2011–2023 estiverem no catálogo. Este item roda o pipeline no acervo completo (~1.011 discursos) e coloca em produção, com relatório honesto de cobertura: quantos têm vídeo, quantos caíram no fallback, o que ficou de fora e por quê.

Persona e fluxo

• Persona / contexto: agente/coordenação técnica rodando o import completo uma vez; a assessoria consome o resultado no Acervo (C154).
• Job principal: rodar o backfill, ver o relatório por legislatura e ter os dados disponíveis em produção.
• Fluxo desejado: executar o import completo (54ª–57ª) → acompanhar o relatório (processados, sem trecho, falhas) → validar uma amostra no Acervo → registrar pendências.
• Anti-goals de produto: não é o momento de expandir fonte (comissões), nem de automatizar recorrência, nem de corrigir sessão faltante à mão.

Objetivo e aceite

• 54ª–57ª processadas com o pipeline do C153; idempotente em reexecução.
• Relatório por legislatura: total, processados, com vídeo, sem trecho, falhas, custo de transcrição e tempo.
• Dados disponíveis em produção (a vertical C154 os enxerga).
• Links do VOD validados na amostra (reprodução e download) e pendências documentadas (sessões sem trecho, limitações de fonte antiga).
• Guardrail: nenhuma escrita fora do acervo; nada de mídia espelhada nesta fase; crédito CC BY mantido.

Dados (intenção)

• Vou apresentar dados? Sim, derivado — o relatório de cobertura é insumo de decisão sobre o que falta; a superfície de consulta é o C154.
• Decisões desbloqueadas: coordenação decide se vale buscar fallback para sessões sem trecho e se o acervo já é suficiente para a produção de conteúdo.
• Forma: adiada ao plano de implementação — aqui só a restrição: cobertura relatada por legislatura, sem maquiar falha como sucesso.

Dados da decisão (literais)

• Acervo esperado (API, em 2026-09-12): 54ª = 1 · 55ª = 362 · 56ª = 414 · 57ª = 234 (total ~1.011 discursos).
• Fonte/transcrição: as mesmas do C152/C153 (vod.camara.leg.br; Deep Infra openai/whisper-large-v3, US$ 0,00045/min; licença CC BY 4.0).
• Escopo de fonte: Plenário apenas (a API de discursos não cobre comissões).
• Idempotência: chave natural por áudio+trecho (mesma do C153).

Direção no codebase (hipótese)

• Áreas prováveis: mesmo script do C153 (parametrizado por legislatura/período) + execução no ambiente de produção (homeserver) no padrão de manutenção já documentado em docs/ops/teqo-1313-deploy.md.
• Precedente a olhar: scripts/recover-media.mjs (relatório e guard), scripts/deploy-homeserver.sh (execução no runner self-hosted).
• Risco de acoplamento: produção é dado real — executar com guard explícito e idempotência comprovada antes.

Dependências

• C153 (pipeline e catálogo) — sem ele não há o que rodar.
• C154 (opcional) — não bloqueia os dados, mas é a validação visual recomendada antes de considerar o acervo entregue.

Fora de escopo

• Comissões/audiências e outras fontes (YouTube próprio, redes).
• Agendamento recorrente do import (avaliar depois; se doer, item próprio).
• Espelhamento de mídia no S3 e geração de clipes.
• Correção manual de sessões sem trecho.
• Busca semântica (item futuro próprio).

Rabbit holes de produto

• "Cobrir comissões agora." Se alguém "só completar": segunda fonte, segundo parser, segundo modelo. Corte neste item: Plenário apenas; comissões é item futuro.
• "Completar à mão as sessões sem trecho." Se alguém "só completar": curadoria manual interminável. Corte neste item: relatar e seguir.
• "Automatizar o refresh semanal." Se alguém "só completar": scheduler/worker sem demanda. Corte neste item: execução manual documentada.

Questões em aberto (produto)

• Incluir a 54ª legislatura (1 discurso)? Opções: A) sim, por completude | B) não, irrelevante. Recomendação: A — custo zero e o relatório fica íntegro. (assumido)
• O que fazer com sessões sem trecho? Opções: A) fallback YouTube quando houver VOD | B) só reportar. Recomendação: A quando viável, B documentado; sem trabalho manual. (assumido — depende do C152)
• Publicar o acervo completo antes ou depois do C154? Opções: A) importar produção após o C154 validar a experiência | B) importar em paralelo. Recomendação: A — evita mexer em produção sem consumidor pronto. (assumido)

Referências

• GitHub Issue: — (após pnpm agent:register)
• Rascunho UI: N/A
• docs/ops/teqo-1313-deploy.md (execução em produção) · C153 (pipeline) · C154 (consumidor)
• Pesquisa do planejamento (2026-09-12): contagens por legislatura e confirmação do MP4 por trecho no VOD da Câmara.