Catálogo de falas do Solla: import idempotente e busca textual

Status: rascunho Atualizado em: 2026-09-12 Issue: #955 Priority: P1 Impeccable: A — N/A (dados; a superfície de produto é o C154) Rascunho UI: N/A — sem UI Appetite: ~2–3 dias; um outcome verificável — o acervo da 57ª legislatura existe no banco, com transcrição, segmentos com minutagem e facetas filtráveis, e pode ser reimportado sem duplicar Responsável: —

Intenção

O acervo de falas precisa existir antes de virar tela. Este item cria a base de dados do catálogo e o import idempotente que a popula a partir das fontes da Câmara: transcrição oficial, sumário, palavras-chave, segmentos com minutagem e facetas curadas (tema/alcance) mais menções extraídas (municípios, pessoas, programas, projetos). A 57ª legislatura entra como prova de ponta a ponta; o histórico completo é o C155. O texto oficial da taquigrafia é a fonte de leitura; a transcrição ASR entra para dar a minutagem que o texto oficial não tem.

Persona e fluxo

Persona / contexto: agente/coordenação técnica rodando o import; o consumidor final é o assessor de comunicação (UI no C154).
Job principal: rodar o import uma vez e obter o acervo da 57ª legislatura com cobertura e falhas reportadas, podendo re-rodar a qualquer momento sem duplicar.
Fluxo desejado: executar o script → ele varre os discursos, casa evento/trecho, baixa e transcreve, classifica e grava → imprime relatório (processados, com vídeo, sem trecho, falhas, custo).
Anti-goals de produto: não é CMS de vídeo genérico; não é UI; não espelha mídia; não normaliza pessoas citadas como Contact.

Objetivo e aceite

Cada discurso do Solla vira um registro com: data/hora, legislatura, ano, duração, fase do discurso, tipo de sessão, quem presidia, sumário, transcrição oficial, keywords oficiais preservadas, segmentos com timestamps, facetas de tema/alcance e menções (municípios/pessoas/programas/projetos), além dos links do VOD (reproduzir/baixar) e do evento.
Reexecutar o import não duplica registros (chave natural por áudio+trecho) e atualiza o que mudou.
Relatório por execução: total, com vídeo, sem trecho, falhas, tempo e custo de transcrição.
A busca textual por palavra funciona sobre os segmentos (acentos/variações ok) e é o motor do C154.
Guardrails: facetas têm proveniência (gazetteer | llm | manual); keyword crua nunca é substituída pela faceta; leitura restrita a communicator, coordinator e candidate; nenhum espelhamento de vídeo nesta fase.

Dados (intenção)

Vou apresentar dados? Sim, derivado — a superfície é o C154; aqui o compromisso é que as facetas existem, são filtráveis e as menções são pesquisáveis.
Decisões desbloqueadas: o assessor decide qual fala/trecho cortar por tema, alcance, ano, fase e município citado.
Forma: adiada ao plano de implementação — aqui só a restrição: leitura relativa/local (nada de dashboard de vaidade).

Dados da decisão (literais)

Temas (facetas de política pública): Saúde · Educação · Cultura · Esporte · Segurança Pública · Meio Ambiente · Economia e Trabalho · Direitos Humanos e Assistência Social · Infraestrutura e Transporte · Ciência e Tecnologia · Política e Instituições · Agricultura e Agropecuária · Habitação e Cidades · Comunicação e Mídia · Igualdade Racial · Mulheres e Gênero · Juventude · Pessoa com Deficiência.
Alcance: Bahia · Brasil · Internacional (multi-seleção).
Proveniência da classificação: classifiedBy: gazetteer | llm | manual.
Papel leitor: communicator ("Assessor de Comunicação") + coordinator/candidate.
Fontes: as mesmas do C152 (discursos, eventos, trecho/VOD, Deep Infra openai/whisper-large-v3, US$ 0,00045/min; licença CC BY 4.0 com crédito).
Escopo desta prova: 57ª legislatura (2023+); histórico completo no C155.

Direção no codebase (hipótese)

Áreas prováveis: collections novas em src/collections/ (discurso + segmento), módulo de access em src/utilities/access/ reexportado por src/utilities/campaignAccess.ts, migration + pnpm generate:types, script scripts/… no padrão de scripts/recover-media.mjs (guard de banco local, --dry-run, relatório) e índice de busca no padrão pg_trgm já existente.
Precedente a olhar: src/migrations/20260719_020000_add_contact_trgm_index.ts (índice trigram), scripts/recover-media.mjs (script idempotente), src/utilities/ai/deepInfraTranscribe.ts.
Risco de acoplamento: não criar um "segundo cadastro de pessoa" para as menções; usar os catálogos existentes de municípios/deputados como gazetteer.

Dependências

C152 (piloto da fonte) — decide endpoints/fallbacks antes de modelar.

Fora de escopo

UI/busca do assessor (C154).
Backfill 2011–2026 e import de produção (C155).
Espelhamento no S3 e geração de clipes.
Comissões/audiências (a API de discursos cobre Plenário).
Agendamento recorrente do import.
Busca semântica/IA (item futuro próprio).

Rabbit holes de produto

"Normalizar pessoas citadas como Contact." Se alguém "só completar": segundo cadastro de pessoa paralelo. Corte neste item: menções como texto pesquisável; normalização é conversa futura.
"Classificação perfeita antes de importar." Se alguém "só completar": taxonomia infinita e curadoria manual de mil discursos. Corte neste item: facetas com proveniência + correção manual depois.
"Baixar os vídeos para o S3 já." Se alguém "só completar": ~6 GB e pipeline de mídia. Corte neste item: links do VOD da Câmara; espelho é fase própria.
"Transcrever por segmento e classificar cada segmento." Se alguém "só completar": custo/ruído sem ganho — o discurso é a unidade. Corte neste item: segmentos herdam as facetas do discurso.

Questões em aberto (produto)

Qual LLM classifica as facetas? Opções: A) DeepSeek flash do Sollinha, com saída validada | B) modelo barato da Deep Infra (mesma chave da transcrição) | C) só gazetteers. Recomendação: A, com validação e fallback C. (assumido — validar no gate)
Classificar no nível do discurso ou do segmento? Opções: A) discurso (segmento herda) | B) segmento. Recomendação: A. (assumido)
Onde rodar a primeira importação? Opções: A) banco local de dev (recomendado; produção é C155) | B) já em produção. Recomendação: A. (assumido)

Referências

GitHub Issue: — (após pnpm agent:register)
Rascunho UI: N/A
AGENTS.md ("Campaign Municípios model", convenções de access) · src/utilities/campaignAccess.ts · src/lib/municipalityCatalog.ts
Pesquisa do planejamento (2026-09-12): keywords oficiais ruidosas (268 distintas em 47 discursos) — preservar cruas e usar como insumo do classificador.

6.9 KiB Raw Permalink Blame History Unescape Escape