# aduc_framework/orchestrator.py # # Copyright (C) August 4, 2025 Carlos Rodrigues dos Santos # # Versão 6.1.0 (Causal Post-Production Conductor) # # Esta versão do orquestrador foi alinhada com a refatoração do Deformes4DEngine. # O Orquestrador agora é responsável pela lógica de "chunking" (divisão em lotes) # e pela "costura causal" para todas as tarefas de pós-produção (ex: upscaling), # garantindo que a física quântica do espaço latente seja respeitada em todo o pipeline. import logging from typing import List, Dict, Any, Tuple, Callable, Optional, Generator from PIL import Image, ImageOps import os import subprocess import shutil from pathlib import Path import time import gc import torch from .director import AducDirector from .types import GenerationState, PreProductionParams, ProductionParams from .engineers import deformes2d_thinker_singleton, deformes3d_engine_singleton, Deformes4DEngine from .managers import latent_enhancer_specialist_singleton, seedvr_manager_singleton, mmaudio_manager_singleton, vae_manager_singleton from .tools.video_encode_tool import video_encode_tool_singleton logger = logging.getLogger(__name__) ProgressCallback = Optional[Callable[[float, str], None]] class AducOrchestrator: """ Implementa o Maestro (Γ), a camada de orquestração central do Aduc Framework. Ele coordena os especialistas, gerencia o estado da produção e aplica a lógica de costura causal nas etapas de pós-produção. """ def __init__(self, workspace_dir: str): self.director = AducDirector(workspace_dir) self.editor = Deformes4DEngine() self.editor.initialize(workspace_dir) self.painter = deformes3d_engine_singleton self.painter.initialize(workspace_dir) self.device = 'cuda' if torch.cuda.is_available() else 'cpu' logger.info("ADUC Maestro (Framework Core) pronto para reger a orquestra de especialistas.") def get_current_state(self) -> GenerationState: """Retorna o estado de geração atual, útil para APIs.""" return self.director.get_full_state() def process_image_for_story(self, image_path: str, size: int, filename: str) -> str: """Processa e padroniza uma imagem de referência para o formato quadrado.""" img = Image.open(image_path).convert("RGB") img_square = ImageOps.fit(img, (size, size), Image.Resampling.LANCZOS) processed_path = os.path.join(self.director.workspace_dir, filename) img_square.save(processed_path) logger.info(f"Imagem de referência processada e salva em: {processed_path}") return processed_path # --- ETAPA 1: PRÉ-PRODUÇÃO (STREAMING) --- def task_pre_production(self, params: PreProductionParams, progress_callback: ProgressCallback = None) -> Generator[Dict[str, Any], None, None]: """ Orquestra a pré-produção, gerando o roteiro e os keyframes de forma iterativa. """ logger.info("Maestro: Iniciando tarefa de Pré-Produção.") self.director.update_parameters("pre_producao", params) if progress_callback: progress_callback(0.1, "Gerando roteiro inicial...") storyboard_list = deformes2d_thinker_singleton.generate_storyboard( prompt=params.prompt, num_keyframes=params.num_keyframes, ref_image_paths=params.ref_paths ) self.director.update_pre_production_state(params.prompt, params.ref_paths, storyboard_list) yield { "storyboard": storyboard_list, "updated_state": self.director.get_full_state_as_dict() } if progress_callback: progress_callback(0.2, "Entregando produção ao Diretor Autônomo...") final_keyframes_data = [] for keyframes_update in self.painter.generate_keyframes( generation_state=self.director.get_full_state_as_dict(), progress_callback=progress_callback ): self.director.update_keyframes_state(keyframes_update) final_keyframes_data = keyframes_update yield { "final_keyframes": [kf["caminho_pixel"] for kf in final_keyframes_data], "updated_state": self.director.get_full_state_as_dict() } logger.info("Maestro: Tarefa de Pré-Produção concluída.") # --- ETAPA 2: PRODUÇÃO --- def task_produce_original_movie(self, params: ProductionParams, progress_callback: ProgressCallback = None) -> Tuple[str, List[str], GenerationState]: """Orquestra a geração do vídeo principal a partir dos keyframes via Deformes4DEngine.""" logger.info("Maestro: Iniciando tarefa de Produção do Filme Original.") self.director.update_parameters("producao", params) result_data = self.editor.generate_original_movie( full_generation_state=self.director.get_full_state_as_dict(), progress_callback=progress_callback ) self.director.update_video_state(result_data["video_data"]) final_video_path = result_data["final_path"] latent_paths = result_data["latent_paths"] final_state = self.director.get_full_state() logger.info("Maestro: Tarefa de Produção do Filme Original concluída.") return final_video_path, latent_paths, final_state # --- ETAPA 3: PÓS-PRODUÇÃO (COM LÓGICA DE COSTURA CAUSAL) --- def task_run_latent_upscaler(self, latent_paths: List[str], chunk_size: int, progress_callback: ProgressCallback = None) -> Generator[Dict[str, Any], None, None]: """ Aplica upscale 2x nos latentes e os decodifica para um novo vídeo. Esta função contém a lógica de "costura causal" para a pós-produção. """ if not latent_paths: raise ValueError("Nenhum caminho de latente fornecido para o upscale.") logger.info("--- ORQUESTRADOR: Tarefa de Upscaling de Latentes ---") run_timestamp = int(time.time()) temp_dir = os.path.join(self.director.workspace_dir, f"temp_upscaled_clips_{run_timestamp}") os.makedirs(temp_dir, exist_ok=True) final_upscaled_clip_paths = [] num_chunks = -(-len(latent_paths) // chunk_size) for i in range(num_chunks): chunk_paths = latent_paths[i * chunk_size : (i + 1) * chunk_size] if progress_callback: progress_callback(i / num_chunks, f"Upscalando & Decodificando Lote {i+1}/{num_chunks}") tensors_in_chunk = [torch.load(p, map_location=self.device) for p in chunk_paths] # ===================================================================================== # # ============ OBSERVAÇÃO CRÍTICA: A Costura Causal Quântica na Pós-Produção ========== # # ISTO NÃO É UM BUG. É a implementação da física do VAE Causal. # # Cada fragmento latente possui (N*y)+1 = "batentes/postes/latentes/ancoras" (tensores) # # para gerar N segmentos de [8*n frames 1]. Ao unir lotes, o último "batente" # # de um fragmento é causalmente redundante com o primeiro do próximo. Esta linha remove # # essa redundância, evitando um "soluço" visual e garantindo a continuidade perfeita. # # ===================================================================================== # tensors_to_concat = [t[:, :, :-1, :, :] if j < len(tensors_in_chunk) - 1 else t for j, t in enumerate(tensors_in_chunk)] sub_group_latent = torch.cat(tensors_to_concat, dim=2) del tensors_in_chunk, tensors_to_concat; gc.collect(); torch.cuda.empty_cache() upscaled_latent_chunk = latent_enhancer_specialist_singleton.upscale(sub_group_latent) pixel_tensor = vae_manager_singleton.decode(upscaled_latent_chunk) current_clip_path = os.path.join(temp_dir, f"upscaled_clip_{i:04d}.mp4") self.editor._save_video_from_tensor(pixel_tensor, current_clip_path, fps=24) final_upscaled_clip_paths.append(current_clip_path) del sub_group_latent, upscaled_latent_chunk, pixel_tensor; gc.collect(); torch.cuda.empty_cache() yield {"progress": (i + 1) / num_chunks} final_video_path = os.path.join(self.director.workspace_dir, f"upscaled_movie_{run_timestamp}.mp4") video_encode_tool_singleton.concatenate_videos(final_upscaled_clip_paths, final_video_path, self.director.workspace_dir) shutil.rmtree(temp_dir) logger.info(f"Upscaling de latentes completo! Vídeo final em: {final_video_path}") yield {"final_path": final_video_path} def task_run_hd_mastering(self, source_video_path: str, steps: int, prompt: str, progress_callback: ProgressCallback = None) -> Generator[Dict[str, Any], None, None]: """Aplica masterização em HD usando o pool de GPUs do SeedVR.""" logger.info(f"--- ORQUESTRADOR: Tarefa de Masterização HD com SeedVR ---") run_timestamp = int(time.time()) output_path = os.path.join(self.director.workspace_dir, f"hd_mastered_movie_{run_timestamp}.mp4") # O SeedVR opera sobre o vídeo renderizado, não precisa de costura causal. for update in seedvr_manager_singleton.process_video( input_video_path=source_video_path, output_video_path=output_path, prompt=prompt, steps=steps ): # Pass-through de atualizações de progresso se houver if progress_callback and "progress" in update: progress_callback(update["progress"], update.get("desc", "Masterizando HD...")) if "final_path" in update: logger.info(f"Masterização HD completa! Vídeo final em: {update['final_path']}") yield update def task_run_audio_generation(self, source_video_path: str, audio_prompt: str, progress_callback: ProgressCallback = None) -> Generator[Dict[str, Any], None, None]: """Gera e adiciona áudio ao vídeo usando o pool de GPUs do MMAudio.""" logger.info(f"--- ORQUESTRADOR: Tarefa de Geração de Áudio ---") if progress_callback: progress_callback(0.1, "Preparando para geração de áudio...") run_timestamp = int(time.time()) source_name = Path(source_video_path).stem output_path = os.path.join(self.director.workspace_dir, f"{source_name}_with_audio_{run_timestamp}.mp4") try: result = subprocess.run( ["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "default=noprint_wrappers=1:nokey=1", source_video_path], capture_output=True, text=True, check=True ) duration = float(result.stdout.strip()) except Exception as e: logger.error(f"Não foi possível obter a duração do vídeo '{source_video_path}': {e}", exc_info=True) yield {"error": "Falha ao obter duração do vídeo."} return if progress_callback: progress_callback(0.5, "Gerando trilha de áudio...") final_path = mmaudio_manager_singleton.generate_audio_for_video( video_path=source_video_path, prompt=audio_prompt, duration_seconds=duration, output_path_override=output_path ) logger.info(f"Geração de áudio completa! Vídeo com áudio em: {final_path}") if progress_callback: progress_callback(1.0, "Geração de áudio completa!") yield {"final_path": final_path}