Update cutter report

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

.gitattributes

@@ -0,0 +1,6 @@
+* text=auto
+.gitattributes text eol=lf
+*.py text eol=lf
+*.md text eol=lf
+*.html text eol=lf
+*.ps1 text eol=crlf

.gitignore

@@ -30,10 +30,14 @@ proxy/
 *.jpeg
 *.png
 
-# IDE
+# IDE / editor
 .vscode/
 .idea/
 *.swp
+*.code-workspace
+
+# Claude Code session data
+.claude/
 
 # OS
 .DS_Store
@@ -42,3 +46,15 @@ Thumbs.db
 # Secrets / local overrides
 .env
 config.local.toml
+
+# Cutter-Report assets — these MUST be tracked so the remote repo can serve
+# the inline previews even without re-running the generator. Negated rules
+# must come after the broader ignores above.
+!output/
+output/*
+!output/cutter_stills/
+!output/cutter_stills/**
+!output/cutter_clips/
+!output/cutter_clips/**
+!output/report/
+!output/report/**

HANDOVER.md

@@ -1,125 +0,0 @@
-# Handover Notes
-
-Stand: 2026-05-03 (Beat-20-Reparatur abgeschlossen).
-
-## Zustand
-
-- `pytest tests/ -q` → 52/52 grün.
-- `python cli.py match --beat 20 --vision` läuft erfolgreich durch und schreibt
-  einen confirmed Match (Score 0.6632, scene 613, in=5284.706s, dur=0.88s).
-- Vorheriger Cache wurde nach `.cache/match_results.json.bak` gesichert.
-- Kein offener PR; lokale Änderungen sind committed (siehe letzter Commit).
-
-## Was zuletzt geändert wurde und warum
-
-### 1. `cli.py` — `realign_window` wählt das Action-Window pro Segment
-
-In `_filter_semantically_invalid_vision_matches.realign_window`:
-
-- **Vorher:** `find_action_window_in_scene(action_beat or check_beat, …)` — bei
-  segmentierten Beats wurde immer der ganze Beat als semantischer Kontext
-  benutzt. Das hat für Beat 20 die Source-Position auf die Kuss-Phase
-  (5270 s) gelegt, obwohl das *sichtbare* Segment nur "approaching and pulling
-  apart" zeigt — diese Phase liegt im Source erst um 5284 s.
-- **Jetzt:** Es werden zwei Fenster gesucht (Segment-Beschreibung *und* Beat-
-  Beschreibung). Der Beat-Kontext gewinnt nur bei deutlichem (>0.06) Score-
-  Vorsprung. Der Trailer-Offset-Shift (`visible_content_offset`) wird nur
-  angewendet, wenn tatsächlich der Beat-Kontext benutzt wurde — sonst zeigt
-  das Segment-Fenster bereits auf die richtige Phase.
-
-Effekt für Beat 20: 5270.118 → 5284.706, Score 0.6449 (provisional) → 0.6632
-(confirmed).
-
-### 2. `cli.py` — Filter-/Repair-Stufe ist crash-tolerant
-
-`_filter_semantically_invalid_vision_matches` hat den Per-Result-Body in eine
-lokale Funktion `_filter_repair_one` herausgezogen und in einen try/except
-verpackt. Wenn die Reparatur abbricht (z. B. weil Vision-API mitten in der
-Antwort wegfällt), wird der bisher gecachte Treffer behalten statt komplett
-verworfen.
-
-### 3. `src/llm/vision_cache.py` — Vision-Retry für Lesefehler
-
-`_call_vision_model` fängt jetzt zusätzlich `TimeoutError`,
-`socket.timeout`, `ConnectionError` und `OSError` während des Antwort-Lesens
-und retryt mit demselben Backoff wie HTTP-/URL-Fehler. Die Auslöse-Bedingung
-war ein 24-h-DSL-Disconnect mitten im Lauf; davor wurde der Match-Lauf hart
-abgebrochen und der Cache stand auf "kein Match".
-
-### 4. `README.md`
-
-Zwei kurze Absätze ergänzt, die (1) die Segment-vs-Beat-Window-Auswahl und
-(2) das neue Crash-/Netzfehler-Verhalten beschreiben.
-
-## Nicht angefasst, aber relevant für die Übergabe
-
-- Der **vollständige FFmpeg-Vollscan** liefert für Beat 20 weiterhin keinen
-  bestätigten Treffer (final score 0.419 < provisional 0.430). Den
-  Confirmed-Match liefert die Action-Window-Reparatur. Das ist erwartet:
-  das sichtbare Segment ist visuell sehr generisch (Two-Shot Profil mit
-  unscharfem Hintergrund), die korrekte Phase fällt erst durch die
-  semantische Aktionsbeschreibung auf.
-- Die `candidate_points`-Schleife in `realign_window` (lines ~700–765) sucht
-  nur ±~2 s um `start_s` herum. Solange `start_s` jetzt aus dem Segment-
-  Fenster kommt, liegt der korrekte Source-Punkt in diesem Bereich. Wenn
-  künftig Beats mit längeren visiblen Inseln auftauchen, kann diese Range
-  zu eng werden — dann den Suchradius erweitern statt das Window-Picking
-  rückgängig machen.
-- Es gibt **keine Tests** für `_filter_semantically_invalid_vision_matches`
-  oder `realign_window`. Wer das anfasst, sollte Beat 20 als Live-Smoke-Test
-  benutzen (siehe unten).
-
-## Reproduktion / Smoke-Test
-
-```powershell
-.\.venv\Scripts\Activate.ps1
-python cli.py match --beat 20 --vision
-```
-
-Erwartet: `Beat 20: realigned semantically valid long scene by motion/action
-windows`, danach `is_confirmed: true` für Beat 20 in
-`.cache/match_results.json` mit `in_point_s ≈ 5284.7` und `match_score ≥ 0.65`.
-
-Wenn das fehlschlägt:
-
-1. `python -m pytest tests/ -q` — falls rot, ist die Codebasis selbst kaputt.
-2. `.cache/vision_descriptions.json` prüfen — die Schlüssel
-   `beat:20:73.560:74.680:…` und `action_window:613:5282.390:5285.430:…` müssen
-   existieren, sonst ruft Vision live ab (kostet Credits; braucht Netz).
-3. `match_results.json.bak` zurückspielen, falls der Cache zerschossen ist.
-
-## Aktuelle Coverage (vor neuestem Lauf)
-
-```
-total beats: 25
-matched:     20 (5 confirmed, 15 provisional)
-unmatched:   beats 0, 2, 21, 23, 24
-```
-
-Beat 0 ist das SHO-Logo (kein Source-Match möglich, korrekt).
-Beats 22/23/24 haben keine sichtbaren Inseln (Endcredits/Title) — auch
-korrekt unmatched.
-Beat 2 und Beat 21 sind die echten Recovery-Kandidaten; die neue
-Recovery-Stufe versucht sie beim nächsten `match`-Lauf nachzuziehen.
-
-## Offene Risiken / Bekannte Schwächen
-
-- Die Schwelle `0.06` für "Beat-Kontext gewinnt" in `realign_window` ist
-  kalibriert an Beat 20. Andere Beats sollten auch durchlaufen werden, bevor
-  weitere Beats angefasst werden — am besten ein voller `python cli.py match`
-  ohne `--beat` und Diff der `match_results.json` gegen `.bak`.
-- Die Filter-/Repair-Stufe kann durch Vision-Calls minutenlang laufen. Das
-  ist nicht neu, aber bei Netzproblemen sehr sichtbar.
-- Die `_filter_repair_one`-Funktion bekommt viele Argumente durchgereicht
-  (closure-Variablen aus dem Parent). Bei einer nächsten Iteration könnte das
-  in eine kleine Klasse umgebaut werden.
-
-## Useful greps
-
-- `find_action_window_in_scene` — semantische Action-Window-Suche (Vision).
-- `_reference_scoreable_segments` — bestimmt die sichtbaren Inseln eines
-  Beats.
-- `estimate_usable_source_duration` — kürzt Match-Clips, wenn die Source
-  vor Beat-Ende in eine andere Phase wechselt.
-- `_filter_semantically_invalid_vision_matches` — Eintrittspunkt der
-  Repair-Stufe in `cli.py`.

README.md

@@ -30,12 +30,16 @@ Was du bekommst sind zwei Dateien, mit denen du arbeitest:
 1. Öffne `CUTTER_REPORT.md` und arbeite die Tabelle von oben nach unten ab.
 2. Importiere die FCPXML/EDL ins NLE, lade Trailer und Spielfilm dazu.
 3. Bei `OK`-Beats nur stichprobenartig sichten.
-4. Bei `?`-Beats den Vorschauclip aus dem Report-HTML (siehe unten) prüfen
-   und im NLE den Source-In um wenige Frames vor/zurück verschieben, bis die
-   Bewegungsphase exakt zum Trailer passt.
+4. Bei `?`-Beats die beiden Vorschau-Stills im `CUTTER_REPORT.md` direkt
+   vergleichen (Trailer-Frame neben Source-Frame). Wenn die Bewegungsphase
+   nicht passt, im NLE den Source-In um wenige Frames vor/zurück verschieben.
 5. Bei `MAN.`-Beats selbst die passende Stelle im Spielfilm suchen — die
    Beschreibung im Report sagt dir was du suchst.
 
+Für die visuelle Kontrolle ist zusätzlich **`CUTTER_REPORT.html`** relevant:
+er enthält die frame-locked Compare-Clips. Der alte `match_report.html` ist
+nicht mehr Teil des Workflows.
+
 Alles andere unten ist Hintergrund für den Tool-Verantwortlichen.
 
 ---
@@ -48,7 +52,7 @@ Alles andere unten ist Hintergrund für den Tool-Verantwortlichen.
 | **1** | Schneller Vibe-Check: für jeden Beat die Top-K ähnlichsten Szenen aus dem Spielfilm vorauswählen (Histogramm + pHash). |
 | **2** | Optional: Vision-LLM beschreibt unsichere Szenen mit 3-Frame-Samples; die Beschreibungen liegen gecached vor. |
 | **3** | Frame-genaue Verfeinerung pro Beat (OpenCV-Templatematching, Bewegungsphasen-Vergleich). |
-| **4** | Phasen-Reparatur: bei segmentierten Beats wird die Bewegungsphase im Source mit der sichtbaren Trailerphase abgeglichen. |
+| **4** | Phasen-Reparatur: bei segmentierten Beats wird die Bewegungsphase lokal um den gefundenen Inpoint saliency- und motion-gewichtet mit der sichtbaren Trailerphase abgeglichen. |
 | **5** | Recovery: Beats ohne Treffer werden via Vision-Phasensuche in den Top-K Szenen nochmal probiert. |
 | **6** | Export als FCPXML 1.10 oder CMX-3600-EDL plus `CUTTER_REPORT.md`. |
 
@@ -56,6 +60,10 @@ Alles andere unten ist Hintergrund für den Tool-Verantwortlichen.
 Vergleich ausgeblendet, damit Title-Cards, Logos und Letterbox die Treffer
 nicht verfälschen.
 
+**Cutter-Report-Caching:** Vorhandene Compare-Clips werden wiederverwendet.
+Bei gezielten Rematches wird nur der betroffene Beat neu gerendert, damit der
+Report schnell aktuell bleibt und keine unnötigen Videoartefakte neu entstehen.
+
 **Wichtig:** Auch wenn Vision aktiviert ist — der finale Match bleibt
 CV-verifiziert. Das LLM liefert nur zusätzliche Suchanker.
 
@@ -139,275 +147,33 @@ python cli.py rematch --beat 5 --threshold 0.50  # Schwelle anpassen (Globaler S
 python cli.py rematch --beat 5 --refine          # Cached Match per lokalem Bildinhalt-Offset nachschärfen
 ```
 
-Der HTML-Report regeneriert seine Preview-Clips bei jedem Lauf mit genauer
-FFmpeg-Nachsuche und synchronisiert die beiden Video-Player pro Beat. Dadurch
-ist der Report zur Frame-Prüfung geeignet und zeigt keine alten gecachten
-Preview-Clips.
-Source-Previews bekommen bei Trailer-only-Tails denselben schwarzen Tail wie der
-Export, damit der Browser nicht einen zu kurzen Source-Clip gegen den längeren
-Referenzbeat weiterspult oder loopt.
-Zur Synchronprüfung rendert der Report ein einzelnes Frame-Locked-Compare-Video
-mit Referenz und Source in demselben MP4-Stream. Dieses Compare-Video ist
-maßgeblich, weil zwei getrennte Browser-Videoelemente nie zuverlässig
-framegenau synchron bleiben.
+### Cutter-Report neu erzeugen
 
-Wenn ein Trailer-Beat am Ende eine Blende, Schwarzfläche oder Textkarte enthält,
-die im Source-Film nicht als normaler Shot vorhanden ist, endet der Source-Match
-am letzten stabil passenden Frame. Exportierte Timelines behalten trotzdem die
-volle Beat-Länge und fügen danach automatisch einen schwarzen Trailer-Tail mit
-Marker für Fade/Dissolve ein.
+`CUTTER_REPORT.md` wird bei jedem `match`-Lauf automatisch geschrieben.
+Manuell neu erzeugen (z. B. nach Edit eines einzelnen Beats):
 
-Gezielte Ein-Beat-Matches nutzen zusätzlich vorhandene automatische Nachbarbeats
-aus dem Cache als zeitliche Suchanker. Das hilft bei aufeinanderfolgenden Shots,
-ohne manuelle Szenen oder Timecodes zu kuratieren.
-Bei `match --beat N` wird ein alter Cache-Treffer für genau diesen Beat entfernt
-und nur ein neu gefundener automatischer Treffer wieder eingetragen. Ein
-fehlgeschlagener neuer Lauf kann dadurch keinen alten falschen Report-Treffer
-stehen lassen.
+```powershell
+python scripts/generate_cutter_report.py            # mit Vorschau-Stills
+python scripts/generate_cutter_report.py --no-stills # nur die Tabelle
+```
 
-Der globale Bildvergleich arbeitet auf kontrast-normalisierten Luma- und
-Kantenfeatures statt auf rohen Farb-Pixeln. Dadurch bleiben Schwarzweiß- oder
-anders gegradete Trailerbilder mit dem Source-Material vergleichbar, während
-unähnliche Farbshots schlechter ranken.
-Die Inpoint-Feinjustage bestimmt den Versatz lokal aus dem Bildinhalt: Um einen
-groben Treffer herum werden mehrere Referenzframes gegen mehrere Source-Offsets
-verglichen, und der beste gemeinsame Offset wird übernommen. Das ist schneller
-als ein erneuter globaler Scan und vermeidet pauschale Frame-Prerolls.
-Zusätzlich wird die Bewegungsphase über Frame-zu-Frame-Differenzen verglichen.
-Dadurch kann der Matcher innerhalb derselben Source-Szene unterscheiden, ob
-zwei Figuren noch sprechen, sich annähern, bereits im Kontakt sind oder sich
-wieder voneinander lösen. Ein optisch ähnlicher Standbild-Treffer reicht damit
-nicht mehr aus, wenn der Bewegungsverlauf nicht zur Referenz passt.
-Schwarze Referenzframes aus Blenden oder Titel-Tails werden für diese
-Offset-Messung ausgelassen, damit echte Bildbewegung und nicht die Blende selbst
-den Inpoint bestimmt.
-`rematch --refine` nutzt denselben lokalen FFmpeg/Pillow-Aligner und schreibt
-den korrigierten Inpoint direkt zurück in `.cache/match_results.json`.
+Stills landen unter `output/cutter_stills/` und werden nur neu gerendert,
+wenn sich das zugrundeliegende Match geändert hat.
+
+### Wenn ein Match falsch wirkt
+
+| Symptom | Was tun |
+|---------|---------|
+| Source-Clip zeigt richtige Szene, aber falsche Bewegungsphase | `python cli.py rematch --beat N --refine` — schiebt den Inpoint frame-genau aus dem Bildinhalt. |
+| Score zu niedrig, andere Szene wäre richtig | `python cli.py match --beat N --vision` — vollständiger Re-Match nur für diesen Beat mit Vision-Phasenprüfung. |
+| Match offensichtlich falsche Szene | `python cli.py rematch --beat N --threshold 0.50` — Schwelle absenken, neuer globaler Scan nur für diesen Beat. |
+| Beat ist Schwarzbild / Logo / Titel und sollte gar nicht matchen | nichts tun, der Status `GFX` im `CUTTER_REPORT.md` ist korrekt. |
+
+### Algorithmische Details
+
+Tiefer in die Matcher-Logik (Phasen-Reparatur, segmentierte Beats,
+Vision-Seeds, Recovery-Stufe usw.) — siehe [`docs/ALGORITHM.md`](docs/ALGORITHM.md).
 
-Zusätzlich werden aus den besten szenenweiten Luma/Histogramm-Kandidaten
-mehrere Inpoint-Suchanker erzeugt. Diese Scene-Seeds verwenden keine harte
-pHash-Sperre, weil pHash bei stark anders gegradeten Trailerbildern echte
-Matches zu früh ausschließen kann.
-Optional kann `python cli.py match --beat N --vision` einen Vision-Layer
-zuschalten. Dann werden pro Trailer-Beat und pro wenigen Scene-Level-Kandidaten
-je drei Frames (Anfang, Mitte, Ende) von einem visionfähigen OpenAI-kompatiblen
-Modell beschrieben. Die Beschreibungen liegen in
-`.cache/vision_descriptions.json` und werden wiederverwendet. Vision erzeugt
-nur zusätzliche Suchanker; der eigentliche Match muss weiterhin durch CV,
-Content-Reranking, Timing und Duration-Coverage bestätigt werden.
-Gecachte Szenenbeschreibungen zählen nur, wenn sie vom aktuell konfigurierten
-Vision-Modell stammen. Bei langen semantisch passenden Source-Szenen beschreibt
-der Vision-Layer zusätzlich wenige lokale Zeitfenster und cached auch diese
-Fenster, damit eine grob ähnliche Szene nicht automatisch mit dem falschen
-Bewegungs- oder Dialogmoment gleichgesetzt wird.
-Dieser lokale Fenster-Probe ist bewusst breiter als die finale Seed-Auswahl:
-Eine lange Dialogszene kann in der Gesamtbeschreibung nur als Gespräch
-erscheinen, aber an einer späteren Stelle trotzdem genau die gesuchte
-Aktionsphase enthalten.
-Für diese Probe wird deshalb die grobe Szenenähnlichkeit ohne harte
-Aktionsstrafe gerankt; die harte Aktionsprüfung greift erst auf den lokalen
-Fenstern und dem finalen Source-Zeitbereich.
-Nach dem CV-Match kann derselbe Vision-Layer den konkreten finalen Source-
-Zeitbereich nochmals gegen den Trailer-Beat prüfen. Starke Aktionsphasen wie
-Annäherung, Kuss/Stirnkontakt, Handbewegungen oder Schneiden müssen dann auch
-im Source-Fenster beschrieben sein; fehlt diese Aktionsphase, wird der Treffer
-nicht gespeichert, selbst wenn der Low-Level-CV-Score hoch ist.
-Wenn die Szene selbst plausibel ist, aber der konkrete Source-Zeitpunkt diese
-Aktionsphase verfehlt, sucht der Matcher automatisch dichter innerhalb derselben
-Source-Szene nach lokalen Vision-Fenstern mit der passenden Aktion und richtet
-den Inpoint mit der Motion-Phase-Prüfung darauf neu aus. Erst wenn auch diese
-In-Scene-Reparatur scheitert, wird der Treffer verworfen.
-Diese In-Scene-Reparatur läuft auch für semantisch gültige Treffer aus langen
-Source-Szenen. Dadurch kann ein grob passender Dialogmoment nicht bestehen
-bleiben, wenn ein anderes lokales Fenster derselben Szene die gesuchte
-Aktionsphase und Bewegung klarer trifft.
-Die Kandidatenbewertung dieser Reparatur vergleicht dabei zwei Kontexte:
-den ganzen Beat als semantischen Handlungsrahmen und das konkret sichtbare
-Beat-Segment als Phasenprüfung. Ein Source-Zeitpunkt muss also nicht nur
-"die Szene mit dem Kuss" enthalten, sondern auch zur aktuellen Bewegungsphase
-des sichtbaren Trailerabschnitts passen. Pro Kandidat fließt zusätzlich ein
-lokaler Content-/Motion-Frame-Score ein, damit cached Vision-Beschreibungen
-keinen sichtbar versetzten Bewegungsmoment überstimmen.
-Bei blendigen oder segmentierten Beats nutzt die semantische Action-Suche den
-ganzen Trailerbeat als Kontext. Die eigentliche Frame-Ausrichtung bleibt auf das
-sichtbare Segment begrenzt; der gefundene Source-Inpoint wird dabei um den
-Trailer-Offset des Segments verschoben. So geht die globale Aktionsbeschreibung
-eines Beats nicht verloren, nur weil der scorebare Teil erst nach einer Blende
-beginnt.
-Die Suche nach diesem Action-Window prüft pro Segment zwei Beschreibungen:
-zuerst die des konkret sichtbaren Segments (so trifft die Phasensuche genau die
-gerade gezeigte Bewegung), als Rückfall die des gesamten Beats. Der Beat-
-Kontext gewinnt nur, wenn er deutlich (>0.06) besser scort; sonst bleibt das
-Segment-Fenster die Wahl, weil die Beat-Beschreibung Aktionen aus Fade-Bildern
-mit aufnehmen kann, die im sichtbaren Segment nicht stattfinden.
-Der Trailer-Offset-Shift wird nur angewendet, wenn tatsächlich der Beat-Kontext
-benutzt wurde; bei segmentbasierter Wahl ist das gefundene Fenster bereits auf
-die sichtbare Aktionsphase ausgerichtet.
-Der Segment-Offset zählt dabei nur über vorherige scorebare Bildinseln, nicht
-über schwarze oder blendige Lücken. Nach dem Retiming wird die nutzbare
-Source-Dauer erneut geschätzt; läuft die Source am Ende in eine sichtbar andere
-Aktionsphase, wird der Clip gekürzt und der Rest bleibt Placeholder/Fade statt
-einen falschen Bewegungsmoment zu zeigen.
-Der gewichtete Vision-Seed-Pfad ersetzt standardmäßig keinen normalen
-FFmpeg-Vollscan. Vision-Beschreibungen sind semantische Hinweise, aber keine
-Beweise; der volle CV-Scan bleibt deshalb aktiv, damit falsch bewertete
-Vision-Szenen echte Treffer nicht verdrängen. Für schnelle Experimente kann
-`skip_coarse_scan_with_weighted_seeds = true` gesetzt werden.
-Gewichtete Vision-Seeds werden nicht zuerst durch den alten Midpoint-Template
-Refine verschoben; sie gehen direkt in die lokale Content-Alignment-Prüfung.
-Das schützt wiederholte Gesprächseinstellungen, bei denen ähnliche Momente
-mehrfach in derselben Szene vorkommen.
-Innerhalb der automatisch von Vision vorgeschlagenen Szenen läuft zusätzlich
-eine dichte lokale Bildsequenzsuche. Sie misst den Phasenversatz in kleinen
-Zeitschritten direkt am Bildinhalt und bevorzugt Kandidaten mit genügend
-Restdauer in derselben Source-Szene. Das ist kein manueller Override: Vision
-grenzt nur Suchbereiche ein, die Auswahl bleibt Content-, Timing- und
-Coverage-getrieben.
-Nach einem dichten Vision-Treffer darf der spätere lokale Aligner nur noch im
-Bereich dieses Scan-Schritts nachjustieren. So kann ein korrekt gefundener
-Bewegungsmoment nicht wieder um viele Frames in eine ähnlich aussehende Phase
-derselben Szene verschoben werden.
-Für Vision-Action-Fenster nutzt die finale Retiming-Prüfung eine gemeinsame
-Content-und-Motion-Suche pro Frame. Content und Bewegungsphase werden dabei
-nicht mehr als zwei getrennte Korrekturschritte angewendet; das verhindert,
-dass eine kurze Geste erst korrekt erkannt und anschließend in eine spätere
-ähnliche Körperhaltung verschoben wird.
-Wenn mehrere Vision-Kandidaten in derselben Source-Szene ähnlich gut scoren
-und die Beat-Dauer abdecken, bevorzugt der Matcher die frühere Phase. Das
-verhindert, dass ein späterer, minimal stärkerer Standbildtreffer die
-Bewegungsphase des Trailers sichtbar überholt.
-Enthält ein Trailerbeat selbst einen harten Umschnitt, werden Kandidaten an
-angrenzenden Source-Szenengrenzen zusätzlich als zusammenhängender Multi-Shot-
-Span geprüft. Ein Match darf dann über eine Source-Szenengrenze laufen, aber
-nur wenn die relative Source-Grenze zeitlich zu einem erkannten Trailer-Umschnitt
-passt. So kann ein Beat aus Frage/Antwort-Shots vollständig erfasst werden,
-ohne Szenen willkürlich zusammenzukleben.
-Auch der lokale Content-Aligner darf einen Inpoint nur noch übernehmen, wenn
-die feste Whole-Frame-/Spatial-Validation dadurch besser wird.
-Vor dem teuren Frame-Refine wird der gesamte Kandidatenpool mit einer schnellen
-festen Inhaltsprüfung neu sortiert. Dadurch können korrekte Treffer aus
-wiederholten Einstellungen einer Szene nach oben kommen, auch wenn ein freier
-Template-Peak an anderer Stelle numerisch stärker war. Suchanker bleiben im
-Pool erhalten, dürfen aber erst nach der Inhaltsprüfung nach oben rücken. Wenn
-ein Kandidat visuell plausibel ist, aber wegen Trailerblende oder kurzem
-Source-Span die normale Coverage knapp verfehlt, wird er als provisional Match
-behalten statt als `NO MATCH` verworfen.
-Dieses Reranking berücksichtigt zusätzlich die verbleibende Szenenlänge ab dem
-Kandidaten-Inpoint. Dadurch werden zu späte ähnliche Gesprächsphasen innerhalb
-derselben Szene nicht mehr vor frühere, tragfähigere Phasen sortiert.
-Das Inhalts-Reranking nutzt bewusst nur wenige repräsentative Referenzframes und
-eine begrenzte Kandidatenzahl. So bleiben wiederholte Szenen auffindbar, ohne
-dass der Lauf durch tausende Random-Seeks minutenlang festhängt.
-Confirmed Matches werden zusätzlich durch eine feste nahezu-Whole-Frame-Prüfung
-aus Luma, Kanten, Farbhistogramm und räumlichen 4x4-Farbhistogrammen gedeckelt.
-Dadurch kann ein freier Template-Hit mit ähnlicher Fenster-/Gesichtsstruktur
-nicht mehr als sicherer Match gelten, wenn die Gesamtkomposition oder die
-Bewegungsphase sichtbar eine andere Szene ist.
-Für gewichtete Vision-Kandidaten gibt es zusätzlich eine eigene Provisional-
-Bewertung aus Content-Score, Restdauer und Seed-Stärke. Dadurch können echte,
-aber durch Trailer-Grading/Crop numerisch schwache Treffer im Report landen,
-ohne als confirmed Match durchzugehen.
-Die Cache-Normalisierung für Report/Export verwendet dieselbe niedrigere
-Content-Untergrenze für nicht bestätigte Vision-Provisional-Treffer, damit ein
-gerade gefundener automatischer Match nicht beim Report-Aufbau wieder
-weggefiltert wird.
-Sie übernimmt auch die Multi-Shot-Coverage-Regel: gecachte Treffer, die passend
-zu internen Trailer-Umschnitten über angrenzende Source-Szenen laufen, werden
-nicht mehr auf die erste Source-Szene zurückgekürzt.
-Gezielte Einzel-Beat-Matches gewichten außerdem die automatisch aus Nachbarbeats
-abgeleiteten Continuity-Seeds. Wenn ein Beat direkt an einen bereits passenden
-Vorgänger anschließt, kann ein späterer ähnlich aussehender Moment derselben
-Dialogszene den erwarteten Anschluss nicht mehr nur wegen eines höheren
-Standbildscores verdrängen.
-Diese Continuity-Seeds sind aber nur Suchanker: in derselben Szene darf ein
-späterer Inpoint gewinnen, wenn die mehrframeige Content-Prüfung die
-Bewegungsphase klar besser trifft. Dadurch bleiben Anschlussmatches stabil,
-ohne Hand-/Kopfbewegungen auf einen falschen Zeitpunkt festzunageln.
-Continuity- und Vision-Seeds allein schalten den globalen FFmpeg-Scan
-standardmäßig nicht ab. Sie sind Suchanker, keine Beweise; der volle CV-Scan
-bleibt aktiv, damit semantisch plausible, aber falsche Vision-Treffer echte
-Bildmatches nicht verdrängen.
-Bei aktivierter Vision wird für gezielte Match-Läufe trotzdem zuerst ein
-schneller seed-basierter CV-Prepass ausgeführt. Er überspringt den vollen
-FFmpeg-Stream nur vorläufig und akzeptiert einen Treffer erst nach derselben
-Bild-/Phasenvalidierung wie der normale Matcher. Nur nicht gelöste Beats fallen
-danach auf den vollständigen Scan zurück. Die Qualitätsparameter für lokale
-Vision-Szenenscans und Refine-Kandidaten bleiben dabei erhalten; der Prepass ist
-eine Reihenfolge-Optimierung, kein Qualitätsdeckel.
-Provisional Treffer aus diesem schnellen Prepass sind nicht endgültig: wenn sie
-unterhalb der Confirmed-Schwelle bleiben, läuft zusätzlich der vollständige
-CV-Scan und darf den besseren oder bestätigten Treffer übernehmen.
-OpenRouter-/Vision-Rate-Limits werden mit progressiv längeren Pausen erneut
-versucht. Billing-, Credit- oder Token-Guthaben-Fehler werden dagegen sofort als
-echter Blocker gemeldet, weil Warten dort nicht hilft.
-Auch Netzfehler beim Lesen der Antwort (Timeouts, Verbindungsabbrüche während
-einer DSL-Trennung) werden als retrybar behandelt, nicht nur Verbindungsfehler
-beim Verbindungsaufbau. Schlägt die Vision-Verifikation während der finalen
-Filter-/Repair-Stufe trotzdem dauerhaft fehl, wird der bisherige gecachte
-Treffer für diesen Beat behalten statt verworfen — ein Netzproblem darf keinen
-schon korrekt gefundenen Match aus dem Cache löschen.
-Die Phasen-Reparatur an gefundenen Treffern läuft nicht mehr nur in „langen"
-Source-Szenen, sondern überall dort, wo die Szene mehr als nur das
-Segment-Fenster trägt. Eine korrigierte Position wird übernommen, sobald sie
-das Bildinhalt-Validate besteht UND nicht spürbar schlechter scort als das
-Original (≤ 0.02 Verlust). Bereits bestätigte Treffer in eng zugeschnittenen
-Szenen werden bewusst nicht angefasst, damit ein guter Match nicht durch eine
-nominell gleichwertige Alternative ausgetauscht wird.
-Beats, die nach dem CV-Lauf weder als Vollmatch noch als Segmentmatch landen,
-durchlaufen anschließend eine Recovery-Stufe: Vibe-Check (Histogramm/pHash)
-liefert Top-K Kandidatenszenen, die semantische Action-Window-Suche prüft
-darin die Phase des sichtbaren Trailerbeat-Anteils, und der CV-Aligner setzt
-den Inpoint frame-genau. Übernommen wird nur ein Kandidat, der dieselbe
-Vision-Phasenvalidierung wie der Hauptpfad besteht. Beats ohne sichtbares
-Bildmaterial (Logos, Titel-Karten, durchgehende Fades) werden gar nicht erst
-gesucht — sie sind bewusst kein Match.
-Lange Trailerbeats werden nicht mehr automatisch über ihre gesamte Beat-Länge
-gegen einen einzigen Source-Clip validiert. Sobald nach einem sichtbaren
-Source-Abschnitt eine anhaltende Schwarzblende oder Titel-/Credit-Insel beginnt,
-endet der matchbare Referenzbereich dort; zwei aufeinanderfolgende dunkle
-Samples reichen dafür. Spätere Text-/Creditbilder im selben Beat gehen damit
-nicht mehr in Reranking, Validation oder Span-Schätzung ein.
-Wenn nach einer Blende wieder sichtbares, matchbares Material kommt, wird der
-Beat nicht mehr als „Source + schwarzer Tail“ behandelt. Der CLI-Match speichert
-zusätzliche `MatchSegment`-Einträge für jede automatisch erkannte sichtbare
-Insel; der HTML-Report setzt diese Source-Segmente frame-lockend zusammen und
-füllt nur echte Zwischenlücken mit Schwarz. Dadurch können per Blende verbundene
-Trailer-Einstellungen innerhalb eines Beats getrennt gematcht werden, ohne die
-globale Scene Detection aggressiver oder beat-spezifisch zu kuratieren.
-Beats mit mehreren sichtbaren Inseln werden direkt segmentiert gesucht, statt
-zuerst als ein künstlich zusammenhängender Source-Clip über den ganzen Film zu
-laufen. Jede Insel nutzt dieselbe gestufte Vision-/CV-Validierung wie ein
-normaler Beat; der zusammengesetzte Report bleibt beat-synchron. Wenn der
-schnelle validierte Vision-Prepass für eine Insel keinen Treffer liefert, darf
-diese Insel weiterhin in den vollständigen Scan fallen.
-Falls ein kompletter Beat keinen belastbaren Einzelclip ergibt, versucht der
-Matcher dieselbe Segmentlogik automatisch als Fallback: sichtbare Inseln werden
-einzeln global gesucht und anschließend wieder zu einem Beat-Ergebnis
-zusammengesetzt. Sehr kurze Inseln dürfen zusätzlich in den Source-Szenen
-benachbarter bereits gematchter Beats lokal nach ihrer Bewegungsphase suchen.
-Das ist weiterhin nur ein allgemeiner Continuity-Anker, kein manueller Override
-für bestimmte Beat-Nummern oder Szenen.
-Besteht ein Beat nach automatischer Fade-/Titel-Filterung nur aus einer
-einzigen sichtbaren Insel, wird diese Insel direkt als primäres Suchziel
-verwendet. Dadurch scannt der Matcher denselben Bildinhalt nicht erst als
-vollen Beat und danach noch einmal als Segment; der Report behält trotzdem die
-korrekte Beat-Position und füllt echte Randlücken mit Schwarz.
-Gecachte segmentierte Treffer werden ebenfalls gegen die automatisch sichtbare
-Referenzdauer normalisiert, nicht gegen Schwarz-/Blendränder des gesamten Beats.
-Ein korrekt gematchter kurzer Bildinhalt wird dadurch beim Report-Aufbau nicht
-nachträglich als zu kurz verworfen.
-Zusätzlich werden sehr dunkle, kontrastarme oder noch nicht sauber
-auf-/abgeblendete Referenzframes aus Score, Inhalts-Reranking,
-Phasen-Alignment und Motion-Templates herausgenommen. Blenden sollen bestimmen,
-wie der Clip später exportiert wird, aber nicht, ob der Bildinhalt als Match
-gilt.
-Sichtbare Fade-Rampen werden nur in eine matchbare Insel hinein erweitert, wenn
-sie strukturell stark zum ersten bzw. letzten scorebaren Frame derselben
-Einstellung passen. Doppelbelichtungen aus Cross-Dissolves bleiben dadurch
-Übergangsmaterial und werden nicht als einzelner Quellclip erzwungen.
-Treffer unter `provisional_content_threshold` werden gar nicht mehr gespeichert
-oder aus alten Cache-Ergebnissen übernommen. Das verhindert, dass offensichtlich
-falsche Szenen im Report als Match-Kandidat weiterleben.
 
 ### Log-Level
 

config.toml

@@ -8,7 +8,7 @@
 [project]
 name        = "AI Trailer Generator v2"
 version     = "2.0.0"
-log_level   = "INFO"   # DEBUG | INFO | WARNING | ERROR
+log_level   = "DEBUG"   # DEBUG | INFO | WARNING | ERROR
 
 # -----------------------------------------------------------------------------
 # [paths] — External video sources (read-only access)
@@ -72,12 +72,12 @@ match_threshold       = 0.65
 
 # Store/report lower-confidence automatic candidates for visual review instead
 # of dropping them as "NO MATCH". Confirmed exports can still use match_threshold.
-provisional_match_threshold = 0.43
+provisional_match_threshold = 0.35
 
 # Lower gate for entering temporal multi-frame refinement. The final decision
 # still uses sequence/span scoring; this only avoids rejecting real matches
 # because one midpoint frame is weak.
-coarse_candidate_threshold = 0.50
+coarse_candidate_threshold = 0.40
 
 # Candidate ranking weights. Duration coverage matters when the same visual
 # shot appears multiple times: prefer the occurrence that can cover the beat.
@@ -86,7 +86,10 @@ span_score_weight     = 0.15
 coarse_score_weight   = 0.10
 duration_score_weight = 0.20
 duration_tie_break_score_delta = 0.03
-min_duration_coverage = 0.65
+min_duration_coverage = 0.55
+# Every visible sub-shot in a multi-shot beat must pass this stricter gate.
+# A weak segment is left unmatched instead of being hidden by a strong neighbor.
+multi_shot_segment_threshold = 0.50
 continuity_seed_offsets_s = [-1.0, 0.0, 0.5, 1.0, 1.5, 2.0, 3.0]
 scene_seed_top_k = 30
 scene_seed_points_per_scene = 6
@@ -103,7 +106,7 @@ refine_step_seconds   = 0.04  # ≈ 1 frame at 25 fps
 content_align_window_seconds = 0.48
 content_align_sample_step_s  = 0.28
 content_validation_weight    = 0.35
-provisional_content_threshold = 0.42
+provisional_content_threshold = 0.30
 
 # When several adjacent frame offsets score almost the same, prefer the earlier
 # one. This avoids matches that are visually correct but start a few frames late.
@@ -183,7 +186,7 @@ local_scan_step_s           = 0.12
 local_scan_max_points_per_scene = 180
 local_scan_top_candidates   = 36
 local_scan_tie_break_score_delta = 0.08
-multi_shot_cut_corr_threshold = 0.20
+multi_shot_cut_corr_threshold = 0.55
 multi_shot_boundary_tolerance_s = 0.20
 fullscan_fallback           = false
 content_threshold           = 0.22

docs/ALGORITHM.md

@@ -0,0 +1,381 @@
+# Algorithmus-Notizen
+
+Detaillierte Verhaltens­beschreibung und Designentscheidungen des Matchers.
+Für die normale Bedienung reicht die [README](../README.md) — dieses Dokument
+ist die Referenz für den Tool-Verantwortlichen, wenn etwas im Verhalten
+unklar wird oder ein Match systematisch falsch landet.
+
+## HTML-Report und Vorschauclips
+
+Der HTML-Report regeneriert seine Preview-Clips bei jedem Lauf mit genauer
+FFmpeg-Nachsuche und synchronisiert die beiden Video-Player pro Beat. Dadurch
+ist der Report zur Frame-Prüfung geeignet und zeigt keine alten gecachten
+Preview-Clips. Source-Previews bekommen bei Trailer-only-Tails denselben
+schwarzen Tail wie der Export, damit der Browser nicht einen zu kurzen
+Source-Clip gegen den längeren Referenzbeat weiterspult oder loopt.
+
+Zur Synchronprüfung rendert der Report ein einzelnes Frame-Locked-Compare-Video
+mit Referenz und Source in demselben MP4-Stream. Dieses Compare-Video ist
+maßgeblich, weil zwei getrennte Browser-Videoelemente nie zuverlässig
+framegenau synchron bleiben.
+
+## Trailer-Tails ohne Source-Pendant
+
+Wenn ein Trailer-Beat am Ende eine Blende, Schwarzfläche oder Textkarte
+enthält, die im Source-Film nicht als normaler Shot vorhanden ist, endet der
+Source-Match am letzten stabil passenden Frame. Exportierte Timelines behalten
+trotzdem die volle Beat-Länge und fügen danach automatisch einen schwarzen
+Trailer-Tail mit Marker für Fade/Dissolve ein.
+
+## Targeted single-beat re-matches
+
+Gezielte Ein-Beat-Matches nutzen zusätzlich vorhandene automatische Nachbarbeats
+aus dem Cache als zeitliche Suchanker. Das hilft bei aufeinanderfolgenden
+Shots, ohne manuelle Szenen oder Timecodes zu kuratieren. Bei `match --beat N`
+wird ein alter Cache-Treffer für genau diesen Beat entfernt und nur ein neu
+gefundener automatischer Treffer wieder eingetragen. Ein fehlgeschlagener
+neuer Lauf kann dadurch keinen alten falschen Report-Treffer stehen lassen.
+
+## Bildvergleich auf Luma + Kanten
+
+Der globale Bildvergleich arbeitet auf kontrast-normalisierten Luma- und
+Kantenfeatures statt auf rohen Farb-Pixeln. Dadurch bleiben Schwarzweiß-
+oder anders gegradete Trailerbilder mit dem Source-Material vergleichbar,
+während unähnliche Farbshots schlechter ranken.
+
+Die Inpoint-Feinjustage bestimmt den Versatz lokal aus dem Bildinhalt: um
+einen groben Treffer herum werden mehrere Referenzframes gegen mehrere
+Source-Offsets verglichen, und der beste gemeinsame Offset wird übernommen.
+Das ist schneller als ein erneuter globaler Scan und vermeidet pauschale
+Frame-Prerolls.
+
+## Bewegungsphasen-Vergleich
+
+Zusätzlich wird die Bewegungsphase über Frame-zu-Frame-Differenzen verglichen.
+Dadurch kann der Matcher innerhalb derselben Source-Szene unterscheiden, ob
+zwei Figuren noch sprechen, sich annähern, bereits im Kontakt sind oder sich
+wieder voneinander lösen. Ein optisch ähnlicher Standbild-Treffer reicht damit
+nicht mehr aus, wenn der Bewegungsverlauf nicht zur Referenz passt.
+
+Schwarze Referenzframes aus Blenden oder Titel-Tails werden für diese
+Offset-Messung ausgelassen, damit echte Bildbewegung und nicht die Blende
+selbst den Inpoint bestimmt. `rematch --refine` nutzt denselben lokalen
+FFmpeg/Pillow-Aligner und schreibt den korrigierten Inpoint direkt zurück in
+`.cache/match_results.json`.
+
+## Vision-Layer (optional)
+
+Optional kann `python cli.py match --beat N --vision` einen Vision-Layer
+zuschalten. Dann werden pro Trailer-Beat und pro wenigen Scene-Level-
+Kandidaten je drei Frames (Anfang, Mitte, Ende) von einem visionfähigen
+OpenAI-kompatiblen Modell beschrieben. Die Beschreibungen liegen in
+`.cache/vision_descriptions.json` und werden wiederverwendet. Vision erzeugt
+nur zusätzliche Suchanker; der eigentliche Match muss weiterhin durch CV,
+Content-Reranking, Timing und Duration-Coverage bestätigt werden.
+
+Gecachte Szenenbeschreibungen zählen nur, wenn sie vom aktuell konfigurierten
+Vision-Modell stammen. Bei langen semantisch passenden Source-Szenen
+beschreibt der Vision-Layer zusätzlich wenige lokale Zeitfenster und cached
+auch diese Fenster, damit eine grob ähnliche Szene nicht automatisch mit dem
+falschen Bewegungs- oder Dialogmoment gleichgesetzt wird. Dieser lokale
+Fenster-Probe ist bewusst breiter als die finale Seed-Auswahl: eine lange
+Dialogszene kann in der Gesamtbeschreibung nur als Gespräch erscheinen, aber
+an einer späteren Stelle trotzdem genau die gesuchte Aktionsphase enthalten.
+
+Für diese Probe wird die grobe Szenenähnlichkeit ohne harte Aktionsstrafe
+gerankt; die harte Aktionsprüfung greift erst auf den lokalen Fenstern und
+dem finalen Source-Zeitbereich.
+
+## Aktionsphase-Verifikation nach dem CV-Match
+
+Nach dem CV-Match kann derselbe Vision-Layer den konkreten finalen Source-
+Zeitbereich nochmals gegen den Trailer-Beat prüfen. Starke Aktionsphasen wie
+Annäherung, Kuss/Stirnkontakt, Handbewegungen oder Schneiden müssen dann auch
+im Source-Fenster beschrieben sein; fehlt diese Aktionsphase, wird der
+Treffer nicht gespeichert, selbst wenn der Low-Level-CV-Score hoch ist.
+
+Wenn die Szene selbst plausibel ist, aber der konkrete Source-Zeitpunkt
+diese Aktionsphase verfehlt, sucht der Matcher automatisch dichter innerhalb
+derselben Source-Szene nach lokalen Vision-Fenstern mit der passenden Aktion
+und richtet den Inpoint mit der Motion-Phase-Prüfung darauf neu aus. Erst
+wenn auch diese In-Scene-Reparatur scheitert, wird der Treffer verworfen.
+Diese In-Scene-Reparatur läuft auch für semantisch gültige Treffer aus langen
+Source-Szenen.
+
+Die Kandidatenbewertung dieser Reparatur vergleicht zwei Kontexte: den ganzen
+Beat als semantischen Handlungsrahmen und das konkret sichtbare Beat-Segment
+als Phasenprüfung. Ein Source-Zeitpunkt muss nicht nur „die Szene mit dem
+Kuss" enthalten, sondern auch zur aktuellen Bewegungsphase des sichtbaren
+Trailerabschnitts passen. Pro Kandidat fließt zusätzlich ein lokaler
+Content-/Motion-Frame-Score ein, damit cached Vision-Beschreibungen keinen
+sichtbar versetzten Bewegungsmoment überstimmen.
+
+## Segmentierte Beats (Beats mit Blenden / Inseln)
+
+Bei blendigen oder segmentierten Beats nutzt die semantische Action-Suche den
+ganzen Trailerbeat als Kontext. Die eigentliche Frame-Ausrichtung bleibt auf
+das sichtbare Segment begrenzt; der gefundene Source-Inpoint wird um den
+Trailer-Offset des Segments verschoben. So geht die globale Aktionsbeschreibung
+eines Beats nicht verloren, nur weil der scorebare Teil erst nach einer Blende
+beginnt.
+
+Die Suche nach diesem Action-Window prüft pro Segment zwei Beschreibungen:
+zuerst die des konkret sichtbaren Segments (so trifft die Phasensuche genau
+die gerade gezeigte Bewegung), als Rückfall die des gesamten Beats. Der
+Beat-Kontext gewinnt nur, wenn er deutlich (>0.06) besser scort; sonst bleibt
+das Segment-Fenster die Wahl, weil die Beat-Beschreibung Aktionen aus
+Fade-Bildern mit aufnehmen kann, die im sichtbaren Segment nicht stattfinden.
+Der Trailer-Offset-Shift wird nur angewendet, wenn tatsächlich der Beat-
+Kontext benutzt wurde; bei segmentbasierter Wahl ist das gefundene Fenster
+bereits auf die sichtbare Aktionsphase ausgerichtet.
+
+Der Segment-Offset zählt nur über vorherige scorebare Bildinseln, nicht über
+schwarze oder blendige Lücken. Nach dem Retiming wird die nutzbare Source-
+Dauer erneut geschätzt; läuft die Source am Ende in eine sichtbar andere
+Aktionsphase, wird der Treffer im Cutter-Report klar als phasenkritisch
+markiert. Schwarz/Placeholder wird nur für wirklich ungematchte Trailer-
+Bereiche oder Fades verwendet, nicht um sichtbare Kandidatenbewegung im Review
+zu verstecken.
+
+Diese Span-Schätzung ist strenger als der grobe Suchscore: Ein fast stehender
+Anfang darf einen Match nicht retten, wenn spätere Frames sichtbar in eine
+andere Gestik, Körperposition oder eintretende Figur driften. Stabile
+Score-Plateaus dürfen nur verlängern, wenn sie noch nah genug am Anfangsniveau
+liegen; sonst bleibt der Treffer vorläufig und muss neu gesucht oder visuell
+geprüft werden. Der Review-Clip zeigt den Kandidaten weiterhin sichtbar, damit
+Phasenfehler nicht durch Schwarz verdeckt werden.
+
+Für Multi-Shot-Beats gilt zusätzlich eine Segment-Schwelle pro sichtbarer
+Einstellung. Ein gutes erstes Segment darf kein zweites Segment mit schwachem
+Score mitziehen. Segmente unter `multi_shot_segment_threshold` werden nicht als
+stabile Wahrheit behandelt, sondern innerhalb derselben plausiblen Source-Scene
+nachjustiert. Die Nachjustierung nutzt eine saliency-gewichtete Mehrframe-Prüfung:
+Timecodes und statische Randbereiche werden entwertet, kontrastreiche und über
+mehrere Trailerframes unterscheidbare Bildbereiche zählen stärker. Dadurch kann
+eine schwache zweite Einstellung phasengenauer repariert werden, ohne den Fehler
+durch Schwarzbild zu verdecken oder einen Beat manuell zu kuratieren.
+
+Der Cutter-Report verwendet Clip-Caching. Bereits vorhandene Compare-Clips werden
+wiederverwendet; bei gezielten Rematches wird nur der betroffene Beat neu gerendert
+(`CUTTER_REPORT_FORCE_BEATS`). So bleibt der Report aktuell, ohne alle Beats jedes
+Mal neu zu kodieren.
+
+## Vision-Seeds vs. Vollscan
+
+Der gewichtete Vision-Seed-Pfad ersetzt standardmäßig keinen normalen
+FFmpeg-Vollscan. Vision-Beschreibungen sind semantische Hinweise, aber keine
+Beweise; der volle CV-Scan bleibt aktiv, damit falsch bewertete Vision-Szenen
+echte Treffer nicht verdrängen. Für schnelle Experimente kann
+`skip_coarse_scan_with_weighted_seeds = true` gesetzt werden.
+
+Gewichtete Vision-Seeds werden nicht zuerst durch den alten Midpoint-Template
+Refine verschoben; sie gehen direkt in die lokale Content-Alignment-Prüfung.
+Das schützt wiederholte Gesprächseinstellungen, bei denen ähnliche Momente
+mehrfach in derselben Szene vorkommen.
+
+Innerhalb der automatisch von Vision vorgeschlagenen Szenen läuft zusätzlich
+eine dichte lokale Bildsequenzsuche. Sie misst den Phasenversatz in kleinen
+Zeitschritten direkt am Bildinhalt und bevorzugt Kandidaten mit genügend
+Restdauer in derselben Source-Szene. Das ist kein manueller Override: Vision
+grenzt nur Suchbereiche ein, die Auswahl bleibt Content-, Timing- und
+Coverage-getrieben. Nach einem dichten Vision-Treffer darf der spätere
+lokale Aligner nur noch im Bereich dieses Scan-Schritts nachjustieren. So
+kann ein korrekt gefundener Bewegungsmoment nicht wieder um viele Frames in
+eine ähnlich aussehende Phase derselben Szene verschoben werden.
+
+Für Vision-Action-Fenster nutzt die finale Retiming-Prüfung eine gemeinsame
+Content-und-Motion-Suche pro Frame. Content und Bewegungsphase werden nicht
+mehr als zwei getrennte Korrekturschritte angewendet; das verhindert, dass
+eine kurze Geste erst korrekt erkannt und anschließend in eine spätere
+ähnliche Körperhaltung verschoben wird. Wenn mehrere Vision-Kandidaten in
+derselben Source-Szene ähnlich gut scoren und die Beat-Dauer abdecken,
+bevorzugt der Matcher die frühere Phase.
+Die Vision-Recovery läuft nicht nur für komplett fehlende Beats, sondern auch
+für schwache unbestätigte Treffer. Gerade Low-Light-Beats dürfen nicht an einem
+falschen dunklen CV-Treffer hängen bleiben, wenn der Cache semantisch eine
+bessere Handlungsphase kennt.
+Bei langen Source-Szenen prüft die Action-Window-Suche immer den Szenenanfang
+und mehrere frühe Fenster, bevor sie gleichmäßig über die ganze Szene sampelt.
+Damit gehen kurze Trailer-Aktionen am Anfang einer langen Szene nicht unter,
+wenn der Rest der Szene aus Credits, Schwarzbild oder ruhigen Folgeframes
+besteht.
+Wenn ein Action-Window die starke Beat-Aktion explizit enthält, darf es eine
+etwas niedrigere Textähnlichkeit haben; die Handlung zählt dann stärker als
+Nebenwörter zu Licht, Bildausschnitt oder Stimmung.
+Bereits gecachte Action-Windows einer Szene bleiben gültige Kandidaten, auch
+wenn sich das aktuelle Sampling-Raster ändert. So verliert der Matcher keine
+teuren Vision-Hinweise und muss dieselben Fenster nicht erneut beschreiben.
+Wenn neue Vision-Calls deaktiviert sind, darf die Recovery vorhandene Cache-
+Beschreibungen trotzdem lesen; das erzeugt keine API-Kosten und verhindert,
+dass alte schwache CV-Treffer stehen bleiben.
+Schlägt die CV-Feinjustierung bei einem semantisch klaren Low-Light-Fenster
+fehl, bleibt das Action-Window als provisorischer Treffer erhalten. CV darf
+einen dunklen Treffer verfeinern, aber nicht einen eindeutigen Cache-Hinweis
+komplett verwerfen.
+Zusätzlich kann Recovery vorhandene gecachte Action-Windows direkt über alle
+Szenen ranken. Dieser schnelle Pfad vermeidet einen teuren Vollscan, wenn der
+Cache bereits eine starke Aktion wie Hand-am-Mund, Kuss oder Blickwechsel
+enthält.
+Eindeutige Begriffe aus der Beat-Beschreibung wirken als harte Filter für
+Vision-Fenster: `mouth` muss im Kandidaten wiederkehren, `dark interior` darf
+nicht auf Outdoor-Material fallen, und markante Personenmerkmale wie `blonde`
+bleiben bindend.
+
+Der zusätzliche Hi-Res-Phasenrefine bleibt lokal um den bereits validierten
+Inpoint und übernimmt nur klare Verbesserungen. Er darf keine ganze lange
+Dialogszene nach ähnlichen Layouts durchsuchen, weil sonst dieselbe Location
+mit anderer Gestik als falsche Phase gewinnen kann und die Laufzeit explodiert.
+Die lokale Retune-Wertung nutzt deshalb nicht nur den mittleren Frame-Score,
+sondern auch den schlechtesten Einzelvergleich, die ersten sichtbaren Frames
+und die Frame-zu-Frame-Bewegung. Dadurch gewinnt nicht mehr ein späteres
+Standbild derselben Einstellung, nur weil Fenster, Gesichter und Licht fast
+identisch aussehen.
+Unsichere Einzeltreffer ohne Segmentliste laufen ebenfalls durch diesen lokalen
+Phasen-Probe. Das repariert alte Cache-Einträge, deren Szene korrekt ist, deren
+Inpoint aber einige Frames in der Bewegung daneben liegt. Der Probe bleibt auf
+kleine lokale Shifts begrenzt und wird nicht für jeden bestätigten Treffer
+erzwungen, damit Report-Refreshes nicht zum Vollscan werden.
+Report-Clips werden zusätzlich an den bekannten Source-Szenenstart plus eine
+sehr kurze Ein-Frame-Guard-Zone geklemmt, damit ein knapp vor oder direkt auf
+der Schnittkante liegender Inpoint nicht mit Frames der vorherigen Einstellung
+beginnt. Die Guard-Zone bleibt bewusst klein, weil eine längere Korrektur die
+sichtbare Bewegungsphase innerhalb derselben Einstellung verschieben würde.
+
+## Multi-Shot-Beats
+
+Enthält ein Trailerbeat selbst einen harten Umschnitt, werden Kandidaten an
+angrenzenden Source-Szenengrenzen zusätzlich als zusammenhängender Multi-Shot-
+Span geprüft. Ein Match darf dann über eine Source-Szenengrenze laufen, aber
+nur wenn die relative Source-Grenze zeitlich zu einem erkannten Trailer-
+Umschnitt passt. So kann ein Beat aus Frage/Antwort-Shots vollständig erfasst
+werden, ohne Szenen willkürlich zusammenzukleben.
+
+## Titel- und Grafikbeats
+
+Dunkle Trailerkarten mit deutlich isoliertem Text werden im Cutter-Report als
+`GFX` markiert, wenn es keinen Source-Treffer gibt. Diese Beats sind keine
+fehlgeschlagenen Matches: Der Cutter soll die Trailer-Grafik beziehungsweise
+eine NLE-Titelkarte übernehmen und nicht im Spielfilm nach einem Bild suchen.
+
+## Reranking-Pipeline
+
+Vor dem teuren Frame-Refine wird der gesamte Kandidatenpool mit einer
+schnellen festen Inhaltsprüfung neu sortiert. Dadurch können korrekte Treffer
+aus wiederholten Einstellungen einer Szene nach oben kommen, auch wenn ein
+freier Template-Peak an anderer Stelle numerisch stärker war. Suchanker
+bleiben im Pool erhalten, dürfen aber erst nach der Inhaltsprüfung nach oben
+rücken. Wenn ein Kandidat visuell plausibel ist, aber wegen Trailerblende oder
+kurzem Source-Span die normale Coverage knapp verfehlt, wird er als
+provisional Match behalten statt als `NO MATCH` verworfen.
+
+Dieses Reranking berücksichtigt zusätzlich die verbleibende Szenenlänge ab
+dem Kandidaten-Inpoint, nutzt bewusst nur wenige repräsentative Referenzframes
+und eine begrenzte Kandidatenzahl. Confirmed Matches werden zusätzlich durch
+eine feste nahezu-Whole-Frame-Prüfung aus Luma, Kanten, Farbhistogramm und
+räumlichen 4×4-Farbhistogrammen gedeckelt. Auch der lokale Content-Aligner
+darf einen Inpoint nur noch übernehmen, wenn die feste Whole-Frame-/Spatial-
+Validation dadurch besser wird.
+
+Für gewichtete Vision-Kandidaten gibt es zusätzlich eine eigene Provisional-
+Bewertung aus Content-Score, Restdauer und Seed-Stärke. Die Cache-
+Normalisierung für Report/Export verwendet dieselbe niedrigere
+Content-Untergrenze für nicht bestätigte Vision-Provisional-Treffer und
+übernimmt die Multi-Shot-Coverage-Regel: gecachte Treffer, die passend zu
+internen Trailer-Umschnitten über angrenzende Source-Szenen laufen, werden
+nicht mehr auf die erste Source-Szene zurückgekürzt.
+
+## Continuity-Seeds
+
+Gezielte Einzel-Beat-Matches gewichten außerdem die automatisch aus
+Nachbarbeats abgeleiteten Continuity-Seeds. Wenn ein Beat direkt an einen
+bereits passenden Vorgänger anschließt, kann ein späterer ähnlich aussehender
+Moment derselben Dialogszene den erwarteten Anschluss nicht mehr nur wegen
+eines höheren Standbildscores verdrängen. Diese Continuity-Seeds sind aber
+nur Suchanker: in derselben Szene darf ein späterer Inpoint gewinnen, wenn
+die mehrframeige Content-Prüfung die Bewegungsphase klar besser trifft.
+
+## Vision-Prepass für gezielte Match-Läufe
+
+Bei aktivierter Vision wird für gezielte Match-Läufe zuerst ein schneller
+seed-basierter CV-Prepass ausgeführt. Er überspringt den vollen FFmpeg-Stream
+nur vorläufig und akzeptiert einen Treffer erst nach derselben Bild-/
+Phasenvalidierung wie der normale Matcher. Nur nicht gelöste Beats fallen
+danach auf den vollständigen Scan zurück.
+
+Provisional Treffer aus diesem schnellen Prepass sind nicht endgültig: wenn
+sie unterhalb der Confirmed-Schwelle bleiben, läuft zusätzlich der
+vollständige CV-Scan und darf den besseren oder bestätigten Treffer
+übernehmen.
+
+## Fehlertoleranz bei Vision-API
+
+OpenRouter-/Vision-Rate-Limits werden mit progressiv längeren Pausen erneut
+versucht. Auch Netzfehler beim Lesen der Antwort (Timeouts,
+Verbindungsabbrüche während einer DSL-Trennung) werden als retrybar
+behandelt, nicht nur Verbindungsfehler beim Verbindungsaufbau.
+Billing-, Credit- oder Token-Guthaben-Fehler werden dagegen sofort als
+echter Blocker gemeldet, weil Warten dort nicht hilft.
+
+Schlägt die Vision-Verifikation während der finalen Filter-/Repair-Stufe
+trotzdem dauerhaft fehl, wird der bisherige gecachte Treffer für diesen
+Beat behalten statt verworfen — ein Netzproblem darf keinen schon korrekt
+gefundenen Match aus dem Cache löschen.
+
+## Phasen-Reparatur und Recovery
+
+Die Phasen-Reparatur an gefundenen Treffern läuft nicht nur in „langen"
+Source-Szenen, sondern überall dort, wo die Szene mehr als nur das
+Segment-Fenster trägt. Eine korrigierte Position wird übernommen, sobald sie
+das Bildinhalt-Validate besteht UND nicht spürbar schlechter scort als das
+Original (≤ 0.02 Verlust). Bereits bestätigte Treffer in eng zugeschnittenen
+Szenen werden bewusst nicht angefasst, damit ein guter Match nicht durch
+eine nominell gleichwertige Alternative ausgetauscht wird.
+
+Beats, die nach dem CV-Lauf weder als Vollmatch noch als Segmentmatch
+landen, durchlaufen anschließend eine Recovery-Stufe: Vibe-Check
+(Histogramm/pHash) liefert Top-K Kandidatenszenen, die semantische
+Action-Window-Suche prüft darin die Phase des sichtbaren Trailerbeat-
+Anteils, und der CV-Aligner setzt den Inpoint frame-genau. Übernommen wird
+nur ein Kandidat, der dieselbe Vision-Phasenvalidierung wie der Hauptpfad
+besteht. Beats ohne sichtbares Bildmaterial (Logos, Titel-Karten,
+durchgehende Fades) werden gar nicht erst gesucht — sie sind bewusst kein
+Match.
+
+## Behandlung von Blenden und Schwarzfeldern
+
+Lange Trailerbeats werden nicht automatisch über ihre gesamte Beat-Länge
+gegen einen einzigen Source-Clip validiert. Sobald nach einem sichtbaren
+Source-Abschnitt eine anhaltende Schwarzblende oder Titel-/Credit-Insel
+beginnt, endet der matchbare Referenzbereich dort; zwei aufeinanderfolgende
+dunkle Samples reichen dafür. Spätere Text-/Creditbilder im selben Beat
+gehen nicht mehr in Reranking, Validation oder Span-Schätzung ein.
+
+Wenn nach einer Blende wieder sichtbares, matchbares Material kommt, wird
+der Beat nicht mehr als „Source + schwarzer Tail" behandelt. Der CLI-Match
+speichert zusätzliche `MatchSegment`-Einträge für jede automatisch erkannte
+sichtbare Insel; der HTML-Report setzt diese Source-Segmente frame-lockend
+zusammen und füllt nur echte Zwischenlücken mit Schwarz.
+
+Beats mit mehreren sichtbaren Inseln werden direkt segmentiert gesucht,
+statt zuerst als ein künstlich zusammenhängender Source-Clip über den
+ganzen Film zu laufen. Falls ein kompletter Beat keinen belastbaren
+Einzelclip ergibt, versucht der Matcher dieselbe Segmentlogik automatisch
+als Fallback. Sehr kurze Inseln dürfen zusätzlich in den Source-Szenen
+benachbarter bereits gematchter Beats lokal nach ihrer Bewegungsphase
+suchen.
+
+Besteht ein Beat nach automatischer Fade-/Titel-Filterung nur aus einer
+einzigen sichtbaren Insel, wird diese Insel direkt als primäres Suchziel
+verwendet. Gecachte segmentierte Treffer werden gegen die automatisch
+sichtbare Referenzdauer normalisiert, nicht gegen Schwarz-/Blendränder
+des gesamten Beats.
+
+Sehr dunkle, kontrastarme oder noch nicht sauber auf-/abgeblendete
+Referenzframes werden aus Score, Inhalts-Reranking, Phasen-Alignment und
+Motion-Templates herausgenommen. Sichtbare Fade-Rampen werden nur in eine
+matchbare Insel hinein erweitert, wenn sie strukturell stark zum ersten
+bzw. letzten scorebaren Frame derselben Einstellung passen.
+
+Treffer unter `provisional_content_threshold` werden nicht mehr gespeichert
+oder aus alten Cache-Ergebnissen übernommen.
+