Já construímos esse tipo de pipeline antes.
A maior parte do que roda por baixo de um editor de vídeo com IA é o mesmo encanamento que a gente passou anos escrevendo pra trabalho de IA em backend. Ingerir mídia em escala. Rodar inferência. Transformar output bagunçado de modelo em algo que uma pessoa consegue revisar e confiar. A forma muda quando você aponta esses pipelines pra vídeo, mas a estrutura é a mesma.
IA em produção também ensinou onde esses sistemas falham. A primeira falha é remover a etapa de revisão humana e publicar o que quer que o modelo decida. A segunda é esconder a etapa de revisão numa UI que desperdiça o tempo do usuário. As duas falhas estão visíveis agora no mercado de editores de vídeo com IA, e é por isso que o Sapari existe — a IA propõe, a timeline te mostra os cards, você decide.
Feito com criadores, não em cima deles.
A gente começou o Sapari sentando com um grupo pequeno de criadores — YouTubers, gente de conteúdo curto, criadores de curso, coaches — e observando como eles editam de verdade. Não rodamos pesquisas. A gente assistiu o que eles faziam meia-noite quando alguma coisa precisava sair de manhã.
Todo recurso do Sapari rastreia até alguma coisa que vimos. Alguém arrastando por 4 minutos de silêncio pra achar a próxima frase — é por isso que o slider de pacing vai de Off até Hyper. Alguém re-cortando a mesma repetição três vezes — é por isso que detecção de repetições aparece como cards coloridos na timeline, não como um auto-corte caixa-preta. Alguém exportando a mesma edição quatro vezes pra quatro plataformas — é por isso que um projeto vira 16:9, 9:16 e 1:1 da mesma timeline.
A gente não está tentando te tirar da edição. Está tentando tirar as partes da edição que você não queria estar fazendo em primeiro lugar.
Três anos de open source.
As bibliotecas abaixo são a superfície pública — a parte que você pode `pip install` e ler no GitHub em benavlabs. Tem mais por trás: agentes de IA em produção, templates de infraestrutura, ferramentas internas que construímos entregando projetos enterprise de IA.
FastroAI é dividido em duas partes. O pacote acima é open source — orquestração agêntica em cima do PydanticAI. A parte fechada, FastroAI Template, é um starter full-stack pra apps de IA em produção e foi o nosso primeiro produto pago. Os dois ficam em fastro.ai; a documentação dos dois está em docs.fastro.ai.
O Sapari ocupa um lugar diferente. O FastroAI Template era pra devs; o Sapari é o primeiro produto que construímos pra um público que não é. Os padrões valem dos dois lados — entregar algo que a gente mesmo usaria, documentar de forma honesta, não fingir que o modelo está fazendo mais do que faz.
Quem está construindo isso.
Quatro pessoas, por enquanto.
Igor Benav
Autor do FastCRUD e do FastroAI. Constrói pipelines de IA em produção pra viver — bilhões de registros ingeridos, dashboards de BI servindo mais de 100 usuários diários, a camada de orquestração onde o Sapari roda. Ensina Python e desenvolvimento de MVP por fora; toca violão e mestra campanhas de D&D quando não está no teclado.
Vic
Cuida de produto e operações no Sapari. Passou anos na Benchpark gerenciando entregas de arte e criação pra Disney, Nubank, Zombie Studios e Fini — sabe o que entregar trabalho criativo num prazo real significa de verdade. Designer de jogos digitais por formação, honras de melhor da turma no IESB.
Gabriel Silva
Mais de 15 anos entregando software em produção. Construiu a engine de chatbot com IA dentro do Caixa Tem (o maior banco digital do Brasil), o sistema de registro farmacêutico da ANVISA, automação bancária pro Banco da Amazônia e APIs de cálculo de risco servindo mais de 30 mil requisições por mês. IA em produção onde "o modelo errou" tem consequências.
Lucas Rodrigues
Cuida do QA no Sapari e mantém o trabalho open-source na Benav Labs — issues, PRs, releases do FastCRUD, CRUDAdmin e o resto. Background em Python e FastAPI, finalista top-4 no Campus Mobile (a maior competição de empreendedorismo em telecom do Brasil).