Итоговый ролик: 60 секунд, вертикальный формат, караоке-субтитры, заставка и перекрытия. Исходник — четыре минуты сырой записи, монтаж целиком собрал агент
Смотреть в Telegram Смотреть в MAX Открыть отдельно

Я довольно много выступаю и записываю короткие ролики. И у этого жанра есть неприятная арифметика: минута готового видео — это час-полтора монтажа. Расшифровать, выбрать, что оставить, вырезать паузы, набить субтитры, подложить перекрытия, ужать под вертикальный формат. Работа несложная, но настолько монотонная, что съедает всякое желание записывать регулярно.

Поэтому я отдал её агенту целиком и посмотрел, что получится. Не «помоги с монтажом», а буквально: вот исходник, верни готовый ролик.

Что именно делает агент

Разложу по шагам — это и есть весь конвейер автоматического монтажа видео.

1. Расшифровка с пословными таймкодами

Первое, что происходит с записью, — распознавание речи. Но не просто «текст целиком», а с привязкой каждого слова к таймкоду в исходнике. Именно эта пословная разметка потом позволяет резать по смыслу, а не по силе звука.

2. Отбор сильных фраз

Дальше агент читает расшифровку и решает, что вообще стоит оставить. Из четырёх минут отбирается 5–6 фрагментов, которые несут смысл: тезис, пример, вывод. Остальное — подводки, повторы, «ну вот сейчас я покажу» — отбрасывается.

Это самый спорный шаг, и именно здесь чаще всего хочется поспорить с машиной. Но поскольку на выходе есть редактируемый таймлайн, вернуть выброшенный кусок — вопрос одной правки.

3. Вырезание пауз, вдохов и «эээ»

Внутри оставленных фрагментов вычищается мусор: тишина между словами, вдохи, откашливания, слова-заполнители. Фрагменты склеиваются встык, с микро-подрезкой на стыках, чтобы монтаж не звучал рвано. На этом одном шаге хронометраж обычно падает на 20–30% без потери смысла.

Кадр из ролика: караоке-субтитры подсвечивают произносимое слово Кадр из ролика: перекрытие с макетом дизайн-системы поверх говорящей головы
Караоке-субтитры и перекрытия агент расставляет сам, ориентируясь на расшифровку: подсветка идёт ровно по произносимому слову

4. Таймлайн в OTIO — а не только готовый файл

Вот деталь, которая для меня оказалась решающей. Агент отдаёт не только смонтированный MP4, но и таймлайн в формате OTIO (OpenTimelineIO) — открытом описании монтажной сборки: какие фрагменты исходника, с какими таймкодами и в каком порядке. Плюс EDL и FCPXML.

Это значит, что результат можно открыть в DaVinci Resolve или Kdenlive, подвинуть склейку руками и пересобрать. Агент не запирает вас в своём чёрном ящике — он выдаёт нормальный монтажный проект, с которого можно продолжить.

5. Субтитры, фон и хронометраж

Дальше — караоке-субтитры с подсветкой произносимого слова (они заметно удерживают просмотр в ленте), замена фона, заставка, перекрытия поверх говорящей головы. И финальная подгонка: ролик ужимается ровно под минуту, потому что это общий знаменатель для вертикальных площадок.

Кадр из ролика: анимированная заставка со слоями Финальный кадр ролика с призывом обсудить в комментариях
Заставка и финальный кадр — тоже часть автоматической сборки, а не отдельная ручная работа

Что получилось, а что — нет

Получилось: черновая сборка с первого прогона. Смысл собран, паузы убраны, субтитры на месте, хронометраж выдержан. То есть ровно те 80% механической работы, ради которых обычно и зовут монтажёра.

Не получилось: режиссура. Ритм, драматургия, музыкальные акценты, выбор «вот на этой фразе надо задержаться» — здесь машина пока предлагает усреднённое решение. И иногда она выбрасывает фразу, которая мне казалась главной.

Но разница между «переделать всё» и «подвинуть две склейки в готовом таймлайне» — принципиальная. Первое убивает регулярность, второе — нет.

Открытый вопрос

Мне правда интересно, где здесь граница. Останется ли монтаж профессией через год — или станет тем же, чем стала вёрстка текста после появления текстовых редакторов: навыком, который нужен единицам, а всем остальным хватает кнопки?

И второй вопрос, более практичный: где та черта, после которой автоматическая сборка перестаёт быть «черновиком для монтажёра» и становится финальным продуктом? По моим ощущениям, для говорящей головы в вертикальном формате эта черта уже пройдена.

Как попробовать самому

Агент, который собрал ролик выше, живёт в Telegram — @lite_harness_bot. Пришлите ему свою запись и попросите собрать вертикальный ролик на минуту с субтитрами. Он же доступен в MAX — по этой ссылке.

Совет из практики: начните не с идеального дубля, а как раз с сырой записи — с паузами и оговорками. Именно на таком материале видно, что агент действительно делает, а не имитирует.

Что из этого выйдет и куда всё движется — разбираю в своём телеграм-канале @yaroslav_shuvaev. Тот же канал есть и в MAX — max.ru/channel_shuvaev.