Как устроена система, которая берёт тему и отдаёт готовое видео: озвучка, субтитры по словам, переходы, запись экрана, липсинк и публикация. Без волшебной кнопки — но и без ручного монтажа.
Главное непонимание новичка: он ищет одну нейросеть, которая «сделает видео». Такой нет. Есть бригада, где у каждого одна работа, а помощник — прораб, который их вызывает по очереди.
| Кто | Что делает | Чем заменить |
|---|---|---|
| Claude Code (или другой ИИ-помощник в терминале) | прораб: читает твои инструкции, вызывает остальных, собирает результат | Codex, Cursor |
| Whisper | слушает речь и отдаёт текст с таймингом каждого слова — из этого получаются субтитры | любой сервис распознавания с потайминговкой |
| FFmpeg | рабочая лошадь: режет, склеивает, накладывает картинку на картинку, сводит звук | ничем, это стандарт |
| Сервис озвучки (например, Fish Audio) | читает текст голосом — своим клонированным или готовым | ElevenLabs и аналоги |
| Playwright | открывает сайт и снимает экран — то самое «видео сверху» | запись экрана руками |
| Скрипты на Python | мелкая работа: маски, обложки, перевод распознавания в файл субтитров | — |
Это и есть та самая «система», без которой выходит разнобой. Собирается за вечер, живёт годами.
| Что | Зачем |
|---|---|
| Инструкции для помощника (у меня их четыре) | правила сценария, сборки, звука и публикации — чтобы не объяснять заново каждый раз |
| Пак звуков | одинаковые переходы во всех роликах |
| Шрифты в отдельной папке | субтитры и плашки не разъезжаются по стилю |
| Фон-подложка (короткое зацикленное видео) | кадр не выглядит пустым |
| Библиотека логотипов сервисов | вставлять логотип, о котором речь, без поиска каждый раз |
| Музыка без прав | чтобы площадка не приглушила звук и не сняла монетизацию |
Нужны три вещи: клипы с говорящим (снятые или сгенерированные), запись экрана с процессом и свежий скриншот интерфейса. Всё вертикальное — 1080×1920, 24 кадра в секунду.
Так собирается один ролик. Каждый шаг делает помощник, от тебя — тема и проверка глазами в конце.
Whisper слушает каждый клип и отдаёт файл со словами и точным временем каждого слова. Именно потайминговка даёт субтитры, где слово подсвечивается ровно тогда, когда оно звучит.
Клипы идут подряд, поэтому времени второго клипа прибавляется длительность первого, и так далее. Мелочь, которая ломает всё: на стыках слова слипаются («идеюне»), если не добавить пробел в начало каждого следующего куска.
Из распознавания собирается файл субтитров. Дальше — косметика: кодовое слово заглавными, названия сервисов с большой буквы.
Клипы соединяются в одну дорожку. Проверь длительность: она должна совпасть с суммой кусков секунда в секунду.
Спикер не вырезается, а показывается через мягкую маску — скруглённый прямоугольник плюс овал под лицо. Размывать края нужно раздельно, иначе замылится либо рамка, либо лицо.
Тёмный фон, поверх — подложка, поверх — спикер по маске. Фон растягивается на весь кадр: если обрезать по бокам, будет виден стык.
Запись экрана вставляется целиком, без обрезки по краям — иначе зритель видит обрывок и не понимает, что происходит. Лёгкий наезд делается плавным увеличением, а не встроенным «зумом» — тот дёргает картинку.
Карточка выезжает снизу за полсекунды. За полсекунды до неё — искра-переход, она прикрывает стык и делает склейку незаметной.
Текст на экране кладётся отдельным файлом настроек, а не строкой команды: иначе кавычки и переносы ломают сборку. Многострочную плашку собирай двумя строками, а не переносом внутри одной.
Три эффекта генерируются на месте, скачивать нечего (см. раздел 5). Дальше всё сводится с музыкой и речью в один слой с ограничителем громкости, чтобы не было перегруза.
Субтитры и сведённый звук накладываются одним проходом — так быстрее и без потери качества от лишних пересжатий.
Обложка — это кадр, который клеится в самое начало на треть секунды. Название сервиса или тема обязаны быть в первой строке, иначе в ленте непонятно, о чём ролик.
Это то, что выясняется на своей шкуре. Отдаю сразу.
Библиотеки звуков не нужны — три рабочих эффекта делаются генератором шума и синусом прямо во время сборки.
| Эффект | Из чего | Где ставить |
|---|---|---|
| вжух (переход) | розовый шум, срезаны низ и верх, быстрое затухание | на каждом стыке сцен |
| пинг (появление) | два тона, второй тише, затухание по кривой | когда выезжает карточка |
| удар (акцент) | низкий тон с резким затуханием | под важной фразой |
Громкости, проверенные на слух: переход 0,26 · появление 0,16 · акцент 0,22 · музыка 0,09. Музыка всегда сильно тише голоса — это ошибка новичка номер один.
Важное, ради чего стоит разбираться: это не про короткие рилсы.
Ровно та же система собирает ролик любой длины — обучающее видео на 30 минут, вебинар на час, разбор с анимацией и оформлением. Меняется не подход, а мелочи:
Честно: с первого прочтения это не собирается. У меня первый ролик пересобирался трижды, а вся система выстраивалась неделю. Зато потом каждый следующий ролик готовится сам.
Если застрял — напиши мне в Telegram, оформим консультацию: разберём твой формат, покажу вживую, кто за что отвечает и где обычно ломается. Не хочешь разбираться сам — тоже напиши, соберу систему под тебя.
Гайд бесплатный. Если пригодился — поделись им с тем, кто до сих пор монтирует руками.