Экспертиза · Видео и контент с AI
Мы производим проморолики и наборы визуалов, используя инструменты генерации — синтезированный голос, изображения, анимированные композиции, отрендеренные из HTML. Каждый элемент, который попадает в кадр, имеет указанную источник и лицензию, а звук измеряется, а не оценивается приблизительно.
Уже построеноЭто поставленные материалы, на диске, которые мы сегодня измерили инструментами, а не прочитали из отчёта. Набор из четырёх клипов по 30 секунд ровно (два языка × два формата) для собственной платформы, второй набор из четырёх вводных клипов, собственная композиция, отрендеренная в семи вариантах для продвижения компании, и два раунда статических кампанийных визуалов для транспортного оператора. Мы повторно проверили звук одного из клипов с `ffmpeg … ebur128`: −16,2 LUFS integrated, реальный пик −1,8 dBTP — ровно цифры из внутреннего документа, что происходит не каждый раз. Важная поправка к нашему собственному инвентарю: `hyperframes` НЕ является нашим кодом. Это клон публичного репозитория другой компании, под лицензией Apache 2.0, без какого-либо нашего коммита. Это инструмент, с которым мы работаем; достижения — это композиции и рендеры, а не инструмент.
У 30-секундного ролика есть три способа сломаться, и только один виден при первом просмотре. Он ломается визуально — это замечают все. Он ломается по звуку, и тогда ролик звучит громче или тише всего, что вокруг него в сети, куда он попадает, и это замечают только после публикации. И он ломается юридически, что не замечают никогда, до того дня, когда замечают. Мы работаем по всем трём направлениям, а по двум последним у нас есть письменная процедура, а не доброжелательность.
Сборка выполняется в HTML, а не в редакторе. Композиция — это документ с дорожками и роликами, у каждого есть момент начала и длительность, записанные как атрибуты — например, ролик, который начинается на 8,4 секунды и длится 5,0 секунды, с намеренным перекрытием с предыдущим для перехода. Практическое следствие в том, что ролик можно пересобрать идентично: те же атрибуты, тот же результат, а исправление текста не требует ручной пересборки монтажа. Рендер нашей промо-композиции вышел в 1920×1080, 60 кадров в секунду, 1200 кадров, ровно 20,000000 секунды — цифры прочитаны из файла, а не из брифа.
Голос синтезирован, с настройками, записанными в сценарии вместе с текстом, чтобы пересборка звучала идентично: мультиязычная модель, стабильность, сходство, стиль и скорость отмечены как значения, а не как впечатления. Текст калибруется по длительности до генерации — ролик на 30 секунд поддерживает около 65 слов на румынском, а если сценарий содержит 80, сокращают текст, а не ускоряют голос. Финальный звук нормализуется в два прохода к целевому значению и после этого измеряется на переданном файле: четыре ролика одного недавнего набора держатся на −16,2 и −15,9 LUFS, с реальным пиком −1,8 dBTP.
Правило, которого мы придерживаемся и которое ясно видно в досье лицензий одного переданного набора: ничто в ролике не имеет лицензии, которую мы не можем показать. Музыкальная подложка и звуковые эффекты были синтезированы локально с `ffmpeg` — пять синусоидальных осцилляторов с низкочастотным фильтром для музыки, фильтрованный розовый шум для эффекта перехода, импульс 1500 Hz с экспоненциальной огибающей для щелчка — именно потому, что звук, сделанный нами, имеет доказуемую лицензию, а файл «бесплатно» со страницы, где не сказано, на каких условиях, — нет. Рамки телефона и ноутбука нарисованы в SVG, а не являются фотографиями продукта. Скриншоты — это наша платформа, сделанные автоматически на локальной производственной версии. Шрифт размещён у нас самих, под открытой лицензией для шрифтов.
Что входит
Таблица сцен с интервалами и текстом, произносимым для каждой, плюс целевой ритм. Исходный текст для синтеза пишется отдельно, одним блоком, а паузы задаёт пунктуация. Если текст превышает длительность, текст сокращается — ускорение голоса слышно, а ролик, который звучит торопливо, теряет именно то, что должен был выиграть.
У каждого ролика есть старт и длительность как атрибуты, а перекрытия для переходов намеренны и видны в исходнике. Наша промо-композиция имеет пять роликов на основной дорожке и отдельные индексы дорожек для элементов, идущих поверх, в таймлайне длиной двадцать секунд. Записанный монтаж можно пересобрать идентично; сделанный вручную — нет.
Последний рендер собственной композиции, измеренный с помощью `ffprobe`: H.264, 1920×1080, 60/1 кадров в секунду, 1200 кадров, 20,000000 секунд. Не «примерно двадцать секунд» — точно, потому что число кадров целое и получается из композиции.
Многоязычная модель, поддерживающая румынский, со стабильностью, сходством, стилем и скоростью, указанными как значения рядом с текстом. Те же настройки дают тот же голос через три месяца, когда кто-то просит вариант с изменённой фразой. Для русского используем отдельный голос, выбранный для языка, а не переведённый на тот же.
Нормализация в два прохода к целевому уровню громкости, затем измерение по доставленному файлу по европейскому стандарту громкости. Значения для недавнего набора: −16,2 и −15,9 LUFS integrated, истинный пик −1,8 dBTP, динамический диапазон 10,5 LU. Аудио AAC на 48 kHz, stereo, около 160 kbps, с заголовком, перенесённым в начало, чтобы файл запускался без полной загрузки.
Горизонтальный 1920×1080 и вертикальный 1080×1920, на румынском и на русском — четыре файла для одной и той же истории, потому что горизонтальный клип, автоматически обрезанный до вертикального, теряет именно ту часть, где что-то происходит. Второй доставленный набор, вводный, имеет ту же структуру, на 20,36 секунд.
В клипе показаны записи платформы, сделанные с помощью инструмента автоматизации браузера на локально запущенной production-версии: публичные страницы, отредактированные, без лиц, без регистрационных номеров, без точных адресов. Для промо-композиции мы отдельно извлекли снимки в нескольких позициях прокрутки, а также цвета, шрифты и анимации страницы, чтобы движение в клипе было похоже на движение на сайте.
Таблица с источником и лицензией каждого звука и каждого изображения, плюс раздел о том, чего НЕТ в клипе: без библиотечной музыки, без стоковых съёмок, без записанных человеческих голосов, без логотипов учреждений, без снимков с других платформ. Музыка и эффекты синтезируются локально с `ffmpeg`, поэтому лицензию можно подтвердить, повторно запустив скрипт.
Когда сообщение тестируют, его не снимают: два раунда по тридцать креативов для одной кампании, в вертикальном формате для соцсетей, каждый со своим углом сообщения в имени файла. Дешевле понять, какое сообщение цепляет, по изображениям, чем по клипам, и только потом снимать.
Как это выглядит
Сцены, интервалы, произносимый текст, целевой темп. Здесь решается, поместится ли сообщение — не на монтаже. Мы сдаём сценарий до любой генерации, потому что это единственный дешёвый момент, когда можно изменить идею.
Автоматически сгенерированные снимки на тестовой версии, нарисованные элементы, локально синтезированные звуки, сгенерированный голос. Каждый элемент получает строку в папке лицензий в момент, когда он входит в проект, а не в конце, когда уже никто не помнит, откуда он появился.
Дорожки, клипы с началом и длительностью, переходы через намеренное наложение. Рендер проверяется инструментами: разрешение, кадры в секунду, число кадров, длительность. Если длительность не соответствует сценарию, это ошибка композиции, а не округление.
Два прохода к целевому уровню громкости, затем измерение на переданном файле, а не на промежуточном. Полученные цифры записываются в документ передачи, чтобы их можно было оспорить.
Оба формата, оба языка, плюс отдельные части — озвучка, музыка, кадры сценария — и композиция. Причина, по которой мы передаем и исходник, проста: через год кто-то захочет другую фразу на двадцатой секунде.
Данные
Вопросы, которые задаёт всякий, у кого есть ответственный за защиту данных, — заданы здесь раньше, чем их задаст он.
Случай
Ситуация
Продвижение собственной публичной платформы, на двух языках, для сетей, где один и тот же материал должен существовать и горизонтально, и вертикально. Самоналоженное ограничение: ни один элемент в клипе не должен иметь лицензию, которую мы не можем показать.
Что мы построили
Сценарий с таймкодами и произносимым текстом по сценам, на обоих языках, с отдельно выбранными голосами по языку. Скриншоты платформы, автоматически сгенерированные на локально запущенной production-версии, с отредактированными страницами — без лиц, без номерных знаков, без точных адресов. Рамки телефона и ноутбука, нарисованные в SVG, а не фотографии продукта. Музыкальная подложка и два звуковых эффекта, синтезированные локально с `ffmpeg`: синусоидальные осцилляторы с фильтром нижних частот для музыки, отфильтрованный розовый шум для перехода, импульс 1500 Hz с экспоненциальной огибающей для щелчка. Звук нормализован в два прохода к целевому уровню громкости.
Что получилось
Четыре файла — два языка × два формата — ровно по 30,00 секунды каждый, при 30 кадрах в секунду, H.264 с аудио AAC 48 kHz stereo примерно 160 kbps и заголовком, перенесенным в начало. Сегодня мы повторно измерили горизонтальную версию на румынском: −16,2 LUFS интегрировано, истинный пик −1,8 dBTP, динамический диапазон 10,5 LU, 900 кадров за 30,00 секунды. Цифры совпадают с документом передачи. Помимо файлов были переданы отдельная озвучка, отдельная музыкальная подложка, кадры сценария и таблица лицензий.
Чего этот случай не говорит
Среда для рендеринга не наша — это проект с открытым исходным кодом другой компании, под Apache 2.0, и наш вклад в него равен нулю. Голос синтезируется на нашем аккаунте, в условиях платного плана поставщика, а его условия прямо запрещают использовать результат для обучения или тестирования конкурирующей модели; это ограничение мы соблюдаем. И ещё одно, по здравому смыслу: клип не исправляет сообщение, которое не работает — поэтому, когда можно, мы тестируем сообщение на изображениях заранее.
Вопросы
Нет, и важно не создавать такое впечатление. Мы собираем в HTML и рендерим с помощью среды с открытым исходным кодом, разработанной другой компанией, по лицензии Apache 2.0. Мы проверили: в нашей копии нет ни одного нашего commit. Наше — это композиции, сценарии, снимки, локально синтезированные звуки и дисциплина лицензий. Инструмент — не результат.
В наших материалах генерация покрывает голос и часть рекламных изображений. Движение и монтаж написаны, а не сгенерированы: клип с таймингами и дорожками, рендеримый детерминированно. Мы не производим синтетических людей, которые говорят в кадре. Причина практическая: клип, в котором видно реальный продукт, автоматически захваченный, стареет медленнее и не имеет проблемы с достоверностью, как несуществующий ведущий.
Клиенту — на поставленный материал, а внешние источники остаются под их лицензией, которая построчно указана в файле лицензий. Сгенерированный голос используется коммерчески на условиях платного плана поставщика, на аккаунте, на котором он был сгенерирован. Мы передаём и файл с документацией, а не только файлы — если через два года кто-то спросит, откуда тот звук, ответ будет в письменном виде.
Потому что «бесплатный» трек предполагает доверие к странице, которая говорит, что он бесплатный. Музыкальная подложка, сделанная из пяти синусоидальных осцилляторов с фильтром и коротким эхом, имеет лицензию, которую мы можем доказать, запустив скрипт ещё раз. Если проекту нужен настоящий трек, это возможно — но тогда в файл входят точный источник, точная лицензия и дата загрузки, а не расплывчатое упоминание.
На румынском и русском, в горизонтальном 1920×1080 и вертикальном 1080×1920. Мы не обрезаем автоматически горизонталь в вертикаль: композиция выстраивается отдельно, потому что в вертикальном кадре другое содержимое. Другие языки можно сделать теми же инструментами, но голос выбирается по языку и прослушивается заранее, а не предполагается.
Потому что клип, который тише, чем окружающие его материалы в социальной сети, пропускают, а слишком громкий — закрывают. Мы нормализуем в два прохода к цели и измеряем на поставляемом файле по европейскому стандарту громкости. Для недавнего набора цифры — −16,2 и −15,9 LUFS, с реальным пиком −1,8 dBTP. Это измерено, а не оценено, и мы записываем это в документ передачи именно для проверки.
Да, и мы предпочитаем именно это. Снимки делаются автоматически, с помощью инструмента автоматизации браузера, на тестовой версии продукта, в нескольких позициях прокрутки; для одной композиции мы отдельно извлекли и цвета, шрифты и анимации страницы, чтобы движение в клипе было похоже на реальное движение интерфейса. Условие — должна быть версия, которую мы можем запустить, и демонстрационные данные, которые не являются реальными.
Поскольку монтаж — это документ с таймингами, а не проект в редакторе, фраза меняется в сценарии, заново генерируется озвучка с теми же настройками голоса, и всё снова рендерится. Поэтому мы передаём исходник и настройки голоса, а не только финальный файл. Без них любое изменение означает переделку.
Да, и часто это правильный шаг перед клипом. Для одной кампании мы произвели два раунда по тридцать вертикальных креативов, каждый с другим углом сообщения. Проверяется, какое сообщение лучше работает на изображениях, какие дешево переделать, и только потом инвестируют в клип по выигравшему сообщению.
10 из них — код и файлы из наших репозиториев. Мы не публикуем их название и строку: вместе, на одной странице, они слишком точно описали бы, как устроены системы, которые принадлежат не только нам. Мы разбираем их вместе с тобой, в репозитории, по запросу — проверка остаётся возможной, просто она проходит в разговоре.
Расскажите о своём процессе. Вместе определим, что стоит построить, что можно подключить и как проверим результат.