ИИ для создания видео контента: как устроен V-GEN, локальный генератор новостных сюжетов

Когда ищут ИИ для создания видео контента, чаще всего находят демо: красивый ролик из одного промпта, который в регулярную работу не встраивается. Задача у того, кто делает видео каждый день, другая. Нужен конвейер, который выпускает однотипные ролики по понятным правилам, без монтажёра и без ночных смен.

Хороший пример такого конвейера описал на Хабре Дмитрий Асанов. Он работает администратором техподдержки в маленьком региональном телеканале, который принадлежит интернет-провайдеру. После увольнения редактора и оператора он собрал V-GEN — локальный сервис с веб-интерфейсом. Сервис находит местные новости, переписывает их под диктора, озвучивает и монтирует готовый Full HD ролик для эфира. Автор делал его под себя, а потом выложил исходники в открытый доступ.

Я разобрал его статью и отделил переносимое от частного: что в этой схеме делает нейросеть, что делают жёсткие правила, где без человека не обойтись и чем такой подход ограничен. Все цифры ниже взяты из публикации автора и описывают сервис на момент её выхода.

В чём задача: сюжет, который некому собрать

Исходная ситуация знакома любому, кто ведёт канал в одиночку. Контент выходить обязан, у Асанова от этого зависела лицензия телеканала, а людей нет. Первый год он совмещал техподдержку со съёмками. Живые сюжеты он чередовал с роликами-слайд-шоу по новостям из местных СМИ и пабликов.

Даже чужая новость без съёмки требовала пяти шагов:

1. Отделить реальные инфоповоды от бытового шума вроде «потерялась кошка» и «куплю гараж».
2. Проверить свежесть: новость за последние семь дней, а не трёхмесячной давности.
3. Переписать текст паблика в формат для диктора: 800–1000 знаков с пробелами, то есть около 45–60 секунд читки, цифры словами, без приветствий.
4. Подобрать фотографии и привести их к 16:9 в 1080p.
5. Записать голос, смонтировать видеоряд с плавными наездами камеры, приклеить заставку канала, подложить музыку и поставить логотип.

По словам автора, на один сюжет уходило 20–30 минут. Часть работы он отдал машине ещё до V-GEN: свой голос заменил синтезом речи из Google AI Studio, рерайт поручил DeepSeek. Ручной возни всё равно оставалось много, потому что инструменты не были связаны между собой. Переносить результат из одного окна в другое приходилось человеку.

Мне в этой истории важна одна деталь. Почти вся работа здесь не творческая. Она состоит из повторяющихся операций с чёткими правилами: длина текста, формат кадра, громкость музыки. Именно такую работу проще всего отдать конвейеру.

Как устроен ИИ для создания видео контента в V-GEN

Схема сервиса укладывается в шесть этапов. Полезнее всего посмотреть, кто выполняет каждый из них: нейросеть или заранее заданное правило.

Нейросеть работает в трёх местах из шести: ищет, пишет и говорит. Видео она не генерирует. Картинку, монтаж и звук собирают Pillow (библиотека Python для работы с изображениями) и FFmpeg, классический консольный инструмент обработки видео. Каждое их действие задано числом.

На практике это, скорее всего, главная причина, по которой такой конвейер годится для эфира. Генеративное видео каждый раз выдаёт разный результат. Монтаж по формуле выдаёт одинаковый, и если ролик сломался, понятно, где искать причину.

Технически это локальное приложение на FastAPI с тремя страницами. Главная показывает ленту сюжетов, админка хранит настройки, в архиве лежат готовые ролики. Запускается всё на своём компьютере, автор ориентировался на Windows, но указывает, что сервис работает и на Linux и macOS.

Генерация новостей нейросетью: поиск и редакционный промпт

Первый шаг — сбор инфоповодов. В качестве главной проблемы новостных агрегаторов автор называет хрупкие парсеры, то есть скрипты, которые вытаскивают текст со страниц сайтов. Сайт поменял вёрстку, и парсер падает. В ленте три дня тишина, и скрипт выдаёт старьё.

V-GEN ищет иначе. Он включает в запросе к Gemini функцию Grounding with Google Search: модель сама ищет в поиске Google публикации за последние 7–10 дней по заданной географии и возвращает подборку событий. Модель в статье указана как gemini-3.8-flash. При этом в админке остаётся таблица источников, где можно включать и отключать RSS, паблики VK и Telegram-каналы, так что классические источники из схемы не исчезли.

Основная работа лежит в промпте, и автор вынес его в админку, чтобы его можно было править без кода. По умолчанию промпт устроен как техническое задание выпускающего редактора:

• что берём: события в городе и районе плюс областные решения, которые прямо касаются жителей, например тарифы ЖКХ или проверки МЧС;
• что не берём: частные объявления, потерянные вещи, склоки в комментариях;
• темы: происшествия, ЖКХ и городская среда, больницы и школы, культура, спорт и афиша с датами;
• как писать: 800–1000 знаков, первое предложение — суть новости, потом подробности, в конце статус или дата следующего события;
• чего нельзя: канцелярита вроде «в целях реализации мероприятий» и приветствий вроде «Добрый вечер».

Отдельное правило — числительные словами: «седьмого октября», «более тридцати миллионов рублей». Автор объясняет его заботой о дикторе, чтобы тот не запинался. Для синтеза речи правило полезно по той же причине: даты и суммы прописью меньше зависят от того, как движок прочитает цифры.

Здесь видна черта, которую стоит перенять. Требования к тексту записаны так, что их можно проверить: число знаков, наличие приветствия, цифры в тексте. «Пиши живо и по-телевизионному» модель трактует как захочет. «800–1000 знаков, без “Здравствуйте”» трактовать сложнее.

Голос, картинка и монтаж по формулам

Озвучка

Голос синтезирует Gemini TTS. По умолчанию стоит голос Callirrhoe, автор называет его голосом телеведущего с хорошей русской фонетикой. В админке можно выбрать и другие официальные голоса Gemini: Puck, Charon, Kore, Fenrir, Aoede, Leda, Orpheus, Zephyr.

Полезная мелочь: на синтез подаётся только очищенный текст новости, без инструкций. Иначе, как пишет автор, модель может озвучить служебную фразу вроде «Конечно, вот ваша новость». После синтеза звук приводится к 48 kHz, 16-bit stereo.

Картинка

Фото из соцсетей обычно вертикальные или квадратные, а эфиру нужен кадр 1920×1080. Чёрные полосы по бокам автор считает главной приметой самодельного видео и обходит их так. Если пропорции близки к 16:9, с отклонением до 6%, фото масштабируется и обрезается по центру. Если нет, на фон кладётся растянутая копия снимка, размытая с радиусом 28 пикселей и затемнённая до яркости 0.70, а поверх по центру ставится чёткий оригинал.

Плавный наезд камеры на фото, эффект Кена Бёрнса, автор считает в Pillow, а не стандартным фильтром FFmpeg. Причина в том, что стандартный фильтр округляет координаты до целых пикселей и картинка подрагивает. В V-GEN масштаб меняется от 1.0 до 1.15 и обратно с дробными координатами. Наезды и отъезды чередуются, последний кадр сюжета всегда идёт с отъездом, как завершение репортажа.

Монтаж

Хронометраж задаёт голос, картинка под него подстраивается. Формула простая: одна секунда тишины перед читкой, длительность читки, три секунды после. При читке в 46 секунд ролик длится 50 секунд. Это время делится поровну на все прикреплённые фото и видео: при семи кадрах каждый идёт около 7,14 секунды.

Остальное тоже задано правилами:

• видеофрагменты из архива, у автора папка называется «КОНСЕРВЫ», зацикливаются, если короче кадра, обрезаются по длительности и лишаются собственного звука;
• голос сдвигается на секунду, музыка зацикливается и приглушается до −5,4 дБ;
• за 1,5 секунды до конца картинка и звук затухают одновременно;
• в начало приклеивается заставка канала, поверх всего ставится логотип с прозрачностью, по умолчанию сверху справа с отступом 40 пикселей;
• готовый файл получает имя по заголовку новости на русском, например «Ремонт теплосетей в Тутаеве.mp4», и сразу идёт в эфирный плейлист.

Для любого видеоконвейера отсюда стоит взять вывод: «приятный монтаж» раскладывается на десяток чисел. Записанные один раз, эти числа экономят время на каждом следующем ролике.

Где в автоматизации видеоконтента остаётся человек

Автор называет V-GEN сервисом, который собирает ролики «под ключ». Если посмотреть на интерфейс, видно, что окончательное решение он оставил человеку, и это правильный выбор.

После нажатия кнопки «Собрать и обработать новости за 7 дней», по словам автора, через несколько десятков секунд появляется лента карточек. В карточке есть заголовок, хронометраж читки, число знаков и поле, где текст диктора можно поправить. После правки голос перегенерируется для одного сюжета, остальные не трогаются. Медиафайлы человек добавляет сам: из поисковика, с компьютера или из видеоархива. Музыку тоже выбирает он, вплоть до варианта «Без музыки» для происшествий. Рендер запускается отдельной кнопкой.

Сервис снимает с человека механику: поиск, перепечатку, запись голоса, расчёт длительностей, монтаж и переименование файлов. Решения остаются за ним: что выпускать в эфир, верен ли факт, уместна ли картинка, какая музыка подходит к новости о пожаре. Сколько минут теперь уходит на один сюжет с учётом проверки, автор не пишет. Сравнить с прежними 20–30 минутами точно не получится.

Границы и цена

Проверка фактов не автоматизирована. Поиск с Grounding опирается на реальные публикации, но в описании нет отдельного шага сверки фактов. На практике это, скорее всего, значит, что дату, сумму или фамилию модель может перепутать так же, как при обычном рерайте. Ответственность за эфир лежит на том, кто нажал кнопку рендера. Для новостей о происшествиях и судах это главный риск схемы.

Права на изображения. Картинки можно добавлять из поисковика. О лицензиях в материале ничего не сказано. Для эфира и для коммерческого канала этот вопрос придётся решать отдельно, конвейер его не решает.

Формат ограничен. На выходе получается слайд-шоу с наездами камеры, голосом и вставками из архива. Синхронов, интервью и съёмки с места событий нет. Сам автор первый год совмещал такие ролики с живыми сюжетами. Это способ закрыть поток текстовых новостей, а не замена репортажу.

Один поставщик на все задачи. Поиск, текст и голос завязаны на Gemini. Если Google поменяет условия API, модель или голоса, перестанут работать сразу три этапа. По словам автора, API-ключ в Google AI Studio создаётся бесплатно и без банковской карты, но лимиты бесплатного доступа в статье не описаны, и их стоит проверить до того, как ставить сервис в ежедневный выпуск. Платную подписку Gemini PRO автор использовал при разработке скрипта вместе с Google Antigravity. Для работы сервиса она в инструкции не упоминается.

Порог входа технический. Нужны Python 3.10 или новее, FFmpeg в системном PATH, клонирование репозитория и запуск из командной строки. Промпт придётся переписать под свой город и свои темы, а также подготовить архив видео, заставку, логотип и музыку. Автор оценивает установку в пять минут, но настройка под свой канал займёт заметно дольше.

Самоделка, а не продукт. Автор прямо предупреждает, что делал скрипт для себя, выложил его спонтанно и над описанием особо не старался. Поддержки и обновлений по расписанию ждать не стоит: если что-то сломается, чинить, скорее всего, придётся самостоятельно.

Деньги. Итог автора — «за копейки». Конкретной стоимости сюжета в материале нет, поэтому называть её я не буду. Основная цена здесь — время на настройку и на проверку каждого выпуска.

Что с этим делать

• Запишите свой формат числами. Длина текста в знаках, хронометраж, громкость музыки, место логотипа. Пока правила существуют только в голове, автоматизировать нечего.
• Отдайте нейросети текст и голос, а монтаж — правилам. Связка «модель пишет, FFmpeg собирает по формуле» даёт предсказуемый результат, генеративное видео такого пока не обещает.
• Подавайте в синтез речи только чистый текст. Это дешёвая защита от озвученных служебных фраз, и она пригодится в любом конвейере с TTS.
• Оставьте человеку кнопку публикации. Карточка с редактируемым текстом и отдельной перегенерацией голоса выглядит минимальной разумной точкой контроля, особенно для новостей.
• Оцените, есть ли у вас поток однотипных роликов. Если видео выходит раз в неделю и каждое ролик не похож на предыдущий, настройка такого сервиса, скорее всего, не окупится. Если сюжетов десятки и они построены по одному шаблону, разбор V-GEN стоит прочитать целиком и посмотреть его код.

Источник: V‑GEN: автономный генератор теленовостей и видеосюжетов на Google Gemini и FFmpeg