Повільний процес монтажу «один ролик — один монтажер» у Premiere Pro перетворили на автоматичний конвеєр, який чистить, перекадровує й монтує записані відеоуроки за хвилини — і розрахований на сотні відео на потоці.
Black Camel Productions виробляє велику кількість записаних відеоуроків для клієнта у сфері освітнього контенту — це записи екрана й вебкамери, де викладач розповідає по слайдах. Кожне відео проходило той самий повторюваний ручний монтаж у Premiere Pro:
До того ж монтажеру доводилося прослуховувати кожне відео, щоб прибрати паузи, слова-паразити, кашель і повторені чи збиті фрази — найдовшу частину роботи.
Проблема була не в якості, а в пропускній здатності. Кожне відео забирало у монтажера приблизно годину ручної роботи, процес не масштабувався, а якість «плавала» між монтажерами. На обсязі саме ручне чищення контенту ставало вузьким місцем.
Ми побудували автоматизований конвеєр відеовиробництва, який програмно відтворює стандарт ручного монтажу — плюс шар ШІ-чищення контенту, який ручний процес не міг робити ефективно.
Він працює як керована послуга: Black Camel надсилає сирі записи, конвеєр їх обробляє, і назад повертається готове відео у стилі бренду — готове до фінальної збірки їхньою командою.
Ми реконструювали точний стандарт монтажу клієнта з його оригінальних пресетів Premiere та референсних відео, тож результат збігається зі специфікацією до пікселя — кадрування вебкамери, відступи й масштаб виміряні та зафіксовані (наприклад, відступ вебкамери 42px звірено з референсним відео, а не «на око»).
Прибирання тулбарів та інтерфейсу, маскування розривів сторінок, перекадрування екрана й збільшення «бульбашки» ведучого відбуваються автоматично — без ручного маскування чи ключових кадрів.
Система аналізує кожен слайд і підлаштовується автоматично, щоб зображення й таблиці на екрані ніколи не обрізались і не накладались на оверлей ведучого — вирішуючи реальні зауваження клієнта без ручної роботи над кожним відео.
Геометрію бренду розшифрували з власних дизайн-ассетів клієнта й звірили з референсним відео, а не оцінювали приблизно — тож результат стабільно відповідає специфікації щоразу, усуваючи розбіжності між монтажерами.
Для пошуку повторених фраз конвеєр поєднує транскрипцію Whisper (з послівними таймкодами) із шаром текстового зіставлення, налаштованим під задачу — точно локалізує дубльоване мовлення й пропонує чистий виріз, а людина затверджує фінал.
Ми налаштували рушій рендерингу під Apple Silicon із «розумним» перевикористанням кадрів, приблизно вдвічі скоротивши час рендеру — з ~6 хвилин до ~3 хвилин для типового 15-хвилинного уроку.
Пакетна обробка з автоматичними повторами при збоях мережі, збереженням результатів і видимими попередженнями, щоб на великій партії нічого не «падало» тихо.
Black Camel перейшли від трудомісткого процесу «один монтажер — одне відео» до масштабованої виробничої лінії: надсилаєш записи пачками, конвеєр робить важку повторювану роботу, а людське рішення застосовується лише там, де воно додає цінність.
Результат — нижча вартість відео, швидший оборот і стабільна якість бренду на обсязі, що перетворює відеовиробництво з вузького місця на перевагу в пропускній здатності.
Реалізовано для Black Camel Productions; кінцевий освітній клієнт лишається анонімним за домовленістю.
| Мова | Python |
| Обробка відео | FFmpeg · OpenCV |
| API / Оркестрація | FastAPI |
| Транскрипція | Whisper (послівні таймкоди) |
| Чищення мовлення | Cleanvoice |
| LLM / Текстовий аналіз | Gemini |
| Оптимізація | Рендер під Apple Silicon |