Медленный процесс монтажа «один ролик — один монтажёр» в Premiere Pro превратили в автоматический конвейер, который чистит, перекадрирует и монтирует записанные видеоуроки за минуты — и рассчитан на сотни видео на потоке.
Black Camel Productions производит большое количество записанных видеоуроков для клиента в сфере образовательного контента — это записи экрана и веб-камеры, где преподаватель рассказывает по слайдам. Каждое видео проходило один и тот же повторяющийся ручной монтаж в Premiere Pro:
К тому же монтажёру приходилось прослушивать каждое видео, чтобы убрать паузы, слова-паразиты, кашель и повторённые или сбитые фразы — самую долгую часть работы.
Проблема была не в качестве, а в пропускной способности. Каждое видео отнимало у монтажёра примерно час ручной работы, процесс не масштабировался, а качество «плавало» между монтажёрами. На объёме именно ручная чистка контента становилась узким местом.
Мы построили автоматизированный конвейер видеопроизводства, который программно воспроизводит стандарт ручного монтажа — плюс слой ИИ-чистки контента, который ручной процесс не мог делать эффективно.
Он работает как управляемая услуга: Black Camel присылает сырые записи, конвейер их обрабатывает, и обратно возвращается готовое видео в стиле бренда — готовое к финальной сборке их командой.
Мы реконструировали точный стандарт монтажа клиента из его оригинальных пресетов Premiere и референсных видео, так что результат совпадает со спецификацией до пикселя — кадрирование веб-камеры, отступы и масштаб измерены и зафиксированы (например, отступ веб-камеры 42px сверен с референсным видео, а не «на глаз»).
Удаление тулбаров и интерфейса, маскирование разрывов страниц, перекадрирование экрана и увеличение «пузыря» ведущего происходят автоматически — без ручного маскирования или ключевых кадров.
Система анализирует каждый слайд и подстраивается автоматически, чтобы изображения и таблицы на экране никогда не обрезались и не накладывались на оверлей ведущего — решая реальные замечания клиента без ручной работы над каждым видео.
Геометрию бренда расшифровали из собственных дизайн-ассетов клиента и сверили с референсным видео, а не оценивали приблизительно — так что результат стабильно соответствует спецификации каждый раз, устраняя расхождения между монтажёрами.
Для поиска повторённых фраз конвейер сочетает транскрипцию Whisper (с пословными таймкодами) со слоем текстового сопоставления, настроенным под задачу — точно локализует дублированную речь и предлагает чистую вырезку, а человек утверждает финал.
Мы настроили движок рендеринга под Apple Silicon с «умным» переиспользованием кадров, примерно вдвое сократив время рендера — с ~6 минут до ~3 минут для типичного 15-минутного урока.
Пакетная обработка с автоматическими повторами при сбоях сети, сохранением результатов и видимыми предупреждениями, чтобы на большой партии ничего не «падало» тихо.
Black Camel перешли от трудоёмкого процесса «один монтажёр — одно видео» к масштабируемой производственной линии: присылаешь записи пачками, конвейер делает тяжёлую повторяющуюся работу, а человеческое решение применяется лишь там, где оно добавляет ценность.
Результат — ниже стоимость видео, быстрее оборот и стабильное качество бренда на объёме, что превращает видеопроизводство из узкого места в преимущество по пропускной способности.
Реализовано для Black Camel Productions; конечный образовательный клиент остаётся анонимным по договорённости.
| Язык | Python |
| Обработка видео | FFmpeg · OpenCV |
| API / Оркестрация | FastAPI |
| Транскрипция | Whisper (пословные таймкоды) |
| Чистка речи | Cleanvoice |
| LLM / Текстовый анализ | Gemini |
| Оптимизация | Рендер под Apple Silicon |