Нейросеть монтирует видеоуроки: как ИИ-агент сделал 25 уроков за неделю

Две онлайн-школы пришли ко мне с одной и той же задачей. Спикеры записывают уроки на телефон или на камеру, в записи остаются неудачные дубли, оговорки, «эээ» и паузы, а уроков десятки. Держать монтажёра под такой поток дорого, а сроки сдачи уже стоят в дорожной карте.

Монтажёров я искать не стал. Вместо этого настроил ИИ-агента на офисном макбуке, и теперь нейросеть монтирует видео сама: берёт сырую запись, вырезает неудачные дубли, чистит звук, рисует графику на словах спикера, собирает динамичный ролик и сам отправляет его спикеру в Telegram на согласование. Спикер отвечает правками прямо на видео, текстом или голосовым. Агент вносит их, присылает новую версию, а после кнопки «Согласовать» сам выкладывает урок на платформу.

Ниже хронология недели с 9 по 16 октября 2026 года: что я просил, что агент сделал, где он ошибался и как несколько уроков монтируются одновременно. Это кейс, поэтому всё на настоящих скриншотах из моих чатов и журналов. Проведите урок по конвейеру сами:

Если некогда читать

• FITLAB. Курс продаж для автосервисов: 76 уроков в дорожной карте, к 16 октября нужно было сдать первые 38. Спикеры присылают вертикальные записи прямо в Telegram-бота.
• Результат за неделю. Агент смонтировал 25 уроков, это 2 часа 24 минуты готового видео. 11 уже согласованы и лежат на Vimeo, ещё 14 ждут их проверки. Только за 16 октября вышло 15 новых уроков и 6 версий после правок.
• Правки. 49 версий-превью, из них 24 доработки по правкам спикеров и моим. Спикеры правят сами, я в согласовании почти не участвую.
• CLIPPI. Детский курс про блогинг, 14 уроков: космос, 3D-герои, напарник-космонавт. Второй урок от сырой записи 17:41 до черновика 11:12 агент собрал примерно за 2 часа 20 минут, вместе с тремя новыми героями и двадцатью 3D-предметами.
• Скорость рендера. Офисный макбук рендерил урок длиной 5:45 за 39 минут. В облаке на 96 ядрах сам рендер занимает 2 минуты, а вместе с пересылкой файлов около пяти.
• Что делает человек. Записывает урок, смотрит черновик, отвечает правками и нажимает «Согласовать». Если хотите так же для своих видео, напишите мне в Telegram.

Задача FITLAB: 76 уроков и спикеры с телефонами

FITLAB делает курс «МАП. Игра на результат» для менеджеров активных продаж сети автосервисов. В дорожной карте курса 76 уроков в пяти модулях и четыре тренера. Каждый урок это 3–8 минут вертикального видео: тренер снимает себя на телефон, файл весит от 200 до 840 МБ. Срок сдачи первых двух модулей, 38 уроков, стоял на 16 октября.

Я при этом не монтажёр и не эксперт в продажах автосервисам. Я не знаю, как правильно пишутся названия брендов поставщиков и что спикер имел в виду под «АСУП». Поэтому в итоге я пришёл к системе, где монтирует агент, проверяет спикер, а я только смотрю, чтобы конвейер не вставал.

Сначала один урок руками, чтобы было с чем сравнивать

9 октября я открыл Claude Code на ноутбуке и описал задачу так, как описал бы монтажёру:

Расшифруй видео, сделай динамичный монтаж, который выглядит как рилс и помогает удерживать внимание зрителя до конца видео. Спикера можно размещать как на весь экран, так и в кружочке… Если в ролике есть неудачные дубли, вырезать и оставить лучший. И тишину, которая не как пауза, а именно как пустая грязь на записи, тоже нужно убирать.

Моя первая постановка задачи, 9 октября

Графику агент строил на HyperFrames: это HTML и анимации GSAP, которые браузер кадр за кадром превращает в видео. Стиль взял из дизайн-системы FITLAB: их шрифты, оранжевый и синий, сетка, плашки и иконки. Спикер то на весь экран, то в кружке, субтитры по словам с подсветкой текущего слова. Вот что получается из обычной записи на телефон, потяните шторку:

За вечер первый урок прошёл через четыре моих замечания, и каждое потом стало правилом для всех следующих уроков.

• Плашка на макушке. В первой версии заголовок «Игра на результаты» сел спикеру на голову. Агент прогнал через распознавание лица 705 кадров урока, по пять на каждую секунду, нашёл пять пересечений и с тех пор проверяет это при каждой сборке. Пока счётчик пересечений не ноль, агент рендер не запускает.
• Дешёвые звуки. Стоковые щелчки звучали дёшево. Агент нашёл на маке библиотеку звуков Final Cut Pro, отобрал 79 из 1337 и сделал страницу, где их можно прослушать. Громкость эффектов на 15–20 дБ ниже голоса.
• Подпрыгивание. Мне показалось, что спикер чуть подпрыгивает, когда уходит в кружок и возвращается. Агент проверил: так было на всех 20 переходах из 20. Камера доезжала до одного масштаба, а следующий кусок начинался с другого.
• Звук. Голос прогоняется через Adobe Podcast Enhance, как в моих роликах для YouTube. Только голос, до сборки: если чистить готовый урок, Adobe вырежет звуковые эффекты как шум.

Вот как работает правило про лицо. Демка сама повторит ту ошибку из первого урока, а потом вы можете потянуть заголовок на лицо и посмотреть, что сделает агент:

Из одного урока в конвейер

12 октября я написал, как хочу работать дальше: спикеры кидают записи, урок монтируется сам, «как мы монтировали первый урок», а я только согласовываю итог. Агент посмотрел дорожную карту и первым делом заметил, что до сдачи первого модуля осталось четыре дня.

Дальше за один день собралась система из трёх частей.

1. Офисный макбук. Там круглосуточно работает служба, которая следит за новыми записями. Для каждой записи она запускает Claude Code в пакетном режиме (claude -p) по моей подписке. Это отдельный агент на один урок: он читает инструкцию, монтирует, проверяет и отчитывается.
2. Скилл. Инструкция для агента, по шагам: подготовка, текст, дубли, звук, сцены, проверка, рендер, отчёт. Это обычный файл, его можно дописывать, когда появляется новое правило. Как устроены такие инструкции, я подробно разбирал в статье про скиллы Claude.
3. Telegram-бот. Через него приходят записи, уходят черновики, возвращаются правки и нажимается «Согласовать».

У агента своя песочница: ему разрешены монтажные инструменты и рендер, но запрещены удаление файлов, сеть в обход скриптов, чтение ключей и любые отправки. Отправляет только бот, а на платформу урок уходит лишь после нажатия человека. Токены для бота и Vimeo я вводил через защищённое окно, так что в переписку с нейросетью они не попадали. Как это устроено, я рассказывал в статье про безопасную передачу ключей.

В 11:50 12 октября в бот пришёл первый урок, смонтированный без меня. Под видео кнопка «Согласовать» и отчёт: что вырезано, как обработан голос, какие ошибки распознавания исправлены и в чём агент сомневается.

Самое ценное в отчёте это раздел «Сомнения». Агент не делает вид, что всё понял. Если в записи неразборчиво, если спикер оговорился или сказал число, которое не сходится, он пишет таймкод и вопрос, на который можно ответить одним словом.

Как агент находит неудачные дубли

Спикеры записываются без остановки, так их попросили в инструкции: оговорился, сделал паузу, повторил фразу целиком. Агент получает расшифровку с таймкодами, где повторы начала фраз помечены, и решает по смыслу, что вырезать. Оставляет последний удачный заход. Вот настоящий кусок расшифровки урока 25, где спикер перезаписал целый абзац:

Расшифровку делает Parakeet прямо на офисном маке. Первым был Whisper, но на первом же уроке он «услышал» одну фразу три раза подряд, хотя спикер сказал её один раз. Если бы агент поверил, он вырезал бы дубли, которых не было. Поэтому для дублей нужна вторая модель и проверка по смыслу, а не по совпадению слов.

Правки голосом, текстом и от самих спикеров

Через три минуты после первого урока я спросил, может ли бот принимать правки ответом на видео, «а ещё лучше голосовым». Бот научился. Голосовое скачивается, расшифровывается тем же Parakeet, бот отвечает «Расслышал так» с текстом, чтобы было видно, что ушло в работу, и ставит правку в очередь раньше новых уроков.

Вечером того же дня я понял, что согласовывать уроки должен не я:

Я не эксперт, и подсказать, правильно ли нейросеть услышала названия брендов, я не могу. Надо сделать так, чтобы телеграм-бот стал входной точкой для спикеров. Спикер открывает бота, бот запоминает его, и когда Claude обрабатывает урок этого спикера, он скидывает урок на согласование именно спикеру. Тот даёт обратную связь и он же утверждает.

Моё сообщение агенту, 12 октября, 19:22

Каждый тренер получил личную ссылку на бота. По ней бот узнаёт спикера по дорожной карте и присылает ему его уроки. Я получаю копии всех событий и команду /status. Через час к боту подключилась Ксения, первая из тренеров, а наутро она уже отвечала на вопросы агента одним словом под номером:

Попробуйте сами: выберите одну из настоящих правок спикеров и посмотрите, что с ней сделал агент.

Что ещё пришлось чинить по замечаниям спикеров, коротко:

• «Тут на 1:41 я очень сильно заикнулся». В расшифровке заикания не видно, агент нашёл заминку на 0,9 секунды по звуку и кадрам и вырезал её.
• «50 000 рублей разнесено на два кадра». Распознавание делило число на «50» и «000». Исправление ушло в общий механизм субтитров, и теперь числа не разваливаются ни в одном уроке.
• «Мастера-приёмщики пишем через дефис», «GROUPAUTO Russia, везде так пишем». Если спикер называет, как правильно пишется бренд или термин, это становится истиной для субтитров и плашек.
• «Новичков долго адаптируется (вместо долго входит)». Агент поменял текст на плашке, а субтитры оставил как сказано, потому что в речи другие слова. И спросил об этом спикера в отчёте.

А иногда агент сам находит ошибки в уроке. В уроке 20 спикер считал пример вслух, и агент проверил арифметику:

Что ломалось за неделю

Если читать только про успехи, кажется, что всё заработало с первого раза. Нет. Почти все поломки были не в самом монтаже, а в обвязке вокруг него: связь, бот, внешние сервисы.

• Потерянный урок. 14 октября у офиса сбоила связь, скачивание урока 9 оборвалось, а конвейер записал файл как уже взятый. Пропажу заметила Ксения, а не система: «9ый у нас походу выпал из поля зрения». Теперь неудачное скачивание повторяется.
• Двойные отправки. Связь офиса с Telegram рвалась, видео доходило, а подтверждение терялось, и бот слал урок второй раз. Ксении пришли два урока по два раза.
• Немая кнопка. Сначала бот проверял Telegram раз в две минуты, а на нажатие кнопки надо отвечать за секунды. «Согласовать» молча не срабатывала.
• Слишком технические сообщения. Мне в Telegram летели заметки вроде «вырезал 0,3 с» и «не дали удалить временные файлы». Я честно написал, что ничего не понимаю. Теперь техника уходит в заметки агента, а мне приходит сообщение только если нужно моё решение, простыми словами.
• Adobe не отвечал. На уроке 23 Adobe Enhance четыре раза не уложился в отведённые полчаса, и урок ушёл спикеру с ровной громкостью, но без очистки голоса. Агент так и написал мне в вопросах и спросил, переделать ли звук, когда Adobe заработает.
• Белые плашки на белом. Дважды Ксения жаловалась на белые плашки на белом фоне: «выглядит грязно». Автопроверка контраста смотрела на текст и плашку, а не на плашку и фон.

Почти каждая такая ошибка становилась правкой в общем механизме или строкой в памяти агента. В памяти проекта на офисном маке за неделю набралось 11 заметок про грабли: от ловушек в поиске слов до того, что «тише после склейки» на деле значит «глуше по тембру».

Дедлайн: как монтировать много уроков сразу

12 октября я спросил: «А что если мне будут присылать по 10 уроков в день?» Тогда агент честно посчитал: урок занимает 30–40 минут, 10 уроков это около шести часов монтажа подряд. К 16 октября спикеры как раз прислали пачку записей, и узкие места пришлось убирать одно за другим.

1. Не ждать людей. Как только черновик ушёл спикеру, агент берёт следующий урок. Правки встают в очередь раньше новых уроков.
2. Записи прямо в бот. Спикеры мучились с Яндекс.Диском, поэтому бот начал принимать файлы в чате: любое имя, бот сам спрашивает «Какой это урок?» кнопками из дорожной карты. Ограничение Telegram для ботов в 20 МБ обходится клиентским протоколом, файл качается в 8 потоков: тестовая запись скачалась за 8 секунд вместо двух минут.
3. Подготовка заранее. Пока урок ждёт очереди, отдельный поток уже скачал запись и прогнал голос через Adobe Enhance. Агент приходит на готовый звук.
4. Два монтажа одновременно. Два агента работают параллельно, один урок двумя потоками не берётся.
5. Облачный рендер. Рендер занимал 70% времени урока, поэтому он уехал на арендованный сервер.

Вот 16 октября по настоящему журналу конвейера. Нажмите «Проиграть день» и посмотрите, сколько агентов работает одновременно и как уроки уходят спикерам, пока те отвечают на предыдущие:

Так это выглядело в чате бота у меня. Каждые 15–20 минут новое сообщение: взял в монтаж, ушёл на согласование, спикер прислал правки.

Отдельно про рендер. HyperFrames рендерит через браузер: Chrome верстает каждый кадр и фотографирует его. На офисном M1 Pro это около 4 кадров в секунду, и урок длиной 5:45 рендерился 39 минут, а когда параллельно шёл мой рендер для YouTube, все 45–60 минут. Сравните варианты:

Почему не видеокарта: браузеру, который верстает и фотографирует кадры, нужны ядра процессора, а видеокарте тут почти нечего считать. Серверы с видеокартой дороже, а ядер у них меньше.

Облако арендуется почасово, а сервер на 96 ядер мы делим между двумя проектами: в соседней сессии на нём же рендерился курс CLIPPI. Если облако не отвечает, урок рендерится на маке. Дважды так и случилось: облако отрендерило, но файл не скачался, и урок пересобрался на маке. Ничего не потерялось, но ушло минут на сорок больше.

Урок сам доезжает до курса

Сначала готовые уроки выкладывались на Яндекс.Диск, и это было больно: отдача из офиса в Ташкенте около 1 Мбит/с, урок грузился 20–30 минут и иногда обрывался. 16 октября FITLAB дал доступ к своему Vimeo, и агент переписал выгрузку. Десять уже согласованных уроков легли в папку курса за 9 минут, по 30–60 секунд на урок.

Теперь «Согласовать» значит: бот загружает урок в полном качестве на Vimeo с нужными настройками приватности и пишет ссылку в колонку «ссылка на готовый урок» дорожной карты. Если спикер прислал правку уже после выкладки, новая версия заменяет файл у того же видео, и ссылка в курсе не меняется.

CLIPPI: тот же агент, другой зритель

Параллельно 12 октября пришёл второй проект. CLIPPI делает курс для детей о том, как вести блог: космическая экспедиция, каждая планета это урок. Спикер Мадина записывает урок на камеру в 4K, к нему есть презентация. Задача та же, но зритель другой: ребёнок должен досмотреть урок и выполнить миссию.

Первый пилот мне не понравился

Агент разобрал образец урока, спроектировал систему и за вечер собрал первые две с половиной минуты на HyperFrames. Технически всё работало. А потом я посмотрел:

Звуки все просто отвратительные. Нужно использовать SFX в стиле Apple. Потом графика, анимация просто как будто бы это очень базовый HTML, а нужно что-то, что было в моих видео в Инстаграм.

Моя реакция на первый пилот, 12 октября

Ролики в моём Инстаграме я делаю с помощью одного скилла для Claude: камера ведёт взгляд, объекты двигаются на пружинах, звуки собраны в одной «комнате». Я ушёл спать, а агент за ночь пересобрал начало урока на этом скилле в четырёх разных концепциях. Из них я выбрал «напарника»: космонавт, который проходит миссию вместе с ребёнком.

Космонавт со стола спикера

На столе у Мадины в кадре стоит фигурка космонавта. Агент взял кадр из записи, обрезал его по фигурке и отдал Codex как образец для семи поз: машет, держит блокнот, пишет, держит звезду, показывает в сторону, радуется, думает. Так у курса появился напарник, которого дети узнают по записи.

Для детей текст не работает

Первую полную версию урока 1 автор курса внимательно посмотрел и прислал 23 замечания. Главное из них:

Избегаем текста. Для детей это избыточно. Главное это анимация, текста на плашках и в целом минимум. Если текст есть, то это одно-два слова и очень крупные буквы.

Автор курса, замечания к уроку 1

Ещё автор заметил, что после вырезанных пауз спикер «сильно дёргается… ощущается, что у спикера нервный тик», и нашёл девять оставшихся оговорок. Оказалось, Whisper сглаживает повторы: фразу «потому что ты никогда, потому что ты никогда» он записывает один раз. Агент подключил для поиска оговорок GigaAM, русскую модель от Сбера, которая пишет как сказано, вырезал все девять оговорок и заново расшифровал готовый урок, чтобы убедиться. Склеек стало 150 вместо 255, каждая прячется коротким растворением, а спикер ускорен в 1,15 раза. Урок стал короче: было 13:27, стало 11:45. Вот как изменились сцены, переключите версии:

Правила из этих замечаний агент записал в отдельный файл. Его он читает перед каждым уроком и каждой правкой, а правила из общей группы с заказчиком туда дописывает бот.

Второй урок за два часа двадцать минут

16 октября в 17:13 я попросил агента взять второй урок «Планета мечты» в новой сессии и рендерить в облаке. Новая сессия стартовала в 17:20, а в 19:39 черновик был у меня. За это время агент скачал 10 ГБ исходников, вырезал 12 дублей и реплику за кадром ещё до того, как кто-то увидел ролик, попросил Codex нарисовать трёх новых героев по слайду презентации и двадцать новых 3D-предметов, дважды отрендерил урок в облаке по 15 минут и сам проверил, нет ли пустых мест: нашёл 11 кусков от 1,2 до 5 секунд, где на экране был только напарник, и закрыл их предметами на звучащих словах.

Больше всего мне нравится, как агент справился с записями экрана. Мадина показывает детям примеры блогов с экрана телефона, а запись экрана и запись урока шли отдельно, без общей отметки времени. Агент расшифровал звук обеих записей, нашёл общие фразы и вычислил сдвиг. Теперь запись экрана в телефоне в кадре идёт точно под слова ведущей:

Согласование в общей группе с заказчиком

Для CLIPPI я попросил агента собрать бота по образцу FITLAB, но согласовывать в общей группе с заказчиками: правку пишет любой участник ответом на видео, «Согласовать» тоже может нажать любой. Бот копит правки, пока 10 минут никто ничего не добавляет, и отдаёт их агенту одной пачкой. Конвейер не стоит: если урок висит на согласовании дольше суток, агент берёт следующий.

Вечером 16 октября второй урок ушёл в группу, и минут через двадцать пришли пять правок: эффекты местами громче голоса, кусочек торта висит отдельно от картинки, оговорка на 2:07, плюсики наезжают на карточки, у последнего слова «космодроме» пропала буква. Агент на офисном маке внёс всё сам примерно за 37 минут вместе с облачным рендером. А две правки превратил в общие правила для всех следующих уроков: эффекты всегда минимум на 6 дБ тише голоса и последнее слово урока никогда не обрезается.

Что делает человек, а что агент

После недели работы роли распределились так.

• Спикер записывает урок, отправляет файл в бота, смотрит черновик с телефона и отвечает правками. Быстрее всех урок 31 согласовали через 15 минут после превью.
• Я ставлю задачи агенту, смотрю, где конвейер буксует, и решаю спорное: какой стиль, какой сервер, что делать, если Adobe не отвечает. В самом монтаже я не участвую.
• Агент расшифровывает, режет, монтирует, проверяет кадры, рендерит, пишет отчёт с вопросами, вносит правки и выкладывает. И ещё ловит ошибки, которые пропустил бы и монтажёр: неверную арифметику в речи, обещанный в описании бонус, которого нет в записи.

Что агент не делает сам, и это правильно: не нажимает за людей галочки согласия с условиями сервисов, не создаёт и не удаляет серверы без моего «да», не отправляет ничего наружу кроме как через бота. Когда при настройке Google Диска агент по неосторожности вывел в переписку журнал с токеном, он сам об этом сказал, удалил журнал и предложил отозвать ключ.

Похожий конвейер можно собрать под подкасты, ролики для соцсетей или внутреннее обучение компании. Если это ваш случай, напишите мне в Telegram.

Что я вынес из этой недели

1. Первый урок делать вместе с агентом. Основные правила конвейера родились из замечаний к одному уроку, который мы собрали руками за вечер.
2. Согласует тот, кто разбирается в теме. Спикер знает свои бренды и термины, я нет. Как только правки пошли напрямую от спикеров, я перестал быть узким местом.
3. Вопросы вместо догадок. Отчёт с пронумерованными сомнениями экономит всем время: спикер отвечает «1. Нет, 2. Да», и агент понимает, о чём речь.
4. Две модели распознавания лучше одной. Whisper придумывает повторы и сглаживает настоящие. Дубли и оговорки проверяются второй моделью и смыслом.
5. Ошибка должна становиться правилом. Файл правил и память агента растут с каждым уроком, поэтому каждый следующий урок начинается с опытом всех предыдущих.
6. Узкое место обычно не нейросеть. Время съедали рендер, медленный интернет и Adobe. Агент монтирует урок за 15–30 минут, остальное это железо и сеть.

Больше про монтаж с нейросетями для тех, кто только начинает, я писал в статье как монтировать видео с помощью нейросетей, а про то, что такое агент и чем он отличается от чат-бота, в статье как создать ИИ-агента.