Вайб-монтаж с AI-агентами. Большой практический гайд

В X сейчас идет новая волна роликов, которые люди собирают через разговор с AI-агентом. В ленте обсуждают GPT-6 Astra и Claude Opus 5.5, показывают анимацию интерфейсов, продуктовые демки и видео с субтитрами поверх живой речи. Захотелось собрать в одном месте, как устроен такой монтаж и с чего можно начать на своем материале.

Я собрал большой PDF-гайд по вайб-монтажу, а здесь адаптировал его в статью. Будут конкретные инструменты, кадры из публичных работ и запросы, которые можно передать агенту. Материал актуален на 15 октября 2026 года. Скачать полный гайд.

Например, у @bhanujraj есть motion reel в X, который публичный каталог относит к работам на Opus 5.5. Прямое чтение поста X при подготовке материала было ограничено, поэтому числа просмотров и лайков здесь не привожу. Для сравнения моделей можно посмотреть эксперимент CFNStudio с одним запросом к Opus 5.5, GPT-6 Astra и Sonnet 5.5. Это опыт одного автора, из него пока рано выводить универсального победителя.

Вайб-монтаж начинается с довольно бытового запроса. Есть запись на восемь минут, в ней несколько дублей вступления, затянутые паузы и хороший пример ближе к концу. Хочется получить минутный ролик с понятной мыслью, субтитрами и парой вставок. Вы описываете результат, агент изучает файлы, предлагает последовательность фрагментов и собирает проект доступными ему инструментами.

Внутри может работать FFmpeg, редактор с API или библиотека, которая превращает код в видео. Модель помогает принять монтажные решения и управляет этими инструментами. Качество зависит от того, какие исходники и инструкции она получила, умеет ли посмотреть результат и может ли его исправить.

Поэтому в такой работе полезно различать четыре задачи:

Одна агентная среда может объединить эти операции. Но фраза сделал ролик на Claude сама по себе почти ничего не говорит о процессе. За ней может стоять анимация на React, серия вызовов FFmpeg или управление готовым редактором.

Если у вас уже есть снятое видео, стоит начать с процесса для исходников. Например, video-use помогает агенту разобрать речь, посмотреть нужные места и составить монтажный план. Для работы в привычном интерфейсе можно изучить Descript Underlord, где агент встроен в видеоредактор.

Если нужно анимировать идею, продукт или набор данных, удобнее смотреть в сторону Remotion и HyperFrames. Они дают проект со сценами, которые агент может менять через код. Такой формат особенно интересен для серий роликов с одним оформлением.

Для демонстрации приложения отдельный маршрут предлагает OpenScreen. Он сочетает запись экрана, монтаж и управление оформлением. А для превращения длинного разговора в короткие клипы можно оценить OpusClip и Captions. Набор функций и условия доступа у облачных сервисов стоит сверять перед работой.

И да, OpusClip и Agent Opus относятся к продуктам видеосервиса. Название Claude Opus относится к модели Anthropic. В поиске эти вещи легко смешать.

video-use от browser-use ближе всего к сценарию, когда вы отдаете агенту папку с материалами. По документации он использует расшифровку, визуальное изучение отдельных участков, список монтажных решений и рендер через FFmpeg. Для выбранных мест можно подготовить полосу кадров со словами и временной шкалой. Агент получает возможность проверить конкретный стык.

Начать можно с одного небольшого видео. Положите оригинал отдельно от рабочих файлов, добавьте логотип, если он нужен, и коротко опишите зрителя. Укажите желаемую длительность, площадку и то, что обязательно должно остаться. Формулировка про красивый динамичный ролик оставляет агенту слишком много пространства для догадок.

До монтажа полезно получить инвентаризацию. Пусть агент выпишет, в каком файле и на каком времени находится каждая подходящая мысль. Неразборчивые слова, плохой звук и смену дубля лучше увидеть на этом этапе.

После выбора начала агент составляет монтажный список. Обычно его называют EDL, хотя конкретный формат зависит от инструмента. В нем должны быть исходный файл, границы фрагмента, место в итоговом ролике и причина, по которой этот кусок нужен. Тогда любую красивую идею можно проверить по первоисточнику.

Представим, что в записи есть знакомство автора, два дубля проблемы, демонстрация экрана и вывод. На этом учебном сценарии можно обсудить структуру ролика на 55 секунд:

Длительности здесь помогают обсудить структуру. Реальные границы придется поставить по речи. Если в заключении человек говорит, что функция доступна только на определенном тарифе, это условие должно пережить сокращение. Иначе монтаж поменяет обещание продукта.

После прослушивания можно добавлять оформление. Удаление паузы сдвигает последующие события, поэтому субтитры и вставки нужно привязать к новой шкале времени. Если сделать их слишком рано, потом придется чинить рассинхрон.

У video-use есть практическая деталь. Стандартная расшифровка использует ElevenLabs Scribe, то есть звук отправляется во внешний сервис и может потребовать оплаты. Для установки нужен весь skill вместе с каталогом helpers. Копии одного SKILL.md недостаточно. Это описано в инструкции установки. Локальное распознавание через WhisperX потребует отдельной интеграции.

На демках часто запоминаются большие слова, которые вылетают в такт голосу. Но начать лучше с обычных субтитров. Проверьте имена, бренды, числа и переносы, посмотрите ролик на телефоне. Если текст приходится догонять глазами, анимация добавит еще одну трудность.

Для точных появлений нужны тайминги слов. Их получают при распознавании или выравнивании готовой расшифровки со звуком. Например, WhisperX объединяет распознавание и выравнивание; разметка говорящих подключается отдельно. На этих данных уже можно строить подсветку текущего слова и крупные акценты.

В демонстрации субтитров HyperFrames видно, как обычное оформление сменяется крупной фразой. Такой прием удобно привязать к одному смысловому ударению. Постоянно прыгающий текст быстро забирает все внимание на себя, хотя в кадре еще есть человек и его рассказ.

Здесь графика уже объясняет устройство рассказа. Список появляется рядом с автором, отдельная плашка обозначает тему. Для повторения нужно задать зоны для лица, субтитров и иллюстрации. Иначе агент легко поставит три полезных элемента в одно место.

У HyperFrames полезно внимательно выбрать сценарий. По текущему руководству, embedded-captions добавляет субтитры. Talking-head-recut оформляет существующий ролик графикой, сохраняя речь и монтаж. Для удаления пауз и перестановки фрагментов нужен general-video или отдельный монтажный процесс. По одному названию recut этого различия не угадаешь.

Попросите агента приглушать музыку во время речи и плавно возвращать ее в паузах. Проверять нужно целую фразу вместе с началом и концом. Иногда фон уже стал тише, но первый слог успел потеряться. Для склеек и обработки звука пригодится FFmpeg, а для сокращения длинных пауз можно изучить auto-editor. Порог тишины все равно стоит подобрать на своей записи, чтобы сохранить дыхание и интонацию.

Remotion позволяет описывать видео через React. Агент пишет компоненты, задает время появления объектов и собирает композицию. В Studio можно смотреть результат, после чего рендерер экспортирует файл. Для продуктовой демки это удобный способ работать с интерфейсом, текстом и повторяющимися сценами.

В ролике Presscut от @Shpigford сначала показана проблема пользователя. Карточки источников окружают пустое поле для текста. Позже появляется интерфейс продукта и действие, которое приводит к результату. В галерее указаны Claude Code и Opus 4.5. Это исторический пример механики работы.

В авторском промпте есть просьба воссоздать UI компонентами React. Поэтому такой пример полезно воспринимать как анимированную демонстрацию продукта. Если зрителю нужно доказательство фактической работы функции, пригодится запись настоящего интерфейса или явная подпись о визуализации.

Для похожего ролика сначала стоит утвердить статичные кадры. Так проще заметить, что заголовок слишком длинный, интерфейс мелкий или смысл сцены потерялся. Ускорять движение карточек имеет смысл уже после этого.

У Remotion есть документация для coding agents и skills. Начать проект можно по официальной инструкции, а агенту поручить подготовку окружения и объяснение каждого шага. Доступность исходников не означает одинаковые лицензионные условия для всех команд, поэтому для коммерческого процесса проверьте условия Remotion.

Еще один хороший пример из галереи, маршрут с объемными достопримечательностями от @JNYBGR. Сначала виден путь на глобусе, затем камера приближается к финальной точке. В карточке работы также указаны Claude Code и Opus 4.5.

Такой прием можно перенести в историю поездки, логистики или развития компании. Попросите сначала показать общую картину, затем приблизить деталь. Заранее проверьте координаты и подписи, задайте остановки камеры. Красивый пролет с неверной географией все равно придется переделывать.

В покадровой анимации один и тот же номер кадра должен давать одну и ту же картинку. Если движение зависит от случайного значения, системного времени или еще не загрузившегося шрифта, предпросмотр может разойтись с экспортом. Объяснить это агенту удобно через проверку начала и конца каждой сцены, а затем нескольких промежуточных кадров.

В PDF есть дополнительные визуальные разборы, настройки проектов и промпты для разных задач. Скачать полный гайд.

У HyperFrames другой привычный для кодового агента материал, HTML и CSS. Проект объединяет композицию, медиа и управляемую анимацию. Браузер отрисовывает кадры, FFmpeg участвует в сборке видео. Здесь можно делать брендовые ролики, типографику и графику поверх исходной записи.

В официальной галерее есть примеры website-to-video. Агент берет содержание и оформление сайта, после чего переносит их в сцены. В одном из демо идея инфраструктуры показана сетевым глобусом. Ссылка на сайт помогает собрать контекст, но утверждения о продукте и выбранные материалы все равно нужно сверить.

Для начала работы в гайде приведен такой маршрут. Перед запуском агент должен сверить его с README установленной версии и проверить требования к окружению, в том числе Node.js 22+ и FFmpeg.

Команды npx могут загрузить и выполнить пакет. Для постоянной работы стоит записать использованную версию и сохранить зависимости проекта. Тогда следующий ролик не будет начинаться с выяснения, что изменилось с прошлого запуска.

В VFX-демонстрации цветной фон окружает светлый текст. Стоп-кадр помогает оценить палитру, а движение лучше посмотреть по ссылке. Для повторения эффекта нужно объяснить агенту, что именно меняется, с какой скоростью и как долго. Например, короткий световой след может сопровождать появление заголовка, после чего фон успокаивается, чтобы фразу успели прочитать.

Просьба добавить вау часто заканчивается несколькими эффектами одновременно. Полезнее заказать две версии одного перехода, спокойную и выразительную. Сравнить их на телефоне гораздо легче, чем обсуждать абстрактную динамику.

И иногда быстрее поправить длительность на шкале. В демо редактора HyperFrames видно сочетание команд и таймлайна. Разговор с агентом удобен для изменения структуры сцены, а точную паузу в знакомом интерфейсе бывает проще передвинуть руками.

В OpenScreen можно работать с записью экрана, выделять нужную область зумом и сокращать материал. В текущем README также описаны монтаж по транскрипту, встроенный AI-ассистент и skill openscreen-demo для кодового агента.

У этих способов работы разный масштаб. Встроенный ассистент помогает менять открытый проект и подключается с вашим ключом провайдера. По умолчанию он выключен. Skill openscreen-demo вместе с MCP дает кодовому агенту процесс подготовки демонстрации. Способ подключения зависит от среды, поэтому здесь лучше держать под рукой актуальную инструкцию проекта.

Для первой демки достаточно одного действия. Покажите, где нажать, что изменилось и какой результат получил пользователь. Оставьте небольшие паузы перед кликом и после него. Если приближать экран одновременно с чтением текста, зритель будет следить за камерой и потеряет саму инструкцию.

В launch-видео от @ghumare64 из галереи Remotion тоже можно посмотреть, как интерфейс превращается в историю. Ролик начинается с терминала, затем показывает сценарий использования. Темный фон и желтый акцент связывают сцены. В карточке указан Claude Code с Opus 4.6.

Такую логику удобно забирать в свое демо. Сначала выбрать действие и результат, затем решить, что потребуется показать на экране. Воссозданный интерфейс и реальную запись стоит различать там, где от этого зависит доверие к демонстрации.

Для ролика без собственной записи голоса можно начать с Gemini 3.8 Flash TTS. У Google также есть Gemini 3.8 Flash-Lite TTS. Обе модели поддерживают русский язык. В документации Flash ориентирован на выразительность и качество подачи, Flash-Lite на скорость и объем обработки.

У них есть бесплатный уровень Standard Free Tier с лимитами. Фактическую квоту нужно смотреть в своем проекте в AI Studio. Одна и та же формулировка бесплатно с лимитами может означать разный доступ для разных аккаунтов, поэтому конкретное число минут здесь обещать не буду.

Для пробы откройте генерацию речи в AI Studio, выберите модель и голос, задайте русский текст и манеру чтения. Сравнивать голоса удобнее на одном фрагменте с именем, числом и длинной фразой. Сразу слышно, где неудачное ударение или слишком театральная интонация.

У Gemini 3.8 есть техническая особенность. Озвучиваемый текст передается буквально, а описание подачи при работе через API задается отдельно в speech_metadata.style. Если смешать ремарки и реплики, можно получить лишние слова в аудио. Длительность сцен лучше подгонять после выбора удачной озвучки.

Это запрос для агента, который умеет работать с API. В AI Studio текст и описание подачи можно перенести вручную. Для Free Tier Google указывает использование данных для улучшения продуктов, поэтому для знакомства подойдет нейтральный текст. Подробности опубликованы на странице тарифов.

Для текущего пилота можно взять GPT-6 Astra в Codex или Claude Opus 5.5 в Claude Code, если они доступны в вашем аккаунте. Но сравнивать стоит весь комплект. Модель в обычном чате, агент с доступом к файлам и агент с установленным видеоскиллом получают разные возможности.

В одном случае модель видит только ваш текст. В другом умеет прочитать расшифровку, вызвать FFmpeg, получить кадры из ролика и поправить проект. Поэтому провал попытки с видео иногда связан с тем, что агенту вообще не дали инструмент для просмотра результата.

Например, claude-video подготавливает кадры и расшифровку для анализа. В проекте предусмотрены локальный путь и путь через Gemini. При наличии ключа Gemini он может выбирать облачную обработку автоматически. Локальная подготовка кадров тоже не означает, что облачная модель потом ничего из них не получит.

Для своего сравнения дайте двум агентам один исходник, одинаковые ассеты и одинаковое задание. Попросите сначала собрать 10 секунд. Смотрите на сохранность речи, читаемость текста, количество исправлений и возможность повторить экспорт. Удачный первый кадр еще не рассказывает, что случится в середине перехода.

Публичные работы полезны для выбора направления, но в этом материале нет собственного сопоставимого бенчмарка Astra и Opus. В галерее Remotion встречаются и более ранние модели. Их примеры показывают подход, который можно взять за основу и проверить на текущей версии.

Удобнее исправлять один наблюдаемый дефект за раз. Если на 12-й секунде заголовок перекрыл лицо, назовите время, объект и желаемое положение. Если переход выглядит слишком резким, попросите две версии именно этого стыка. Запрос сделать все более профессионально может запустить переделку уже удачных сцен.

После нескольких итераций полезно сохранить короткую заметку рядом с проектом. В ней должны остаться утвержденный сценарий, выбранная версия, пути к файлам, команда рендера и незавершенные правки. Это помогает продолжить работу в новой сессии без пересказа всей переписки.

Если агент застрял, сузьте задачу. При рассинхроне сначала проверьте время речи и видео. При пропавшем шрифте разберите загрузку шрифта. При странном переходе экспортируйте несколько секунд вокруг него. Одновременная замена модели, библиотеки и сценария лишает вас возможности понять причину.

Ролик для телефона часто портится при обычном обрезании широкого кадра. Лицо еще помещается, но кнопка в демонстрации уже уехала за край. Попросите агента перестроить композицию под 9:16, укрупнить полезную область и заново проверить субтитры. Формат 16:9 можно оставить для сайта и YouTube, а квадратную версию делать только под конкретное место размещения.

Повторяемый формат удобно вынести в параметры. Тексты, цвета, логотип, длительность сцен и путь к голосу могут меняться независимо от оформления. Тогда следующий выпуск начинается с нового содержания. При этом первую сборку с длинным заголовком или другой длиной речи все равно придется проверить.

В гайде есть подборка репозиториев, но количество звезд не делает исполняемый код безопасным. Для своего проекта полезно прочитать установку и выяснить, какие действия агент выполнит на компьютере. Отдельная рабочая папка и сохраненные оригиналы заметно упрощают откат неудачной попытки.

Сам процесс можно собрать из небольшого числа инструментов. FFmpeg закроет сборку и звук, подходящий распознаватель даст текст с таймингами, Remotion или HyperFrames подготовит графику. Manim пригодится, если нужны математические схемы; three.js, если задача действительно требует 3D. Подключать весь список из чужой подборки к первому ролику обычно нет необходимости.

Бюджет тоже складывается из нескольких частей. Кроме агента, расходы могут появиться у распознавания, генерации голоса и облачного рендера. Еще есть время на проверки. Перед длинным выпуском попросите оценку для небольшого теста и отдельно укажите, какие платные действия требуют согласования.

Предпросмотр в редакторе и готовый MP4 иногда расходятся. Шрифт мог не загрузиться, звук стартовал позже, а последний кадр оказался черным. Поэтому завершать задачу стоит просмотром именно того файла, который вы собираетесь выкладывать.

Самооценка агента помогает найти часть проблем, но сообщение готово ничего не говорит о том, насколько естественно звучит человек. Финальное прослушивание здесь остается вполне человеческой работой.

Для первого захода я бы ограничился записью на одну-две минуты и итоговым роликом на 30 секунд. Одна мысль, несколько аккуратных склеек, читаемые субтитры и один визуальный акцент дадут достаточно материала, чтобы понять весь процесс. Длинный фильм добавит ожидание рендера раньше, чем станет ясно, удобно ли вам так работать.

Для пробы можно взять запрос ниже и заменить условия на свои. Остальные сценарии, визуальные разборы и отдельная подборка промптов собраны в PDF. Скачать полный гайд.

Если своих съемок пока нет, возьмите короткую анимацию из трех сцен. Задайте текст, получите статичные кадры, согласуйте движение и экспортируйте восемь секунд. После такой пробы уже понятно, где агенту хватает описания, а где ему нужен референс или точный таймкод.

Кто уже пробовал монтировать с агентом? Интересно, какой у вас комплект инструментов и на чем ушло больше всего времени, на выборе фрагментов, оформлении или исправлении результата.