Сделал AI-монтажёра для Reels меньше чем за месяц: что получилось, где споткнулся и сколько это стоит

Я снимаю видео давно, веду курс по видеографии, и у меня та же проблема, что у всех, кто пытается вести соцсети: снять ролик можно за минуту, а смонтировать его потом руками нет ни времени, ни желания. В итоге на телефоне копятся десятки «говорящих голов», которые так и не выходят в ленту.

Монтажёр на постоянку стоит от 15 тысяч в месяц. CapCut бесплатный, но там всё равно сидишь сам: режешь паузы, расставляешь титры, двигаешь зумы. На один минутный ролик уходит полчаса-час.

Я решил проверить, может ли нейросеть сделать эту работу целиком: загрузил сырое видео, через пару минут получил ролик, который не стыдно выложить. Так появилась Монтажора.

Что она делает

Загружаешь видео, где говоришь в камеру (до 3 минут, с телефона или камеры). Дальше всё автоматически:

  1. Распознаёт речь по словам с точными таймкодами.
  2. Режет лишнее по смыслу. Паузы, «э-э», «ну вот», а главное, неудачные дубли. Если ты начал фразу, сбился и сказал её заново, остаётся последний вариант. Это самая ценная часть: дубли вручную вырезать дольше всего.
  3. Ставит субтитры по фразам, а не по одному слову, и сама выбирает акцентные слова, которые подсвечиваются цветом.
  4. Следит за лицом, чтобы титры и плашки не закрывали глаза и рот.
  5. Оживляет картинку: зумы и смены плана на важных местах, эмодзи, звуки, медиа-карточки по теме, хук в начале.
  6. Чистит звук: убирает шум кафе, улицы, кондиционера и выравнивает громкость до уровня роликов в ленте.
  7. По желанию ускоряет ролик в 1,25 раза.

На выходе вертикальное видео 9:16 под Reels, Shorts, TikTok, VK Клипы и Telegram.

Если что-то не понравилось, есть редактор: поправить текст титров, вырезать конкретные слова, сменить стиль (шрифты, цвета, классика, ретро, минимал), скорость. Перезаливать видео не надо.

Сделал AI-монтажёра для Reels меньше чем за месяц: что получилось, где споткнулся и сколько это стоит

Цифры на реальном ролике

Беру обычное видео, снятое в кафе на телефон:

  • Исходник: 80,6 секунды.
  • После нарезки: 41,1 секунды. Вырезано 9 кусков, минус 39,5 секунды. То есть половина записи была паузами, оговорками и повторами.
  • С ускорением 1,25: 33 секунды.
  • Исправлено 6 ошибок распознавания речи.
  • 9 смен плана, 1 медиа-карточка.
  • Громкость голоса поднята с -22 до -14 LUFS (это стандарт для соцсетей), шум кафе убран.
  • Обработка заняла около 3 минут.

Руками я бы на это потратил минут 40.

Как это устроено внутри

Для тех, кому интересна техническая часть:

  • Распознавание речи: Whisper на видеокарте, с пословными таймкодами.
  • «Мозги» монтажа: языковая модель получает расшифровку и решает, что вырезать, как разбить текст на фразы субтитров, какие слова выделить, где поставить зум, карточку и эмодзи. Она же правит ошибки распознавания по контексту.
  • Трекинг лица: чтобы знать, куда можно ставить текст, а куда нельзя.
  • Звук: нейросетевое шумоподавление DeepFilterNet плюс компрессор и нормализация громкости.
  • Рендер: FFmpeg с аппаратным кодированием на GPU. Перевод на видеокарту ускорил сборку ролика с 52 до 23 секунд.
  • Сервер: не облако, а свой сервер с GPU Tesla V100 у меня дома в Красноярске. Белый IP, прямое подключение, данные хранятся в России.

Почти весь код написан вместе с AI-агентом: я ставил задачи, тестировал и принимал решения, агент писал и деплоил. Проект стартовал в конце октября, первые оплаты пошли в начале ноября.

Где споткнулся

Это был не прямой путь, и самое интересное как раз тут.

Дубли без маркеров. Первая идея была искать слова вроде «стоп, заново». Но в жизни никто так не говорит: человек просто начинает фразу ещё раз. Пришлось учить систему понимать, что два соседних куска говорят одно и то же по смыслу, и оставлять последний.

Титры на лице. В первых версиях субтитры красиво вылезали ровно на рот. Без трекинга лица никак.

Домашний сервер. Чтобы сайт был доступен напрямую, пришлось звонить провайдеру за белым IP, настраивать роутер и мониторинг. Однажды ночью провайдер на 10 минут потерял входящий трафик, теперь есть watchdog, который пишет мне, если сервер недоступен, и сам определяет, где проблема: у провайдера, на роутере или на сервере.

Юридическая часть. Если принимаешь видео с лицами и деньги, это персональные данные и налоги. Подал уведомления в Роскомнадзор (сервис в реестре операторов ПДн), а чеки самозанятого в «Мой налог» выбиваются автоматически на каждый платёж. Без этого запускаться к людям не хотел.

Сколько стоит

  • Первый ролик до 3 минут бесплатно (с водяным знаком).
  • Дальше платишь только за ролики, без подписки. В самом большом пакете ролик выходит в 133 ₽, есть пакеты поменьше.
  • Оплата картой в рублях, работает в России без VPN. После первой покупки знака нет ни на одном ролике.

Для сравнения: монтажёр на 4 ролика в неделю обойдётся в 15-20 тысяч в месяц, а здесь те же 16 роликов стоят около 2 тысяч и не надо ждать сутки.

Кому зайдёт

Экспертам, предпринимателям, блогерам, всем, кто говорит в камеру: советы, обзоры, истории, продажи. Сценарий простой: снял в моменте, загрузил с телефона, через пару минут выложил.

Кому не подойдёт: если нужен сложный креативный монтаж с футажами, музыкальными склейками и авторским стилем, это пока к живому монтажёру.

Что дальше

В планах: звуки на титрах (стук клавиш, вжух на плашках), плашки-конспекты, караоке-субтитры. А в фоне большая задача, ради которой всё начиналось: монтаж длинных обучающих видео, где говорящая голова переключается с презентацией.

Попробовать можно на сайте montajora.ru или в Telegram-боте @Montajoro_bot, первый ролик бесплатно. Буду рад обратной связи в комментариях, особенно если что-то смонтировалось криво: так быстрее всего становится лучше.

11