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:
- Распознаёт речь по словам с точными таймкодами.
- 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.
- Ставит субтитры по фразам, а не по одному слову, и сама выбирает акцентные слова, которые подсвечиваются цветом.
- Следит за лицом, чтобы титры и плашки не закрывали глаза и рот.
- Оживляет картинку: зумы и смены плана на важных местах, эмодзи, звуки, медиа-карточки по теме, хук в начале.
- Чистит звук: убирает шум кафе, улицы, кондиционера и выравнивает громкость до уровня роликов в ленте.
- 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.
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.