Пытался заставить нейросети монтировать видео кодом: честный опыт, где маркетологи врут и почему ИИ выдаёт унылый слоп
Каждую неделю в ленте всплывает очередной ролик: «ИИ уже заменил видеомонтажёров! Напиши один промпт — и нейросеть соберёт фильм для YouTube со звуком, графикой и эффектами в один клик».
Я в теме нейросетей недавно. Насмотревшись таких восторженных видео, решил проверить всё на практике: реально ли автоматизировать рутину монтажа кодом, или это очередные маркетинговые сказки? Рутинной возни в монтаже полно — вырезать паузы, выставлять тайминги, подгонять эффекты. Раз нейросети умеют писать код, казалось логичным сгрузить эту механику на них.
Я не стал тыкать закрытые веб-сервисы с подпиской по $30 в месяц, а решил покопаться в коде сам: взял Remotion (фреймворк, где видео собирается из обычного кода на React), прикрутил бесплатный Whisper для пословных таймкодов голоса, настроил FFmpeg для обработки звука и начал пробовать связывать это с языковыми моделями.
Иллюзии выветрились очень быстро. Ниже — честный технический разбор того, с чем вы столкнётесь на самом деле, если решите доверить монтаж нейросетям в 2026 году.
1. Первая ловушка: Эффект «PowerPoint-слопа»
Первое, что выдаёт любая нейросеть (хоть Claude, хоть GPT-4o, хоть Gemini), когда ты просишь её «сделать динамичную сцену» — это убогие офисные слайды.
Модель рисует серый прямоугольник, вешает на него скучный заголовок и лепит список с круглыми точками-буллетами (•). На экране это выглядит так, будто вам показывают годовой отчёт бухгалтерии за 2007 год.
Почему так происходит? У нейросети нет чувства стиля и насмотренности. Она училась на терабайтах веб-страниц, где 90% верстки — это плоские абзацы текста. Она искренне «думает», что пять строк белого текста на сером фоне — это и есть «крутой визуал».
Мне пришлось зашить в инструкции строжайший запрет на списки и плашки. Хочешь показать цифры в кадре? Никакого текста списком. Приходится заставлять модель кодить физические предметы:
- Идёт разбор суда? Рисуем кодом папку досье EXHIBIT A с легким наклоном.
- Говорим про финансовые потери? Рисуем висящий розничный ценник со штрих-кодом и штампом уценки.
- Бегут проценты? Делаем одометр, где цифры крутятся со звуком механических щелчков.
Только когда ты буквально бьёшь модель по рукам за каждую круглую точку и заставляешь верстать овеществлённые предметы, видео перестаёт быть похожим на скучную офисную презентацию.
Preview unavailable
2. Архитектурная слепота: почему ИИ не чувствует время
Самое интересное началось, когда мы дошли до расстановки звуков и склеек.
В нормальном монтаже есть базовое правило: звуковой акцент ставится за 2–3 кадра до удара картинки. Мозг человека устроен так, что ему нужно доли секунды ожидать контакт. Если звук щелчка или взрыва опоздает хотя бы на 4 кадра (это всего 66 миллисекунд!) — зритель сразу чувствует фальшь и рассинхрон.
Что делает нейросеть? У языковых моделей нет глаз и ушей. Для них видео — это просто сухой текст в файле:
tsx
Preview unavailable
Она физически не видит, что на 150-м кадре плашка перекрыла график, а музыка заглушила ключевое слово диктора. Модель кидает звуки «примерно туда». В итоге получается каша: карточка уже вылетела и замерла, а глухой «бум» раздаётся через полсекунды в пустоте.
Чтобы это победить, мне пришлось написать отдельный скрипт на Python. Он берёт готовое отрендеренное видео, прогоняет через ffprobe и строго проверяет:
- Громкость голоса строго по вещательному стандарту EBU R128 (-14.0 LUFS);
- Отсутствие случайных чёрных кадров между сценами;
- Зависшие статичные стоп-кадры дольше 1.5 секунд (в динамичном видео статика — это брак).
Без внешнего скрипта-надсмотрщика нейросеть всегда радостно рапортует: «Я сделала шедевр!», даже если на экране 10 секунд висит чёрный экран.
3. Синдром услужливого официанта (AI Yes-Man)
Но больше всего нервов ушло не на код, а на то, что нейросети патологически не умеют спорить.
Я прямо вписал в системный промпт: «Если я предлагаю ерунду — не соглашайся со мной. Твоя задача — не льстить мне, а сделать нормальное видео. Если идея кривая — скажи прямо».
Ради проверки я даю заведомо бредовую задачу: «Давай в сцене про банкротство компании включим праздничный перезвон колокольчиков и пустим конфетти на весь экран».
И что отвечает модель?
«Потрясающая задумка! Это создаст тонкий постмодернистский контраст и подчеркнёт драматизм ситуации!»
Ей плевать, что видео превратится в цирк. Модели проще улыбнуться и согласиться, как официанту, который боится остаться без чаевых, чем оспорить решение человека. И чтобы заставить ИИ быть честным критиком, приходится выстраивать целые цепочки из спорящих между собой агентов.
4. «А может, ты просто взял не ту модель?»
Когда я рассказывал про эти грабли, мне часто говорили: «Ты просто не ту нейронку взял! Попробуй топовый Claude Opus 5.5 — все вирусные демки в Твиттере делают на нём!».
Давайте снимем розовые очки и посчитаем:
- Как на самом деле делают те демки: Создатели тех самых вирусных роликов (студия Howseen) честно признались: на один 20-секундный ролик у них уходит около 2 часов работы трёх параллельных ИИ-агентов, автоматический поиск покадровых скачков яркости и режим отбраковки брака. Никакого монтажа «в один клик» там нет и близко — это часы ручной доводки.
- Цена вопроса: 1 миллион токенов на выходе у Claude Opus 5.5 стоит $20. Тот объём тестов, который я накрутил за месяц на локальных и доступных моделях, на Opus 5.5 влетел бы мне примерно в $3 500 – $5 000 (около 400 000 рублей)!
- И главное: Заплатив эти деньги, вы получите ровно те же съехавшие координаты и тот же рассинхрон звука. Потому что на длинной дистанции (например, фильм на 10 минут — это 36 000 кадров) контекст начинает плыть у любой современной модели.
В чём нейросети реально помогают, а где всё ещё бессильны
За месяц экспериментов я вывел для себя четкую границу:
Где ИИ реально экономит кучу времени:
- Черновой сбор фактов: Найти данные в старых финансовых отчётах со ссылками на первоисточники.
- Тайминги и чистка звука: Бесплатный локальный Whisper раскладывает голос на пословные таймкоды за секунды с точностью до миллисекунды.
- Базовый каркас компонентов: Написать черновой математический код пружины или графика.
Где нейросети пока беспомощны (нужен человек):
- Чувство темпоритма: Понимание, где зрителю станет скучно, а где информации слишком много.
- Режиссура звука: Точная подгонка щелчков и шумов под пики движения.
- Самокритика: Модель не понимает, красиво получилось или убого.
Preview unavailable
Итог
ИИ в 2026 году — это не «режиссёр в один клик», как нам обещают в рекламе. Это быстрый, слепой подсобник с калькулятором. Если отпустить его одного — он завалит вас унылым офисным слопом. Но если жестко ограничить его правилами, запретить поддакивать и проверять результат кодом — он реально превращается в мощный инструмент, который снимает рутину.
Я продолжаю ковыряться в коде дальше и делюсь всеми своими факапами и находками в Telegram: @SlopControl. Там нет «успешного успеха» и умных лиц — только честные тесты, шишки и то, что реально удаётся собрать.
Если вы не согласны с моим мнение или я не прав, то буду рад, если вы мне поможете с этим разобраться...