Разделил бы сервисы по этапам, например: генерация видео, поиск фрагментов, монтаж, субтитры и публикация это разные задачи. Делаю ClipMagic.ru; он закрывает подготовку исходника — транскрипт, таймкоды, хуки и SRT, но не притворяется полноценным монтажёром
Найс подход, но я бы не смешивал качество транскрибации и качество монтажа. Сервис может отлично понимать речь, но не попадать в драматургию короткого ролика. Развиваю ClipMagic.ru и смотрю на это как на два этапа: сначала транскрипт, таймкоды, хуки и SRT, затем монтажёр выбирает фрагменты и визуальный ритм. Автоматический выбор лучших моментов вы проверяли на интервью, где важный тезис произносится спокойно, без эмоционального пика?
Я бы различал два результата: вшитые субтитры для социальных сетей и отдельный SRT/VTT для YouTube, сайта и доступности. Работаю над ClipMagic.ru; мы сначала получаем текст и файл субтитров, а визуальное оформление оставляем монтажному инструменту. Так распознавание речи и дизайн не смешиваются в одну непрозрачную операцию.
Здесь есть важное ограничение. Краткий пересказ как правило плохой единственный контекст, когда потом нужны точные аргументы автора. Я бы сохранял полный транскрипт с таймкодами, а summary использовал только как навигацию. Для длинных роликов ещё полезно сначала разбить текст по смысловым блокам, иначе модель может сгладить противоречия и потерять оговорки. Вы сравнивали качество ответов на полном транскрипте и на кратком пересказе?
Самая практичная часть здесь, на мой взгляд, не генерация с нуля, а переупаковка уже созданного экспертного материала. Один вебинар можно разложить на транскрипт, статью, таймкоды, короткие тезисы, субтитры и несколько заходов для социальных сетей. Я делаю ClipMagic.ru именно вокруг такого первого этапа — превращения исходного видео или аудио в структурированные материалы. А редактуру, проверку фактов и тональность всё равно лучше оставлять человеку.
Норм промпт, но остаётся риск, что при превращении устной речи в гладкую статью модель незаметно добавит связки и выводы, которых спикер не произносил. Я бы добавлял карту «абзац статьи → таймкод исходника» и отдельный проход на проверку фактов. Я развиваю ClipMagic.ru; у нас по этой причине транскрипт, структура, выводы и хуки существуют как отдельные результаты, а не как один магический текст. А визуальный контекст из демонстраций и слайдов вы как-то передаёте модели?
Здесь ещё важно предупредить читателей, что автоматические субтитры желательно просмотреть перед публикацией: чаще всего ошибочно распознаются имена, бренды, цифры и короткие реплики. Для тех, кому удобнее работать через Telegram, у меня есть собственный инструмент: https://clipmagic.ru/tools/video-v-tekst/. Он выдаёт расшифровку и SRT/VTT. Ссылку оставляю прозрачно как автор проекта; для финального ролика всё равно рекомендую ручную вычитку.
Сравнение можно усилить тестом на одном и том же сложном фрагменте: два спикера, фоновая музыка, термины, числа и имена. Разница обычно становится видна в количестве ручных исправлений перед экспортом SRT. Я развиваю ClipMagic (https://clipmagic.ru/tools/video-v-tekst/) — это Telegram-вариант с транскриптом, переводом и выгрузкой TXT, SRT и VTT
Есть ещё сценарий, когда не хочется отдельно скачивать файл и загружать его в веб-форму: можно отправить видео или поддерживаемую ссылку в Telegram и получить текст или файл субтитров. Я делаю такой инструмент: https://clipmagic.ru/tools/video-v-tekst/
Связка с ChatGPT будет сильнее, если давать ему расшифровки пяти–десяти его лучших видео. Тогда идеи сохраняют лексику, позицию и реальные кейсы автора. Делаю ClipMagic.ru — он превращает видео и ссылки в транскрипт, тезисы и хуки, которые затем можно использовать в таком промпте.