Нарезка длинного видео на шортсы и рилсы: как выбрать моменты самому и что отдать нейросети

Коротко

Что такое хороший момент для шортса?

Хороший момент - это законченная мысль с собственным началом. Зритель шортса не слышал, что было до фрагмента, поэтому первая фраза должна сразу объяснять, о чём речь. Если кусок начинается со слов «как я уже говорил» или «вот этот второй вариант», он не готов.

Разберу на своей записи. Мой вебинар для участников хакатона шёл 51 минуту, и для Telegram-канала из него нарезали шесть фрагментов. Каждый держится на одной фразе, которую можно вынести в заголовок:

Длина разная, а признак один: в каждом куске есть законченная мысль, и её можно пересказать одним предложением. Демо сервиса на две минуты вышло отдельным роликом.

Отсюда три вопроса к любому кандидату:

• Понятно ли начало без контекста? Если нет, расширь фрагмент назад или допиши короткую вводную фразу титром.
• Есть ли вывод? Мысль, которая обрывается на «и вот поэтому», зритель досматривает зря.
• Нужен ли экран? Если смысл в слайде или в демо, фрагмент должен показывать слайд целиком, иначе останется только голос.

Как найти моменты в часовой записи?

Смотреть час записи подряд и ловить удачные места на слух долго. Быстрее читать расшифровку: глаз находит законченные мысли по тексту, а таймкоды сразу дают точку входа. Мою запись вебинара расшифровывали локально, по ней и выбирали фрагменты.

1. Расшифруй запись с таймкодами

   Подойдёт любое распознавание, которое ставит время у каждой фразы. Для своей записи облако не нужно, это можно сделать на компьютере.

2. Пометь кандидатов по тексту

   Ищи фразы, которые хочется процитировать, сравнения, цифры с выводом, ответ на конкретный вопрос. Рядом пиши таймкод.

3. Прослушай каждый кусок отдельно

   Без того, что было до него. Если начало непонятно, сдвинь вход раньше или откажись от куска.

4. Запиши монтажный лист

   Фрагмент, вход, выход, о чём мысль, нужен ли экран. По такому листу собирают ролик сам, монтажёр или агент.

Если в записи видны другие люди, как правило, на публикацию нужно их согласие: так требует статья 152.1 Гражданского кодекса об изображении гражданина, у которой есть исключения, например съёмка на публичных мероприятиях. Подробнее, и что делать, если человек попросил себя убрать, - в материале про ролик с мероприятия из клипов.

Где нейросеть помогает, а где ошибается?

На корпоративном обучении меня спросили: «Я много слышала про автомонтаж рилсов. Это тоже делается через Codex?» Я обещал скинуть скилл автомонтажа, которым пользуюсь сам. Его автор прямо пишет в описании, чего скилл не делает: не выбирает, что оставить в ролике. Скилл убирает мусор, а какая мысль лишняя, решает человек.

Это и есть граница. Паузы и переговорённые дубли машина находит по звуку и тексту. Лишняя мысль формально тоже речь, и решение «этот кусок не нужен» остаётся за тобой.

Сервисы автонарезки уже умеют искать фрагменты сами. В канале я разбирал Shorts Studio от Higgsfield: загружаешь длинное видео, выбираешь пресет, и сервис собирает короткий ролик, перекадрирует в вертикаль и вытягивает крючок в первые секунды. Это снимает ручную возню с поиском и кадрированием. Готовый фрагмент всё равно стоит прослушать отдельно: законченность мысли проверяешь ты.

У YouTube есть свой путь для собственных видео: инструмент «Клипы и Shorts» в Студии и создание фрагмента в мобильном приложении. В блоге Zaletai, моего сервиса для разбора залетевших коротких видео, есть разбор справки YouTube об этих инструментах. По нему ИИ-подсказки фрагментов в Студии доступны не для всех стран и языков, а мобильный путь ограничивает отрывок 60 секундами. Сами Shorts при этом могут длиться до трёх минут, если ролик вертикальный или квадратный: это правило YouTube ввёл с 15 октября 2024 года.

Рез по паузе в звуке

Здесь я наступил на грабли сам. Вертикальный рилс из того же вебинара ИИ-агент сначала резал по таймингам слов из расшифровки, с небольшим запасом, а слайды приближал до двух раз. Мой вердикт был коротким: слова проглатываются, слайды слишком увеличены.

Разбор показал три причины. Распознавание ставит конец слова раньше, чем он звучит: слово «агентов» по таймингам кончалось на 0,3 секунды раньше, чем в звуке. А поиск паузы от начала последнего слова ловил провал громкости внутри фразы. Плюс затухание звука на стыке в 0,15 секунды съедало хвост слова «аватар».

Правило, которое после этого записано:

1. Граница куска - в паузе звука. Найти тишину длиной от 0,15 секунды после конца последнего слова и резать внутри неё с запасом 0,2-0,3 секунды. Если пауза короче запаса, режут по её середине. Начало ищут так же, перед первым словом. Тишину находит, например, фильтр silencedetect в ffmpeg.
2. Затухание на стыке короткое. Не больше 0,05-0,08 секунды, иначе оно съедает окончание.
3. Проверка - распознаванием готового куска целиком. Короткий отрезок на краях сам даёт ложные обрывы, поэтому слушают и распознают весь план.
4. Слайд показывают целиком. Лёгкий наезд допустим, вырезать кусок слайда и увеличивать в полтора-два раза нельзя. Для мелкого интерфейса приближение не больше примерно 1,2.

После перехода на поиск тишины все 17 планов рилса распознались целыми фразами. Как проверять субтитры на таком фрагменте, разобрано в статье про субтитры к короткому видео.

Как сделать вертикальный шортс из горизонтальной записи?

Вебинар, подкаст или запись встречи обычно горизонтальные: спикер, рядом слайд или экран. При переводе в 9:16 от кадра остаётся узкая полоса. Если в ней лицо, а говорит человек про схему справа, зритель слышит объяснение и не видит, о чём оно.

Поэтому вертикальный фрагмент проверяют в трёх местах: первая секунда, смена плана, момент с главной деталью. Слайд с текстом лучше дать отдельной вставкой на весь кадр, а спикера оставить карточкой в углу или вернуть после слайда. Как сделать, чтобы текст и цифры с экрана читались на телефоне, подробно в материале про сайт в вертикальном ролике.

Образец формы для фрагмента в Zaletai

Выбирать моменты проще, когда перед глазами есть форма, которая уже сработала. Для этого я пользуюсь Zaletai, своим сервисом разбора залетевших коротких видео. В ленте «Что залетает» собраны свежие ролики, которые обогнали обычные просмотры своих авторов, а ссылку на любой открытый ролик можно вставить и нажать «Разобрать». Покадровый разбор показывает у каждого кадра тип сцены и три строки: «Говорит», «Текст на экране», «Визуал».

По такому разбору видно, с какой фразы автор начинает, на какой секунде показывает экран и чем заканчивает. С этим образцом и идёшь в свой монтажный лист: среди кандидатов ищешь фрагмент с похожей формой, а если в образце главное держится на экране, отмечаешь, что твоему куску нужна вставка со слайдом. Нарезку и монтаж сервис за тебя не делает, это остаётся по монтажному листу. Как читать разбор по секундам, я писал в статье почему ролик залетел.

Частые вопросы

Главный вывод

Практический шаг: возьми последнюю запись эфира, расшифруй её и выпиши пять фраз, которые хочется процитировать. Прослушай кусок вокруг каждой отдельно. Те, что понятны без начала записи, - твои первые шортсы.