Нейросеть для нарезки видео на шортсы: рой субагентов вместо одного чата

Почему одна нейросеть не нарежет двухчасовой эфир

Артур Хорошев третий год занимается автоматизациями: начинал с Make, теперь строит агентские системы для маркетинга. У него по три эфира в неделю, каждый — около двух часов, и всё это нужно резать на шортсы и рилсы. Так появился Hyperion: нейросеть для нарезки видео на шортсы, собранная как плагин для Cursor с роем субагентов внутри. Плагин Артур запустил прямо на NeyroSummit — отдал ему двухчасовой эфир весом 1,4 ГБ и, пока агенты работали, рассказывал, что происходит.

Почему не одним запросом? Его довод — контекст. Перелопатить два часа текста, выбрать лучшие куски, обработать и нарезать — задача, которая, по его прикидке, тянет на миллионы токенов, а окно модели — сотни тысяч. При каждом переходе контекст сжимается, и к концу исходная постановка задачи «до конца не доживёт», останется пара слов. Отсюда правило доклада: «любую большую задачу нужно дробить на кучу агентов», и эти агенты должны работать в общей связке с общей памятью.

Схема: нейросеть читает текст, режут Whisper и FFmpeg

Главная идея, на которой держится весь конвейер: нейросеть в Hyperion не режет видео. Она работает только с текстом расшифровки и принимает решения — что интересно, где начинается и заканчивается мысль, что стоит вырезать. Всё тяжёлое делают бесплатные инструменты, которые ставятся вместе с плагином и работают на твоём компьютере:

• Whisper — модель распознавания речи от OpenAI. У OpenAI есть платный API, но Hyperion ставит бесплатную локальную версию. Агент сначала смотрит железо (в демо — 16 ядер, 61 ГБ памяти, видеокарта NVIDIA с CUDA) и подбирает под него размер модели — от маленькой до «турбо».
• FFmpeg — библиотека для работы с видео и звуком. Артур объясняет её так: это тот же Premiere Pro, только без визуальной оболочки — команды, понятные программе и языковой модели.

На эфире Артур называл обе программы «локальными LLM», но это неточно: Whisper — модель распознавания речи, а FFmpeg — обычная библиотека без ИИ. Суть от этого не меняется: ИИ для нарезки видео здесь — это «мозг», который решает по тексту, а «руки» — локальные инструменты, за работу которых не нужно платить.

Сам конвейер, как его показал Артур, — около двух десятков шагов. На экране был план из 20 агентов, вслух он сказал, что их уже 26, а шесть новых в план ещё не внёс:

Расшифровка — самый долгий шаг: двухчасовой эфир, по словам Артура, расшифровывается 25–30 минут, поэтому на эфире он включил быстрый режим.

Как рой ИИ-агентов отбирает клипы: оценщики, редактор, вирусолог

Как нейросеть находит удачные моменты? В Hyperion их ищет не одна модель, а цепочка узких ролей — каждая со своими инструкциями и правилами. Работают они только с текстовыми кусками:

1. Чистка речи. Паузы, запинки, повторы, потерянная мысль видны в тексте — эти места помечаются на вырезку. Мат Артур намеренно не чистит: «где-то это даже крючком бывает».
2. Кандидаты. Из расшифровки агент вытаскивает от 30 до 80 потенциальных клипов — в зависимости от того, сколько их удаётся найти.
3. Оценщики. Смотрят, есть ли в куске хайлайт и будет ли зрителю интересно.
4. Редактор. Выбрасывает скучное и «обрубленные» куски — когда спикер начал тему, отвлёкся на вопрос из чата и не договорил.
5. Вирусолог. Оценивает, будут ли клипом делиться.
6. Границы мысли. Проверяют, что у клипа есть вход и закрытие мысли.
7. Драматургия. Ещё один фильтр — Артур хотел сделать отбор «как можно человечнее».

Шаг 6 закрывает то, что Артур называет самой тяжёлой проблемой нарезки шортсов. Автоматические сервисы находят крючок — вводную фразу, — но обрезают смысл, и зрителю достаётся «огрызочек»: мысль оборвалась на середине. Поэтому закрытость мысли проверяет отдельный агент, а не общий оценщик.

Количество клипов в настройках — потолок, а не план: на эфире заказали 10, а агенты оставили 9, отбросив то, что не прошло фильтры.

Кто всем этим управляет? В демо роль оркестратора играет основной агент Cursor: он идёт по плану и по очереди запускает субагентов — видно, как стартует «новый субагент — граница», потом нарезка. Отдельно об оркестраторе ИИ-агентов Артур не рассказывал. Как устроена такая иерархия, где главный агент решает, какой запрос какому исполнителю отдать, — в разборе агентной системы в Claude Code.

Инструкций оценщиков на эфире не показали, только названия ролей. Если собираешь похожий конвейер сам, роль оценщика можно описать так:

Ты — оценщик кандидатов в короткие вертикальные ролики (30–90 секунд).
Вход: фрагмент расшифровки эфира с таймкодами начала и конца каждой фразы.

Оцени фрагмент по шкале 1–10 по каждому критерию:
1. Крючок: есть ли в первых 3–5 секундах фраза, которая цепляет без контекста эфира.
2. Законченность: начинается ли мысль внутри фрагмента и закрывается ли она до конца. Если мысль оборвана — так и напиши.
3. Ценность без контекста: поймёт ли зритель, который не видел эфир, о чём речь.
4. Обрывы: есть ли ответы на вопросы из чата, отступления, незаконченные темы.

Верни JSON: {"start": "...", "end": "...", "hook": n, "closure": n, "standalone": n, "verdict": "keep|drop|fix_bounds", "why": "одно предложение", "new_start": "...", "new_end": "..."}.
Если verdict = fix_bounds — предложи новые границы так, чтобы мысль была закрыта.

Монтаж без брака: звук, субтитры, B-roll и покадровая проверка

После отбора агент составляет план монтажа — с какой по какую секунду брать клип и какие секунды внутри вырезать. Дальше FFmpeg режет вертикаль 9:16, и начинаются вещи, которые, по словам Артура, многие автоматические редакторы не учитывают.

Громкость. Спикер то ближе к микрофону, то дальше, и звук в ролике гуляет. Отдельный шаг выравнивает громкость по всему клипу, чтобы не было перепадов.

Субтитры для видео нейросетью: почему они уезжают после вырезок

Наложить субтитры по расшифровке просто — это делает тот же FFmpeg. Подвох, на который Артур наткнулся при сборке плагина: если внутри клипа с 15-й по 45-ю секунду вырезать паузу с 18-й по 20-ю, а субтитры оставить по исходной расшифровке, после вырезки они сдвигаются и перестают совпадать с голосом. Поэтому в конвейере есть отдельный агент, который пересчитывает тайминги субтитров под каждую вырезку. Его совет всем, кто собирает подобное: что бы ты ни вырезал, учитывай это при наложении субтитров.

Поверх базовых субтитров можно добавлять караоке-режим, эффекты на отдельных словах, анимированные эмодзи, прогресс-бар — Артур оставил свою версию «чистенькой», без лишнего зума.

B-roll: три источника перебивок

B-roll — короткие перебивки на 3–5 секунд, пока спикер говорит о чём-то. Источники Артур называет три: своя библиотека видео, генерация нейросетью (он предпочитает Grok — «дёшево и сердито» для таблиц и иллюстраций, мы же «не мультик делаем») и бесплатные стоки, к которым агент подключается по API и подбирает видео по запросу.

Режимы монтажа

Горизонтальное видео 16:9 нужно превратить в вертикальное 9:16, и тут у Hyperion режимы: обычный — кадр следует за лицом говорящего; вебинар — экран делится 30 на 70, в одной части спикер, в другой демонстрация экрана (так был смонтирован первый клип в демо, 54 секунды); подкаст — двух собеседников в вертикаль не уместить, поэтому камера переходит на того, кто говорит. Режим «продажи», по словам Артура, был ещё в разработке.

Покадровая проверка

Агент-«гвардиан» проверяет длину и звук, а после рендера включается покадровая проверка: скрипт снимает примерно один кадр в секунду, и модель смотрит, не залезли ли субтитры на лицо, всё ли в кадре. Это, по словам Артура, работает локально и бесплатно. Брак уходит на перемонтаж. Он признаёт, что проверка видео нейросетями пока «тяжеловата» — поэтому на выходе всё равно смотрит человек.

Публикация: тексты, обложка и Playwright там, где нет API

Готовые клипы Hyperion показывает в локальной HTML-витрине: у каждого — заголовок, описание, теги и объяснение субагента, почему он выбрал этот кусок. Тексты готовятся под правила каждой площадки: у YouTube настроек много, у Дзена — почти только теги и описание. Не нравится текст — правишь готовый, а не пишешь с нуля.

Обложки по умолчанию не генерируются: клип, который ты не будешь публиковать, не стоит денег. Для нужных обложку делает нейросеть по образцу, который ты ей дашь. Генерировать можно чем угодно; Grok внутри Cursor на момент доклада, по словам Артура, не умел форматы 16:9 и 9:16.

Дальше — кнопка «опубликовать». Если у площадки есть API, агенту достаточно ключа. Артур специально показал случай без API — Дзен: на втором экране сам открылся браузер, загрузил видео, подписал его, прикрепил обложку и добавил теги. Это делает Playwright — библиотека для управления браузером, встроенная в плагин. Так же, по его словам, можно выкладывать на RuTube и другие площадки без официального API, запуская несколько браузеров параллельно.

Для Instagram Артур использует другой приём: агент готовит всё сам, а саму выкладку делает одна нода в Make. Причина, по его словам, — API для публикации в Instagram выдают только компаниям, подтверждённым в определённых странах.

Конвейер меняется текстом — и только потом автопилот

Отличие от готовых сервисов нарезки Артур формулирует так: любое изменение этого конвейера — «просто текстовый запрос в плагин». Хочешь зелёные субтитры, стикер поверх всего видео или эффект, который увидел в чужом рилсе, — говоришь агенту, он пересобирает код, ты тестируешь следующий прогон. Программистом быть не нужно.

Я хочу, чтобы субтитры были зелёные, с пятнышками.

Сделай так, чтобы стикер шапочки был по всему видео.

[прикладываешь чужой рилс] Посмотри, что это за эффект. Я хочу этот эффект добавить в эту программу.

На эфире это пришлось проверить вживую: скрипт генерации обложки упал. Артур написал агенту одну строку — и оказалось, что тот уже сам нашёл ошибку и чинит её:

Отвалились генерации обложки, пожалуйста, исправь это и перезапусти страницу.

Полный автопилот Артур описал так: после эфира файл падает на Яндекс Диск или Google Диск, вебхук запускает скачивание и конвейер, а готовые клипы выходят по расписанию — например, 10 клипов на два дня, раз в 3–4 часа, с обложками. Запускать это можно в облаке Cursor. Но сначала, по его словам, систему нужно «довести до идеала»: прогнать её раз 50 и каждый раз убедиться, что результат хороший («50 — это я из головы»).

Сколько стоит нарезка: платишь только за «мозг»

Локальная часть — Whisper, FFmpeg, покадровая проверка — не стоит ничего, кроме мощности твоего компьютера. Платишь за модель, которая думает. Артур работает в Cursor по подписке и говорит, что для него нарезка «бесплатна» — входит в тариф. Тарифы он называл в 20, 60 и 200 долларов; на максимальном, по его словам, он ни разу не дошёл даже до 80% лимита и, по его оценке, получает за 200 долларов объём, который через API стоил бы 2–3 тысячи. Самую дешёвую модель для массовой работы он называет Grok в Cursor. Лимиты и цены Cursor менялись не раз — проверяй на сайте сервиса.

Два вопроса с эфира. Убрать шум и сделать речь разборчивее Hyperion сам не умеет, но, по словам Артура, это решается ещё одной локальной моделью, встроенной в конвейер. Make, по его мнению, по-прежнему полезен — как наглядная схема, с которой проще научиться думать об автоматизации, прежде чем собирать агентов.

Где взять Hyperion и как он ставится

Плагины для Cursor Артур собирает под разные задачи — карусели, блоги, страницы сайтов, — и Hyperion среди них отвечает за видео. Он называет его open-source-системой: скачал, установил, написал, что изменить. Участникам NeyroSummit его раздавали в нейродропсах, а в открытом доступе ссылку на репозиторий Артур дал в своём Telegram-канале.

С чего начать сегодня

Вопросы и ответы