Automatyzacja shortów - jedno nagranie, tydzień publikacji

Kontekst

Klient jest firmą B2B, która co tydzień nagrywa webinar. Pięćdziesiąt minut dobrej rozmowy przygotowywanej przez trzyosobowy zespół marketingu.

Problemem nie była jakość treści. W każdym nagraniu znajdowały się fragmenty, które mogły działać samodzielnie. Problemem był koszt ich wydobycia. Wystarczająco duży, żeby rytm publikacji załamywał się za każdym razem, gdy ktoś brał tydzień urlopu.

Problem: montaż nigdy nie był najdroższą częścią

Tak naprawdę wyglądał koszt jednego nagrania.

Marketer oglądał cały materiał i zaznaczał momenty. Montażysta spędzał większość dnia na wycięciu czterech albo pięciu fragmentów, zmianie kadru na pionowy, pilnowaniu, żeby mówca nie zniknął z obrazu, oraz ręcznym przygotowaniu napisów.

Potem zaczynała się część, której nikt nie liczył. Każdy klip trafiał na cztery platformy, a każda publikacja była osobnym zadaniem: tytuł, opis, hashtagi oraz inne limity i oczekiwania dotyczące podpisu. Od piętnastu do trzydziestu minut na każdy klip i każdą platformę, wykonywane ręcznie przez osobę, która miała zajmować się marketingiem. Cztery klipy na czterech platformach oznaczają szesnaście publikacji. To niemal cały drugi dzień.

Rzeczywisty koszt jednego webinaru wynosił więc półtora dnia z tygodnia trzyosobowego zespołu. W efekcie:

• klipy pojawiały się cztery albo pięć dni po nagraniu, kiedy rozmowa w branży zdążyła pójść dalej,
• choroba albo urlop jednej osoby oznaczały tydzień bez shortów,
• nikt nie szukał piątego lub szóstego dobrego fragmentu, bo pierwsze cztery kosztowały już półtora dnia,
• dwa lata wcześniejszych nagrań leżały nietknięte, ponieważ nikt nie potrafił uzasadnić potrzebnego czasu.

Diagnoza zespołu brzmiała: „potrzebujemy lepszego montażysty”. Po jednym dniu obserwacji procesu okazało się, że montaż jest najmniejszą liczbą na tablicy.

Co zbudowałem

Pipeline, do którego trafia plik źródłowy, a po drugiej stronie pojawiają się gotowe do oceny klipy.

Najpierw słowa: transkrypcja jest źródłem prawdy

Cały proces bazuje na transkrypcji ze znacznikami czasu dla każdego słowa. Ten szczegół przesądza o jakości. Z tych samych danych wynikają granice cięcia i napisy, dlatego klip nie zaczyna się w połowie słowa ani nie ucina końcówki puenty. Wiele narzędzi popełnia tu błąd, który widać natychmiast.

Model wybiera momenty, ale nie tnie materiału

LLM czyta transkrypcję i ocenia fragmenty według zasad przygotowanych z zespołem:

• czy fragment stanowi zamkniętą myśl,
• czy w pierwszych trzech sekundach ma punkt zaczepienia,
• czy buduje napięcie przed puentą,
• czy trwa od 20 do 70 sekund.

Wynikiem jest uporządkowana lista kandydatów z dokładnymi granicami słów.

System znajduje 8-15 kandydatów zamiast czterech albo pięciu wybieranych wcześniej. Nagrania nie stały się lepsze. Przeczytanie 50-minutowej transkrypcji według stałych kryteriów kosztuje model kilka centów, a marketerowi zabierało popołudnie. Tylko dlatego dodatkowe fragmenty można było wreszcie znaleźć.

FFmpeg wykonuje właściwe cięcie deterministycznie na podstawie znaczników czasu. To ten sam podział, który stosuję w innych projektach AI: model odpowiada za język i ocenę, a kod za wszystko, co musi być dokładne.

Cięcie, kadrowanie i napisy

Cięcie wykonuje FFmpeg bezpośrednio na granicach słów. Kadrowanie jest trudniejsze, niż wygląda. Detektor osoby i twarzy analizuje cały klip, a ścieżka kadru zostaje wygładzona przed renderowaniem pierwszej klatki. Kadr skaczący za surowymi wykryciami z każdej klatki byłby nie do oglądania. Po wygładzeniu mówca pozostaje w pionowym kadrze nawet podczas ruchu, czego nie zapewnia stałe wycięcie środka.

Webinary nie zawsze pokazują tylko mówiącą głowę. Gdy fragment zawiera współdzielony ekran, zwykłe przycięcie do 9:16 usunęłoby slajd. W takim przypadku system buduje układ piętrowy: mówca na górze, prezentacja na dole. Kandydat, którego sens zależy wyłącznie od slajdu, zostaje oznaczony w kolejce zamiast potraktowany jak zwykły klip.

Napisy powstają z tej samej transkrypcji słowo po słowie i dostają styl marki klienta. Nie ma drugiego rozpoznawania mowy ani rozjazdu między tym, co słychać, a tym, co widać.

Przetworzenie 50-minutowego materiału trwa około 20 minut od początku do końca. Jest to możliwe, ponieważ klipy renderują się równolegle na GPU. Sekwencyjne renderowanie na laptopie trwałoby całe popołudnie, a całe popołudnie nie jest automatyzacją.

Potem system zatrzymuje się i pyta

Każdy klip trafia do kolejki akceptacji z transkrypcją, oceną i powodem wyboru przez model. Marketer zatwierdza, odrzuca albo przesuwa granice o sekundę lub dwie. Może też przepisać otwarcie. Zwykle przechodzi od sześciu do ośmiu kandydatów. Nic nie zostaje opublikowane bez decyzji człowieka.

Jedna akceptacja, cztery publikacje

Po akceptacji metadane powstają osobno dla każdej platformy, ponieważ opis na LinkedIn i podpis na TikToku nie są tym samym tekstem. Harmonogram rozkłada zaakceptowane klipy na YouTube Shorts, TikToku, Instagram Reels i LinkedIn, uwzględniając limity oraz rytm publikacji zespołu.

Decyzje, które naprawdę miały znaczenie

Akceptacja człowieka jest obowiązkowa

W niemal każdym podobnym projekcie ktoś prosi mnie o usunięcie tego kroku. Za każdym razem odmawiam. Pełna automatyzacja publikacji oznacza, że pierwszy klip, w którym wypowiedź prezesa bez kontekstu brzmi fatalnie, dociera do czterech grup odbiorców, zanim ktokolwiek z firmy go zauważy. Akceptacja kosztuje pół godziny tygodniowo. To najtańsze ubezpieczenie w systemie.

Ten krok dał też zespołowi nieoczekiwaną wartość. Dwanaście uporządkowanych kandydatów wraz z uzasadnieniem wyboru jest lepszym briefem kreatywnym niż pusty timeline z pięćdziesięcioma minutami nagrania.

Zgody na publikację trwają dłużej niż budowa publikatora

Tego niemal nikt nie wpisuje do harmonogramu. Ja rozpoczynam ten proces w pierwszym tygodniu, zanim zostanie wycięta pierwsza klatka.

API Content Posting TikToka publikuje wyłącznie prywatnie, dopóki aplikacja nie przejdzie audytu. Instagram wymaga konta profesjonalnego połączonego ze stroną na Facebooku, przeglądu aplikacji dla uprawnienia do publikowania oraz pliku dostępnego pod adresem, z którego Meta może go samodzielnie pobrać. Publikacja na stronie firmowej LinkedIn wymaga wejścia do programu partnerskiego, a sam upload składa się z rejestracji, przesłania i finalizacji. YouTube jest najbardziej przyjazny, ale jedno wysłanie nadal kosztuje 1600 jednostek z domyślnego dziennego limitu 10 000.

Żaden z tych problemów nie wymaga przełomowej inżynierii. Każdy wymaga czasu w kalendarzu, przejścia kolejki i cudzej decyzji. Właśnie dlatego to najczęstsza przyczyna miesięcznego opóźnienia podobnych projektów.

Publikacja jest kolejką z ponowieniami, nie pętlą

Ta nudna część przesądza, czy system nadal działa w trzecim miesiącu. Tokeny wygasają, API mają awarie, pojawiają się limity, a jedna platforma odrzuca plik zaakceptowany przez inną. Każda publikacja jest zadaniem, które może zakończyć się błędem, zostać ponowione z rosnącym opóźnieniem i trafić do panelu, gdy potrzebna jest interwencja człowieka.

Rezultat

Jedno 50-minutowe nagranie zmienia się bez nadzoru w 8-15 pionowych kandydatów z napisami w około 20 minut. Marketer wybiera od sześciu do ośmiu w pół godziny.

Liczba publikacji wzrosła z 16-20 ręcznie przygotowywanych postów tygodniowo do około 30. Nie to jest jednak najważniejszą liczbą dla zespołu. Półtora dnia jego pracy zmieniło się w pół godziny. Rytm przestał zależeć od obecności konkretnej osoby: shorty wychodzą w tym samym tygodniu co webinar, również podczas urlopów.

Pozostało jeszcze archiwum. Dwa lata oznaczały około stu nagrań. Pipeline przetworzył je równolegle w kilka wieczorów. Prawdziwy czas pochłonęła ocena, bo bramka akceptacyjna nie staje się tańsza tylko dlatego, że materiał jest starszy. Zespół ograniczył kolejkę do trzech najlepszych kandydatów z każdego nagrania i przeglądał je krótkimi seriami przez około sześć tygodni. W efekcie otrzymał wiele miesięcy zaplanowanych treści z materiału, za który już wcześniej zapłacił. To najlepszy zwrot w całym projekcie i pochodzi z jego najtańszej części.

Co to pokazuje

Automatyzuj produkcję, zachowaj ludzką ocenę. Pipeline wykonuje całą mechaniczną pracę: transkrybuje, ocenia, tnie, kadruje, dodaje napisy, formatuje, wysyła, planuje i ponawia. Nigdy sam nie uznaje, że materiał jest wystarczająco dobry dla odbiorców. Na tej granicy projekt buduje zaufanie albo traci je jednym złym postem.

Produktem jest regularność, nie liczba. Liczba klipów wzrosła o połowę. Zespół utrzymuje system dlatego, że webinar nagrany we wtorek zostaje opublikowany do piątku niezależnie od tego, kto jest przy biurku. Żadne wcześniejsze rozwiązanie tego nie zapewniało.

Mierz cały proces, nie jego najgłośniejszy fragment. Firma uważała, że ma problem z montażem. Montaż zajmował cztery godziny z dwunastogodzinnego zadania. Szybszy edytor skróciłby półtoradniową pracę o jeden poranek i nie zmieniłby rezultatu.