V-GEN сам собирает новостной ролик. Что взять продюсеру

Разработчик Дмитрий Асанов собрал сервис, который сам ищет новости, пишет текст, озвучивает и монтирует готовый Full HD ролик. Называется V-GEN, работает локально, управляется через веб-интерфейс. Родился он из кадрового голода на местном телеканале. Для агентств и продакшенов это наглядный пример, как выглядит автоматизация видеопроизводства на повторяющемся контенте: дайджесты для клиентов, новости бренда, ролики для digital-экранов.

Система берёт на себя работу редактора, копирайтера, диктора и монтажёра. Внутри связка Google Gemini и консольной утилиты FFmpeg.

Автоматизация видеопроизводства начинается с поиска и текста

Первый шаг – поиск новостей. RSS-ленты часто ломаются, и Асанов отказался от них. Вместо лент модель gemini-3.8-flash ходит в веб в реальном времени. Она просматривает локальные паблики, сайты ведомств и релизы за последние семь дней. Бытовой спам вроде потерянных кошек и частных объявлений отсеивает.

Дальше нейросеть переписывает сухой материал в телевизионный текст. Промпт держит объём в 800–1000 знаков с пробелами, а это 45–60 секунд читки. Все цифры модель пишет словами: «тридцать миллионов» вместо «30 000 000». Тогда виртуальный диктор не запинается. Приветствий в тексте нет, в эфир идёт только содержание.

Картинка без чёрных полос и дрожания

Озвучку делает Gemini TTS с голосом Callirrhoe. По описанию, звучит он плотно и уверенно, без механической интонации. Сам я его не слышал, так что проверяйте на слух. Готовый звук нормализуется под вещательные 48 кГц в стерео.

Кадр в V-GEN обработан аккуратнее всего, на мой вкус. Автогенераторы обычно оставляют уродливые чёрные полосы по бокам вертикальных фото. Скрипт эти полосы закрывает: если снимок не лезет в 16:9, он дублирует его на задний план, растягивает, размывает по Гауссу и затемняет. Чёткий оригинал встаёт по центру.

Движение камеры имитирует эффект Кена Бернса, то есть плавный наезд или отъезд. При рендере через FFmpeg кадры микроскопически дрожат. Чтобы это убрать, Асанов перенёс расчёты на библиотеку Pillow с субпиксельной точностью. Последний слайд сюжета всегда идёт на отдаление и закрывает историю.

Длину ролика задаёт голос диктора

В нормальном монтаже первичен голос, и картинка подстраивается под него. V-GEN работает так же. Сначала секундная пауза в тишине на вводном слайде, чтобы зритель успел считать контекст. Потом говорит диктор. После конца речи последний кадр держится ещё три секунды.

Если в папке сюжета лежат видеозаготовки, система зацикливает короткие и обрезает длинные под расчётное время. В финале FFmpeg накладывает музыку, приглушённую под голосом до -5.4 дБ, ставит логотип телеканала и клеит фирменную эфирную отбивку. На выходе Full HD файл с корректным русским названием для плейлиста вещания.

Честно, не знаю, как сервис ведёт себя на длинной дистанции: в материале нет ни примеров роликов, ни данных о том, сколько правок нужно руками. Но схема рабочая, и собрана она из готовых библиотек и API. Для продюсера это сигнал: подобный конвейер можно построить под свой формат.

Что сделать на этой неделе

Выпишите ролики, которые вы делаете по одному шаблону: дайджесты, отчётные ролики, новости бренда, контент для экранов. Отметьте те, где формат не меняется неделями.
Запишите формат цифрами, как в V-GEN: длина текста, время читки, длина паузы в начале и в конце, громкость музыки под голосом. Пока параметров на бумаге нет, автоматизировать нечего.
Прогоните голос и текст на слух до запуска потока. Смотрите на числа, названия и ударения.
Оставьте за человеком финальный просмотр перед выпуском. Система сама ищет новости, и я бы не пускал такие ролики в эфир или в экраны ритейла без глаза редактора.

Если у вас есть такой повторяющийся формат и хочется понять, что в нём отдать нейронкам, а что оставить людям, я разбираю это с командами. Подробности на странице AI-консалтинг и обучение команд.