MAKO, мой конвейер для автогенерации коротких видео, уже работал. Три этапа системы пройдены. Ролик генерируется, публикуется. Всё здорово. Пока я не начал смотреть результат.
Каждый ролик заканчивался 5-12 секундами чёрного экрана с тишиной. При целевой длине 15-20 секунд это треть хронометража. Публиковать такое нельзя.
Вечер: «текст крутой, но всё остальное — дерьмо»
26 марта, 20:49. Сгенерировал ролик по референсу. Текст нормальный. А дальше: «текст крутой, но динамики ни в голосе нет, ни в кадрах». Голос читает как диктор на вокзале. Картинка статичная.
21:01, следующая попытка. «Секунд 10-12 чёрный хвост. Текст без интонаций.» Ролик на 15 секунд, из которых последние 10 — чёрный экран и тишина. Это уже не мелочь.
Первая мысль: может ElevenLabs так плохо генерирует? Может аудио приходит с мусором на конце? Начал копать.
Диагноз: storyboard не знает сколько длится аудио
21:36. Попросил Claude Code пофиксить чёрный экран. Не помогло. «Всё то же самое, 6 секунд чёрный хвост.»
Проблема оказалась архитектурной: storyboard нарезал видеоклипы на фиксированное время, не зная сколько реально длится аудио. Звук заканчивался на 13-й секунде, а видео было нарезано на 20 секунд. Оставшиеся 7 секунд — чёрный экран.
Storyboard должен знать длительность аудио и покрывать ровно это время. Не больше, не меньше.
Утро: SSML, подписка и голос блогера
27 марта, 07:35. TTS без разметки читает текст монотонно. Без пауз, без акцентов, без ритма. Решение: SSML-теги. `
09:25. Купил подписку ElevenLabs. Лимиты на бесплатном тарифе кончались, подписка открывала клонирование голоса.
09:47. Новое видео. «Хук чувствуется, боль, CTA — отлично.» Контент работает. Но: «Опять чёрный хвост.» Тот же баг. Первый фикс не зацепил корень проблемы.
Два фикса подряд. И наконец заработало
10:35. Переписана обработка пауз через SSML. Голос стал звучать лучше: паузы между предложениями, акценты на ключевых словах. «Голос звучит намного лучше.» Разница заметна сразу.
11:28. Второй заход на чёрный хвост. Переделана синхронизация: теперь конвейер сначала генерирует аудио, замеряет длительность, и только потом storyboard нарезает видеоклипы ровно под это время. Никаких «примерно 20 секунд». Точное время.
Результат: «вот это уже заебись, любой длины аудио/видео — всё будет хорошо.»
Раньше видео нарезалось до аудио. Теперь после. Простое изменение порядка, но без него результат был сломан каждый раз.
Субтитры и музыка за 45 минут
11:30. Субтитры встроены. Текст из сценария накладывается поверх видео, синхронизированный с аудио.
12:06. Фоновая музыка. Тихий трек под голос, громкость подобрана чтобы не забивать речь.
12:16. «Нормуль, к чему переходим дальше?» Этап закрыт.
Почему это вообще случилось
В монолитном скрипте проблема была бы очевидна: время аудио передаётся переменной, всё в одном месте. В модульном конвейере каждый шаг автономен. Данные между ними нужно передавать явно. Пропустил один параметр — получил 7 секунд чёрного экрана на каждом ролике.
TTS без SSML-разметки — чтение по бумажке. С разметкой — ближе к живой речи. Не идеал, но разница между «невозможно слушать» и «нормально».
Итог за 16 часов
- С вечера 26 марта до обеда 27-го:
- Чёрный хвост пофикшен через синхронизацию аудио и видео по реальной длительности
- Интонация улучшена через SSML-теги
- Куплена подписка ElevenLabs, открыто клонирование голоса
- Субтитры встроены в конвейер
- Фоновая музыка добавлена
Арка MAKO: прототип за 2 дня → система из 3 этапов → борьба за качество. Конвейер работает. Теперь вопрос не «как сгенерировать ролик», а «как сделать так чтобы его хотелось досмотреть».