Сцена, которая казалась короткой на бумаге, заняла в озвучке 10,84 секунды — а тогдашний видеогенератор принимал запросы максимум на 10. Разработчик агента для создания видео добавил в v0.5.19 автоматический ремонт только проблемной сцены. И это хорошая новость для тех, кто не хочет переделывать весь ролик из-за одной длинной реплики.

Таймлайн с аудиоволной показывает, как слишком длинную сцену сокращают после проверки озвучки.Источник: note.com

Текст не показывает точную длительность речи: влияют числа, паузы и темп. Поэтому агент теперь сначала генерирует TTS для каждой сцены, а потом измеряет готовый файл через ffprobe. Уже по реальной длине выбирает длительность запроса к видеомодели — без гаданий по числу символов.

В тесте сцену на 10,84 секунды сократили до озвучки примерно на 5,25 секунды и запросили для видео 6 секунд. Агент укоротил сценарий только в этой сцене, пересобрал звук и проверил его ещё раз. Старые аудио и другие материалы, сделанные по прежнему сценарию, пометил устаревшими, чтобы случайно не склеить новую версию текста со старой длинной дорожкой. Остальные сцены оставил как есть — вот это и есть нормальный локальный ремонт.

Разработчик пишет, что тест прошёл через монтаж в FFmpeg, соединение звука с видео и финальную проверку. Но это пример из тогдашней разработки, не гарантия, что любая сцена всегда укоротится так же или что весь внешний видеогенератор работает без сбоев. Правило простое: измерить готовый звук, исправить нужное, снова измерить — и только потом передавать дальше. Текст обещает одно, файл показывает другое.

Источникnote #動画生成AI