Claude Code montaż video — jak zmontować film jednym poleceniem w 2026

Dlaczego agent nie ogląda Twojego filmu

Pierwszy odruch jest taki: skoro model potrafi opisać zdjęcie, to pewnie obejrzy nagranie i powie, gdzie ciąć. W praktyce to droga donikąd. Cztery minuty materiału w trzydziestu klatkach na sekundę to ponad siedem tysięcy klatek. Nawet gdyby agent dostał co dziesiątą, zużyje na to cały kontekst i nadal nie będzie wiedział, w której milisekundzie kończy się wyraz, w środku którego właśnie zamierza przeciąć zdanie.

Rozwiązania, które faktycznie działają, odwracają problem. Nośnikiem sensu w gadającej głowie jest dźwięk, nie obraz. Jeżeli zamienisz ścieżkę audio na transkrypcję, w której każde słowo ma własny znacznik początku i końca, dostajesz coś, co model rozumie doskonale: tekst. Kilkanaście kilobajtów zamiast gigabajtów. Z takiego tekstu da się wyciąć powtórzone ujęcie, przestój między zdaniami albo przejęzyczenie, bo dokładnie widać, gdzie się zaczyna i gdzie kończy.

Dokumentacja projektu video-use opisuje to jako dwie warstwy odczytu. Pierwsza to jedno wywołanie modelu rozpoznawania mowy na każde źródło, które zwraca znaczniki czasu dla pojedynczych słów, rozdzielenie mówców i zdarzenia dźwiękowe w rodzaju śmiechu czy oklasków. Druga warstwa to obraz na żądanie: kiedy agent musi zobaczyć, co dzieje się w konkretnym miejscu, generuje sobie pasek klatek zestawiony z wykresem fali dźwiękowej i podpisami słów. Nie ogląda całości, tylko zagląda w punkty decyzyjne (SKILL.md, browser-use/video-use, dostęp 14 września 2026).

Cała reszta to inżynieria, a nie magia. Decyzje montażowe lądują w pliku z listą cięć, a wykonaniem zajmuje się FFmpeg — ten sam otwarty silnik, który od lat siedzi pod spodem w połowie narzędzi wideo na rynku. Agent jest tu montażystą, który pisze notatki dla operatora. Operatorem jest FFmpeg.

Trzy rozwiązania, które robią to dzisiaj

Na wrzesień 2026 ekosystem wygląda tak, że nie wybierasz między „jednym narzędziem AI" a klasycznym edytorem. Wybierasz między trzema różnymi filozofiami pracy, z których każda ma otwarty kod i inne zastosowanie.

video-use to projekt zespołu stojącego za browser-use. Opis w repozytorium jest bezczelnie prosty: wrzuć surowy materiał do folderu, porozmawiaj z agentem, odbierz final.mp4. Na dzień 14 września 2026 repozytorium ma 24,9 tys. gwiazdek i 3 tys. forków, jest napisane w Pythonie i udostępnione na licencji MIT (github.com/browser-use/video-use). To punkt startowy dla kogoś, kto ma już nagrany materiał i chce go zmontować.

OpenMontage celuje wyżej i dalej. Zamiast montować to, co nagrałeś, prowadzi cały proces produkcyjny w etapach: research, propozycja tematu, scenariusz, plan scen, zasoby, montaż, kompozycja. Każdy etap ma własny manifest i własne instrukcje, a agent zatrzymuje się przed decyzjami kreatywnymi i pyta o zatwierdzenie. Da się go używać w wariancie bez płatnych kluczy API, sięgając po syntezator mowy działający lokalnie i materiały archiwalne z domeny publicznej (explainx.ai, dostęp 14 września 2026). Uwaga na licencję: AGPL-3.0 nakłada obowiązki, których MIT nie nakłada, więc przy komercyjnym wdrożeniu przeczytaj ją, zanim wpleciesz projekt w płatną usługę.

Skille oparte o Remotion rozwiązują inny problem. Remotion renderuje wideo z komponentów React, więc animowana plansza to po prostu kod. Otwarty skill uczący agenta tej biblioteki obsługuje między innymi animacje sprężynowe, efekt Kena Burnsa na zdjęciach, ziarno filmowe i napisy zsynchronizowane ze słowami (haidrrrry/claude-remotion-skill, 153 gwiazdki, dostęp 14 września 2026). Istnieje też zbiorczy zestaw narzędzi do produkcji wideo w Claude Code, spinający Remotion, animacje matematyczne Manim, nagrywanie ekranu i klipowanie filmów z YouTube (Claude-Code-Video-Toolkit).

Co musisz mieć, zanim zaczniesz

Lista jest krótka i nie ma w niej żadnej subskrypcji na oprogramowanie do montażu. Instrukcja instalacji video-use wymienia cztery pozycje (install.md, dostęp 14 września 2026):

• FFmpeg wraz z ffprobe dostępne w zmiennej PATH — obowiązkowo, bez tego nic się nie zrenderuje ani nawet nie odczyta parametrów plików.
• yt-dlp — opcjonalnie, jeżeli chcesz, żeby agent sam pobierał materiały źródłowe z adresów URL.
• Klucz API do transkrypcji — w domyślnej konfiguracji ElevenLabs, bo stamtąd biorą się znaczniki czasu na poziomie słów.
• Agent z obsługą skilli — Claude Code, choć repozytorium wspomina też o innych agentach terminalowych.

Do tego dochodzi Python z menedżerem pakietów. Instalator ściąga między innymi bibliotekę do analizy dźwięku i bibliotekę do generowania wykresów, bo to z nich powstają paski klatek z falą dźwiękową, którymi agent sprawdza własną robotę.

Instalacja krok po kroku

Repozytorium przewiduje dwie ścieżki. Pierwsza polega na wklejeniu do agenta gotowego polecenia, które samo sklonuje kod, doinstaluje zależności i podepnie skill. Druga to zrobienie tego ręcznie, co warto znać, żeby wiedzieć, co właściwie wylądowało na dysku.

# 1. Kod projektu
git clone https://github.com/browser-use/video-use ~/Developer/video-use
cd ~/Developer/video-use

# 2. Zaleznosci Pythona
uv sync          # albo: pip install -e .

# 3. Silnik renderujacy
sudo apt-get update && sudo apt-get install -y ffmpeg
pip install yt-dlp            # opcjonalnie

# 4. Rejestracja skilla w Claude Code
mkdir -p ~/.claude/skills
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use

# 5. Klucz do transkrypcji
printf 'ELEVENLABS_API_KEY=%s\n' "TWOJ_KLUCZ" > ~/Developer/video-use/.env
chmod 600 ~/Developer/video-use/.env

Krok czwarty to sedno integracji. Claude Code szuka umiejętności w katalogu ~/.claude/skills/ dla całego konta oraz w .claude/skills/ wewnątrz konkretnego repozytorium, a każda z nich to katalog z plikiem SKILL.md, w którym nagłówek YAML opisuje nazwę i przeznaczenie, a treść markdown zawiera instrukcje dla modelu (dokumentacja Claude Code, dostęp 14 września 2026). Dowiązanie symboliczne sprawia, że aktualizujesz projekt jednym git pull, bez kopiowania plików w tę i z powrotem. Jeżeli mechanizm umiejętności jest dla Ciebie nowy, rozbierałem go na części w osobnym tekście o tym, czym są Skills w Claude Code i jak napisać własny.

Weryfikacja jest banalna: ffprobe -version ma zwrócić numer wersji, a zapytanie do API transkrypcji z Twoim kluczem ma odpowiedzieć kodem 200. Jeżeli oba warunki są spełnione, instalacja jest skończona. W samym Claude Code komenda /skills pokaże listę aktywnych umiejętności, a video-use powinien być na niej widoczny.

Jak ułożyć folder z materiałem

Agent pracuje na katalogu, nie na pojedynczym pliku. To ważna różnica, bo pozwala mu wybierać najlepsze z kilku podejść do tej samej kwestii. Nagrałeś to samo zdanie trzy razy? Zostaw wszystkie trzy pliki — transkrypcja pokaże, które ujęcie jest czyste, a które kończy się westchnięciem.

nagrania-odcinek-12/
├── kamera-ujecie-01.mp4      <- surowe zrodla, agent ich nie rusza
├── kamera-ujecie-02.mp4
├── kamera-ujecie-03.mp4
├── screen-demo.mp4
├── zdjecia/
│   ├── wykres-sprzedaz.png
│   └── zespol-2026.jpg
├── muzyka/
│   └── podklad.mp3
├── brandbook.md              <- kolory, czcionki, zasady
└── edit/                     <- to tworzy agent, nie Ty

Nazwy plików nie są kosmetyką, tylko metadanymi. Zdjęcie o nazwie wykres-sprzedaz.png agent powiąże z fragmentem narracji, w którym mówisz o sprzedaży. Plik IMG_4471.png nie powie mu nic. To najtańsza możliwa optymalizacja całego procesu: pięć minut na sensowne nazwanie materiałów oszczędza potem całą rundę poprawek.

Wszystkie wyniki pracy trafiają do podkatalogu edit/ i to jest twarda zasada zapisana w instrukcjach skilla. Twoje oryginały pozostają nietknięte, więc każdy nieudany montaż wyrzucasz jednym usunięciem katalogu i zaczynasz od nowa.

Jak napisać polecenie montażu

Najczęstszy błąd początkujących polega na pisaniu instrukcji technicznych zamiast redakcyjnych. „Utnij od 00:14 do 00:22" to praca, którą i tak wykonasz sam. Agent jest mocny w czymś innym: w rozumieniu, po co powstaje ten film i dla kogo.

Dobre polecenie odpowiada na pięć pytań: co to za materiał, jak długi ma być efekt, w jakim formacie, jaki ma być ton oraz czego absolutnie nie wolno wyciąć. Reszta to już decyzje, które spokojnie możesz oddać.

Zmontuj material z tego folderu w odcinek na YouTube.

KONTEKST: to case study wdrozenia dla klienta z branzy dekarskiej.
Widz to wlasciciel malej firmy uslugowej, nie marketingowiec.

DLUGOSC: 5-6 minut, poziomo 1920x1080, 30 kl./s.

WYBOR UJEC: mam trzy podejscia do tego samego wprowadzenia,
wybierz najczystsze. Wytnij przejezyczenia, powtorzone zdania
i przestoje dluzsze niz sekunda, ale nie tnij w polowie mysli.

ZOSTAW KONIECZNIE: fragment o liczbie telefonow w czerwcu
oraz cale zakonczenie z podsumowaniem.

OPRAWA: napisy wypalone na stale, kolory i czcionka wedlug
brandbook.md. Podklad z muzyka/podklad.mp3 sciszony tak,
zeby nie walczyl z glosem. Zdjecia z folderu zdjecia/ wstaw
tam, gdzie narracja o nich mowi.

Zaproponuj najpierw strategie montazu. Tnij dopiero, gdy ja
zatwierdze.

Ostatnie zdanie jest najważniejsze i nie jest moim wymysłem. Instrukcje video-use zawierają regułę, że agent opisuje materiał zwykłym językiem, proponuje strategię w kilku zdaniach i czeka na potwierdzenie, zanim cokolwiek utnie. Ten moment kosztuje trzydzieści sekund i ratuje pół godziny renderowania w złym kierunku.

Co dzieje się pod maską

Warto rozumieć kolejność etapów, bo kiedy coś pójdzie nie tak, od razu wiadomo, na którym kroku szukać.

Zwróć uwagę na dwa miejsca. Transkrypcje są buforowane na źródło, więc druga i trzecia wersja montażu tego samego materiału nie kosztują już nic po stronie rozpoznawania mowy. A autokontrola to nie ozdobnik: agent renderuje wynik, generuje z niego klatki wokół każdego cięcia i sprawdza, czy nie ma przeskoku obrazu, trzasku w dźwięku ani napisu przykrytego przez grafikę. Jeżeli po trzech próbach czegoś nie da się naprawić, ma zgłosić to użytkownikowi, zamiast kręcić się w pętli.

Napisy, kolor, nakładki i twarde zasady

Lista możliwych efektów jest długa, ale ciekawsze są reguły, które ją porządkują, bo to one odróżniają montaż wyglądający profesjonalnie od takiego, który zdradza automat.

Napisy nakładane są zawsze na samym końcu, po wszystkich grafikach. Odwrotna kolejność kończy się tym, że efektowna plansza przykrywa tekst i widz nie ma go jak przeczytać.

Na każdym cięciu dokładane jest trzydziestomilisekundowe wyciszenie i wzmocnienie dźwięku. To zabezpieczenie przed słyszalnym trzaskiem na sklejce. Kosztuje ułamek sekundy, a różnica w odbiorze jest natychmiastowa.

Cięcia nigdy nie zapadają w środku słowa, a jako kandydaci preferowane są ciszej trwające dłużej niż cztery dziesiąte sekundy. Krawędzie fragmentów dostają niewielki zapas, żeby montaż nie brzmiał jak seria urwanych sylab.

Korekcja koloru wykonywana jest osobno na każdym fragmencie, w momencie jego wycinania, a nie na sklejonej całości. Dzięki temu ujęcie z okna i ujęcie spod lampy można wyrównać, zamiast przeciągać jeden filtr przez cały materiał. Instrukcje ostrzegają przy okazji, żeby przed agresywnym stopniowaniem sprawdzić, jak wygląda skóra na twarzy. To najszybszy test, czy korekcja nie poszła za daleko.

Animowane nakładki renderowane są równolegle, każda jako osobne zadanie z własnym opisem celu, paletą i rozkładem w czasie, a potem wstawiane w oś czasu z przesunięciem, żeby pierwsza klatka animacji trafiła dokładnie w początek swojego okna. Formaty wyjściowe obejmują standardowe 1920×1080, pionowe 1080×1920 pod materiały społecznościowe, kwadratowe 1080×1080 oraz 4K.

Brandbook, czyli spójność bez klikania

Największa przewaga tego podejścia nad ręcznym montażem ujawnia się dopiero przy dziesiątym filmie. Ręcznie za każdym razem od nowa dobierasz kolor napisów, wielkość czcionki i pozycję logo. Agentowi wystarczy raz napisać, jak ma to wyglądać.

Nie potrzebujesz do tego żadnego specjalnego formatu — wystarczy zwykły plik tekstowy w katalogu projektu. Im konkretniej, tym mniej poprawek:

# Brandbook wideo — MiauSEO

## Kolory
Akcent glowny:  #FF6A00
Tlo plansz:     #0F1115
Tekst na tle:   #FFFFFF
Kolor ostrzezen: #EF4444

## Napisy
Kroj: Inter Bold, wersaliki tylko w hookach
Wielkosc: ok. 5% wysokosci kadru
Pozycja: 8% od dolu w poziomie, 22% od dolu w pionie
Obrys: czarny 3 px, bez cienia

## Plansze
Rogi zaokraglone 16 px, wejscie 250 ms, wyjscie 180 ms
Logo: prawy gorny rog, margines 48 px, nigdy na twarzy

## Czego nie robimy
Bez efektow dzwiekowych typu "swoosh"
Bez zoomu na kazdym zdaniu, maksymalnie raz na 30 sekund
Bez emoji w napisach

Sekcja „czego nie robimy" jest w praktyce najbardziej wartościowa. Modele mają skłonność do przesady: dostaniesz zoom przy co drugim zdaniu i efekt dźwiękowy przy każdym przejściu, jeżeli tego wprost nie zabronisz. Lista zakazów działa lepiej niż lista życzeń.

Jeżeli nie masz jeszcze spisanej identyfikacji, wyciągnij kolory ze swojej strony internetowej. To naturalny punkt odniesienia, a przy okazji film i witryna zaczynają wyglądać jak jedna marka. O tym, jak postawić taką stronę bez agencji, pisałem przy okazji podpinania domeny pod stronę zrobioną w Claude Code.

Co sprawdzić po renderze

Agent sprawdza siebie, ale sprawdza to, co umie zmierzyć. Kilku rzeczy nie wyłapie, bo wymagają kontekstu, którego nie ma. Zanim opublikujesz, przejdź przez tę listę:

1. Obejrzyj pierwsze dziesięć sekund w całości. Tu decyduje się oglądalność i tu najbardziej boli nieudana sklejka.
2. Sprawdź, czy nie wyleciało zdanie niosące sens. Skracanie do zadanej długości potrafi usunąć zastrzeżenie, bez którego zdanie obok staje się nieprawdziwe.
3. Przeczytaj napisy przy nazwach własnych. Rozpoznawanie mowy myli nazwy firm, marek i nazwiska częściej niż resztę tekstu. To najczęstsze źródło kompromitacji.
4. Posłuchaj w słuchawkach, na małej głośności. Trzaski na sklejkach i podkład zagłuszający głos słychać wtedy najlepiej.
5. Zatrzymaj obraz na każdej planszy. Czy logo nie zasłania twarzy, czy tekst mieści się w kadrze, czy kolory zgadzają się z brandbookiem.
6. W pionie sprawdź bezpieczny obszar. Interfejs aplikacji społecznościowych zjada dół i prawą krawędź kadru, więc napisy przy samej krawędzi znikają pod przyciskami.
7. Porównaj długość pliku z zamówioną. Rozjazd oznacza, że coś poszło nie tak przy sklejaniu.

Poprawki i pamięć między sesjami

Pierwszy render rzadko jest ostatni i tak ma być. Poprawki wydaje się tym samym językiem co polecenie wyjściowe, bez wchodzenia w pliki konfiguracyjne:

• „Wstęp jest za wolny, skróć go o jedną trzecią i wejdź od razu w liczbę telefonów."
• „Napisy są za nisko, podnieś je o dwa procent wysokości kadru."
• „Podkład zagłusza głos w trzeciej minucie, ścisz go tam mocniej."
• „Wytnij fragment o cenniku, klient go nie zatwierdził."
• „Zrób z tego dodatkowo wersję pionową na sześćdziesiąt sekund."

Ważne, żeby prosić o zmianę na liście cięć i ponowny render, a nie o „poprawienie filmu". Różnica jest taka, że w pierwszym przypadku agent modyfikuje strukturę decyzji i renderuje od nowa, a w drugim może zacząć kombinować z gotowym plikiem.

Między sesjami kontekst przechowuje plik project.md, do którego dopisywane są strategia, podjęte decyzje i rzeczy odłożone na później. Przy kolejnym uruchomieniu agent streszcza poprzednią sesję i pyta, czy kontynuujecie. To ten sam pomysł, co plik CLAUDE.md w projektach programistycznych: pamięć, która przeżywa zamknięcie terminala.

Jeden film, dziesięć publikacji

Tu ten sposób pracy zarabia naprawdę. Agent po transkrypcji wie, co padło w której sekundzie. To znaczy, że wszystkie materiały towarzyszące może wyprodukować bez zgadywania.

Z jednego zmontowanego odcinka da się wyciągnąć w tej samej sesji: wersje pionowe wycięte wokół najmocniejszych fragmentów, rozdziały ze znacznikami czasu liczonymi na osi gotowego pliku, a nie surowego materiału, opis pod wyszukiwarkę YouTube oparty na tym, co faktycznie zostało powiedziane, osobne zestawy hashtagów dla różnych platform, miniaturę z hasłem wyciągniętym z najmocniejszego zdania oraz transkrypcję, która po redakcji staje się wpisem blogowym.

Ostatni punkt bywa niedoceniany, a ma największy wpływ na widoczność. Film sam w sobie jest słabo indeksowalny, natomiast oparty na nim artykuł już tak i to on przyprowadza ruch z wyszukiwarki miesiącami po publikacji. Jeżeli publikujesz na WordPressie, cały ten cykl da się domknąć bez opuszczania terminala, co opisałem w tekście o łączeniu Claude Code z WordPressem.

Ile to realnie kosztuje

Rachunek składa się z trzech pozycji i żadna z nich nie jest abonamentem na oprogramowanie montażowe.

Transkrypcja. W cenniku API ElevenLabs rozpoznawanie mowy w modelu Scribe kosztuje 0,22 dolara za godzinę nagrania, a wariant działający w czasie rzeczywistym 0,39 dolara za godzinę; rozliczenie idzie w dolarach, za minutę materiału (elevenlabs.io/pricing/api, dostęp 14 września 2026). Dla pięciominutowego nagrania mówimy o kilku groszach, a wynik jest buforowany, więc kolejne wersje montażu z tego samego źródła nie kosztują już nic.

Model. To zwykłe zużycie w ramach Twojego planu Claude Code. Zależy głównie od liczby rund poprawek, a nie od długości filmu, bo model czyta tekst, nie obraz. Stąd wniosek praktyczny: precyzyjny pierwszy prompt jest tańszy niż sześć rund „jeszcze tylko jedna zmiana".

Render. Zero złotych, ale nie zero czasu. FFmpeg liczy na Twoim procesorze i tu kilkuminutowy materiał z nakładkami potrafi zająć kilkadziesiąt minut. Dla porządku: w omówieniu OpenMontage przykładowy krótki materiał złożony z dwunastu generowanych ujęć wyceniono na około 0,15 dolara, a bardziej rozbudowane warianty na 0,69–1,33 dolara (explainx.ai, dostęp 14 września 2026), ale to już koszt generowania obrazu, nie samego montażu.

Dla porównania: komercyjne narzędzia rozwiązują wycinek tego problemu w modelu abonamentowym. Descript opiera się na edycji przez tekst, w której skasowanie zdania w transkrypcji usuwa odpowiadający mu fragment obrazu, a Opus Clip automatycznie wykrawa z długiego materiału kilkanaście krótkich wersji z napisami i kadrem pionowym. Oba robią swoją robotę dobrze i oba działają bez terminala. Różnica polega na tym, że nie wpleciesz ich w skrypt ani nie każesz im trzymać się Twojego brandbooka co do piksela.

Kiedy to się nie sprawdzi

Uczciwie: są sytuacje, w których montaż sterowany transkrypcją jest złym wyborem, i lepiej wiedzieć o tym przed instalacją niż po trzech godzinach.

Materiał bez mowy. Teledysk, ujęcia z drona, film z hali produkcyjnej. Jeżeli nikt nic nie mówi, znika cała podstawa decyzyjna, bo agent nie ma czego czytać.

Montaż rytmiczny do muzyki. Cięcia na uderzenie to zadanie dla analizy sygnału i ludzkiego wyczucia, nie dla transkrypcji.

Pojedynczy krótki film raz na kwartał. Konfiguracja, klucze API i nauka promptowania zwrócą się przy powtarzalnej produkcji. Przy jednym filmie rocznie taniej wyjdzie freelancer albo godzina w dowolnym edytorze.

Materiał objęty ścisłą poufnością. Ścieżka dźwiękowa trafia do zewnętrznego dostawcy transkrypcji. Przy nagraniach z danymi wrażliwymi to pytanie do działu prawnego, nie do montażysty.

Efekty wymagające precyzyjnej maski. Wycinanie obiektu klatka po klatce i zaawansowana kompozycja to nadal domena programów do efektów wizualnych.

Najczęstsze błędy

• Brak punktu zatwierdzenia. Pominięcie prośby o strategię przed montażem to najdroższy błąd w całym procesie. Trzydzieści sekund czytania kontra pół godziny renderu.
• Pliki nazwane jak z aparatu. Bez sensownych nazw agent nie powiąże zdjęcia z fragmentem narracji. Nazwa jest instrukcją.
• Jedno zdanie zamiast briefu. „Zmontuj to ładnie" daje wynik, który trzeba poprawiać pięć razy. Pięć zdań kontekstu daje wynik do drobnych korekt.
• Brak listy zakazów. Bez wyraźnego „bez zoomu na każdym zdaniu" dostaniesz zoom na każdym zdaniu.
• Publikacja bez przeczytania napisów. Nazwy własne i branżowy żargon to miejsce, gdzie rozpoznawanie mowy zawodzi najczęściej.
• Renderowanie pełnej jakości przy każdej poprawce. Do oceny montażu wystarczy szybki podgląd w niższej rozdzielczości. Pełny render zostaw na koniec.
• Materiały trzymane poza folderem projektu. Agent pracuje na katalogu. Zdjęcie na pulpicie dla niego nie istnieje.

Pytania i odpowiedzi

Czy to działa na Windowsie?

Oficjalna instrukcja instalacji podaje komendy dla macOS, Debiana/Ubuntu i Arch Linuksa. Na Windowsie praktyczną drogą jest WSL2: instalujesz FFmpeg, Pythona i agenta wewnątrz dystrybucji Linuksa, a materiały trzymasz w jej systemie plików, żeby nie tracić czasu na przenoszenie dużych plików przez most między systemami.

Czy muszę umieć programować?

Do samego montażu nie. Musisz natomiast przejść przez instalację w terminalu, czyli sklonować repozytorium, zainstalować zależności i zapisać klucz API. To kilkanaście minut wklejania komend z instrukcji. Późniejsza praca to już wyłącznie pisanie poleceń po polsku.

Czy mogę użyć innego dostawcy transkrypcji?

Domyślna konfiguracja video-use opiera się na kluczu ElevenLabs, bo stamtąd biorą się znaczniki czasu na poziomie pojedynczych słów, rozdzielenie mówców i zdarzenia dźwiękowe. Projekt jest otwarty i na licencji MIT, więc podmiana warstwy transkrypcji jest technicznie możliwa, ale wymaga własnej pracy. Dokumentacja nie opisuje gotowej alternatywy.

Jak długo trwa montaż czterominutowego filmu?

Zależy od liczby źródeł, nakładek i mocy komputera, więc jedna liczba byłaby zmyślona. Warto natomiast wiedzieć, na co ten czas idzie: transkrypcja to minuty, rozumowanie modelu to sekundy, a lwia część zegara to render po stronie FFmpeg i ewentualne ponowne podejścia po autokontroli. Dlatego szybki podgląd w niższej rozdzielczości przy poprawkach oszczędza najwięcej.

Czy agent może pobrać materiał z YouTube i go zmontować?

Technicznie tak, bo instalacja przewiduje opcjonalne narzędzie do pobierania materiałów z adresów URL, a w ekosystemie istnieją osobne skille do klipowania filmów z YouTube. Prawnie to zupełnie inna rozmowa: cudzy materiał jest cudzy i decyduje licencja, a nie możliwość techniczna.

Podsumowanie

Przez lata montaż był wąskim gardłem, bo wymagał narzędzia, umiejętności i czasu naraz. Podejście, w którym agent czyta transkrypcję zamiast oglądać klatki, przesuwa ten ciężar z obsługi programu na opisanie, czego właściwie chcesz. Umiejętnością krytyczną przestaje być znajomość osi czasu, a staje się nią precyzja briefu.

Jeżeli masz nagrany materiał i publikujesz regularnie, próg wejścia to kilkanaście minut instalacji i grosze za transkrypcję. Zacznij od jednego, krótkiego filmu, którego nie szkoda. Napisz brief na pięć zdań, poproś o strategię przed montażem, obejrzyj podgląd w niskiej jakości i dopiero potem zamów pełny render. Po drugim albo trzecim podejściu będziesz wiedział, ile kontekstu trzeba dać, żeby pierwszy wynik nadawał się do publikacji.