Монтаж видео нейросетью: как собрать ролик без монтажёра

Монтаж через нейросеть - тема, вокруг которой сейчас много громких обещаний и мало конкретики. Я разбираю такие связки по делу, без хайпа и без обещаний, что завтра всех монтажёров уволят. Хочешь получать готовые разборы инструментов первым - оставайся на связи.

Что значит «монтировать видео нейросетью» на практике?

Агент не смотрит твоё видео глазами и не возит клипы по таймлайну. Он работает с текстом, то есть с транскриптом речи и с кодом, который описывает ролик, а саму картинку собирает рендер по этому коду. Поэтому «монтаж нейросетью» на практике сводится к тому, что агент пишет и правит код и спецификацию монтажа, а живого ползунка на дорожке мышкой никто не двигает. Вся работа прячется в тексте, который агент читает, и в коде под ролик.

Разберём на пальцах. Сначала речь из исходника распознаётся в текст с таймкодами. Модель читает эту стенограмму и решает, где резать, а где оставить, потому что отличить осмысленную фразу от «эээ, ну, короче» по тексту ей проще, чем по кадру. Дальше графика, титры и анимация описываются кодом, обычным React-компонентом или HTML-файлом, а рендер прогоняет этот код через headless-браузер и FFmpeg и выдаёт готовый MP4.

По сути это тот же вайб-кодинг, только на выходе получается ролик вместо приложения, поэтому в Telegram-каналах про нейросети его уже окрестили вайб-монтажом. Понять это важно сразу, потому что от этого зависит, какие ролики так делать разумно, а на какие даже не стоит замахиваться.

Заменяет ли нейросеть монтажёра целиком?

Нет. Нейросеть забирает механику, то есть транскрипт, субтитры, вырезание пауз, черновую сборку и шаблонную графику, а творческие решения оставляет человеку. С самой профессией от этого происходит раздвоение роли. Технического сборщика, который руками резал паузы и штамповал титры, постепенно вытесняют, а человек с чувством ритма и вкуса, наоборот, растёт в цене, потому что теперь он управляет машиной, а не кликает по кнопкам.

Попсовое нейро-мнение этого года звучит так, будто нейросети вот-вот заменят всех и захватят мир, дальше по сценарию Терминатор. На практике всё скучнее и прикладнее. Да, публично есть сильный кейс: инженер Anthropic собрал лонч-видео своего продукта целиком в терминале через Claude Code. Агент сам разложил почти два десятка дублей по таймкодам через распознавание речи, собрал черновой монтаж на FFmpeg, сделал файлы цветокоррекции и пересобрал статичные картинки в анимированные компоненты под речь. Но там работал человек, который знает все эти инструменты вдоль и поперёк, топовая модель и прилично времени. Так что монтажёры без работы не остались.

Нейросеть тут рабочий инструмент, и никакой волшебной кнопки «сделай мне шедевр» в ней нет. Без головы на плечах она выдаст ровный, технически чистый, но мёртвый ролик, который дальше всё равно придётся оживлять руками.

Для каких видео это подходит, а для каких нет?

Подходит там, где решение опирается на речь, текст и данные. Не подходит там, где всё держится на картинке, эмоции и движении кадра. Причина простая и вытекает прямо из того, что агент работает по транскрипту, а не по изображению. Если смысл ролика в словах, нейросеть его вывезет, а если смысл в том, как красиво подана картинка, она промахнётся, потому что красоту кадра оценивать не умеет.

По моему опыту на речевом контенте подход работает хорошо, а там, где решения зависят от картинки, он почти бесполезен. Так что не пытайся собрать через агента свадебный клип или рекламу парфюма, зря потратишь вечер и нервы.

Монтаж без монтажёра - одна из связок, которые превращают ручной труд фрилансера в систему. Если ты тащишь на себе контент, трафик и продажи один, в моём Telegram-канале «The Maslov» я показываю такие связки целиком, от инструмента до результата, без воды.

Remotion и HyperFrames: инструменты связки

Remotion рендерит видео из React-кода, HyperFrames - из обычного HTML. Первый мощнее и зрелее, у него есть облачный рендер и собственный плагин под агентов, но на входе нужен React. Второй моложе и проще для агента, потому что обычный HTML не требует отдельной сборки, и агенту с ним работать привычнее. Выбор между ними сводится к тому, готов ли ты возиться с React ради зрелой экосистемы.

Remotion - это фреймворк на Node.js, где каждый кадр описывается React-компонентом, значения анимации берутся из функций useCurrentFrame() и interpolate(), а итог собирается в MP4 через headless-браузер и FFmpeg. Документация у него обширная, есть распределённый рендер в облаке и собственный плагин под агентов. HyperFrames сделала команда HeyGen, и устроен он иначе. Ты описываешь ролик обычным HTML-файлом с data-атрибутами тайминга, анимацию берёшь на GSAP, CSS или Lottie, а на выходе получаешь тот же MP4, собранный покадровым захватом в браузере и кодированием через FFmpeg.

Сами авторы HyperFrames объясняют свою ставку так. React для агента не самый удобный вариант. Remotion к тому же кастомный фреймворк, где модели сначала надо разобраться, как он устроен, чтобы снять видео. Обычный HTML с GSAP модель видела в обучающих данных миллион раз, поэтому чаще выдаёт рабочий код сразу. Звучит логично, но держи в голове, что это маркетинговая позиция самого инструмента, а независимого замера за ней нет, так что проверяй на своей задаче.

Отдельно про скиллы. У Remotion есть официальный плагин под Claude Code и под Codex от OpenAI, после установки в сессии доступен навык, которому пишешь промпт человеческим языком. Есть и локальные скиллы вроде ffmpeg-skill, который ставит нарезку и склейку без облака и ключей сразу под Claude Code, Cursor и Codex. Про то, как вообще устроены Agent Skills и что поменялось после передачи бренда независимому фонду, у меня есть отдельный разбор, если хочешь копнуть глубже в саму механику скиллов.

Как установить Claude Code и подключить плагин для видео?

Для старта нужны Node.js, терминал и установленный Claude Code. Дальше всё делается двумя командами, которые добавляют маркетплейс плагина и ставят сам плагин Remotion, после чего агент в сессии уже умеет собирать видео по твоему описанию человеческим языком. Отдельный фронтенд-опыт на старте не нужен, разберётся и тот, кто просто готов посидеть в терминале.

Если ты вообще не ставил Claude Code, собери его по отдельному разбору как установить Claude Code, а сюда вернись уже с рабочим терминалом. Дальше порядок такой.

1. Добавь маркетплейс плагина и установи сам плагин Remotion.

claude plugin marketplace add remotion-dev/claude-code-plugin
claude plugin install remotion@remotion

2. Запусти в сессии навык /remotion:remotion-create и опиши ролик человеческим языком, например «сделай промо-ролик для магазина пластинок». Агент сам сгенерирует React-компоненты и отрендерит видео.

3. Если React отпугивает, возьми путь через HyperFrames, он не требует сборки и фронтенд-опыта.

npx hyperframes init my-video
npx hyperframes skills update

После skills update агент «видит» инструмент, и дальше ты просто просишь его собрать ролик из HTML-файла с таймингом.

Минимальная композиция в коде: что внутри

Для простого титра с плавным появлением хватает десятка строк кода. Ты берёшь номер текущего кадра через useCurrentFrame(), прогоняешь его через interpolate() и превращаешь в прозрачность от нуля до единицы за первые секунды, а опция clamp держит значение в границах. Вот и весь код для старта, а дальше агент справляется сам.

import { useCurrentFrame, interpolate, useVideoConfig } from "remotion";

export const MyComposition = () => {
  const frame = useCurrentFrame();
  const { fps } = useVideoConfig();
  const opacity = interpolate(frame, [0, 2 * fps], [0, 1], {
    extrapolateRight: "clamp",
    extrapolateLeft: "clamp",
  });
  return <div style={{ opacity }}>Hello World!</div>;
};

Разберём построчно. useCurrentFrame() отдаёт номер текущего кадра, а interpolate() переводит его в прозрачность от нуля до единицы за первые две секунды, то есть за 2 * fps кадров. Опция clamp не даёт значению выскочить за эти границы. Понимать это устройство полезно, потому что, когда агент промахнётся и титр замигает или появится рывком, ты откроешь код и увидишь, где он напутал с границами интерполяции.

Как озвучить видео на русском через Google TTS?

Google Cloud Text-to-Speech читает русский текст голосом и берёт деньги за символы, а не за подписку. Русский язык включается одним параметром languageCode со значением ru-RU. Для регулярного контента расходы обычно остаются символическими, но важно сразу понять, что бесплатный лимит у разных голосов разный, поэтому считать бюджет надо по той категории, которую реально выберешь.

Тариф зависит от категории голоса. Стандартные и WaveNet стоят 4 доллара за миллион символов, голоса Neural2 - 16 долларов, Chirp 3 HD - 30 долларов, а студийные самые дорогие. С бесплатным лимитом та же логика. 4 миллиона символов в месяц бесплатно дают только Standard и WaveNet, а для Neural2, Chirp 3 HD и студийных голосов бесплатно идёт 1 миллион символов. Русскую озвучку я советую делать на Neural2, так что ориентируйся именно на 1 миллион бесплатных символов в месяц. Через Node.js-клиент @google-cloud/text-to-speech поток такой: создаёшь клиент, собираешь запрос с текстом, голосом и форматом звука, вызываешь синтез и пишешь готовый звук в файл.

const textToSpeech = require("@google-cloud/text-to-speech");
const fs = require("fs");

const client = new textToSpeech.TextToSpeechClient();

async function synthesize(text) {
  const [response] = await client.synthesizeSpeech({
    input: { text },
    voice: { languageCode: "ru-RU", ssmlGender: "FEMALE" },
    audioConfig: { audioEncoding: "MP3" },
  });
  fs.writeFileSync("audio.mp3", response.audioContent, "binary");
}

Про качество скажу как есть. Google TTS на русском звучит чисто и профессионально, но на длинных кусках местами узнаваемо синтетично. ElevenLabs выразительнее, с «дыханием» и живыми паузами, но стоит дороже и языков поддерживает меньше. Прямых слепых замеров именно русского голоса я не нашёл, так что суди по слуху, точными цифрами это не подкреплено. Поэтому прогони свой реальный текст через оба движка и послушай сам, на твоём контенте разница может оказаться совсем другой, чем у кого-то ещё.

Пайплайн от речи до готового ролика шаг за шагом

Весь путь от исходной речи до готового MP4 укладывается в семь шагов, и большую часть агент делает сам. От тебя нужно подробно поставить задачу и проверить стыки между шагами, потому что именно на стыках чаще всего всё и ломается. Дальше разбираю весь порядок по шагам, от исходника до финального рендера, с распознаванием речи, нарезкой, титрами и озвучкой посередине.

1. Исходник, аудио или видео, кладёшь в проект.
2. Распознавание речи с таймкодами, локальный Whisper или облачный сервис, собирает транскрипт.
3. Агент читает стенограмму и составляет список склеек, что резать и что оставить.
4. FFmpeg по этому списку режет и склеивает черновую дорожку.
5. Remotion или HyperFrames добавляет титры, графику и анимацию кодом.
6. Google TTS при необходимости озвучивает текстовые вставки на русском.
7. Финальный рендер собирает всё в MP4.

Ключевая мысль, ради которой вообще стоит в это лезть, такая. Плагин не делает ролик за тебя. Он снимает рутину, а монтаж под свою задачу ты всё равно ставишь сам. Это как с готовой пиццей, которую не надо замешивать из муки, но съесть её за тебя всё равно никто не сможет. Поэтому бери готовый пайплайн и допиливай его под свой формат, под свои заставки, свой ритм, свои цвета, вместо того чтобы каждый раз собирать таймлайн с нуля.

В Telegram-каналах про нейросети уже выкладывают ролики, собранные одной связкой из Claude Code и видеоредактора, где агент сам расставил несколько десятков врезок графики и анимации по короткой команде в духе «смонтируй там по смыслу». Вывод у всех, кто это реально гонял, сходится в одном. Первый прогон почти всегда дольше, чем ты рассчитывал, потому что связку приходится допиливать под себя. Зато дальше правки летят, и в этом вся соль.

Сколько это стоит и сколько времени экономит?

Сам стек почти бесплатный. Реальные деньги уходят на токены агента и на время, которое ты тратишь на итерации, а лицензии и подписки почти ничего не весят. Сами инструменты связки, Remotion и Google TTS, в типичном объёме фрилансера укладываются в бесплатные лимиты, так что главной статьёй расходов остаётся работа самого агента.

Remotion бесплатен для команды до трёх человек, включая коммерческое использование, а платить начинаешь от четырёх человек в компании, где место стоит 25 долларов в месяц. Google TTS в рамках бесплатного лимита тебе, скорее всего, вообще ничего не будет стоить. Больше всего ты платишь за работу агента, то есть либо за подписку Claude Pro - по тарифам Anthropic на октябрь 2026 года это 20 долларов в месяц при помесячной оплате, - либо по токенам через API для объёмных прогонов. На больших проектах обычная подписка Pro быстро упирается в лимит, а как устроены окна лимита и что их тратит сильнее всего, я разбирал в материале про лимиты Claude Code.

С экономией времени всё не так однозначно, как любят обещать. Поначалу ручной монтаж часто выходит быстрее, потому что связку надо настроить под себя. Выигрыш приходит на повторах и правках. Поменять текст титра, цвет плашки или подставить свежие данные занимает секунды и один повторный рендер, тогда как раньше пришлось бы пересобирать весь проект в таймлайне. Так что разовый ролик руками часто быстрее, а вот десятый однотипный ролик через агента выходит кратно дешевле по времени.

Какие грабли ждут новичка?

Чаще всего новичок спотыкается на постановке задачи и на настройке рендера, а сам инструмент тут почти ни при чём. Корень почти у всех граблей один и тот же, агент пишет код, а код надо уметь прочитать хотя бы на уровне «где он напутал». Дальше разбираю девять самых частых ошибок, на которых теряют время и деньги, от размытой задачи одной фразой до слабой модели на сложном пайплайне.

1. Задача одной фразой. Агент угадывает замысел и промахивается по смыслу монтажа, поэтому пиши подробный сценарий, а не «смонтируй красиво».
2. Шумная запись исходника. Ошибки распознавания речи переходят прямиком в монтажные решения, и агент режет не там, где надо.
3. Ожидание, что агент смонтирует «по картинке». Он принимает решения по транскрипту, а визуальный ряд не оценивает, об этом мы говорили в начале.
4. Разрыв фидбек-лупа. Чтобы увидеть пятисекундный превью, приходится гонять весь цикл заново, поэтому держи живой предпросмотр под рукой, у Remotion это npm run dev.
5. Незакрытый delayRender() без парного continueRender(). Рендер виснет и падает по таймауту, который по умолчанию равен 30 секундам.
6. Запрос данных или TTS-аудио внутри useEffect, завязанного на кадр. Тогда он уходит на каждый кадр, упирается в лимиты API и растягивает рендер до бесконечности.
7. useState внутри композиции вместо связки useCurrentFrame() и interpolate(). Это провоцирует бесконечные ре-рендеры.
8. Слишком сложная композиция «на всякий случай». Куча слоёв и эффектов замедляет рендер и превращает любую правку в разбор кода-спагетти.
9. Слабая модель на сложном многошаговом пайплайне. Там, где нужна топовая модель, экономия оборачивается часами борьбы агента с собственным кодом.

Поэтому совсем без понимания основ сюда лучше не соваться. Начни с простого титра из предыдущего раздела и постепенно докручивай, а навык читать код придёт по ходу дела.

Что это значит для монтажёра, фрилансера и агентства?

Для фрилансера это способ закрыть монтаж, который раньше он отдавал подрядчику или делал руками по вечерам, и заодно поднять чек за счёт системности. Агентству связка даёт поток шаблонных роликов и освобождает монтажёра под творческую работу, где важны вкус и ритм. Монтажёру бояться не стоит, потому что шаблонную нарезку действительно отъедают, а чувство истории и умение собрать её из материала остаются за человеком.

Фрилансер один не может быть одновременно маркетологом, монтажёром и продавцом, а объём ручной работы при этом душит. Связка из агента и видеофреймворка снимает самую механическую часть, и чек растёт за счёт системности, а не за счёт того, что ты успеваешь «ешачить» ещё больше часов. А вкус и чувство ритма теперь дороже стоят именно потому, что их машине не отдать.

Порог входа честно есть, нужны Node.js и терминал, но готовые плагины и скиллы его резко снижают, и это главное, что поменялось за последний год. Раньше для такого монтажа требовался фронтендер, сейчас хватает человека, который готов сесть и разобраться. Это прикладная история, а не хайп, так что бери связку, собери первый простой ролик и дальше докручивай под свои задачи.

Собрать такую связку руками - полдела. Куда встроить её в работу с клиентами и чем докрутить до системы, я разбираю в Telegram-канале «The Maslov», там коротко и по делу, с готовыми решениями.

Евгений Маслов - маркетолог, собираю из нейросетей и трафика рабочие связки для фрилансеров и малого бизнеса.

Я веду Telegram-канал «The Maslov», где разбираю связки, нейросети и лидогенерацию коротко и по делу, с готовыми решениями. Заходи и забирай готовые схемы - t.me/themaslow.