Ранее я видео монтировал (очень плохо конечно) в DaVinci. Классная штука, как я люблю - три кнопки. Главное их найти конечно. Но в этот раз я вспомнил INSANE посты в Х про Клода, который сам делает цикл монтажа и решил воспользоваться народной мудрость, но по своему.
Папку с исходниками отдали Gemini 3.8 Flash в Antigravity с довольно содержательным техническим заданием: «разберись».

Он начал с аудио. Локально прогнал обе дорожки через GigaAM, собрал стенограмму и определил спикеров. Микрофоны слышали друг друга, поэтому отдельно пришлось отличать реальную речь от шума по времени, похожести текста и уровню сигнала.

Потом нейронка разобрала разговор: главы, интересные фрагменты, места для картинок, кандидаты на шортсы и куски, которые лучше вообще не публиковать.

Потом видео. Шесть MP4 с трёх камер, каждая камера посреди записи создала второй файл со своим разрывом: 1,441, 1,160 и 1,262 секунды. Из камер вытащили звук и через корреляцию привязали каждый файл к мастер-дорожке рекордера. Получился единый таймлайн: три камеры и отдельный чистовой звук.

Gemini написал под это собственный монтажный конвейер на Python и FFmpeg. Кто говорит, какую камеру показывать, когда уходить на общий план, где показать картинку, как собрать вертикальные ролики, где сделать титр.

Первое 27-секундное промо получилось неожиданно нормальным и поставили полный выпуск. Gemini отчитался: SUCCESS, все проверки пройдены, синхронизация идеальная.

Открываем видео. К середине рот уже заметно живёт отдельно от звука. Полезли разбираться.

Он нарезал выпуск на 163 отдельных видеокуска с дробной длительностью и потом склеил обратно. Но видео 25 fps. Половины кадра не существует, FFmpeg каждый раз округлял длительность, и эта мелочь постепенно копилась. На старте 0 мс. На 10-й минуте уже примерно полсекунды. На 20-й около 0,8. На 30-й 1,25. К 47-й минуте накопилось 2,1 секунды.

Переделали весь принцип времени. Теперь мастер-звук является единственными часами проекта. Монтажные границы считаются в абсолютных номерах кадров. Звук идёт одной непрерывной дорожкой. Картинки не вставляются между кусками видео, а накладываются поверх.

Повторная проверка на всём выпуске: максимальное расхождение 18,5 мс. Меньше половины кадра.

После этого обнаружилась следующая проблема. Gemini технически научился монтировать, но режиссёром не стал. Говорит Александр, показывает Александра. Говорю я, показывает меня. Александр говорит долго, через некоторое время общий план на 5,5 секунд. Потом опять Александр. И так по кругу.

Пришлось объяснять, что человек, который молчит, тоже существует. Можно показать его реакцию. Общий план не обязательно включать по таймеру. После вопроса не обязательно мгновенно убегать с ведущего.

Переделал и это.

Потом сам нашёл точную последнюю фонему «Всем ИИ!», отрезал всё, что мы наговорили после записи, сделал финал, собрал шортсы, главы для YouTube, описания и контроль качества. Короче Gemini - отличный и очень быстрый исполнитель.

Но ему нельзя скзаать "сделай крутой подкаст, данные вон в той папке". Он обязательно где-нибудь сделает дичь и напишет подробный отчёт, почему всё идеально. Но если посмотреть результат и сказать: «Нет. Вот здесь все плохо. Разберись почему и переделай», он действительно разбирается и переделывает.

Между прочим - пример правильной работы с агентов и должен выглядеть так.
Ложка дегтя - руками по времени вышло бы ровно так же.