Pipeline pro auto-Shorts z anime: architektura

Automatizovaný kanál pro generování YouTube Shorts z anime epizod

Systém převede horizontální anime epizodu na vertikální Shorty trvající až 60 sekund. Na vstupu je video soubor, na výstupu kompletní video s dynamickým kadráním, titulky a metadaty. Klíčový přístup: modulární architektura s mezistními artefakty místo end-to-end modelu. Umožňuje izolovat jednotlivé fáze, restartovat je nezávisle a integrovat zpětnou vazbu podle sledovacích metrik.

Kanál se dělí na produkční okruh pro generování, výzkumný a vývojový (R&D) okruh pro analýzu metrik a komunitní okruh pro interakci s diváky. Každá epizoda je uložena v adresáři s artefakty:

episode_001/
  source.mp4
  transcript.json
  audio_features.json
  scene_cuts.json
  faces.json
  candidates.json
  crop_path.json
  subtitles.srt
  metadata.json
  final_short_01.mp4

Tato struktura zrychluje ladění: přepočet crop_path nepotřebuje znovu přepisovat transkript.

Transkripce a analýza zvuku

První krok je extrakce textu z řeči s časovými razítky. Transkript je rozdělen pro titulky a hodnocení obsahu. Nicméně text nestačí: emoční vrcholy často určuje zvuková stopa.

Analýza zvuku vypočítá složený signál:

def extract_audio_signal(window):
    speech_density = measure_speech_density(window)
    loudness_peak = detect_loudness_peak(window)
    energy_delta = detect_energy_change(window)

    return (
        0.45 * speech_density +
        0.35 * loudness_peak +
        0.20 * energy_delta
    )

Ve skutečnosti jsou přidány normalizace, prahy a filtry proti šumu. Signál je kombinován s textem pro nalezení momentů s vysokou emoční hustotou: krátké rétoriky + zvukové výbuchy.

• Hustota řeči: podíl řeči v okně.
• Pík hlasitosti: vrcholy hlasitosti.
• Změna energie: změny energie, včetně hudby a pauz.

Tím se odstraní neutrální úseky, kde dominuje vizuál.

Počítačové vidění pro scény a tváře

CV-modul detekuje změny scén, tváře a jejich zaměření:

def analyze_frame(frame):
    faces = detect_faces(frame)
    scene_score = detect_scene_change(frame)
    face_focus_score = estimate_face_focus(faces, frame)

    return {
        "faces": faces,
        "scene_score": scene_score,
        "face_focus_score": face_focus_score,
    }

Data se používají pro dynamické kadrání 16:9 → 9:16. Místo centrálního oříznutí systém napodobuje pohyb kamery: sleduje pozici tváří a udržuje hlavní postavy ve středu. U scén s více postavami se střídají snímky, aby se zabránilo ztrátě kompozice.

Kandidáti jsou tvořeni kombinací signálů:

| Signál | Hodnocení | Cíl |

|--------|--------|------|

| Transkript | Hustota rétorik | Smyslový chyták |

| Zvuk | Emoční vrcholy | Dynamika |

| Tvář | Pozice tváří | Vertikální zaměření |

| Scéna | Změna scény | Vizuální náplň |

| Tempo | Tempus úseku | Rytmy |

Skóring řadí úseky podle součtu váhy, odstraňuje pomalé nebo roztrhané části.

Dynamické kadrání a postprodukce

Po výběru kandidátů se generuje crop_path – trajektorie virtuální kamery. Systém plynule posouvá okno, zaměřuje se na tváře a klíčové prvky. Titulky se překreslují do .srt s optimalizací pozice: minimální překryv, rychlá čitelnost.

Postprodukce zahrnuje stabilizaci, barevnou korekci a metadatové informace (název, popis, tagy). Finální render je dávková zpracování pro několik klipů z jedné epizody.

Zpětná vazba a vylepšení

R&D okruh analyzuje YouTube Analytics: návštěvnost, retention, CTR. Metriky aktualizují váhy skóringu a aktivují slovníky (např. emoční fráze z úspěšných videí).

Komunitní okruh automatizuje odpovědi na komentáře a ohřívá publikum prostřednictvím podobných doporučení.

Co je důležité

• Modulárnost s artefakty zrychluje iterace 5–10× oproti monolitickému skriptu.
• Kombinace signálů (text + zvuk + CV) zvyšuje kvalitu kandidátů o 40–60% ve srovnání s jednoduchým přístupem.
• Dynamické kadrání zachovává zaměření v 90 % scén s více postavami.
• Zpětná vazba podle metrik umožňuje self-tuning bez ručního ladění.
• Škálovatelnost: jedna epizoda → 10–50 Shorts v dávce.

— Editorial Team