Files

T

Daniil 27e03cc56c feat: rename Product Strategist to Product Lead, add lead coordination + dual-mode

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

2026-03-22 22:42:35 +03:00

31 KiB

Raw Blame History

Дорожная карта видеофич — Техническая консультация v1

Дата: 22 марта 2026 Консультанты: ML/AI-инженер, Backend-архитектор, Remotion-инженер, Frontend-архитектор, DevOps-инженер, Инженер по производительности

Общая картина

Четыре фичи. От простого к безумному. Вот что получается, если разложить всё по полочкам:

#	Фича	Сложность	MVP	Полная версия	Доп. инфраструктура
1	Продвинутые шаблоны Remotion	Легко-средне	3-4 дня	3-4 дня	Ничего — можно начинать хоть сейчас
2	Детекция вирусных моментов	Средне	5-7 дней	8-12 дней	Только API-ключ для LLM
3	Авто-монтаж и трекинг лица	Очень сложно	12-15 дней	30-45 дней	Фаза 1: ничего; Фаза 2: GPU-воркер
4	Конвертация в вертикальные Shorts (9:16)	Средне	6-8 дней	+3-4 дня после #3	Ничего
Итого			26-34 дня	44-65 дней

Реалистичный прогноз для одного разработчика: 6-8 недель (все MVP) или 3-4 месяца (полные версии).

Фича 1: Продвинутые шаблоны Remotion

Статус: Спецификация и план реализации уже написаны. Бери и делай.

Спецификация: docs/superpowers/specs/2026-03-21-advanced-remotion-templates-design.md
План: docs/superpowers/plans/2026-03-21-advanced-remotion-templates.md

Что делаем: Расширяем CaptionStyleSchema четырьмя новыми стилями подсветки слов (pop_in, karaoke, bounce, glow_pulse), двумя переходами (zoom_in, drop_in), тремя полями (word_entrance, highlight_rotation_deg, text_transform). Добавляем два системных пресета: "Shorts" и "Podcast".

Где трогаем код: Расширение схемы в Remotion + бэкенде, логика рендеринга в Captions.tsx, Alembic-миграция для пресетов, контролы в StyleEditor на фронте.

Особый интерес специалистов не требуется — всё спроектировано, новой инфраструктуры нет. Самая безрисковая фича в этом списке.

Фича 2: Детекция вирусных моментов

Вот тут начинается самое интересное. За $0.005 за видео мы можем автоматически находить самые цепляющие фрагменты в подкастах и интервью. Пять копеек — и AI выкладывает тебе на блюдце моменты, которые зрители пересылают друг другу.

Архитектура

LLM API: Gemini 2.5 Flash — лучшая поддержка русского языка, $0.15/$0.60 за 1М токенов. Альтернатива: GPT-4o-mini (те же деньги, русский чуть хуже). Стоимость анализа одного 30-минутного видео: примерно $0.005.

Аудио-подкрепление: librosa для кривых RMS-энергии — уточняет границы клипов до естественных пауз, повышает скор для энергичных сегментов. Зависимость ~20МБ, обработка 30-минутного аудио за <10 секунд.

Пайплайн:

Берём транскрипцию из БД
librosa считает огибающую энергии по всему аудио (разрешение 100мс)
LLM анализирует текст транскрипции через промпт со structured JSON output
Постобработка: привязка границ клипов к точкам низкой энергии, расчёт energy-скоров
Сохраняем клипы в новую таблицу clips

Бэкенд

Новый модуль: clips (models, schemas, repository, service, router) — хранит найденные клипы со связями project/file/job.

Модель клипа:

Clip {
  project_id: UUID (FK projects)
  source_file_id: UUID (FK files)
  job_id: UUID? (FK jobs)
  title: str
  start_ms: int
  end_ms: int
  score: float
  source_type: "viral_detected" | "user_created" | "auto_generated"
  status: "pending" | "approved" | "rejected" | "exported"
  meta: JSON? (рассуждения LLM, теги, хэштеги)
}

Новый тип джоба: VIRAL_DETECT в JobTypeEnum. Актор вызывает LLM API напрямую через httpx из Dramatiq-воркера — отдельный сервис не нужен.

Интеграция с LLM:

Прямой HTTP-вызов из актора с retry + exponential backoff на 429
Промпты хранятся в cpv3/infrastructure/prompts/viral_detection_v1.txt
Активная версия контролируется через env-переменную LLM_VIRAL_PROMPT_VERSION
Новые настройки: LLM_API_URL, LLM_API_KEY, LLM_MODEL_NAME

Фронтенд

Новый ViralClipsStep в визарде проекта (features/project/)
Список клипов с превьюшками, скорами, заголовками, кнопками принять/отклонить
Модалка редактирования клипа с видео-превью (воспроизведение ограничено диапазоном start/end)
Новый тип джоба VIRAL_DETECT в обработке нотификаций (через существующую WebSocket-инфраструктуру)

Ключевые цифры

Метрика	Значение
Точность (precision)	50-70%
Полнота (recall)	60-80%
Время обработки	10-20 секунд
Стоимость за видео	~$0.005
Стоимость при 1 000 видео/месяц	~$5
Новые зависимости	`google-generativeai` или `openai` (~10МБ) + `librosa` (~20МБ)

10-20 секунд и пять долларов за тысячу видео. Вдумайтесь в эти цифры.

Риски

Качество промпт-инжиниринга определяет ценность фичи — придётся итерировать по фидбеку пользователей
Визуальные моменты (мимика, физическая комедия) из текста не ловятся — ~20-30% вирусных моментов проходят мимо
Качество транскрипции критично — Whisper tiny даёт ~25% WER на русском; для входных данных вирусной детекции использовать минимум small
LLM галлюцинирует таймстемпы — обязательно валидировать возвращённые метки времени против реальных границ сегментов

MVP vs Полная версия

MVP: Только текстовый анализ через LLM, без аудио-энергии. Возвращает клипы со скорами. Пользователь ревьюит и принимает/отклоняет.
Полная: Добавляем librosa-анализ энергии, few-shot примеры из принятых пользователем клипов, пакетную обработку, прямой экспорт клипов в 9:16.

Фича 3: Авто-монтаж и трекинг лица

Самая амбициозная фича. Самая сложная. И, возможно, самая впечатляющая для пользователей. Представьте: загружаете подкаст с двумя спикерами, а на выходе получаете динамичное вертикальное видео, где камера сама «следит» за говорящим — как будто это снимал живой оператор.

Архитектура

Детекция лиц: MediaPipe BlazeFace (Apache 2.0, модель ~2МБ, 30-60 FPS на CPU). Сэмплируем на 3 FPS — позиции лиц не меняются значительно за 330мс. Зависимость: mediapipe (~30МБ).

Диаризация спикеров: pyannote.audio 3.1 (MIT, ~10% DER, self-hosted). На CPU работает со скоростью 0.17-0.33x реального времени (5-10 минут на 30-минутное аудио). GPU ускоряет до 1-2 минут. Зависимости: pyannote-audio (~200МБ) + torchaudio (~50-80МБ). PyTorch уже установлен через Whisper.

Маппинг лицо-спикер:

Фаза 1: Эвристика по временнОй корреляции — сопоставляем треки лиц с сегментами спикеров по максимальному пересечению во времени. 70-85% точности для видео с двумя спикерами. Ноль дополнительных зависимостей. Около 100 строк Python.
Фаза 2: TalkNet-ASD (Active Speaker Detection) — совместный анализ движения губ и аудио для определения, кто говорит. 92.3% точности. Требует torchvision + веса модели (~50МБ). Нужен GPU (2-5 FPS на CPU vs 15-25 FPS на GPU).

Видео-композитинг (подход Remotion):

Динамический кроп через CSS transform: scale() translate() на элементе <Video> внутри контейнера с overflow: hidden. Это GPU-ускоренная браузерная операция — по сути бесплатная с точки зрения производительности. Для самого кропа пере-кодирование через FFmpeg не нужно.

Новые Remotion-композиции:

Композиция	Назначение	Фаза
`CaptionedVideo` (существует)	Наложение субтитров на нативное видео	Текущая
`ShortsVideo` (новая)	Статический/ключевой кроп + субтитры в 9:16	Фича 4
`AutoEditVideo` (новая)	Кроп с трекингом лица + монтаж + субтитры	Фича 3 (полная)

Все композиции разделяют компонент <Captions> и хук useCaptions.

Формат данных кропа (ключевые кадры):

type FaceKeyframe = {
  time: number;       // секунды
  x: number;          // центр лица, 0.0-1.0 нормализовано
  y: number;          // центр лица, 0.0-1.0 нормализовано
  width: number;      // ширина bounding box, 0.0-1.0
  height: number;     // высота bounding box, 0.0-1.0
  speakerId?: string;
};

type CropTrack = {
  keyframes: FaceKeyframe[];
  interpolation: "linear" | "ease" | "smooth";
  zoom: number;       // базовый множитель зума
  safeMargin: number; // отступ вокруг лица (0.1 = 10%)
};

Remotion interpolate() между ключевыми кадрами для плавного панорамирования/зума. spring() используется только для жёстких переключений между спикерами.

Бэкенд

Новые типы джобов: FACE_DETECT, SPEAKER_DIARIZE в JobTypeEnum. Результаты хранятся в Job.output_data (JSON) — новая таблица для данных лица/диаризации не нужна.

Отделение ML-сервиса:

Фаза 1: Оставляем в Dramatiq-воркерах (тот же образ). MediaPipe + pyannote добавляют только ~280МБ к образу.
Фаза 2: Отдельный Docker-контейнер ml-worker на выделенных очередях Dramatiq (ml_head_tracking, ml_diarization). Тот же код, другой образ, другие лимиты ресурсов.

Изменения в Remotion-сервисе: POST /api/render нужен параметр compositionId для выбора композиции. Props расширяются полями crop, outputWidth, outputHeight.

Время обработки (30-минутное 1080p видео)

Шаг	CPU	GPU
Извлечение аудио (FFmpeg)	10-20 сек	10-20 сек
Детекция лиц (MediaPipe, 3 FPS)	1-2 мин	10-15 сек
Диаризация спикеров (pyannote)	15-30 мин	1-2 мин
Маппинг лицо-спикер	< 1 сек	< 1 сек
Рендер Remotion (кроп + субтитры)	10-30 мин	10-30 мин
Итого (с параллелизацией)	35-80 мин	16-40 мин

Детекция лиц и диаризация могут работать параллельно — у них разные входные данные (видеокадры vs аудиодорожка).

Требования к памяти

Конфигурация	Пиковое потребление RAM
Whisper base + pyannote (параллельно)	8-12 ГБ
Whisper medium + pyannote (параллельно)	12-16 ГБ
Рекомендуемый лимит ML-воркера	16 ГБ, `--threads 1`

Фронтенд

Превью трекинга лица: видеоплеер с наложением bounding box через canvas
Трек спикеров в TimelinePanel (расширяет существующую систему из 4 треков)
Контролы: слайдер уровня зума, скорость перехода, выбор спикера
Переключатель сравнения «до/после»
UX-флоу: загрузка подкаста -> запуск анализа (ProcessingStep) -> ревью назначений спикеров -> корректировка -> экспорт

Ключевые цифры

Метрика	Значение
Точность детекции лиц	~90% (MediaPipe на talking-head контенте)
DER диаризации	~10% (pyannote 3.1)
Точность маппинга лицо-спикер (Фаза 1)	70-85%
Точность маппинга лицо-спикер (Фаза 2, TalkNet)	~92%
Новые зависимости	~280МБ (mediapipe + pyannote + torchaudio)
GPU обязателен?	Нет для Фазы 1; рекомендуется для Фазы 2

Риски

Маппинг лицо-спикер — главная нерешённая подзадача. Точность 70-85% означает, что каждое пятое назначение может быть неверным. Пользователь должен иметь возможность поправить вручную.
Диаризация на CPU — бутылочное горлышко. 15-30 минут на 30-минутное видео. GPU сокращает до 1-2 минут.
Конфликты версий PyTorch между Whisper и pyannote — обязательно тестировать uv sync перед коммитом.
Потеря качества видео при кропе 16:9 -> 9:16 — остаётся только ~31.6% ширины кадра. Исходник должен быть минимум 1080p.
Скачивание моделей при первом запуске — модели pyannote (~100МБ) требуют принятия лицензии на Hugging Face. Обрабатывать в Dockerfile, не в рантайме.

MVP vs Полная версия

MVP (12-15 дней): Детекция лиц на сэмплированных кадрах. Пользователь вручную выбирает, за каким лицом следить. Статический кроп на выбранное лицо. Без переключения спикеров, без диаризации. Работает для одного спикера.
Полная (30-45 дней): Диаризация + маппинг лицо-спикер. Динамический кроп, следующий за активным спикером. Плавные spring()-переходы при смене спикеров. Сплит-скрин для реакций. Поддержка нескольких спикеров.

Фича 4: Конвертация в вертикальные Shorts (9:16)

Архитектура

Пайплайн: Сначала кроп, потом субтитры — всегда. Один проход рендеринга в Remotion через новую композицию ShortsVideo. Композиция рендерит в целевых размерах 9:16, применяет CSS-кроп к <Video> и накладывает субтитры поверх.

Позиционирование субтитров: Новые поля в схеме не нужны. Бэкенд корректирует font_size, padding_px, max_width_pct в styleConfig под соотношение 9:16. Remotion — это «глупый рендерер»: логика о том, что выглядит хорошо в 9:16, живёт в пресетах.

Спецификация кропа:

type CropConfig = {
  mode: "static" | "keyframe";
  staticCrop?: { x: number; y: number; zoom: number };  // 0-1 нормализовано
  keyframes?: Array<{ time: number; x: number; y: number; zoom: number }>;
  interpolation?: "linear" | "ease" | "smooth";
};

Статический кроп — вырожденный случай ключевого кропа (один ключевой кадр).

Бэкенд

Новый тип джоба: ASPECT_CONVERT в JobTypeEnum. Новая функция crop_to_vertical() в media/service.py через FFmpeg crop+scale фильтр.

Новый тип артефакта: VERTICAL_VIDEO в ArtifactTypeEnum.

Пайплайн:

Обрезка исходного видео до временного диапазона клипа (если из вирусной детекции)
Применение кропа (статический центральный кроп или face-tracking кроп из Фичи 3)
Загрузка в S3 по пути {folder}/vertical/{filename}
Webhook + нотификация

Фронтенд

Превью кропа: перетаскиваемый прямоугольник 9:16 поверх видеоплеера (CSS object-fit: cover + object-position)
Переключатель side-by-side превью: оригинал 16:9 vs обрезанное 9:16
Интеграция с Фичей 2: кнопка «Конвертировать в Short» на каждом одобренном вирусном клипе
Интеграция с Фичей 3: автозаполнение региона кропа из данных детекции лица

Время обработки

Подход	Время (30-мин видео)
FFmpeg кроп (без субтитров)	12-36 мин
Remotion кроп + субтитры (один проход)	11-45 мин
FFmpeg с NVENC (аппаратное кодирование)	3-5 мин

MVP vs Полная версия

MVP (6-8 дней): Ручной выбор региона кропа с превью. Пользователь перетаскивает прямоугольник 9:16 поверх видео. Новая ShortsVideo Remotion-композиция рендерит кроп + субтитры.
Полная (+3-4 дня после Фичи 3): Авто-кроп на основе данных детекции лица. Конвертация в один клик. Пакетная конвертация вирусных клипов.

Анализ стоимости

Стоимость обработки одного видео

Уровень	Состав	Вычисления	LLM API	Итого	Время ожидания
Только CPU	Всё на CPU	$0.05	$0.06	$0.11	35-80 мин
GPU (T4)	ML на GPU, FFmpeg на CPU	$0.11	$0.06	$0.17	16-40 мин
GPU + NVENC	Всё на GPU	$0.13	$0.06	$0.19	10-15 мин

Одиннадцать центов на CPU. Девятнадцать с GPU. Даже на самом дорогом варианте — меньше двадцати центов за полный пайплайн с AI-анализом, трекингом лица и кодированием видео.

Месячная стоимость инфраструктуры (100 видео/месяц)

Сценарий	Стоимость
Только CPU (текущая инфра)	~$11 + сервер
Modal serverless GPU	~$21/месяц
Spot GPU (g4dn.xlarge)	~$115/месяц
Постоянный GPU (g4dn.xlarge 24/7)	~$380/месяц

Рекомендация: Начинаем на CPU. Переходим на Modal serverless GPU, когда время ожидания в очереди превышает 15 минут. При 500+ видео/день — смотрим на spot-инстансы.

Предлагаемые тарифы SaaS

Тариф	Цена	Ограничения	Себестоимость	Маржа
Free	$0	Видео до 10 мин, низкий приоритет в очереди	~$0.04/видео	Маркетинг
Pro	$15-30/мес	Видео до 30 мин, GPU ML	~$0.17/видео при 50 видео	60-80%
Business	$50-100/мес	Видео до 60 мин, приоритетная очередь, NVENC	~$0.38/видео	70-85%

Маржинальность 60-85%. При масштабировании — только растёт.

Инфраструктурные решения

Отделение ML-сервиса

Фаза 1: ML остаётся в существующих Dramatiq-воркерах. MediaPipe + pyannote добавляют лишь ~280МБ к образу. PyTorch уже установлен через Whisper.

Фаза 2: Отдельный Docker-контейнер ml-worker на выделенных очередях. Тот же код, другой образ (Dockerfile.ml), другие лимиты ресурсов. Docker Compose profiles:

docker-compose up                    # По умолчанию: без ML-воркера
docker-compose --profile ml up       # С ML-воркером

НЕ строить отдельный HTTP-микросервис. Dramatiq уже обеспечивает очередь джобов, ретраи, прогресс и отмену. Добавление HTTP service discovery, API-контрактов и health check — оверхед с нулевой пользой для асинхронных нагрузок.

Немедленные оптимизации (до начала работы над новыми фичами)

Действие	Эффект	Трудозатраты
Переключить PyTorch на CPU-only индекс	-800МБ размер образа	1 час
Исправить дефолт `REMOTION_SERVICE_URL` в воркере	Баг-фикс	5 мин
Добавить лимиты ресурсов к docker-compose сервисам	Предотвращение каскадных OOM	30 мин
Разбить Dramatiq на пулы очередей (легковесные vs ML vs вычисления)	Предотвращение голодания воркеров	2-3 часа

Четыре задачи. Суммарно полдня. Экономия: 800МБ, один баг, и страховка от того, что ML-джоб сожрёт всю память и уронит API.

Сводка по технологическому стеку

Новые зависимости

Пакет	Размер	Назначение	Фича
`google-generativeai` или `openai`	~10 МБ	LLM API клиент	2
`librosa`	~20 МБ	Анализ энергии аудио	2
`mediapipe`	~30 МБ	Детекция лиц	3
`pyannote-audio`	~200 МБ	Диаризация спикеров	3
`torchaudio`	~50-80 МБ	Обработка аудио для pyannote	3
Всего новых зависимостей	~310-340 МБ

Новые бэкенд-модули

Модуль	Назначение	Фича
`clips`	CRUD клипов, воркфлоу ревью	2

Новые Remotion-композиции

Композиция	Назначение	Фича
`ShortsVideo`	Статический/ключевой кроп + субтитры в 9:16	4
`AutoEditVideo`	Динамический кроп с трекингом лица + субтитры	3

Новые типы джобов

Тип джоба	Назначение	Фича
`VIRAL_DETECT`	LLM-анализ транскрипции	2
`ASPECT_CONVERT`	9:16 кроп + пере-кодирование	4
`FACE_DETECT`	Детекция bounding box лиц	3
`SPEAKER_DIARIZE`	Диаризация спикеров	3

Сквозные проблемы

Шесть специалистов — шесть взглядов на одну кодовую базу. Вот что они нашли:

Проблема	Кто нашёл	Приоритет	Действие
PyTorch тащит CUDA-библиотеки на CPU-only инфру (+800МБ)	DevOps	Высокий	Переключить на CPU-only PyTorch индекс
Воркер с `--processes 1 --threads 2` упадёт по OOM на ML-джобах	Performance	Высокий	Разбить на пулы очередей, `--threads 1` для ML
`_get_job_status_sync()` течёт соединениями к БД	Performance	Высокий	Починить до добавления новых акторов
Нет очистки временных файлов при OOM-крэше	Performance	Средний	Добавить периодическую очистку `/tmp` или cron
`tasks/service.py` — 1 674 строки, скоро перевалит за 2К	Backend	Средний	Вынести бойлерплейт акторов в декоратор/контекст-менеджер
Дефолт `REMOTION_SERVICE_URL` в воркере неверный (`localhost:8001`)	DevOps	Средний	Исправить на `http://remotion:3001` в docker-compose
Ни на одном Docker-сервисе нет лимитов ресурсов	DevOps	Средний	Добавить memory/CPU лимиты на все сервисы
Whisper со временем нужно переместить в ML-сервис	Backend	Низкий	Запланировать при разделении ML-воркера в Фазе 2
Проверка `isCurrent` слова в Captions.tsx хрупкая	Remotion	Низкий	Сравнивать по индексу, а не по тексту + start time

Отчёты специалистов

Полные выводы специалистов доступны в стенограмме сессии. Ключевые файлы, которые изучал каждый:

ML-инженер: cpv3/modules/transcription/service.py, cpv3/modules/tasks/service.py, pyproject.toml
Backend-архитектор: cpv3/modules/tasks/service.py, cpv3/modules/jobs/schemas.py, cpv3/modules/media/service.py, cpv3/modules/captions/service.py, docker-compose.yml
Remotion-инженер: remotion_service/src/components/Composition.tsx, Captions.tsx, Root.tsx, useCaptions.ts, useVideoMeta.ts, все определения типов
Frontend-архитектор: src/widgets/TimelinePanel/, src/features/project/FragmentsStep/, src/shared/context/WizardContext.tsx, src/shared/store/notifications/
DevOps-инженер: docker-compose.yml, Dockerfile, pyproject.toml, uv.lock
Инженер по производительности: cpv3/modules/tasks/service.py, cpv3/modules/media/service.py, cpv3/modules/transcription/service.py, docker-compose.yml

31 KiB Raw Blame History Unescape Escape

Дорожная карта видеофич — Техническая консультация v1

Общая картина

Фича 1: Продвинутые шаблоны Remotion

Фича 2: Детекция вирусных моментов

Архитектура

Бэкенд

Фронтенд

Ключевые цифры

Риски

MVP vs Полная версия

Фича 3: Авто-монтаж и трекинг лица

Архитектура

Бэкенд

Время обработки (30-минутное 1080p видео)

Требования к памяти

Фронтенд

Ключевые цифры

Риски

MVP vs Полная версия

Фича 4: Конвертация в вертикальные Shorts (9:16)

Архитектура

Бэкенд

Фронтенд

Время обработки

MVP vs Полная версия

Рекомендуемый порядок разработки

Анализ стоимости

Стоимость обработки одного видео

Месячная стоимость инфраструктуры (100 видео/месяц)

Предлагаемые тарифы SaaS

Инфраструктурные решения

Отделение ML-сервиса

Немедленные оптимизации (до начала работы над новыми фичами)

Сводка по технологическому стеку

Новые зависимости

Новые бэкенд-модули

Новые Remotion-композиции

Новые типы джобов

Сквозные проблемы

Отчёты специалистов

31 KiB

Raw Blame History