Реализация AI-автоматического монтажа видео в мобильном приложении

Реализация AI-автоматического монтажа видео в мобильном приложении

Автомонтаж — это когда пользователь загружает 20 случайных клипов с отпуска, а приложение само отбирает лучшие моменты, нарезает их под ритм музыки и выдаёт готовое видео. Технически это объединение нескольких AI-компонентов: анализ контента, beat detection, scene selection и финальная склейка.

Анализ контента клипов

Прежде чем монтировать — нужно понять, что в клипах. На каждый фрагмент запускаем:

Определение качества кадра: blurriness через Laplacian variance (cv2.Laplacian), exposure (среднее значение яркости), наличие лиц. Размытые и плохо освещённые кадры исключаем.

Highlights detection: резкая смена динамики (движение камеры, экшн), наличие лиц с эмоциями, высокий contrast — всё это повышает «score» момента.

# Backend: оценка кадра
def score_frame(frame_bgr):
    gray = cv2.cvtColor(frame_bgr, cv2.COLOR_BGR2GRAY)

    # Резкость
    sharpness = cv2.Laplacian(gray, cv2.CV_64F).var()

    # Яркость
    brightness = gray.mean()
    brightness_score = 1.0 - abs(brightness - 128) / 128  # 128 = оптимально

    # Движение (разница с предыдущим кадром)
    # motion_score = ...

    total = (sharpness / 1000) * 0.4 + brightness_score * 0.3 + motion_score * 0.3
    return min(total, 1.0)

Для более глубокого анализа — CLIP (OpenAI) через API: эмбеддинг кадра позволяет фильтровать по семантическому содержанию («кадры с людьми», «закаты», «еда»).

Beat detection и синхронизация с музыкой

Монтаж под ритм — главное, что отличает хорошее авто-видео от плохого. librosa на backend:

import librosa
import numpy as np

def detect_beats(audio_path):
    y, sr = librosa.load(audio_path, sr=22050)
    tempo, beat_frames = librosa.beat.beat_track(y=y, sr=sr)
    beat_times = librosa.frames_to_time(beat_frames, sr=sr)
    return beat_times.tolist()  # секунды каждого удара

Beats — это моменты склейки. Алгоритм монтажа: для каждого интервала между битами выбираем наиболее подходящий фрагмент по score, длина фрагмента = интервал между битами.

Среднее BPM поп-трека — 120–140. Интервал между битами — 0.43–0.5 сек. Это короткие cuts — динамично, подходит для TikTok/Reels. Для лирических видео берём каждый 2-й или 4-й бит — 1–2 секунды на кадр.

Архитектура мобильного клиента

Мобильное приложение отвечает за:

1. Выбор клипов из галереи (несколько одновременно — PHPickerViewController на iOS 14+, PhotoPicker на Android API 33+)
2. Загрузку на backend (multipart upload с прогрессом)
3. Выбор музыки (из библиотеки или генерация через AI)
4. Отображение прогресса монтажа
5. Воспроизведение и сохранение результата

// iOS: многофайловый upload с прогрессом
class VideoUploadService {
    func uploadClips(_ urls: [URL]) -> AsyncStream<UploadProgress> {
        AsyncStream { continuation in
            Task {
                for (index, url) in urls.enumerated() {
                    let data = try! Data(contentsOf: url)
                    try await uploadSingle(data: data, name: "clip_\(index).mp4")
                    continuation.yield(UploadProgress(completed: index + 1, total: urls.count))
                }
                continuation.finish()
            }
        }
    }
}

Upload крупных файлов — через URLSession background upload (URLSessionConfiguration.background). Не теряет загрузку при сворачивании приложения.

Backend: склейка через FFmpeg

После анализа и выбора фрагментов backend строит FFmpeg команду:

# Конкатенация через concat demuxer
ffmpeg -f concat -safe 0 -i playlist.txt \
  -i background_music.mp3 \
  -shortest \
  -c:v libx264 -crf 20 -preset fast \
  -c:a aac -b:a 192k \
  -vf "scale=1080:1920:force_original_aspect_ratio=decrease,pad=1080:1920:(ow-iw)/2:(oh-ih)/2" \
  output.mp4

playlist.txt содержит timestamps каждого клипа:

file '/tmp/clip_3.mp4'
inpoint 12.4
outpoint 13.1
file '/tmp/clip_7.mp4'
inpoint 5.2
outpoint 5.7

Время обработки на сервере — 30–120 секунд в зависимости от объёма исходников и длины результата.

Настройки стиля монтажа

Хороший UX даёт пользователю несколько пресетов:

Настройки передаются на backend вместе с запросом на монтаж.

Сроки

Базовый автомонтаж (загрузка клипов, beat-sync, склейка) — 2–3 недели. Полная реализация с анализом контента через CLIP, стилями монтажа, AI-музыкой и on-device предпросмотром — 6–8 недель. Стоимость рассчитывается индивидуально.