Автоматичний підбір акторів: AI-аналіз зовнішності, голосу та емоцій

Чому AI-кастинг необхідний?

Кінопродакшн середнього бюджету отримує від 3 000 до 8 000 заявок на головні ролі. Кастинг-директор фізично не може переглянути все: третина заявок відсіюється за фото, половина тих, що залишились — за перші 30 секунд відеопроби. Ми розробили AI-систему, яка обробляє весь обсяг за формалізованими критеріями та видає ранжований шортлист за лічені години. Маємо значний досвід у AI/ML для медіаіндустрії, понад 50 реалізованих проєктів. Це знижує витрати на кастинг на 40–60% та прискорює процес у 10 разів.

Що аналізує система

Система аналізує три модальності: фото, відео та голос. Кожен модуль використовує спеціалізовані моделі та видає числові оцінки, які агрегуються в єдиний профіль кандидата.

Відповідність зовнішності ролі — порівняння з візуальним профілем персонажа: віковий діапазон (за фото), тип зовнішності, зріст/комплекція. Використовується face analysis (DeepFace, InsightFace) для оцінки віку та детектор ключових точок тіла (MediaPipe Pose) для пропорцій.

Аналіз відеопроби — facial expression recognition за часовими рядами: як актор тримає емоцію, наскільки природні переходи. Модель на базі VideoMAE (VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training) або TimeSformer, навчена на анотованих відеопробах, видає скор «природність» і «діапазон емоцій».

Голосовий аналіз — темп мовлення, паузи, інтонаційний контур. Моделі: Whisper для транскрипції + prosody analysis через librosa (pitch, energy contour). Зіставлення з голосовим профілем ролі.

Пошук схожих акторів — embedding-пошук по базі через FAISS: «знайти акторів, схожих на [референс]» за обличчям і манерою гри.

Чому face embedding — основа системи?

Головна технічна задача — не знайти найкрасивіших або наймолодших, а знайти відповідних конкретному персонажу. Це означає роботу з embedding-простором облич, а не з raw-метриками. ArcFace або AdaFace генерують 512-вимірний вектор обличчя. Кастинг-директор вказує кілька референсних облич персонажа (арт, сторонні актори), система обчислює центроїд цих ембідінгів та шукає найближчих кандидатів за cosine similarity.

from insightface.app import FaceAnalysis import faiss import numpy as np app = FaceAnalysis(providers=['CUDAExecutionProvider']) app.prepare(ctx_id=0, det_size=(640, 640)) def get_face_embedding(image_path): img = cv2.imread(image_path) faces = app.get(img) if not faces: return None return faces[0].embedding # 512-dim ArcFace embedding index = faiss.IndexFlatIP(512) # inner product = cosine для L2-нормалізованих index.add(normalized_embeddings) # база кандидатів D, I = index.search(query_embedding.reshape(1, -1), k=50) 

Як відбувається дедуплікація заявок?

Дедуплікація критична при великому потоці заявок — один актор може подати заявку з 4–5 різними фотографіями. Порівняння cosine similarity ембідінгів з порогом 0.72 надійно знаходить одне й те ж обличчя в різних умовах освітлення. Це виключає повторний перегляд і прискорює обробку на 30%.

Як ми інтегруємо AI в існуючий пайплайн?

Процес впровадження включає п'ять етапів:

1. Аудит поточного кастинг-процесу та збір вимог.
2. Збір та розмітка даних (фото, відео, голос) за згодою претендентів.
3. Навчання або донавчання моделей під задачу замовника (fine-tuning на специфічних даних).
4. Інтеграція через REST API або вбудовування в CRM-систему.
5. Тестування на історичних даних (A/B-тест) та деплой у захищеному контурі.

У середньому на етапі 3 вдається підвищити точність відеоаналізу на 15–20% порівняно з попередньо навченою моделлю. На одному з проєктів точність пошуку за ембідінгами перевищила 94%.

Що входить у роботу?

Етика та обмеження

Система не приймає рішення — вона ранжує кандидатів і передає шортлист кастинг-директору. Автоматичне відхилення за захищеними характеристиками (етнічна приналежність, стать) недопустиме та не реалізується. Chemistry між акторами, реакція на режисерські вказівки, поведінка на довгих дублях — це залишається в зоні живого кастингу.

Всі дані обробляються за згодою претендентів, зберігаються в ізольованому контурі з TTL на видалення після завершення кастингу. Гарантуємо конфіденційність та відповідність GDPR.

Терміни та вартість

Базова система (фото-аналіз + embedding-пошук): від 4 до 6 тижнів. Повна платформа з відеоаналізом та голосом: від 10 до 16 тижнів. Вартість розраховується індивідуально після аудиту ваших даних. Зв'яжіться з нами — ми оцінимо ваш проєкт та запропонуємо оптимальне рішення. Отримати консультацію можна, надіславши заявку через форму зворотного зв'язку. Замовте пілотний проєкт, щоб оцінити результат на ваших даних.