Если просто скинуть кодинг-агенту папку с сырыми дублями и попросить смонтировать ролик через ffmpeg, первые пять минут всё выглядит как магия. Код возврата 0, файл собран, задача закрыта. Включаешь видео — и начинается боль: фраза обрезана на полуслове, склейки дёргаются, а в маленьком кружочке с лицом спикер вообще отвёл взгляд. Агент честно дотаскивает монтаж до 90%, но добивание последних 10% мелких косяков отнимает больше времени, чем ручная сборка.
Разработчик Коул Медин прошёл через это сам и выложил в открытый доступ бесплатный навык edit-video для Claude Code, Cursor, Codex и любых агентов с поддержкой SKILL.md. Навык агента (skill) — это папка с инструкцией, скриптами и правилами, которая учит агента повторяемому процессу без длинных промптов. Свой YouTube-ролик с разбором инструмента Коул смонтировал им же и уверен: для обучающих видео, презентаций и скринкастов монтажёр ему больше не нужен.
Пять шагов и скрипты вместо глаз и ушей
Текстовая модель физически не слышит миллисекунды на аудиодорожке и не видит кадр на стыке. Если попросить её «прикинуть таймкоды», она промахнётся.
В edit-video роли перевёрнуты. Агент здесь — дирижёр, а точную работу делают 37+ детерминированных Python-скриптов в папке scripts/. Коул не писал их как учебный код: его агент-помощник сам вырастил эти утилиты для себя как «глаза и уши».
Вверху SKILL.md лежит таблица форматов. Если ты дал мало вводных, агент на нулевом шаге задаст один уточняющий вопрос и соберёт нужную цепочку шагов под «говорящую голову», скринкаст с кружочком лица, анимированный B-roll (вспомогательные вставки поверх спикера, которые иллюстрируют мысль и прячут склейки), Shorts или лекции. Базовый конвейер из пяти шагов работает полностью локально и бесплатно поверх подписки агента:
- Транскрибация и отсев дублей (
transcribe.py+align.py). Локальный Whisper даёт текст, но его сырым таймкодам навык не верит: поверх запускается forced alignment (принудительное выравнивание) на PyTorch, которое привязывает каждое слово к точным миллисекундам на дорожке. Так отсеиваются неудачные дубли. - Вырезка пауз (
pauses.py,cutpoints.py). Скрипты возвращают таблицу тишины, вздохов и повторов, а агент решает, что вырезать. - Сборка (
assemble.py,screen_bubble.py,insert_segment.py). Склеиваются дубли, запись экрана и камера сводятся по звуку, вставляются готовые блоки. - Полировка (
transitions.py,captions.py, HyperFrames). Добавляются плавные переходы со звуком, лёгкий наезд камеры (punch-in) для скрытия джамп-катов, субтитры и программные анимации. - Экспорт и самовалидация (
export_final.py,validate_cut.py,retranscribe.py). Тут работает главный предохранитель — детерминированный скрипт-валидатор. Он заново расшифровывает готовый файл и делает пословный diff против исходников. Если слово обрезалось или задвоилось, агент сам правит склейку.
Все зависимости живут в единой среде $S/.venv под управлением uv (нужны ffmpeg, Python и Node для анимаций):
# Ставим навык edit-video через skills CLI
npx skills add coleam00/skills --skill edit-video
# Проверяем ffmpeg, Python и окружение uv через doctor.py
S="${CLAUDE_SKILL_DIR}/scripts"
uv run --project "$S" python "$S/doctor.py"
# Опционально ставим forced alignment для точных таймкодов
uv sync --project "$S" --extra align --inexact
# Запуск монтажа прямо в диалоге с Claude Code
/edit-video /path/to/raw_clips
Скрипт doctor.py сразу покажет, чего не хватает на машине, а команда /edit-video с путём до сырых клипов запустит цикл. Папка с исходниками может быть полным бардаком — агент сам отберёт рабочие дубли и соберёт черновик по твоему короткому описанию.
Грабли из lessons.md и палитра в brand.json
Скрипты закрывают крупную рутину, но в монтаже хватает редких ловушек, под которые не нужен отдельный Python-файл. Для них в references/lessons.md ведётся журнал граблей на обычном языке: поймал баг на рендере — дописал правило, и агент больше не повторяет ошибку.
В репозитории Коула уже лежат три показательных урока. Во-первых, код возврата 0 ничего не доказывает — агенту запрещено рапортовать об успехе без просмотра реальных кадров. Во-вторых, проверять нужно кроп того, что реально важно: на общем листке превью-кадров не видно, что спикер отвёл глаза в кружочке шириной 250 px, и три перехода спокойно прошли общую проверку, но провалились на кропе. В-третьих, проверять надо именно финальный экспорт: однажды вставка рекламного сегмента сдвинула звук после себя на 17 мс, хотя промежуточный файл показывал 0.0 ms.
За визуальный стиль отвечает examples/brand.json, где хранятся цвета фона, акцентов, субтитров и шрифты для анимаций:
{
"bg": "#0B0E14",
"accent": "#4C8DF6",
"font": "Inter",
"mono": "JetBrains Mono",
"caption_ink": "#F4F6FA",
"caption_active": "#8AB6FF"
}
Достаточно прописать свои цвета и шрифты — или прямо при первом запуске попросить агента пройтись с тобой по brand.json и lessons.md и подстроить навык под формат твоего канала.
Мультимодальный конвейер за $2,71 и честные границы
Локального Basic-режима хватает для большинства черновиков, но у текстовой LLM остаются четыре слепые зоны: студийная точность транскрибации, просмотр готового видео, генерация обложек и точечная правка голоса.
Для них есть расширенный режим Full через OpenRouter — единый шлюз к разным моделям по одному API-ключу. Сразу честно: видео Коула спонсировано OpenRouter, однако сам навык открыт, локальный режим работает без ключей, а Full включается только по прямой команде.
Весь монтаж своего ролика о Fable 5.2 через полный конвейер обошёлся Коулу ровно в $2,71. Вот что конкретно выловила и поправила эта связка:
| Задача | Модель через OpenRouter | Что поймали и исправили в ролике |
|---|---|---|
| Точная расшифровка | elevenlabs/scribe-v2 (или microsoft/mai-transcribe-2 вдвое дешевле) | Заметила крошечную запинку в середине слова и помогла починить клип, обрезанный на полуслове |
| Просмотр видео | Gemini 4 Argon (по 480p 10 fps прокси со звуком) | Услышала едва заметный хрип звука из-за перегрузки CPU при записи, после чего агент его убрал |
| Правка голосом | Fish Audio 2.1 Pro (по ~8-секундному образцу голоса) | За пару центов заменила сказанные вслух «70%» на «75%», как на слайде |
| Прототипы обложек | Flux, Gemini 3 Pro, GPT Image 2 | Быстро сгенерировали дешёвые черновики с кадром лица спикера для отбора идей |
У клонирования голоса есть честный минус: звучит исправленная фраза один в один как оригинал, но на камере появляется лёгкий рассинхрон губ. Для роликов без лица в кадре это вообще не проблема, да и на одном слове зритель вряд ли присмотрится к губам — а вот явная ошибка в цифре на фоне слайда бросилась бы в глаза сразу. Обложки тоже идут как черновики (модели могут переврать логотип Claude), из которых удобно забрать удачные детали. Вдобавок скрипт long_to_shorts.py сам нарезал из длинного видео три готовых шортса, включая 35-секундный ролик с подтянутой графикой с экрана.
Включается Full-режим явно, с учётом трат по каждому вызову:
# Задаём ключ OpenRouter (или кладём в scripts/.env)
export OPENROUTER_API_KEY="sk-or-..."
# Включаем Full-режим явно для текущей папки проекта
S="${CLAUDE_SKILL_DIR}/scripts"
uv run --project "$S" python "$S/openrouter.py" ./ws enable
# Смотрим точные расходы по каждому вызову моделей
uv run --project "$S" python "$S/openrouter.py" ./ws costs
# При желании прогоняем пословную проверку сборки вручную
uv run --project "$S" python "$S/validate_cut.py" ./ws
Ключ можно хранить в scripts/.env — файл уже в .gitignore, чтобы не утек в репозиторий. После этого в чате с агентом достаточно добавить «use the full pipeline», и он подключит облачные модели с логированием расходов.
- Исходники и голос. Basic-режим полностью локальный. В Full-режиме аудио и сжатое видео уходят внешним провайдерам через OpenRouter, а
fix_word.pyперед отправкой образца голоса требует явного согласия спикера. Для материалов под строгим NDA оставайся в локальном режиме. - Среда и формат. Окружение
.venvвесит около 500 МБ и пересобирается при обновлении навыка (из кэшаuvбыстро, но флаги вроде--extra alignпридётся ставить заново). Навык отлично тянет обучающие видео, презентации и скринкасты, но не заменит голливудский развлекательный монтаж — и финальный просмотр ролика глазами перед публикацией всё равно обязателен.



