Videa mi stříhá AI. Já mám volný den

Ať si kdo chce říká co chce: youtuberství na koleni doma je multižánrová disciplína. To máte dramaturgii, scénáristiku, herectví, maskérnu, uklízečku před natáčením, kameramana, režiséra, střihače, animátora...

Každý týden mi střih jednoho videa sebral jeden pracovní den. Čtyři až šest hodin u timeline: vyhazovat přeřeky, skládat grafiky, ladit zvuk. A k tomu další hodinu nebo dvě nad popiskem, kapitolami, titulky, doprovodným Shorts a YouTube Studiem.

Dnes ten den nemám. Respektive mám den navíc. Natočím odpoledne či večer, jdu spát a ráno na mě v počítači čeká hotové 4K video s grafikou, hudbou, titulky i kapitolami. Nestříhal jsem ho já, stříhala ho AI. A s volným dnem dělám něco úplně jiného. Co, to vám řeknu na konci.

Abych byl fér hned od začátku: není to proces jednoho kouzelného tlačítka. Jde o proces, který kontinuálně ladím a občas má mouchy. Ukážu celý postup: co dělá AI, co obyčejné programy, co běží u mě na Macu a kde jsem pořád nenahraditelný.

Před šesti lety dva týdny, dnes jedna noc

Moje první video jsem stříhal v OpenShotu. Zabralo mi zhruba dva týdny večerů. Postupně jsem se zrychlil na jeden pracovní den na video a tam jsem se na roky zasekl. Grafiky jsem ručně klikal v Canvě, titulky opravoval řádek po řádku a kapitoly vypisoval z hlavy. Pořád dokola jsem dělal stejnou rutinu:

• Střih a efekty: 4–6 hodin ručně → AI přes noc
• Grafiky: klikání v Canvě → AI je napíše jako kód
• Popisek, kapitoly, titulky: 1–2 hodiny → AI, já kontroluju
• Moje práce: celý den → zhruba hodina poznámek a kontroly

Zbytek běží na mém MacBooku, včetně renderu do 4K. U desetiminutového videa trvá zhruba hodinu, takže ho nechávám běžet přes noc.

Tohle jsem nestříhal já

Než se pustíme do toho, jak to funguje, pár ukázek. Nic z toho jsem neklikal sám. Nápady (zadání) jsou moje, provedení je práce AI.

Jen ve videu o ortosomnii bylo přes devadesát grafik a 93 zvukových efektů. Ručně bych tolik nikdy nedělal, nevyplatilo by se to.

Jak vzniká nové video: řetěz skillů

Střih je jen jeden článek řetězu. Celá cesta od nápadu k publikaci má deset kroků a na osmi z nich mám vlastní skill, tedy textový návod, podle kterého AI pracuje. Já zůstávám na začátku a na konci: vymyslím, napíšu, natočím, zkontroluju a zmáčknu Publikovat.

• Kontrola retence (fitnesator-script-review): experimentální skill - projde článek před natáčením a upozorní, kde diváci nejspíš odejdou. Text nepřepisuje, jen navrhuje. A já u toho bojuju sám se sebou: točím pro sebe, nebo budu obsah ohýbat algoritmu?
• Teleprompter (teleprompter-script): z článku vyhodí tabulky a odkazy a čísla přepíše slovy. Moje věty nemění.
• Střih (fitnesator-video-edit): ten největší, přes tři sta řádků pravidel. O něm je zbytek článku.
• Reels, popisek a SEO: další skilly, které z hotového videa vyrobí vertikální klipy, popisek s kapitolami a metadata článku pro Google.
• Název a náhledovka (video-playbook): pravidla, která jsem nasbíral od nejlepších tvůrců na YouTube. Až je video hotové, navrhne deset titulků a náčrt tří náhledovek.

Skilly se navzájem doplňují. Pravidlo „náhledovka ani titulek nesmí prozradit výsledek“ platí při plánování i při psaní kapitol. A co se naučím u jednoho videa, zapíše se tam, kde se to bude hodit příště.

Jak to vzniká: kdo je kdo

Otázka, kterou dostávám: „Takže to celé dělá ChatGPT?“ Ne. AI je v tom dirigent, ne celý orchestr. Mně pomohlo rozdělit to na čtyři role:

• Já: nápad, text článku, natáčení, poznámky k verzím a tlačítko Publikovat.
• AI v cloudu (Claude od Anthropicu): rozhoduje a píše. Co vystřihnout, kam dát grafiku, jak ji naprogramovat, co napsat do popisku. Je to jediná část, která neběží u mě na počítači. Do cloudu odchází text přepisu, kód grafik a náhledové snímky ke kontrole, ne samotné video.
• AI na mém Macu: vnímá. Model Whisper převádí řeč na text, Apple Vision pozná, kde v obraze jsem já (stejná technologie, kterou iPhone vyřezává lidi z fotek).
• Obyčejné programy: žádná AI, dělají přesně to, co se jim řekne. FFmpeg stříhá a skládá video, Remotion vyrábí grafiky, malé skripty v Pythonu míchají zvuk a kontrolují, že sedí obraz se zvukem. Většinu skriptů napsala AI, ale běží bez ní a pokaždé stejně.

Apple Vision? Ne, to nejsou ty brýle

Když řeknu Apple Vision, většina lidí si představí drahé futuristické brýle. Jde ale o Apple Vision framework, knihovnu, kterou má každý Mac i iPhone a díky které jednoduše vyříznete člověka nebo jiný objekt z fotky.

Pro každý snímek videa vrátí masku, kde jsem já a kde je pozadí. Grafiku pak stačí vložit mezi ně a vypadá to, že je za mnou. Žádnej green screen, žádný složitý separování pozadí a mě (což třeba Canva umí, ale zdlouhově a těžkopádně).

Stejná knihovna umí najít i obličej. Díky tomu šlo ve filmové scéně sledovat hlavu rozhodčího snímek po snímku a nasadit mu místo ní prsten.

Whisper: AI mě neslyší, čte přepis

Whisper je volně dostupný model od OpenAI, který převádí řeč na text a ke každému slovu přidá čas. Běží přímo na Macu. Podle těch časů AI ví, kam přesně dát grafiku. Dokonalý ale není: z mého „je 0:54 ráno a já spím“ udělal „Je 0 .54 ráno a já spěm“. Proto se titulky ve druhém kole ještě opravují s pomocí AI a střihy padají do ticha ve zvukové vlně, ne podle slov.

Kdo chce vědět víc, tady jsou jednotlivé „profese“, které dřív dělal střihač, nebo moje večery:

Jak ho učím svůj styl

Tohle je nejdůležitější část a zároveň ta, která nejvíc připomíná práci se živým střihačem. Agent má svůj skill: textový soubor s pravidly, jak má video vypadat. Barvy, fonty, intro a outro, jak dlouhé pauzy nechat, kam nesmí dát grafiku… Dnes má pár set řádků a ani jeden jsem nenapsal od nuly.

Funguje to tak, že se podívám na výsledek a napíšu, co se mi nelíbí. Normální řečí, s časem ve videu. A pak řeknu: „zapiš si to“. Z poznámky se stane pravidlo a příště už tu chybu neudělá. Pár skutečných poznámek:

„Na počátku tam nech alespoň 1–2 sekundy mluvící hlavy, než dáš b-roll.“
„Ty elementy jako červené brýle musí být trochu výš, většina je za hlavou…“
„Ať to zase nemám přes čelo.“
„Jinak je to dobré, nic nepokaž.“

Ta poslední je mimochodem taky pravidlo: při opravách sahat jen na to, co jsem řekl, a zkontrolovat, že se nic jiného nerozbilo.

A protože se chci zlepšovat, nechávám ho studovat ty nejlepší. Rozebral třeba, jak stříhá Diary of a CEO (úvod jako trailer, minimum grafiky) a jak pracuje MKBHD (vlastní záběry produktu, čistá grafika). Z obojího si vzal konkrétní body, které teď v mých videích zkoušíme.

Nově si před spuštěním střihu v Claude kvízem vyberu, co chci u videa zkusit. Formou švédského stolu: úvod jako trailer, minimalistické grafiky, nebo spíš memy a zvukové efekty. Ne každá technika sedí každému videu a takhle se dá experimentovat, aniž by se mi to vymklo z ruky. Co zafunguje, si systém zapíše a příště to doporučí.

Záběry předávám dost lenošně: hodím je do složky a instrukci napíšu rovnou do názvu souboru, třeba „zaseknutý prsten, využij tam, kde mluvím o podmínkách“. Funguje to.

Jedna noc zblízka

Reálná časová osa videa o ortosomnii, časy jsou z metadat souborů, ne z paměti. Poslední klip jsem dotočil v 15:31, kolem desáté šel spát a ve 23:24 bylo hotové 4K video. Ráno jsem k němu napsal sedm poznámek, v 9:15 byla hotová druhá verze a o půl hodiny později k ní dva reels.

Co neumí a kde jsem pořád potřeba

• Vkus a uši. AI neslyší, takže zvukové efekty volí naslepo a ověřuje je měřením hlasitosti. Jestli to zní dobře, rozhoduju já.
• Nápady. Nejlepší momenty (rozhodčí, andílek a čertík na ramenou) jsou z mé hlavy. AI je skvělá v provedení.
• Chyby se dějí. Automatický střih jednou přehlédl opakovaný pokus a můj přeřek AI sice našla, ale přetočit ho musím já. Hotové video si proto vždycky pustím celé.
• Práva. Filmová scéna nebo GIF z internetu je pořád cizí obsah. AI mě na riziko upozorní, rozhodnutí je na mně.

Pořád je to technologie, na kterou se nelze spolehnout stoprocentně. Někdy například „něco přehlédne“.

Kolik to stojí

• AI agent (Claude): roční předplatné mě stálo něco přes 2 000 Kč a používám ho i na jinou práci.
• Whisper (od OpenAI), FFmpeg, Apple Vision: zdarma, běží lokálně.
• Remotion: zdarma pro jednotlivce a malé firmy.
• Hardware: MacBook Pro M3 Pro, který už mám. Render zabere zhruba hodinu a jeden projekt kolem 20 GB disku.

Má to nějakou nevýhodu?

Má. Render trvá desítky minut až hodinu. Pokud je v něm něco špatně, musím si vypromptovat úpravu, a to znamená celý nový render.

Pro některé tvůrce je asi výhodnější cesta propojit třeba Claude s editačním softwarem, který poskládá timeline. Tu pak můžete ručně doladit a render si uděláte sami. S tím se celkem na internetu roztrhl pytel a je to taky cool (a střihači nebudou mít co žrát...):

Já jsem v tomto ohledu pohodlnější a volím cestu jednoho až dvou zkušebních renderů v menší kvalitě. Ty odsouhlasím a pak nechám udělat finální 4K.

Je to ještě moje video? A co s volným dnem?

Tuhle otázku jsem si položil taky. Moje odpověď: ano. Téma, data, měření a nápady jsou moje, stejně jako finální rozhodnutí. Jsem režisér a AI je odborný asistent a střihač.

A ten volný den? Klíčové je nenechat si ho znovu sežrat prací. Bylo by snadné ponořit se do dark flow a jen zintenzivnit práci, jenže volno je potřeba investovat úplně jinam. Jednou doma přidělám zrcadlo, jindy jedu pomoct na stavbu, jindy zabouchnu dveře a jdu si hrát s dětmi.

O tomhle workflow jsem mluvil i v Q&A callu komunity Lifehacky, kde se více hovořilo o rizicích spojených s užíváním AI, tipech proti hnití mozku. Doporučuju.

VIDEO VERZE

Video doporučuju hlavně kvůli ukázkám: grafiky, efekty a střihy, o kterých tu píšu, uvidíte v akci. A mimochodem, render tohohle videa nakonec trval tři hodiny 😃