Jak jsem naučil Clauda stříhat videa

Se střihem videa mám zkušenost hlavně z iMovie. Tentokrát jsem to zkusil jinak: nechal jsem Clauda nastudovat, jak stříhají nejlepší filmaři na světě, a z toho postavit skill, který moje záběry sám projde, vybere, složí k nim hudbu a nastříhá je. Začalo to u videí z dovolené a skončilo univerzálním nástrojem na střih. Tady je, jak to vzniklo, co nefungovalo a proč Claude skládá hudbu, kterou nikdy neslyšel.

Začalo to jednou otázkou

Na začátku nebyl žádný projekt. Jen jsem se Clauda zeptal: „Jak jsou nastříhaná nejlepší videa z dovolené na světě?“ Místo rychlé odpovědi spustil hloubkovou rešerši – rozhovory s autory, rozbory střihu, doporučení Instagramu, TikToku a YouTube – a za chvíli jsem měl na stole zprávu, která mi docela srovnala hlavu.

Nejvíc mi utkvělo tohle:

• Nejdřív hudba, pak obraz. Leonardo Dalessandri, autor legendárního filmu Watchtower of Turkey (Vimeo Best of 2014), nejdřív poskládal soundtrack a teprve pak do něj stříhal záběry.
• Výbava nerozhoduje. Ten samý film je natočený z ruky na Panasonic GH3 a GoPro, bez gimbalu. Má kolem 280 záběrů na tři a půl minuty a naprostá většina střihů jsou obyčejné střihy, žádné efekty.
• Téma místo deníku. „Den 1, den 2“ je nejčastější chyba. Brandon Li skládá filmy z malých příběhů, které do sebe zapadají jako puzzle.
• Efektní přechody jsou koření. Na celý film unaví, na jedno až tři místa jsou skvělé.
• U Reels rozhoduje první sekunda. Nejsilnější záběr hned na začátek, žádné intro.

V tu chvíli mi došlo, že tohle jsou pravidla, která se dají popsat. A co se dá popsat, dá se naučit i Clauda.

Z rešerše skill

Další zpráva byla krátká: „Jak z toho udělám dovednost pro Clauda?“

Skill je v podstatě složka se souborem SKILL.md. Nahoře má krátký popis, podle kterého Claude pozná, kdy ho použít, pod tím postup a vedle můžou ležet podklady a skripty. Podklady si Claude načte, až když je potřebuje, takže v nich může být klidně celá rešerše.

Než se pustil do práce, položil mi dvě otázky: co má skill umět a v čem stříhám. Odpověděl jsem, že chci všechno – poradit, naplánovat i nastříhat. A že sice znám iMovie, ale nechci to vázat na žádný program. Chci, aby to Claude udělal sám.

Výběr nástroje jsem nechal na něm a sáhl po ffmpeg – open-source nástroji na zpracování videa z příkazové řádky – plus pár skriptech v Pythonu. Žádné klikání v editoru, takže to Claude ovládá celé sám. Na Macu stačí brew install ffmpeg a jede se.

Tohle je pro mě asi nejdůležitější rozhodnutí celé věci: neptal jsem se „jak mám stříhat“, ale „jak to má udělat Claude“. To je rozdíl mezi návodem, který si přečtu a zapomenu, a nástrojem, který dělá práci za mě. Je to můj oblíbený princip OHIO (Only Handle It Once): co dělám podruhé, z toho udělám šablonu, skill nebo automatizaci.

Co skill dělá

Práce jde v pěti krocích. Každý dělá jeden skript a výstup jednoho je vstupem dalšího – trochu jako unixová roura, jen místo grep se tam řeší, jestli je záběr ostrý.

1. Inventura. Projde složku se záběry, každému souboru dá ID a upozorní na zrádnosti: HDR video z iPhonu (bez převodu vypadá vybledle), proměnlivé fps z telefonu, fotky ve formátu HEIC, mix videí na šířku a na výšku.
2. Náhledy. Z každého klipu vyrobí list s náhledy v čase a spočítá jednoduché metriky: pohyb, jas a ostrost. Claude si ty listy opravdu prohlíží – jinak by záběry „neviděl“ – a podle nich vybírá úseky s přesným začátkem a koncem.
3. Hudba. Ze skladby zjistí tempo, doby a takty a rozdělí ji na klidné pasáže, střed a vrchol. V klidu se stříhá na delší záběry, ve vrcholu na krátké a rychlé.
4. Plán. Claude navrhne strukturu podle hudby a zapíše ji do jednoduchého JSON souboru: který klip, od kdy do kdy, jaký přechod, jaký titulek. Než začne renderovat, ukáže mi plán ke schválení.
5. Render a kontrola. ffmpeg podle plánu vyrobí video. Konce záběrů přichytí přesně na doby skladby, převede HDR, sjednotí barvy, přidá titulky s diakritikou, ztlumí hudbu pod řečí a srovná hlasitost na −14 LUFS. Umí verzi na šířku i vertikál pro Reels. Nakonec vytáhne z každého záběru jeden snímek, aby Claude výsledek zkontroloval dřív, než mi ho ukáže.

Než mi skill předal, otestoval celý řetězec na uměle vyrobených záběrech – vertikální video, HDR klip, roztřesený záběr, fotka, divné fps. Střihy dopadly přesně na doby skladby.

Přechody jako žiletky a záběr na nohy

Pak přišel ostrý test na mých vlastních videích. Fungovalo to, ale dvě věci mi vadily.

Přechody byly moc ostré. Skill měl jako výchozí čistý střih, přesně podle rešerše – nejlepší filmy přece stříhají hlavně obyčejnými střihy. Jenže tam jsou záběry natočené s úmyslem, aby na sebe navazovaly. Klipy z telefonu se liší světlem, barvou i pohybem, takže holý střih mezi nimi drhne. K tomu se na každém střihu utnul zvuk a malé „cvaknutí“ to celé dělalo ještě tvrdší.

Oprava: výchozí přechod je teď jemné prolnutí 0,35 sekundy, které skoro nepostřehnete, ale spoje uhladí. Ve zvuku je na každém spoji krátké mikroprolínání. Tvrdé střihy zůstaly jen ve vrcholu skladby, přesně na dobu – tam ostrost nese energii.

Ve výběru byl záběr na nohy. 🙂 Claude vybíral podle náhledů, jenže náhled ukazuje jen jeden okamžik. Pěkný moment uprostřed klipu a o dvě sekundy později kamera klesne k botám – to zná každý, kdo točí telefonem.

Oprava má dvě části. Skill dostal přísný filtr relevance: nohy, zem, kapsa, zakrytý objektiv, kamera, která se teprve zvedá, rozmazaný švenk. Záběr projde jen tehdy, když Claude umí jednou větou říct, co přidává k tématu. A před renderem teď vznikne kontrolní list se snímkem ze začátku, ze středu i z konce každého vybraného úseku. Ten dostanu i já a můžu škrtnout, co se mi nelíbí.

Celá oprava proběhla tak, že jsem Claudovi napsal dvě věty: „přechody jsou hodně ostré“ a „je tam záběr na nohy“. Upravil skripty, otestoval je a zabalil novou verzi. Žádné ladění parametrů z mé strany.

Hudba, kterou Claude nikdy neslyšel

Další test bylo video z Kefalonie. Ve složce se záběry nebyla žádná hudba a skill v takové chvíli nabízel dvě cesty: dodám vlastní, nebo bude video jen se zvukem z místa. Claude přišel s třetí – hudbu vygenerovat. Kývnul jsem.

Nejde o žádný AI model na hudbu ani o stahování vzorků. Skladbu poskládal jeden skript v Pythonu od nuly: struny podle fyzikálního modelu Karplus–Strong, pad z rozladěných pil, basa, kopák, šumové bicí a zvonky přes FM syntézu. Výhoda je, že neřeším licence ani Content ID. A hlavně se skladba skládá podle videa, ne naopak.

Video dostalo čtyři kapitoly – příjezd, ostrov, aquapark, želvičky – a každá celý počet taktů. Při 100 BPM má takt 2,4 sekundy, takže klid trval 19,2 s, střed do 57,6 s, vrchol se skluzavkou do 76,8 s a závěr se želvičkami do 96 s. Pak dva takty dozvuku. Hranice sekcí v hudbě a hranice kapitol ve videu jsou totožné, takže každý přechod mezi kapitolami padá na první dobu taktu.

Zajímavý detail: když na hotovou skladbu pustil analýzu tempa, naměřila 99,74 BPM místo 100 a doby postupně ujížděly. U syntetické hudby s měkkým nástupem tónů je detekce nespolehlivá. Řešení je jednoduché – když skladbu skládám, tempo znám přesně, takže generátor rovnou zapíše přesnou mřížku dob a analýza se vůbec nespouští.

A teď ta nejdůležitější věc: Claude hudbu neslyší. Kontroluje ji jen nepřímo – na spektrogramu musí být vidět, že bicí nastupují ve 19,2 s, výšky houstnou ve vrcholu a na konci skladba dozní. Plus změří hlasitost. Jestli to zní dobře, ale můžu posoudit jen já. Skill to teď uživateli vždycky řekne a nabídne jinou variantu, když se skladba nelíbí.

Jeden skill místo dvou (a ne jen na dovolenou)

Z té práce mi Claude sepsal podrobný podklad – tempa, akordy, nástroje, aranžmá, co se pokazilo – a ten jsem pak poslal do skillu s tím, ať to všechno sloučí. Měl jsem totiž ještě samostatný skill na výběr hudby: kde ji vzít legálně, kolik stojí licence, co s claimem na YouTube.

Původní skript na hudbu se mi mezitím ztratil. Claude ho napsal znovu podle podkladu a rovnou rozšířil na čtyři nálady: léto, cinematic, ambient a rychlý reel s beatem od první doby. Přidal i trik, který znají filmaři: na pár sekund stáhnout hudbu skoro do ticha a nechat vyznít skutečný zvuk – šplouchnutí, smích. A na začátek kontrolu, jestli má počítač všechno, co skripty potřebují.

Když bylo hotovo, zeptal jsem se, jestli se to dá použít i jinde než na dovolenou. Odpověď byla poctivá: z velké části ano. Skripty o dovolené nic nevědí, stejně dobře zpracují svatbu, oslavu, firemní akci, sport nebo časosběr rekonstrukce. Nehodí se ale na video postavené na řeči, jako je rozhovor nebo tutoriál, kde se stříhá podle toho, co kdo říká. Skill se tak přejmenoval na strih-videa a dostal rady i pro natáčení akcí – hlavní momenty zjistit předem, točit reakce publika, proslovy nahrávat zblízka.

Co si z toho beru

Nejdřív rešerše, pak skill. Kdybych rovnou napsal „udělej mi skill na střih“, dostal bych technicky funkční skripty bez vkusu. To, že skill ví, proč stříhat na dobu nebo proč dát nejsilnější záběr Reelsu do první sekundy, je z rešerše. Tohle pořadí si nechám i pro další skilly.

Testovat na vlastních datech hned. Uměle vyrobené testovací záběry odhalí, jestli skript spadne. Neodhalí, že telefon točí nohy. Na to je potřeba skutečný materiál a lidské oko – a u hudby lidské ucho.

Zpětná vazba jako konkrétní scéna. „Přechody jsou ostré“ a „je tam záběr na nohy“ stačilo. Claude z toho odvodil obecná pravidla, ne jen opravu jednoho videa.

Nejtěžší část přitom nebyla technická. ffmpeg je mocný a Claude ho zvládá dobře. Těžší je vkus: co do videa nepatří, kdy má být střih měkký a kdy tvrdý, jak má znít podkres. Skill je tak dobrý, jak přesně jsem mu dokázal říct, co mi vadí.

Pokud chcete něco podobného zkusit, nemusí to být video. Stačí najít činnost, kterou děláte pořád dokola a nejste v ní expert, nechat Clauda zjistit, jak ji dělají nejlepší, a pak se zeptat: „Jak z toho udělám skill?“