V-GEN: автономный генератор теленовостей и видеосюжетов на Google Gemini и FFmpeg

Автор: Дмитрий Асанов
Telegram: @sandefiord ^[1]
Email: asanov@lux.tv.ru ^[2]
Репозиторий проекта: github.com/ondocomposer-cmyk/V-GEN ^[3]

---

Отказ от ответственности. Прошу не швырять камнями в автора. Делал скрипт под свои нужды, выложить в открытый доступ решил спонтанно, может кому-то пригодится. Над описанием не сильно старался.

Введение: Боль регионального ТВ и медиацентров

С нашего маленького местного телеканала (дочернего подразделения интернет-провайдера) уволились редактор и оператор. Чтобы не потерять лицензию, я как админ техподдержки взял на себя автоматизацию эфира и подготовку контента. Совмещать техподдержку со съёмками новостей сложно. Первый год я комбинировал живые отснятые на камеру новостные сюжеты с простыми роликами в виде слайд-шоу и анимированных фото (эффект Кена Бёрнса) по инфоповодам с порталов местных СМИ, пабликов. Но даже сбор новостей из чужих источников, обработка, подбор картинок, монтаж и озвучка отнимали много времени.

Из огромного потока информации нужно:

1. Вычленить реальные инфоповоды (отсеяв бесконечный бытовой мусор — «потерялась кошка», «найдены ключи», «куплю гараж»).

2. Проверить, актуальна ли новость прямо сейчас (последние 7 дней, а не трехмесячной давности).

3. Переписать сухой канцелярский или эмоциональный текст паблика в строгий телевизионный формат для диктора — с правильным хронометражем (~45–60 секунд, ровно 800–1000 знаков с пробелами), динамичным лид-хуком, числительными словами («седьмого октября», «тридцать миллионов рублей») и полным отсутствием панибратских приветствий.

4. Подобрать качественные фотографии, привести их к формату телевещания Full HD 1080p (16:9).

5. Записать голос диктора, смонтировать видеоряд, наложить динамичные наезды/отъезды камеры (эффект Кена Бернса), склеить с эфирной отбивкой канала, подложить фоновую музыку с точным уровнем громкости (-5.4 дБ) и вывести логотип.

На один сюжет уходило от 20-30 минут работы. Плавно я вводил парсеры рассылок. Собственную озвучку голосом через микрофон я перевел на TTS от Google AI Studio TTS ^[4]. Рерайт новостей отдал на откуп DeepSeek. Но ручной возни все равно оставалось много. Поэтому было принято решение разработать скрипт на Google Gemini с платной подпиской PRO. Знакомые зумеры показали мне, как купить ее на год за 70 рублей в тг-боте @ShopAethelBot ^[5]. В связке с Google Antigravity за несколько дней тестов и доработок получился этот скрипт.

V-GEN — локальный сервис с веб-интерфейсом, который собирает новостные ролики сам «под ключ»: от живого поиска инфоповодов до готового Full HD файла с русским именем для эфирного плейлиста.

---

Архитектура: как устроен V-GEN «под капотом»

V-GEN объединяет современные большие языковые модели с веб-поиском, синтез речи нового поколения, алгоритмы компьютерного зрения ^[6] для адаптации графики и классический вещательный видеопродакшн на FFmpeg:

                          [Пользователь]
                                │
                  Кнопка «Собрать новости за 7 дней»
                                ▼
         ┌──────────────────────────────────────────────┐
         │ 1. ДИНАМИЧЕСКИЙ СБОР И ИНФОРМАЦИОННЫЙ ФИЛЬТР  │
         │  • Google Gemini Grounding with Search       │
         │  • VKontakte API (городские сообщества)     │
         │  • RSS / Веб-парсеры региональных порталов  │
         └──────────────────────┬───────────────────────┘
                                │
                                ▼
         ┌──────────────────────────────────────────────┐
         │ 2. РЕДАКЦИОННЫЙ РЕРАЙТ И АДАПТАЦИЯ ТЕКСТА     │
         │  • Строго 800–1000 символов (~45–60 секунд)  │
         │  • Лид-хук, числительные словами, без клише  │
         │  • Нулевое панибратство (без «здравствуйте») │
         └──────────────────────┬───────────────────────┘
                                │
        ┌───────────────────────┴────────────────────────┐
        ▼                                                ▼
┌───────────────────────────────┐        ┌──────────────────────────────┐
│ 3. СИНТЕЗ РЕЧИ (GEMINI TTS)   │        │ 4. ВИЗУАЛЬНЫЙ РЯД И МЕДИА    │
│  • Голос: Callirrhoe (ТВ)     │        │  • Smart UNCROP до 1080p     │
│  • Чистая читка фактов        │        │  • Ken Burns без дрожания    │
│  • Нормализация 48k Stereo    │        │  • Папки B-Roll (видеоархив) │
└───────────────┬───────────────┘        └──────────────┬───────────────┘
                │                                       │
                └───────────────────┬───────────────────┘
                                    ▼
         ┌──────────────────────────────────────────────┐
         │ 5. FFmpeg ВИДЕОГЕНЕРАТОР И ЭФИРНЫЙ МОНТАЖ    │
         │  • Расчет хронометража: 1с + Голос + 3с      │
         │  • Динамическая смена кадров (~7–8 сек)      │
         │  • Выбор фоновой музыки из списка (-5.4 дБ) │
         │  • Синхронный Fade Out 1.5 сек (видео+аудио) │
         │  • Склейка с отбивкой (SAR 1:1, 30 fps)      │
         │  • Наложение логотипа канала с прозрачностью │
         └──────────────────────┬───────────────────────┘
                                │
                                ▼
         ┌──────────────────────────────────────────────┐
         │ 6. ГОТОВЫЙ ВЕЩАТЕЛЬНЫЙ ЭФИРНЫЙ MP4-ФАЙЛ      │
         │  Экспорт с русским именем:                   │
         │  «Ремонт теплосетей в Тутаеве.mp4»           │
         └──────────────────────────────────────────────┘

---

1. Интеллектуальный поиск без жестких рамок: Grounding in Real-Time

Классическая проблема автоматических новостных агрегаторов — ломкие парсеры и привязка к жестким RSS-лентам. Если сайт обновил верстку или в ленте три дня нет публикаций, скрипт падает или выдает старье.

В V-GEN применен принципиально иной подход: Используется Google Gemini Grounding with Google Search (модель gemini-3.8-flash). В запрос передается параметр инструментов:

{
  "tools": [{"googleSearch": {}}]
}

Модель напрямую обращается к поисковому индексу Google в реальном времени, сканирует публикации за последние 7–10 дней по заданной географии, сопоставляет факты из региональных СМИ, пресс-релизов МЧС, постов администраций и выдает структурированную подборку подтвержденных событий.

Промпт-инжиниринг: как заставить AI мыслить как выпускающий редактор

В админ-панели V-GEN выведено специальное поле, где промпт можно редактировать в реальном времени. По умолчанию вшит выверенный каркас телевизионного ТЗ:

1. География и фильтр отбора:

   • Прямое отношение: события, решения, происшествия, люди в городе (правый/левый берег) и населённых пунктах района.

   • Региональное значение: общеобластные решения губернатора и правительства, проверки МЧС или тарифы ЖКХ, напрямую затрагивающие жителей.

   • Жесткий запрет: потерянные кошки, ключи, гаражи, частные объявления и бытовые склоки в комментариях.

2. Тематические направления:

   • Происшествия и безопасность (МЧС, ГИБДД, суды).

   • ЖКХ и городская среда (отопление, дороги, переправы, благоустройство).

   • Социальная сфера (больницы, школы).

   • Культура, спорт и конкретная афиша на ближайшие дни с датами и местами.

3. Правила адаптации под диктора:

   • Объём текста: строго 800–1000 знаков с пробелами на одну новость. Это дает идеальный телевизионный хронометраж читки ~45–60 секунд.

   • Устная речь без канцеляризмов: фразы вроде «в целях реализации мероприятий» или «имеет место быть» строго запрещены.

   • Никаких приветствий: запрещены фразы «Здравствуйте», «Добрый вечер», «С вами новости». В эфир идет плотный поток фактов.

   • Числительные прописываются словами: чтобы ведущий не запинался, цифры преобразуются в текст: «седьмого октября», «более тридцати миллионов рублей».

   • Композиция: первое предложение — хук (суть новости), далее факты и подробности, финал — статус, последствия или дата следующего события.

---

2. Голос телеведущего: Google Gemini TTS и Callirrhoe

Для синтеза речи используется мультимодальный синтез Gemini TTS.

По умолчанию сервис настроен на голос Callirrhoe — это эталонный голос профессионального телеведущего: энергичный, теплый, уверенный, без механических пауз и с прекрасной русской фонетикой. При этом в админ-панели V-GEN можно выбрать любой из официальных голосов Gemini (Puck, Charon, Kore, Fenrir, Aoede, Leda, Orpheus, Zephyr).

Защита от лишних фраз (Prompt Injection Prevention)

Частая проблема синтеза через LLM — когда модель начинает озвучивать системные промпты («Конечно, вот ваша новость:…»). В V-GEN на генерацию речи подается исключительно очищенный текст новости без инструкций.

Полученный аудиопоток (PCM/WAV) нормализуется через FFmpeg под строгие вещательные требования: 48 kHz, 16-bit stereo.

---

3. Визуальный ряд: Smart UNCROP и Ken Burns без дрожания (Zero Jitter)

Обычная беда автогенераторов видео — вертикальные или квадратные фотографии из соцсетей с уродливыми черными полосами по бокам, либо сплюснутые пропорции.

Алгоритм Smart UNCROP

В V-GEN встроен автоматический конвертер любого изображения в Full HD 1920×1080:

1. Если пропорции исходного кадра близки к 16:9 (погрешность до 6%), выполняется мягкое масштабирование и центрированный кроп с фильтром Lanczos.

2. Если фото вертикальное или квадратное:

   • Создается задний план: исходник растягивается на весь кадр 1920×1080, размывается по Гауссу с радиусом 28 пикселей и затемняется на 30% (яркость 0.70).

   • Поверх накладывается передний план: исходная четкая фотография масштабируется с сохранением пропорций в безопасную ТВ-зону и центрируется.

   • Никаких черных полос — картинка выглядит как на федеральном телеканале.

Эффект Кена Бернса без дрожания (Субпиксельный зум)

Стандартный фильтр FFmpeg zoompan при показе статичных фотографий часто страдает от эффекта «дрожания» (jitter) из-за округления целочисленных координат пикселей на каждом кадре.

В V-GEN рендеринг слайдов перенесен на кадровый пайплайн Pillow с субпиксельными вещественными координатами (float box):

• Для каждого кадра рассчитывается точный scale:

  • Zoom In: наезд от 1.0 (100%) до 1.15 (115%).

  • Zoom Out: отъезд от 1.15 (115%) до 1.0 (100%).

• Масштабирование выполняется методом билинейной интерполяции BILINEAR с непрерывным смещением координат:

  cw = 1920.0 / scale
  ch = 1080.0 / scale
  left = (1920.0 - cw) / 2.0
  top = (1080.0 - ch) / 2.0
  frame = base_img.resize((1920, 1080), box=(left, top, left + cw, top + ch))
  

• Кадры поочередно чередуются: Zoom In Zoom Out.

• Телевизионное правило: последний слайд сюжета ВСЕГДА рендерится с Zoom Out (плавный отъезд камеры), что создает естественную точку завершения репортажа.

• Сгенерированный поток кадров отправляется напрямую в пайп FFmpeg через rawvideo rgb24 -> libx264 (yuv420p, 30 fps). Картинка идет абсолютно плавно, как по рельсам операторской тележки.

---

4. Точная математика таймингов: просчет времени показа картинок и видеороликов B-Roll

В вещании звук диктора является абсолютным хозяином хронометража: видеоряд обязан подстраиваться под голос, а не наоборот.

Формула общего времени видеоряда

Каждый сюжет монтируется по строгим правилам телевизионного монтажа:

• Lead-In (вводная пауза): 1.0 секунда. Первый слайд показывается зрителям в тишине ровно одну секунду до того, как диктор начинает говорить, чтобы зритель успел зафиксировать визуальный контекст новости.

• Voice Duration (читка диктора): измеряется программно с субсекундной точностью (например, 46.4 секунды).

• Lead-Out (финальная пауза): 3.0 секунды. После того как диктор закончил последнюю фразу, финальный слайд удерживается на экране еще 3 секунды.

• Общий хронометраж слайд-шоу:

  

  (Для читки 46 секунд общая длительность составит ровно 50 секунд).

Расчет длительности каждого кадра

Если к новости прикреплено медиафайлов (фотографии и видеоролики B-Roll), длина каждого отдельного фрагмента вычисляется автоматически:

Например, при 50 секундах и 7 кадрах каждый фрагмент продлится ровно 7.14 секунды. Никаких черных экранов или обрывов видеоряда!

Вставка видеороликов B-Roll («КОНСЕРВЫ»)

В сюжет можно вставлять не только фото, но и настоящие видеосъемки: проезды улиц, виды города с дрона, переправу через Волгу или дорожные ремонты.

При монтаже каждого B-Roll ролика FFmpeg применяет цепочку фильтров:

1. Зацикливание (-stream_loop -1): если исходный видеоролик города короче расчетного слайда (например, видео 4 секунды, а слайд длится 7.14 секунды), ролик бесшовно зацикливается.

2. Точный тримминг (-t {slide_duration}): ролик обрезается строго до рассчитанного времени слайда.

3. Кадрирование в 1080p: фильтр scale=1920:1080:force_original_aspect_ratio=increase,crop=1920:1080 гарантирует Full HD 16:9 без черных полос и искажения пропорций.

4. Нормализация вещания: принудительно задаются setsar=1 (квадратный пиксель), fps=30 и цветовое пространство yuv420p.

5. Отключение звука видео (-an): исходный звук видеоролика (шум мотора дрона, ветер) полностью вырезается, чтобы не конфликтовать с диктором и музыкой.

Микширование звука и синхронный Fade Out

• Голос диктора задерживается на 1000 мс с помощью аудиофильтра adelay=1000|1000.

• Фоновая музыка зацикливается, обрезается по Total Duration и понижается до эфирного стандарта -5.4 дБ (volume=-5.4dB).

• За 1.5 секунды до конца видеоряда включается синхронное затухание:

  • Видео: fade=t=out:st={fade_start}:d=1.5

  • Звук: afade=t=out:st={fade_start}:d=1.5 Видео плавно уходит в затемнение одновременно с затиханием музыки и фонового шума.

---

5. Наложение эфирного логотипа телеканала

Логотип телеканала накладывается с сохранением честного альфа-канала прозрачности (RGBA PNG).

В админ-панели V-GEN доступен выбор позиции логотипа:

• Сверху справа (ТВ стандарт): координаты с учетом эфирного отступа безопасности (Title Safe Area 40px): overlay=W-w-40:40.

• Сверху слева: overlay=40:40.

• Снизу справа: overlay=W-w-40:H-h-40.

В финальном графе фильтров FFmpeg логотип накладывается на склеенное видео (эфирная отбивка + видеоряд сюжета):

[v_concat][2:v]overlay=W-w-40:40[v_out]

Это гарантирует, что логотип стоит ровно на всех кадрах сюжета, не съезжает и не деформируется.

---

6. Настройка путей: Мульти-папки B-Roll и выбор фоновой музыки

В V-GEN реализована гибкая работа с файловыми путями прямо через веб-интерфейс админки.

Несколько папок с роликами B-Roll

В админке можно указать несколько путей к папкам с B-Roll:

• Например: F:КОНСЕРВЫ, D:ВидеоАрхив_Город, E:Дрон_Съемки. Эти ролики можно также вставлять в сюжет, чередуя с автоматически найденными картинками.

• Сервис динамически проверяет доступность папок и показывает статус: «Доступно (N видео)» зеленым цветом или «Не найдена» красным.

• В модальном окне выбора B-Roll на главной странице добавлен выпадающий список для быстрого переключения между базами, а строка глобального поиска ищет видеоролики сразу по всем подключенным папкам одновременно!

Выбор и загрузка фоновой музыки

Для разных типов новостей нужна разная музыка: для праздников — динамичная, для ЖКХ — нейтральная, для происшествий — строгая или режим «Без музыки» (траурная тишина).

В админ-панели реализован полноценный менеджер треков:

• Возможность указать любое количество путей к аудиофайлам (.wav, .mp3, .aac, .flac).

• Назначение понятных названий трекам («Эфирная тема ТВТ», «Динамичный репортаж», «Спокойный фон»).

• Кнопка «Загрузить аудио»: файл сохраняется в сервис и автоматически добавляется в список.

• Встроенный аудиоплеер для предпрослушивания любого трека прямо в браузере.

• Выбор основного трека по умолчанию.

• В новостной ленте: для каждого сюжета перед генерацией видео выведен выпадающий список, где в один клик можно выбрать конкретный трек или вариант «Без музыки».

Отбивка телеканала и логотип

• Путь к видеофайлу заставки (отбивка.mp ^[7]4) с видеоплеером проверки.

• Путь к логотипу канала (логотип.png) с кнопкой мгновенной загрузки нового PNG.

---

7. Экспорт с русскими именами файлов для эфирного сервера

Смонтированное видео сразу получает имя файла по заголовку новости на русском языке, например: МФО вводят новые лимиты кредитов в Тутаеве.mp ^[8]4.

При клике на кнопку «Скачать MP4» сервер отдает файл с корректными заголовками RFC 5987:

Content-Disposition: attachment; filename*=UTF-8''%D0%9C%D0%A4%D0%9E%20%D0%B2%D0%B2%D0%BE%D0%B4%D1%8F%D1%82...mp4

Браузер сохраняет файл с чистым русским названием, готовым к моментальной отправке в эфирный плейлист вещательного сервера без ручного переименования.

---

8. Веб-интерфейс и страницы V-GEN

Интерфейс построен на FastAPI, Jinja2, TailwindCSS и FontAwesome:

1. Главная страница (/):

   • Кнопка запуска сбора новостей за 7 дней с индикатором прогресса в реальном времени.

   • Карточки сюжетов: заголовок, хронометраж читки, количество символов текста, блок редактирования текста диктора.

   • Галерея медиафайлов: фото и видеоролики B-Roll с возможностью добавления из поисковика, загрузки с ПК или выбора из архива города.

   • Индивидуальная перегенерация голоса диктора при правках текста.

   • Селектор фоновой музыки и кнопка запуска рендеринга видео.

   • Индикатор прогресса монтажа с шагами в процентах и встроенный плеер готового сюжета.

2. Админ-панель (/admin):

   • Управление ключом Gemini API и проверка связи.

   • Выбор модели LLM и переключатель Grounding Google Search.

   • Редактор системного редакционного промпта.

   • Выбор диктора Gemini TTS.

   • Менеджер папок B-Roll и треков фоновой музыки.

   • Таблица источников новостей (включение/отключение RSS, пабликов VK, Telegram-каналов) с кнопками проверки доступности.

3. Архив видеороликов (/archive):

   • Все сгенерированные сюжеты в одном месте с возможностью просмотра, скачивания под русскими именами и очистки диска.

---

Пошаговая установка и запуск за 5 минут

Сервис оптимизирован для работы на Windows, а также запускается на Linux и macOS.

Шаг 1. Создание папки и открытие командной строки

1. Откройте Проводник (Win + E) и перейдите на любой удобный диск (например, C:, D: или F:).

2. Создайте новую папку (например, V-GEN или новостник) и зайдите в неё.

3. Лайфхак для Windows: кликните левой кнопкой мыши по адресной строке Проводника вверху, введите cmd и нажмите Enter. Сразу откроется черное окно командной строки, уже смотрящее в созданную папку.

4. Склонируйте файлы репозитория:

git clone https://github.com/ondocomposer-cmyk/V-GEN.git .

(Точка в конце скачает проект прямо в текущую открытую вами папку).

Шаг 2. Установка зависимостей

Убедитесь, что у вас установлен Python 3.10 или новее, а также FFmpeg (должен быть добавлен в системный PATH).

Установите зависимости:

pip install -r requirements.txt

(В requirements входят: fastapi, uvicorn, google-genai, httpx, pillow, beautifulsoup4, feedparser, jinja2, pydantic и др.)

Шаг 3. Получение бесплатного API-ключа Gemini

1. Перейдите на Google AI Studio ^[9].

2. Нажмите Create API key (создание бесплатного ключа занимает 15 секунд, банковская карта не требуется).

3. Скопируйте ключ вида AIzaSy....

Шаг 4. Запуск сервиса

Запустите сервис командой:

python run.py

В консоли появится сообщение:

======================================================================
   V-GEN — АВТОМАТИЧЕСКАЯ ГЕНЕРАЦИЯ ВИДЕОНОВОСТЕЙ ДЛЯ ТВ
   Автор скрипта: Дмитрий Асанов (@sandefiord, asanov@lux.tv.ru)
======================================================================
Веб-интерфейс доступен по адресам:
  -> Главная (Новости и генерация): http://localhost:8000
  -> Админ-панель (Настройки V-GEN): http://localhost:8000/admin
  -> Архив видеороликов:           http://localhost:8000/archive
======================================================================

Откройте браузер по адресу: http://localhost:8000 ^[10]

---

Первичная настройка в веб-интерфейсе

1. Перейдите во вкладку «Админ-панель» (http://localhost:8000/admin ^[11]).

2. Вставьте ваш Gemini API Key и нажмите кнопку «Проверить» — система подтвердит связь с нейросетью.

3. Проверьте переключатель «Поиск Google в реальном времени (Grounding)» — он должен быть включен.

4. Отредактируйте «Поисковый и редакционный промпт» под специфику вашего города или региона.

5. Выберите диктора (по умолчанию эталонный Callirrhoe).

6. В блоке медиа укажите пути к вашим папкам с видео B-Roll и настройте треки фоновой музыки.

7. Загрузите PNG логотип канала и укажите путь к файлу заставки отбивка.mp ^[7]4.

8. Нажмите «Сохранить все настройки».

Теперь на главной странице достаточно нажать «Собрать и обработать новости за 7 дней» — и через несколько десятков секунд у вас будет готовая телевизионная верстка сюжетов в Full HD!

---

Заключение

V-GEN выполняет рутинные задачи редакции за копейки. Буду рад вашим отзывам и конструктивной критике!

---

Контакты и обратная связь

• Автор проекта: Дмитрий Асанов

• Telegram: @sandefiord ^[1]

• E-mail: asanov@lux.tv.ru ^[2]

• GitHub: github.com/ondocomposer-cmyk/V-GEN ^[3]