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

Региональный телеканал столкнулся с острой кадровой проблемой: уволились редактор и оператор. Чтобы не потерять лицензию, пришлось автоматизировать эфир и подготовку контента. В первый год администратор техподдержки комбинировал живые новостные сюжеты с видеопрезентациями и слайд-шоу из местных источников. Но даже сбор информации, её обработка, подбор визуального материала и финальный монтаж занимали 20–30 минут на один сюжет. Требовалось решение.

Архитектура: семь этапов автоматизации

V-GEN объединяет несколько современных технологий в единую цепочку производства.

1. Интеллектуальный поиск новостей Классические парсеры RSS быстро ломаются при изменении верстки сайта. V-GEN использует Google Gemini (модель gemini-3.8-flash) с встроенным Grounding: прямой доступ к поисковому индексу Google в реальном времени. Система сканирует публикации за последние 7–10 дней по заданной географии, сопоставляет факты из региональных СМИ, пресс-релизов МЧС, постов администраций и выделяет подтвержденные события.

2. Редакционный рерайт и промпт-инжиниринг Промпт в V-GEN содержит жёсткие требования телевизионного формата:

Объём: строго 800–1000 знаков с пробелами (~45–60 секунд чтения). Композиция: лид-хук в первом предложении, затем факты и детали, финал — статус или дата следующего события. Язык: устная речь без канцеляризмов ("в целях реализации" запрещены), без приветствий ("Здравствуйте" недопустимы), числительные прописываются словами ("седьмого октября", "тридцать миллионов рублей").

География и фильтры охватывают события в городе и районе, региональные решения губернатора, проверки МЧС, тарифы ЖКХ. Жесткий запрет: потерянные вещи, гаражи, частные объявления.

Тематические направления включают происшествия и безопасность (МЧС, ГИБДД, суды), ЖКХ и городскую среду (отопление, дороги, благоустройство), социальную сферу (больницы, школы), культуру, спорт и афишу.

3. Синтез речи: Google Gemini TTS Озвучка ведется голосом Callirrhoe — эталонный профессиональный телеведущий: энергичный, теплый, без механических пауз. Доступны альтернативные голоса: Puck, Charon, Kore, Fenrir, Aoede, Leda, Orpheus, Zephyr. Система защищена от prompt injection: на TTS подается только очищенный текст новости без инструкций. Аудиопоток нормализуется по вещательным стандартам: 48 kHz, 16-bit stereo.

4. Визуальный ряд: Smart UNCROP и Ken Burns Алгоритм Smart UNCROP автоматически приводит любое изображение к Full HD 1920×1080. Если пропорции близки к 16:9 — масштабирование и центровка. Если фото вертикальное или квадратное: создаётся размытый фон (исходник растягивается, размывается по Гауссу с радиусом 28 пикселей, затемняется на 30%), а поверх накладывается исходная четкая фотография в центре.

Эффект Ken Burns реализован через субпиксельный зум: координаты передаются как вещественные числа (float), масштабирование выполняется билинейной интерполяцией. Zoom варьируется от 1.0 (100%) до 1.15 (115%), кадры чередуются наезд-отъезд, последний слайд обязательно показывает отъезд (Zoom Out).

5. Точная математика таймингов Звук диктора — абсолютный хозяин хронометража. Формула: Lead-In (1 сек) + Voice Duration (измеряется субсекундно) + Lead-Out (3 сек). Если видео содержит 7 кадров, каждый длится (общее время – 4 сек) / 7. B-Roll видеоролики зацикливаются, кадрируются в 1920×1080, нормализуются (SAR 1:1, 30 fps, yuv420p).

6. Финальный монтаж на FFmpeg Системе задаются уровень громкости фоновой музыки (−5.4 дБ), синхронный Fade Out (1.5 сек видео и аудио), склейка с эфирной отбивкой канала, наложение логотипа с прозрачностью.

Результат — готовый MP4-файл с русским именем ("Ремонт теплосетей в Тутаеве.mp4") для прямого эфира.