Как создавался сервис автоматического конспектирования видео с помощью ИИ

Создание современного веб-сервиса с использованием генеративных моделей показывает, с какими архитектурными и логическими трудностями сталкивается разработчик. В процессе работы над проектом по превращению видеозаписей в структурированные текстовые документы выяснилось, что автоматическое конспектирование видео с помощью ИИ требует постоянного контроля качества данных и жесткой проверки фактической реализации.

Проект представляет собой инструмент для обработки видеоматериалов и аудиозаписей. Ссылки на YouTube, Rutube, VK Видео или загруженные файлы преобразуются в очищенный транскрипт, тезисы с таймкодами, глоссарий и критику аргументации.

Архитектура и распределение ролей в разработке

Техническая реализация построена на базе современного стека. Фронтенд выполнен на React и работает за обратным прокси-сервером nginx. За оркестрацию процессов отвечает платформа n8n, включающая шесть различных сценариев автоматизации. Медиа-сервис функционирует на FastAPI с применением утилит yt-dlp и ffmpeg, а в качестве базы данных используется PostgreSQL. Вся инфраструктура развернута в виде единого docker-compose на компактном VPS.

Распределение задач в процессе создания продукта было строго регламентировано. Автор проекта выполнял функции продакта и арт-директора, определяя вектор развития, требования к интерфейсу и приемку результатов. Модель Claude в чате выступала в роли архитектора, формируя системные контракты, схемы результатов и технические задания. Непосредственная генерация кода выполнялась через Claude Code, а за визуальное оформление интерфейса отвечал Claude Design.

Проблема тихой порчи данных в текстовых пайплайнах

В ходе тестирования этапа очистки сырого транскрипта обнаружились серьезные системные сбои. Модель, занимающаяся удалением слов-паразитов и форматированием текста, должна была сохранять исходное содержание. Однако проверка показала, что алгоритм без предупреждений отбрасывал от 29 до 44 процентов предложений вместе с ключевыми деталями.

Формальные валидаторы не фиксировали ошибок, поскольку структура абзацев и общая длина ответа соответствовали заданным критериям. Провайдеры распознавания речи возвращали успешный код ответа даже при выдаче пустых или обрезанных данных. Для решения этой проблемы внедрили правило удержания: если доля сохраненных предложений падала ниже 92 процентов, текст отправлялся на доработку, а при повторном сбое на странице выводилось предупреждение для пользователя.

Расхождение между проектной документацией и реальной системой

Второй крупной сложностью стало несоответствие между описанной в документации конфигурацией и фактическим состоянием сервера. В ходе проверок выяснилось, что часть заявленных функций не работала или функционировала иначе. Например, политика обработки данных утверждала об отключении системного журнала запросов nginx, хотя контейнер продолжал фиксировать все обращения.

Подобные расхождения фиксировались неоднократно:

• Параметры перевода в API оставались нереализованными.
• Автоматические повторные запросы при сбоях распознавания срабатывали только при обрыве связи, игнорируя серверные ошибки.
• Скрипты импорта сценариев не запускались на Linux из-за ограничений на длину аргументов командной строки.

Каждое подобное несоответствие возникало не из-за синтаксических ошибок в программном коде, а из-за того, что намерения разработчиков и моделей фиксировались как уже выполненные факты без проведения реальных замеров на живом контуре.

Взаимодействие человека и искусственного интеллекта

Практический опыт показал, что автоматизация разработки смещает фокус внимания человека с написания кода на верификацию результатов и управление границами задач. Отчеты генеративных инструментов выглядят подробными и убедительными, однако требуют сплошной проверки по принципу «чем подтверждено каждое утверждение».

Кроме того, ИИ-инструменты не способны самостоятельно устанавливать временные рамки для сложных расследований или определять приоритетность архитектурных долгов. Ограничение времени на отладку аномального поведения моделей и принятие решений о релизах остаются за разработчиком.