«Он точно говорил это в интервью». Как мы научили видеоархив отвечать на вопрос «где?»

Продюсер помнит, что один из героев рассказывал о провальном первом запуске и смеялся над прототипом из картона. Интервью снимали несколько месяцев назад, записей десятки, а в заметках осталась только тема разговора. Чтобы найти минутную сцену, редактору приходится снова смотреть часы материала.

Такой случай стал для нас отправной точкой. Нужно было не просто расшифровать речь, а сделать архив, в котором можно искать по смутному человеческому воспоминанию: теме, интонации, участнику, предмету в кадре или сочетанию нескольких признаков.

Запрос «где герой признаёт ошибку при запуске и показывает первый образец» может не совпасть ни с одной произнесённой фразой. В записи человек скажет: «Мы тогда сильно просчитались», а предмет назовёт просто «этой штукой». Обычный поиск по словам пропустит сцену.

Система сопоставляет описание с расшифровкой и опорными кадрами. В выдаче появляются несколько отрывков: короткий текст, имя записи, участник и временная отметка. Это не окончательный выбор, а небольшой список мест, которые действительно стоит посмотреть.

Фраза может звучать идеально для заголовка, но соседняя реплика полностью менять её смысл. Поэтому результат открывается не как вырванная строка, а с запасом до и после. Редактор слышит вопрос, интонацию и продолжение разговора.

Рядом сохраняется ссылка на исходный файл. Даже после выгрузки фрагмента можно восстановить, откуда он взят, кто говорил и в каком месте записи. Для журналистской и документальной работы происхождение материала не менее важно, чем скорость поиска.

После загрузки запись получает расшифровку с временными отметками. Для видео дополнительно выбираются кадры, которые помогают различать участников, помещения, показанные предметы и смену сцены. Все эти материалы остаются связаны с оригиналом.

Новый файл появляется в поиске постепенно, а уже готовые записи продолжают работать. Повторная загрузка не создаёт двойников. Если оригинал удалён или права на него изменились, связанные отрывки также исчезают из доступной выдачи.

Найдя нужный эпизод, редактор отмечает точку входа и выхода, добавляет заметку и кладёт фрагмент в подборку. Следующий запрос может искать реакцию другого героя, общий план места или более короткую формулировку той же мысли.

Подборка сохраняет порядок, подписи и ссылки на оригиналы. Её можно передать монтажёру или выгрузить вместе с временными отметками. Система сокращает черновой просмотр, но не решает, какая сцена честнее, выразительнее или лучше работает в истории.

Работа над одной темой может продолжаться несколько дней. Сохранённый запрос и причины выбора помогают другому редактору понять логику подборки, а не начинать исследование архива заново или доверять списку отрывков без объяснений.

По расшифровке хорошо находятся темы, имена и формулировки. Но запрос «герой раскладывает чертежи на столе» может вообще не сопровождаться нужными словами. Здесь помогают кадры. И наоборот: по одному изображению невозможно понять, в какой момент участник объясняет причину решения.

Мы соединяем оба вида признаков, но не смешиваем их в один непрозрачный ответ. Редактор видит, почему появился результат: из-за сказанной мысли, визуальной сцены или их сочетания. Это позволяет быстрее отбрасывать случайные совпадения.

Плохой микрофон, музыка и несколько голосов одновременно ухудшают расшифровку. Особенно опасны фамилии, суммы и даты: одно неверно услышанное слово может превратить настоящую цитату в ложную. Поэтому перед публикацией редактор слушает оригинал, а не копирует текст из выдачи.

Качество проверяется на реальных редакторских заданиях. Мы смотрим, находится ли нужный эпизод среди первых вариантов, сколько бесполезных фрагментов приходится открыть и не теряется ли контекст. Сложные записи оцениваются отдельно, чтобы чистый студийный звук не скрывал проблемы полевых съёмок.

В результате редакция получает единый вход в интервью, съёмки, подкасты и рабочие записи. Старый материал можно переиспользовать не потому, что кто-то случайно вспомнил название папки, а потому, что содержание снова стало видимым.

Оригиналы при этом не меняются, а права доступа остаются такими же, как в исходном архиве. Система берёт на себя часы предварительного просмотра и приводит редактора к нескольким вероятным местам. Последний шаг намеренно не автоматизирован: человек открывает сцену, слышит вопрос и решает, можно ли вообще вынимать эту фразу из разговора.