Spis treści
W skrócie: AI potrafi zrobić rolkę z nagrania szkolenia, ale jedno narzędzie myli się w powtarzalny sposób. Najwięcej dało mi dołożenie drugiego modelu, który sprawdza pierwszy, lepszy wybór okładki i pamięć tematów, żeby nie robić 2 razy tej samej rolki. Darmowych modeli, które uczą się na moich danych, nie używam, bo nagrywam szkolenia z klientami.
Darmowe AI do rolek nie jest darmowe, jeśli nagrywasz klientów.
Znajomy, który buduje swój system do rolek, wysłał mi zrzut ze swojej rozmowy. U niego transkrypcję robią 2 modele, a osobny „decider” wybiera lepszy wynik. Do tego tanie modele przez OpenRouter, wszystko „za mniej niż centa”. I na koniec jedno zdanie o moim systemie: że detekcja twarzy jest u mnie stara.
Miał trochę racji. Poprosiłem Claude Code, żeby przeanalizował cały mój system, a potem: „poprawiaj wszystko co warto”. Poniżej to, co sprawdziliśmy, co weszło i co odpadło.
Jak wygląda mój system do robienia rolek z AI?
Wrzucam nagranie szkolenia albo rozmowy, a system robi z niego gotowe rolki 30-60 s: z napisami, okładką i opisem. Ja wybieram fragmenty i oglądam efekt. Z 1 szkolenia wyszło mi tak 17 rolek, pisałem o tym w newsletterze #57 (otwiera się w nowej karcie).
Po kolei wygląda to tak:
- AI spisuje nagranie słowo po słowie, z czasem każdego słowa,
- AI proponuje fragmenty z mocnym pierwszym zdaniem, a ja wybieram,
- silnik tnie pauzy, czyści dźwięk, dodaje napisy i okładkę,
- 2 osobne kontrole sprawdzają, czy rolka ma sens i czy nic nie jest ucięte.
Najsłabszym ogniwem nie był montaż. Była kontrola jakości. W pierwszej rundzie kontroli odpadało mi 14 z 33 rolek, a w innej partii 10 z 17. Każda poprawka to nowy render i kolejna runda.
Problem nie leżał w AI do montażu. Leżał w tym, że AI źle słyszało, gdzie kończy się słowo.
Dlaczego AI ucina słowa w rolkach?
Bo narzędzie do transkrypcji zgaduje, kiedy słowo się zaczyna i kończy, a myli się o ułamki sekundy. Ja używam Whispera, czyli darmowego modelu od OpenAI do zamiany mowy na tekst. Tekst pisze bardzo dobrze. Gorzej z czasem. Jedno słowo, „Nieprawda”, postawił 0,9 s za późno i silnik wyciął je jako ciszę.
Dlatego najczęstsze błędy w moich rolkach wyglądały tak samo:
- ucięta końcówka ostatniego słowa,
- słowo wycięte, bo AI uznało je za pauzę,
- dwa powtórzenia tej samej frazy sklejone w jedno.
Pomysł znajomego był prosty: niech drugi model słucha tego samego nagrania. Testowaliśmy Parakeet, model od Nvidii, który działa na Macu bardzo szybko. 5 minut nagrania spisał w 5-7 s, Whisper potrzebował na to 24-39 s.
Tylko że po polsku Parakeet pisał gorzej. Zamiast „Sprzedajesz swoją wiedzę, a klienci dalej przychodzą tylko z polecenia” napisał „Sprzajesz swoją wiedzę, a kliencie dalej przychodzi tego spolecenia”. Liczby zapisywał słownie, a w rolce chcę cyfry.
Więc podział ról wyszedł taki:
- tekst zawsze z Whispera,
- Parakeet tylko podpowiada, kiedy słowo się kończy,
- gdy oba modele się różnią, rozstrzyga głośność dźwięku w tym miejscu, a nie kolejne AI.
Pierwsza wersja tego „sędziego” przesuwała słowa w obie strony i potrafiła uciąć początek słowa. Poprawiliśmy ją tak, żeby tylko wydłużała słowo: start wcześniej, koniec później. Na 5 minutach nagrania zrobiła 9 poprawek, głównie na końcach zdań. Tam, gdzie kończy się rolka.
Drugi model nie musi być lepszy od pierwszego. Wystarczy, że myli się inaczej.
Czy nowszy model AI zawsze jest lepszy?
Nie. W rankingach modeli do transkrypcji Parakeet wypada lepiej od Whispera, ale te rankingi liczą głównie angielski. Na moim polskim nagraniu tekst był gorszy. Ranking nie mówi, jak model poradzi sobie z Twoim głosem, Twoim językiem i Twoim mikrofonem.
Drugi przykład z tego samego dnia. Sprawdziliśmy też Whispera w wersji na kartę graficzną Maca, która miała być dużo szybsza. Była szybsza o około 20%. Za to w środku polskiego nagrania zaczęła wypisywać zdania po koreańsku i turecku. Odinstalowaliśmy ją po jednym teście.
Zasada, którą z tego mam: zanim zmienisz narzędzie AI w swoim procesie, puść je na 5 minutach własnego materiału i porównaj obok starego. To kosztuje kwadrans. Brak tego testu kosztuje partię rolek do poprawy.
Ranking to nie Twoje nagranie.
Jak AI wybiera okładkę rolki?
Szuka klatki, na której twarz jest ostra, oczy otwarte, a Ty patrzysz w obiektyw. Mój system robił to starą metodą rozpoznawania twarzy, która widzi tylko prostokąt twarzy. Nie widzi oczu ani tego, czy właśnie mrugasz.
Gorzej, że kiedy nie znalazła twarzy, nie mówiła nic. Po prostu brała pierwszą klatkę z fragmentu. Na teście z nagrania z 11.10 dokładnie tak się stało: stara metoda nie znalazła twarzy i dała na okładkę klatkę, na której patrzę w dół.
Podmieniliśmy ją na rozpoznawanie twarzy wbudowane w system Apple. Daje ocenę jakości ujęcia, wie, czy oczy są otwarte, i działa szybciej (1,8 s zamiast 8,2 s na tym samym fragmencie). Na tym samym nagraniu wybrała klatkę, na której patrzę w obiektyw.
Jeśli robisz okładki ręcznie, zasada jest ta sama: patrzysz w obiektyw, oczy otwarte, twarz ostra. Jeśli robi to za Ciebie narzędzie, sprawdź, co robi, kiedy twarzy nie znajdzie.
Najgorszy błąd AI to taki, o którym nikt Ci nie mówi.
Jak nie publikować 2 razy tej samej rolki?
Trzeba porównać nowy pomysł z tym, co już opublikowane albo zaplanowane, zanim zaczniesz montaż. U mnie to wychodziło za późno. Z jednej partii zrobiłem 23 rolki i dopiero przy planowaniu publikacji okazało się, że 10 z nich mówi to samo, co rolki już zaplanowane.
Przy kilkudziesięciu rolkach miesięcznie nie da się tego trzymać w głowie. Mówisz o pikselu Meta w 3 różnych nagraniach i za każdym razem brzmi to jak nowa myśl.
Teraz system ma pamięć tematów. Każda zrobiona rolka zostaje zapisana, a każdy nowy kandydat dostaje listę 10 najbardziej podobnych rolek. Sprawdziliśmy to na tamtej partii: 9 z 10 duplikatów było na tej liście.
Ważne: samo AI nie decyduje, czy to duplikat. Podobieństwo tematu wychodzi mu podobne dla rolek, które mówią to samo, i dla takich, które tylko dotykają tego samego obszaru. Lista zawęża wybór, a decyzję podejmuje się na krótkiej liście, nie na całym archiwum.
Pamięć tematów kosztuje mniej niż jedna rolka zrobiona do kosza.
Czy darmowe modele AI są bezpieczne dla nagrań z klientami?
Nie zawsze. Część darmowych modeli dostępnych przez takie platformy jak OpenRouter może używać tego, co do nich wysyłasz, do dalszego trenowania. Znajomy powiedział to wprost: trenują na tym, ale jemu to nie przeszkadza.
Mnie przeszkadza. Spora część moich nagrań to szkolenia 1:1 z klientami. Padają tam nazwy firm, liczby i problemy, które ktoś powierzył mi, a nie modelowi AI. Wysłanie spisanej rozmowy do modelu, który się na niej uczy, to nie oszczędność. To ryzyko dla zaufania, na którym stoi cały mój biznes.
Dlatego u mnie:
- transkrypcja, pamięć tematów i wybór okładki działają lokalnie, na moim komputerze,
- wybór fragmentów robi AI w płatnym abonamencie, który już mam,
- z rolek i tak wycinam imiona, nazwy firm, kwoty i dane klientów.
Jeśli kiedyś postawię z tego aplikację na tanich modelach, warunek będzie jeden: modele, które nie uczą się na danych klientów.
Darmowe jest tylko to, za co nie płaci zaufanie Twoich klientów.
Co możesz z tego wziąć, jeśli robisz rolki ze szkoleń?
Nie musisz budować własnego systemu, żeby skorzystać z tych lekcji. Działają też wtedy, gdy montujesz w aplikacji albo ktoś montuje za Ciebie.
- Sprawdzaj końcówki: przesłuchaj ostatnie 3 s każdej rolki. To tam AI najczęściej ucina.
- Okładka: patrzysz w obiektyw, oczy otwarte, twarz ostra. Nie bierz pierwszej klatki.
- Zanim zmontujesz, sprawdź, czy o tym już nie było. Prosta lista tematów w arkuszu wystarczy na start.
- Nowe narzędzie testuj na 5 minutach własnego nagrania, obok starego.
- Nagrania z klientami: zanim wrzucisz je do narzędzia AI, sprawdź, co ono robi z danymi.
Podsumowanie
AI zrobi rolki z Twoich szkoleń. Nie zrobi ich bezbłędnie, jeśli zostawisz je samo. U mnie największą różnicę dało nie nowe narzędzie, tylko kontrola: drugi model, który sprawdza pierwszy, okładka wybierana po oczach i pamięć tematów przed montażem.
Pełny proces robienia rolek z 1 szkolenia pokazałem w newsletterze #57 (otwiera się w nowej karcie). Jeśli chcesz ułożyć podobny proces u siebie, zacznij od darmowej rozmowy 30 min (otwiera się w nowej karcie).
