Video s mojím AI avatarom z webinára za 20 minút

Zadanie

Najprv som agenta nechal nainštalovať skilly od HeyGenu. Skill je návod v súbore, ktorý si agent sám načíta, keď robí danú vec, a HeyGen ich má verejne na GitHube. Potom prišlo zadanie, z ktorého je toto jadro:

Vyber dvojminútovú časť tej prednášky, na ktorom vyrobíš avatara z Heygenu. Následne z toho urobíš krásne interaktívne video, kde budem ja ako prednášajúci, bude sa to nejak logicky striedať s prezentáciou, prípadne na to budú skákať veci priamo cez prednášajúceho (alebo sa zmenší do bubliny dolu a pod.) […] Scenár a prepis môjho textu vezmi tak, ako bol (ale vyrieš fonetiku a veci nech to vyzerá čo najviac prirodzene). Napíš mi najskôr, ako to urobíš aby si to urobil dobre

Plán som chcel vidieť pred tým, ako sa minú kredity. Prvý pokus dopadol tak, že agent nahlásil hotový plán, ale samotný plán mi neposlal. Napísal som „ved si mi nič neukázal“, a až potom prišiel.

Výber úseku

Agent si z prepisu vybral časť od 32:38 do 35:15 o dvoch brzdách. Začiatočníkov pri AI brzdí neistota, pokročilých zase firma: pravidlá, nástroje a prístupy, ktoré nedostanú. Podľa neho je to jadro webinára, lebo má graf, príbeh aj pointu, a v tom má pravdu.

Z textu vyhodil „ehm“, „akoby“ a opakovania. Po očistení mal úsek okolo 2:30, takže vyškrtol ešte niekoľko celých viet. Vypadla aj historka o človeku, ktorý na licenciu Copilotu čakal dva a pol mesiaca. Nič nedopísal a zoznam škrtov mi nechal pri scenári.

Presný text cez web HeyGenu

Skilly od HeyGenu štandardne púšťajú Video Agenta, ktorý celé video poskladá sám. Text ale berie ako námet a prepíše si ho po svojom. Ja som chcel svoje slová, a tak agent išiel do HeyGenu cez webové rozhranie v mojom Chrome, kde avatar povie presne zadaný text. API kľúč na to nepotreboval.

Avatara som mu určil sám: záber spredu, na šírku a gestá v režime Calm, teda len málo pohybu rukami. Model zvolil Turbo, ktorý mám v pláne. Pro by stál 49 dolárov mesačne navyše a ten agent nekupoval.

Výslovnosť anglických slov

Hovorím po slovensky a do toho padajú anglické slová ako AI, Copilot alebo web search. Napísané normálne by ich avatar prečítal po slovensky, preto ich agent prepísal tak, ako sa vyslovujú:

Zažil som firmu, kde nainštalovali ľuďom Kopajlot v tej vyššej licencii a zakázali im v čete nástroje. Takže im nefungovalo otváranie webov, nefungoval veb sörč, normálny risörč.

AI je v scenári „ej-aj“, Codex „Kódex“ a Exploreri „Iksplóreri“. Najprv vygeneroval 30-sekundový test a pustil ho späť cez prepis reči na text. Až keď prepis spoznal všetky anglické výrazy, spustil celé video.

Prepis potom použil ešte raz. Pri každom z 285 slov vie, kedy ho hovorím, s odchýlkou do 0,06 sekundy. Vďaka tomu sa čiara v grafe kreslí presne vtedy, keď o nej rozprávam.

Strih kódom

Video agent poskladal v nástroji HyperFrames, ktorý z obyčajnej HTML stránky vyrenderuje video. Strihá sa teda kódom a agent v tom vie pracovať rovnako ako s webom. Takto video ide:

• 0:00 stojím na celej obrazovke a vedľa mňa naskakuje karta „První: nejistota“,
• 0:15 zmenším sa do bubliny a ukáže sa graf zo slajdu 11,
• 0:41 stojím vpravo a vľavo sa vypínajú nástroje Copilotu, ako ich menujem,
• 1:04 cez mňa vyskočí citát, ktorý končí „Vždyť je to úplně tupé.“,
• 1:29 príde fialová plocha s vetou „Jedno školení pro celý tým nestačí.“

Cena

Celé to stálo 118 kreditov, teda asi 5,70 dolára. Kredity agent vyčítal z histórie v HeyGene a doláre prepočítal z cenníka: plán Creator za 29 dolárov mesačne má 600 kreditov.

Minúta avatara vychádza okolo 2,30 dolára, takže hodinová prednáška by stála asi 140 dolárov. Na kurz by som to ale takto nerobil. Avatar nemusí byť na obrazovke stále, polovicu času môžu mať slajdy, a dá sa vyskúšať aj iný model alebo iný nástroj.

Čo musel skontrolovať človek

Na konci mi agent vypísal, čo overené nemá. Výslovnosť nepočul a pohyb úst nevidel, to bolo na mne. Dve vety boli v prepise nejasné, napríklad „Veď to je úplne tupé“, a ich znenie agent doplnil podľa druhého prepisu zo Zoomu. A obrazovka s prepínačmi Copilotu je ilustrácia, nie snímka z tej firmy.

Avatar ešte nie je zo štúdia a s dikciou ani rýchlosťou reči som sa nehral, takže toto je výsledok so základným nastavením. Natáčanie v štúdiu mám naplánované a čakám od neho viac.

Postup pre vlastné video

1. Avatar. V HeyGene si ho vytvorte z vlastného videa.
2. Podklady. Prepis s časmi a prezentácia, najlepšie aj ako obrázky slajdov.
3. Skilly. Nechajte agenta nainštalovať skilly od HeyGenu, aby vedel, ako s ním pracovať.
4. Presný text. Ak má avatar povedať vaše slová, nech agent nepoužije Video Agenta, ale video so zadaným scenárom.
5. Fonetika a test. Cudzie slová nech prepíše foneticky a pred celým videom nech spraví krátky test.
6. Vlastná kontrola. Výslovnosť, pohyb úst a ilustrácie si pozrite sami.

Prompt, od ktorého môžete začať:

Mám prepis a prezentáciu z mojej prednášky [cesta k súborom] a avatara v HeyGene [názov]. Vyber z prepisu úsek na [dĺžka], ktorý dáva zmysel aj samostatne. Môj text nechaj, len vyhoď vatové slová, a cudzie výrazy prepíš foneticky pre jazyk [jazyk]. Najprv vygeneruj krátky test výslovnosti a over ho prepisom reči na text. Potom vygeneruj avatara s presne týmto textom, nie cez Video Agenta. Nakoniec poskladaj video, kde sa avatar strieda so slajdmi a grafy sa kreslia podľa toho, čo hovorím. Pred začatím mi napíš plán a na konci vypíš, čo si neoveril a koľko to stálo.