প্রকল্প সম্পর্কে

ChatMonteur হলো ভ্লগ, টিউটোরিয়াল এবং এক্সপ্লেইনারের মতো বাস্তব টকিং-হেড রেকর্ডিংয়ের জন্য একটি এক্সটেনসিবল, এজেন্ট-অরকেস্ট্রেটেড এডিটিং স্টুডিও। এটি শূন্য থেকে ভিডিও তৈরি করে না; বরং এটি auto-editor, faster-whisper, HyperFrames এবং ffmpeg-এর মতো প্রতিষ্ঠিত ওপেন-সোর্স টুলস দ্বারা পরিচালিত একটি পাইপলাইনের মাধ্যমে বিদ্যমান র ফুটেজ এডিট করে। সিস্টেমটি একটি কোডিং এজেন্ট (Claude Code, Codex বা অনুরূপ) দ্বারা পরিচালিত হয়। ব্যবহারকারী র ফুটেজ প্রদান করেন এবং সাধারণ ভাষায় কাঙ্ক্ষিত এডিটের বর্ণনা দেন। এরপর এজেন্ট পাইপলাইনটি পরিচালনা করে, যা অডিও ট্রান্সক্রাইব করে, অর্থ অনুযায়ী বিরতি এবং ভুলগুলো কাট করে, সাবটাইটেল তৈরি করে, মোশন গ্রাফিক্স, শব্দ এবং কালার গ্রেডিং যোগ করে এবং চূড়ান্ত ফাইলটি রেন্ডার করে। পুরো ওয়ার্কফ্লোতে দুটি কোয়ালিটি গেট প্রয়োগ করা হয়। প্ল্যান গেট কোনো ফ্রেম রেন্ডার করার আগে ভিজ্যুয়াল প্ল্যানটি স্কোর করে এবং সেই আউটপুটগুলো বাতিল করে যা যান্ত্রিকভাবে কাটা বলে মনে হয়—উদাহরণস্বরূপ, কোনো ভিজ্যুয়াল ইভেন্ট ছাড়া ৯০ সেকেন্ডের বেশি প্রসারিত অংশ, রানটাইমের ৬০ শতাংশের বেশি স্ক্রিনে টেক্সট, পুনরাবৃত্ত ক্যাপশন, অথবা পরপর তিনটি অভিন্ন জুম। ফাইল গেট প্রতিটি এনকোড করা আর্টিফ্যাক্টকে স্যাম্পল টাইমস্ট্যাম্পে (১০, ৩৫, ৬৫ এবং ৯০ শতাংশ) পুনরায় খোলে, নীরবতা এবং ক্লিপিংয়ের জন্য অডিও লেভেল পরীক্ষা করে এবং এনকোডারকে যা দেওয়া হয়েছিল তার সাথে রানটাইম তুলনা করে। যেকোনো ত্রুটিপূর্ণ ফাইল ডেলিভারি বন্ধ করে এবং একটি সহযোগী `.qc.json` রিপোর্ট তৈরি করে। সম্পাদনার সিদ্ধান্তের জ্ঞান `skills/` ডিরেক্টরিতে থাকে, যা এমবেডেড প্রম্পটের পরিবর্তে একটি অডিটেবল নলেজ বেস হিসেবে লেখা। এর মধ্যে কোথায় কাট করতে হবে, কীভাবে কাট প্যাড করতে হবে, কখন জুম করতে হবে এবং মিউজিক বেড কীভাবে ব্যালেন্স করতে হবে সে বিষয়ে নির্দেশনা অন্তর্ভুক্ত রয়েছে। সমস্ত ইঞ্জিনিয়ারিং থ্রেশহোল্ড `engineering-facts.md`-এ নথিভুক্ত করা হয়েছে এবং প্রতিটি নিয়ম কেন প্রযোজ্য তার ব্যাখ্যা দেওয়া হয়েছে। একটি সাধারণ ওয়ার্কফ্লোতে একটি কমান্ডের মাধ্যমে যান্ত্রিকভাবে বৈধ ড্রাফট তৈরি হয়, যার পরে ব্যবহারকারী এডিটটি শেষ করতে এজেন্টের সাথে কথা বলেন—ফিলার কাট করা, ক্যাপশন এবং গ্রাফিক্স যোগ করা এবং শব্দ পরিমার্জন করা। এজেন্ট প্রয়োজনীয় অ্যাপ্রুভাল গেটগুলো উপস্থাপন করে এবং শুধুমাত্র সম্পূর্ণ করা এডিটগুলোকে মাস্টার ফাইলে উন্নীত করে। প্রজেক্টটি বিনামূল্যে এবং লোকাল-ফার্স্ট। `faster-whisper` কোনো পেইড API কী ছাড়াই লোকালি চলে। প্লাগইন হিসেবে অতিরিক্ত ট্রান্সক্রিপশন ব্যাকএন্ড যোগ করা যেতে পারে। NVENC থেকে libx64, VideoToolbox, অথবা QSV-তে ফলব্যাক সহ ক্রস-প্ল্যাটফর্ম এনকোডিং সমর্থিত। বর্তমান স্ট্যাটাস v0.1। মেকানিক্যাল পাইপলাইনটি এন্ড-টু-এন্ড কাজ করছে এবং এজেন্ট-চালিত ওয়ার্কফ্লোটি র ফুটেজ থেকে চেক করা মাস্টার পর্যন্ত একটি সম্পূর্ণ ইউটিউব-চ্যানেল এডিটে পরীক্ষিত হয়েছে।