প্রকল্প সম্পর্কে

video-use একটি ওপেন-সোর্স প্রজেক্ট যা ক্লাউড কোড, কোডেক্স বা হার্মেসের মতো কোডিং অ্যাজেন্ট ব্যবহার করে ভিডিও এডিটিং সম্ভব করে। ব্যবহারকারীরা কাঁচা ফুটেজ একটি ফোল্ডারে রাখেন, অ্যাজেন্টের সাথে চ্যাট করেন এবং একটি সম্পূর্ণ `final.mp4` পান। টকিং হেডস, মন্টাশ, টিউটোরিয়াল, ট্রাভেল এবং ইন্টারভিউ সহ বিভিন্ন ধরনের কনটেন্টের জন্য এটি কাজ করে, কোনো প্রিসেট বা মেনু ছাড়াই। মূল বৈশিষ্ট্যগুলি অন্তর্ভুক্ত: - ভরাট শব্দ (umm, uh, ভুল শুরু) এবং টেকের মধ্যে নিঃশ্বাসের বিরতি কাটা - উষ্ণ সিনেমাটিক, নিরপেক্ষ পাঞ্চ, বা কাস্টম ffmpeg চেইন সহ স্বয়ংক্রিয় কালার গ্রেডিং - প্রতিটি কাটে অডিও পপ প্রতিরোধে 30ms অডিও ফেড - কাস্টমাইজেবল স্টাইলে সাবটাইটেল বার্নিং (ডিফল্টভাবে 2-শব্দের uppercase chunks) - HyperFrames, Remotion, Manim, বা PIL এর মাধ্যমে অ্যানিমেশন ওভারলে তৈরি, সমান্তরাল সাব-অ্যাজেন্টে চালিত - প্রতিটি কাট সীমানায় রেন্ডারড আউটপুট স্বয়ংক্রিয় মূল্যায়ন - `project.md`-এ সেSSION মেমোরি সংরক্ষণ করে সিজন জুড়ে সামঞ্জস্য বজায় রাখা এই সিস্টেম LLM কে ভিডিও দুই স্তরে পড়তে শেখায়, দেখার পরিবর্তে। স্তর 1 হল ElevenLabs Scribe থেকে পাওয়া অডিও ট্রান্সক্রিপ্ট যা শব্দ-স্তরের টাইমস্ট্যাম্প, স্পিকার ডায়েরাইজেশন, এবং অডিও ইভেন্ট প্রদান করে, একটি ~12KB টেক্সট ফাইলে প্যাক করা। স্তর 2 হল অন-ডিমান্ড ভিজ্যুয়াল কম্পোজিট (filmstrip + waveform + word labels PNG), শুধুমাত্র সিদ্ধান্তের বিন্দুতে তৈরি। এই পদ্ধতিটি millions of tokens এর কাঁচা ফ্রেম প্রসেসিং এড়িয়ে যায়। পাইপলাইন প্রবাহ: Transcribe -> Pack -> LLM Reasons -> EDL -> Render -> Self-Eval, যেখানে একটি self-evaluation লুপ কাট সীমানায় রেন্ডারড আউটপুট চেক করে এবং preview উপস্থাপনের আগে 3 বার পর্যন্ত সমস্যা সমাধান করতে পারে। সেটআপ পASTE-in prompt এর মাধ্যমে স্বয়ংক্রিয় ইনস্টলেশন অথবা ম্যানুয়ালি ক্লোন, dependency ইনস্টলেশন (uv/pip, ffmpeg, yt-dlp), এবং ElevenLabs API key যোগ করে করা যায়। ডিজাইন নীতিমালা টেক্সট এবং অন-ডিমান্ড ভিজ্যুয়াল, অডিওকে প্রধান হিসেবে এবং ভিজ্যুয়ালকে অনুসরণকারী হিসেবে, কার্যক্রমের আগে কৌশল অনুমোদন, শূন্য কনটেন্ট অনুমান, এবং 12টি কঠোর উৎপাদন নিয়ম বজায় রেখে অন্যথায় শিল্প স্বাধীনতা উপর জোর দেয়।