En el mundo moderno, donde el contenido es el rey, la unicalización de video se convierte no solo en deseable, sino en una tarea críticamente importante. Ya sea para eludir algoritmos estrictos de antiplagio, <a href="/ru/blog/massovyy-posting-video-kak-avtomatizirovat-distributsiyu-kontenta-na-10-akkauntov/" title="Publicación masiva de videos: cómo automatizar la distribución de contenido en más de 10 cuentas?">escalar campañas publicitarias o adaptarse a diferentes plataformas, la capacidad de transformar un video en cientos de variaciones únicas abre nuevos horizontes. Este artículo explicará cómo abordamos esta tarea, utilizando métodos innovadores y automatización, no solo para evitar la prohibición, sino también para hacer que el contenido valioso sea accesible a una amplia audiencia.
Introducción: reutilización de contenido para evitar el antiplagio
La reutilización de contenido no es solo un reenvasado. Es un enfoque de hacking para adaptar videos a diferentes plataformas y propósitos, especialmente cuando se trata de evitar la prohibición en la publicidad o escalar creatividades. Andrey Karpathy, enojado con YouTube, creó HackerTube durante el fin de semana, un escaparate de 6454 videos que la comunidad de Hacker News había seleccionado durante años. Esta idea nos impulsó a crear nuestra propia bifurcación, pero con una característica única: adaptamos estos videos para la audiencia de habla rusa, convirtiéndolos en breves reseñas de texto.
Creación de una “matrioska de video”: de 6000 a 30 entrevistas
Tomamos los datos originales de Karpathy, publicados bajo la licencia abierta ODC-By, y nos centramos en entrevistas y podcasts, que es nuestro perfil en la revista “Signal”. De los 6454 videos, seleccionamos 435 entrevistas, luego descartamos las “noticias de un día” y los videos no mencionados, dejando 310. Finalmente, se seleccionaron manualmente las 30 entrevistas más relevantes.
- Base original: 6454 videos.
- Filtrado por tipo: 435 entrevistas/podcasts.
- Seleccionados después de la limpieza: 310 videos.
- Selección manual del editor: 30 entrevistas finales.
Este proceso es un ejemplo de cómo se puede “unir” y “dividir” una gran cantidad de datos para obtener contenido objetivo. Utilizamos la selección editorial, centrándonos en la tecnología y los negocios, ignorando la medicina y la política, incluso si tenían una alta calificación.
Algoritmo de unicalización: cómo “reempaquetamos” los videos
Nuestra tubería funciona localmente en Python, sin bases de datos, lo que permite generar rápidamente variantes para pruebas A/B. El proceso consta de varios pasos:
- Extracción de subtítulos: Se utiliza
yt-dlppara obtener subtítulos automáticos. - Segmentación en bloques: Los subtítulos se dividen en bloques de aproximadamente un minuto, cada uno con su marca de tiempo.
- Generación de tarjetas: Claude Sonnet analiza los bloques y los comentarios de Hacker News, devolviendo un JSON con los puntos clave, citas y un veredicto.
- Verificación de la autenticidad: El código compara las citas con la transcripción original.
- Ensamblaje de páginas estáticas: Python genera HTML y Nginx sirve el contenido.
También creamos portadas únicas, coloreando el fotograma central del video en dos tonos. Esto forma parte del paquete de singularización, que permite adaptar para TikTok, Shorts, Reels, sin recurrir a fuentes externas.
Verificación de citas: la lucha contra el «ADN de video» del modelo
La regla principal de nuestra cadena de producción: el modelo no puede simplemente afirmar que el protagonista dijo algo. El texto original en inglés de cada cita se busca en la transcripción. Si se encuentra una coincidencia exacta, la cita recibe el estado de «exacta». Si es un fragmento similar, «casi». De lo contrario, la cita se elimina.
«De 30 citas, 26 coincidieron exactamente, 4 casi, y ninguna tuvo que ser descartada».
Esto ayuda a combatir el «ADN de video» que el modelo puede «inventar». Las marcas de tiempo funcionan de manera similar, garantizando que el enlace dirija exactamente al momento correcto.
Errores del modelo: dónde falla la «matriz»
Durante la revisión de 30 tarjetas, se identificaron errores interesantes:
- Hechos inventados: El modelo atribuyó a Chris Sacca una bancarrota, aunque él la rechazó para mantener su reputación.
- Errores de tiempo: La conversación de Karpaty con Lex Fridman fue fechada «cuando ChatGPT recién apareció», aunque el video salió un mes antes.
- Afirmaciones inverificables: Frases como «la única entrevista larga» o «esto no está en ningún libro de texto» sin pruebas.
Estos ejemplos demuestran que engañar al algoritmo en cuanto a los hechos es más difícil de lo que parece. El modelo tiende a hacer «generalizaciones suaves» que a menudo resultan ser invenciones.

«No mirar»: por qué el modelo no puede dar veredictos estrictos
Nos esforzamos para que cada tarjeta contuviera un veredicto: verla completa, ver un segmento o que la tarjeta fuera suficiente. Sin embargo, el modelo se mostró reacio a tomar tales decisiones:
- Primera pasada: El modelo no aconsejaba «no ver» entrevistas largas, pero sugería segmentos de una hora.
- Ajuste del prompt: La exigencia de que el segmento no superara los 25 minutos y el aumento de la proporción de «suficiente con la tarjeta» llevó a la desaparición de estos últimos y al traslado de los vídeos de un minuto a «completos».
Al final, cuatro veredictos de «suficiente con la tarjeta» (para Bill Gates, Geoffrey Hinton, George Hotz y Chris Sacca) se hicieron manualmente. «Parece que decirle a un gran hombre ‘no hace falta verlo’ sigue siendo un trabajo editorial».
Actualidad e ideas eternas: ¿vale la pena «filmar algo nuevo»?
Algunos vídeos de nuestra selección tienen hasta diez años o más. Aunque al principio esto planteó preguntas, resultó que las grandes ideas y pensamientos no envejecen. Las entrevistas de Jim Simons sobre matemáticas, Steve Jobs en 1994 sobre la creación del mundo, Richard Feynman en 1983 sobre física, todas siguen siendo relevantes hoy en día.
«Cosas viejas que no han envejecido»
- Jim Simons sobre la creación de un fondo exitoso.
- Steve Jobs (1994) sobre cómo el mundo fue creado por personas no más inteligentes que nosotros.
- Richard Feynman (1983) sobre física sin fórmulas ni pizarra.
Esto confirma la idea de que la singularización de vídeos no siempre significa crear contenido completamente nuevo. A veces, basta con adaptarlo a diferentes redes sociales y actualizar la presentación para que el material «antiguo» cobre nueva vida.
Conclusión: escalado de contenido y el futuro de HackerTube
Nuestro proyecto demuestra cómo se puede escalar el contenido, transformando miles de horas de vídeo en tarjetas breves e informativas en ruso. Esto no solo permite evitar el plagio y singularizar para evitar el baneo, sino que también hace que el conocimiento valioso sea accesible a una amplia audiencia. Continuamos trabajando en la revista «Señal», centrándonos en entrevistas recientes, pero este experimento ha mostrado el potencial de la multiplicación de contenido. ¿Qué hacer a continuación con nuestro «Tube»? Sus consejos son muy importantes. Déjelos en los comentarios o escríbanos. Y para echar un vistazo entre bastidores a todo esto, puede visitar nuestro canal de Telegram.
Preguntas frecuentes
¿Qué es el repurposing de contenido en palabras sencillas?
El repurposing de contenido es el proceso de reelaborar contenido ya existente en nuevos formatos o para una nueva audiencia. Por ejemplo, convertir un seminario web en 50 clips cortos para TikTok o Reels.
¿Cómo hacer 100 vídeos únicos a partir de uno?
Para crear muchos vídeos únicos a partir de uno, se pueden utilizar varios métodos: cambiar el fondo, el timbre de voz, añadir gráficos, cortar en fragmentos cortos, cambiar el orden de presentación de la información. El uso de modelos de IA permite automatizar este proceso, creando variaciones de creatividades para pruebas A/B.
¿Vale la pena encargar o grabar un vídeo nuevo?
Depende de los objetivos y el presupuesto. Una comparación de precios desde cero muestra que la reelaboración de videos para publicidad o su reutilización a menudo son más baratas que crear uno nuevo. Si el material original contiene ideas valiosas, su adaptación puede ser más efectiva.
¿Qué es el «ADN del video» y cómo engañarlo?
El «ADN del video» es una metáfora de las características únicas del video que los sistemas antiplagio utilizan para la identificación. Se puede engañar al antidetección cambiando los parámetros visuales y de sonido, la estructura narrativa y utilizando varios métodos de singularización para evitar la prohibición.
