Dans le monde moderne, où le contenu est roi, l’unicité vidéo devient non seulement souhaitable, mais aussi une tâche d’une importance capitale. Que ce soit pour contourner les algorithmes stricts d’anti-plagiat, <a href="/ru/blog/massovyy-posting-video-kak-avtomatizirovat-distributsiyu-kontenta-na-10-akkauntov/" title="Publication vidéo en masse : comment automatiser la distribution de contenu sur plus de 10 comptes ?">mettre à l’échelle des campagnes publicitaires ou s’adapter à différentes plateformes, la capacité de transformer une vidéo en des centaines de variations uniques ouvre de nouveaux horizons. Cet article expliquera comment nous avons abordé cette tâche, en utilisant des méthodes innovantes et l’automatisation, non seulement pour éviter le bannissement, mais aussi pour rendre un contenu précieux accessible à un large public.
Introduction : repurposing de contenu pour contourner l’anti-plagiat
Le repurposing de contenu n’est pas seulement un réemballage. C’est une approche de piratage pour adapter la vidéo à différentes plateformes et objectifs, surtout lorsqu’il s’agit de contourner les interdictions publicitaires ou de mettre à l’échelle des créatifs. Andrey Karpathy, irrité par YouTube, a créé HackerTube en un week-end – une vitrine de 6454 vidéos que la communauté Hacker News avait sélectionnées au fil des ans. Cette idée nous a poussés à créer notre propre fork, mais avec une particularité unique : nous avons adapté ces vidéos pour le public russophone, en les transformant en de brefs résumés textuels.
Création d’une « matriochka vidéo » : de 6000 à 30 interviews
Nous avons pris les données originales de Karpathy, publiées sous la licence ouverte ODC-By, et nous nous sommes concentrés sur les interviews et les podcasts, ce qui est notre profil dans le magazine « Signal ». Sur les 6454 vidéos, nous avons sélectionné 435 interviews, puis nous avons éliminé les « éphémères » d’actualité et les vidéos non mentionnées, en laissant 310. Enfin, 30 interviews les plus pertinentes ont été sélectionnées manuellement.
- Base de données initiale : 6454 vidéos.
- Filtré par type : 435 interviews/podcasts.
- Sélectionné après nettoyage : 310 vidéos.
- Sélection manuelle de l’éditeur : 30 interviews finales.
Ce processus est un exemple de la façon dont on peut « coller » et « diviser » un grand volume de données pour obtenir un contenu ciblé. Nous avons utilisé la sélection éditoriale, en nous concentrant sur la technologie et les affaires, en ignorant la médecine et la politique, même si elles avaient une note élevée.
Algorithme d’unicité : comment nous avons « reconditionné » les vidéos
Notre pipeline fonctionne localement sur Python, sans bases de données, ce qui permet de générer rapidement des variantes pour les tests A/B. Le processus se compose de plusieurs étapes :
- Extraction des sous-titres : Utilisation de
yt-dlppour obtenir les sous-titres automatiques. - Découpage en blocs : Les sous-titres sont divisés en blocs d’environ une minute, chacun avec un horodatage.
- Génération de cartes : Claude Sonnet analyse les blocs et les commentaires de Hacker News, renvoyant un JSON avec les points clés, les citations et un verdict.
- Vérification de l’authenticité : Le code compare les citations avec la transcription originale.
- Assemblage des pages statiques : Python génère le HTML, et Nginx distribue le contenu.
Nous créons également des couvertures uniques en colorant l’image centrale de la vidéo en deux couleurs. Cela fait partie du pack d’unicisation, qui permet d’adapter pour TikTok, Shorts, Reels, sans recourir à des sources externes.
Vérification des citations : lutter contre l’« ADN vidéo » du modèle
La règle principale de notre pipeline : le modèle ne peut pas simplement affirmer que le personnage a dit quelque chose. Le texte anglais original de chaque citation est recherché dans la transcription. Si une correspondance exacte est trouvée, la citation reçoit le statut « exact ». Si un fragment similaire est trouvé, c’est « presque ». Sinon, la citation est supprimée.
« Sur 30 citations, 26 correspondaient exactement, 4 presque, et aucune n’a dû être supprimée ».
Cela aide à lutter contre l’« ADN vidéo » que le modèle peut « inventer ». Les horodatages fonctionnent de manière similaire, garantissant que le lien mène précisément au bon moment.
Erreurs du modèle : là où la « matrice » échoue
Lors de la relecture de 30 cartes, des erreurs intéressantes ont été identifiées :
- Faits inventés : Le modèle a attribué à Chris Sacca une faillite, alors qu’il l’avait refusée pour préserver sa réputation.
- Erreurs de temps : La conversation de Karpathy avec Lex Fridman a été datée de « quand ChatGPT venait d’apparaître », alors que la vidéo était sortie un mois auparavant.
- Affirmations invérifiables : Des phrases comme « la seule longue interview » ou « cela ne se trouve dans aucun manuel » sans preuves.
Ces exemples montrent qu’il est plus difficile qu’il n’y paraît de tromper l’algorithme sur les faits. Le modèle est enclin aux « généralisations lisses », qui s’avèrent souvent être des inventions.

« Ne regarde pas » : pourquoi le modèle ne peut pas donner de verdicts tranchés
Nous souhaitions que chaque carte contienne un verdict : regarder en entier, regarder un extrait ou la carte suffit. Cependant, le modèle s’est montré réticent à prendre de telles décisions :
- Premier passage : Le modèle ne conseillait pas de « ne pas regarder » les longues interviews, mais proposait des segments d’une heure.
- Durcissement de l’invite : L’exigence d’un segment de pas plus de 25 minutes et l’augmentation de la proportion de « carte suffisante » ont conduit à la disparition de ces derniers et au déplacement des vidéos d’une minute dans la catégorie « en entier ».
Au final, quatre verdicts « carte suffisante » (pour Bill Gates, Jeffrey Hinton, George Hotz et Chris Sacca) ont été attribués manuellement. « Il semble que dire à un grand homme “vous n’avez pas besoin de regarder” reste un travail éditorial ».
Pertinence et idées intemporelles : faut-il « filmer du nouveau » ?
Certaines vidéos de notre sélection ont jusqu’à dix ans et plus. Bien que cela ait soulevé des questions au début, il s’est avéré que les grandes idées et pensées ne vieillissent pas. Les interviews de Jim Simons sur les mathématiques, de Steve Jobs en 1994 sur la création du monde, de Richard Feynman en 1983 sur la physique – toutes sont pertinentes aujourd’hui.
« Du vieux qui n’a pas vieilli »
- Jim Simons sur la création d’un fonds réussi.
- Steve Jobs (1994) sur le fait que le monde est créé par des gens pas plus intelligents que nous.
- Richard Feynman (1983) sur la physique sans formules ni tableau.
Cela confirme l’idée que l’unicité d’une vidéo ne signifie pas toujours la création d’un contenu entièrement nouveau. Parfois, il suffit d’adapter pour différents réseaux sociaux et de rafraîchir la présentation pour que le « vieux » matériel prenne un nouveau souffle.
Conclusion : mise à l’échelle du contenu et avenir de HackerTube
Notre projet démontre comment il est possible de mettre à l’échelle du contenu, transformant des milliers d’heures de vidéo en cartes concises et informatives en russe. Cela permet non seulement de contourner l’anti-plagiat et d’unifier pour éviter le bannissement, mais aussi de rendre des connaissances précieuses accessibles à un large public. Nous continuons à travailler sur le magazine « Signal », en nous concentrant sur les interviews récentes, mais cette expérience a montré le potentiel de la multiplication du contenu. Que faire ensuite avec notre « Tube » ? Vos conseils sont très importants. Laissez-les dans les commentaires ou écrivez-nous. Et pour jeter un coup d’œil dans les coulisses de tout cela, vous pouvez consulter notre chaîne Telegram.
Questions fréquemment posées
Qu’est-ce que le repurposing de contenu en termes simples ?
Le repurposing de contenu est le processus de réutilisation de contenu existant sous de nouveaux formats ou pour une nouvelle audience. Par exemple, transformer un webinaire en 50 courts clips pour TikTok ou Reels.
Comment créer 100 vidéos uniques à partir d’une seule ?
Pour créer de nombreuses vidéos uniques à partir d’une seule, on peut utiliser diverses méthodes : changer l’arrière-plan, le timbre de la voix, ajouter des graphiques, découper en courts fragments, modifier l’ordre de présentation des informations. L’utilisation de modèles d’IA permet d’automatiser ce processus, en créant des variations créatives pour les tests A/B.
Faut-il commander ou filmer une nouvelle vidéo ?
Cela dépend des objectifs et du budget. Une comparaison des prix à partir de zéro montre que le recyclage de vidéos pour la publicité ou leur réaffectation est souvent moins cher que la création de nouvelles. Si le matériel source contient des idées précieuses, son adaptation peut être plus efficace.
Qu’est-ce que l’« ADN vidéo » et comment le tromper ?
L’« ADN vidéo » est une métaphore des caractéristiques uniques d’une vidéo que les systèmes anti-plagiat utilisent pour l’identifier. On peut tromper l’anti-détection en modifiant les paramètres visuels et sonores, la structure narrative, et en utilisant diverses méthodes d’unification pour contourner le bannissement.
