Di dunia modern, di mana konten adalah raja, unikalisasi video menjadi bukan hanya diinginkan, tetapi juga tugas yang sangat penting. Baik untuk melewati algoritma anti-plagiarisme yang ketat, <a href="/ru/blog/massovyy-posting-video-kak-avtomatizirovat-distributsiyu-kontenta-na-10-akkauntov/" title="Массовый постинг видео: как mengotomatiskan distribusi konten ke 10+ akun?">menskalakan kampanye iklan, atau beradaptasi dengan berbagai platform, kemampuan untuk mengubah satu video menjadi ratusan variasi unik membuka cakrawala baru. Artikel ini akan menjelaskan bagaimana kami mendekati tugas ini, menggunakan metode inovatif dan otomatisasi, tidak hanya untuk menghindari larangan, tetapi juga untuk membuat konten berharga tersedia bagi khalayak luas.
Pendahuluan: Repurposing Konten untuk Menghindari Anti-Plagiarisme
Repurposing konten bukan hanya sekadar pengemasan ulang. Ini adalah pendekatan peretasan untuk mengadaptasi video untuk berbagai platform dan tujuan, terutama ketika berbicara tentang menghindari larangan iklan atau menskalakan materi iklan. Andrey Karpathy, yang marah pada YouTube, dalam semalam menciptakan HackerTube — sebuah etalase dari 6454 video yang telah dikurasi oleh komunitas Hacker News selama bertahun-tahun. Ide ini mendorong kami untuk membuat fork sendiri, tetapi dengan fitur unik: kami mengadaptasi video-video ini untuk audiens berbahasa Rusia, mengubahnya menjadi ulasan teks singkat.
Membuat “Video-Matryoshka”: dari 6000 menjadi 30 Wawancara
Kami mengambil data asli Karpathy, yang diterbitkan di bawah lisensi terbuka ODC-By, dan berfokus pada wawancara dan podcast, yang merupakan profil kami di majalah “Signal”. Dari 6454 video, kami memilih 435 wawancara, kemudian menyaring “berita satu hari” dan video yang tidak disebutkan, menyisakan 310. Akhirnya, 30 wawancara yang paling relevan dipilih secara manual.
- Basis data awal: 6454 video.
- Disaring berdasarkan jenis: 435 wawancara/podcast.
- Dipilih setelah pembersihan: 310 video.
- Pilihan manual editor: 30 wawancara final.
Proses ini adalah contoh bagaimana Anda dapat “menggabungkan” dan “memecah” sejumlah besar data untuk mendapatkan konten yang ditargetkan. Kami menggunakan pilihan editorial, berfokus pada teknologi dan bisnis, mengabaikan kedokteran dan politik, bahkan jika mereka memiliki peringkat tinggi.
Algoritma Unikalisasi: Cara Kami “Mengemas Ulang” Video
Pipeline kami berjalan secara lokal di Python, tanpa database, yang memungkinkan kami dengan cepat menghasilkan varian untuk uji A/B. Prosesnya terdiri dari beberapa langkah:
- Ekstraksi Subtitle: Menggunakan
yt-dlpuntuk mendapatkan subtitle otomatis. - Pemotongan menjadi Blok: Subtitle dibagi menjadi blok-blok berdurasi sekitar satu menit, masing-masing dengan stempel waktu.
- Pembuatan Kartu: Claude Sonnet menganalisis blok dan komentar dari Hacker News, mengembalikan JSON dengan poin-poin penting, kutipan, dan putusan.
- Verifikasi Keaslian: Kode membandingkan kutipan dengan transkripsi asli.
- Perakitan Halaman Statis: Python menghasilkan HTML, dan Nginx menyajikan konten.
Kami juga membuat sampul unik dengan mewarnai bingkai tengah video dalam dua warna. Ini adalah bagian dari paket unikasi, yang memungkinkan adaptasi untuk TikTok, Shorts, Reels, tanpa menggunakan sumber eksternal.
Verifikasi Kutipan: Melawan «Video-DNA» Model
Aturan utama dari pipeline kami: model tidak bisa hanya menyatakan bahwa karakter mengatakan sesuatu. Teks asli bahasa Inggris dari setiap kutipan dicari dalam transkripsi. Jika ditemukan kecocokan yang tepat, kutipan tersebut mendapatkan status «tepat». Jika fragmen yang serupa – «hampir». Jika tidak, kutipan tersebut dihapus.
«Dari 30 kutipan, 26 cocok persis, 4 hampir, dan tidak ada yang perlu dibuang.»
Ini membantu melawan «video-DNA», yang dapat «diciptakan» oleh model. Stempel waktu bekerja serupa, memastikan bahwa tautan mengarah tepat ke momen yang diinginkan.
Kesalahan Model: Di mana «Matriks» Gagal
Dalam proses peninjauan 30 kartu, ditemukan kesalahan menarik:
- Fakta yang Dibuat-buat: Model mengaitkan kebangkrutan dengan Chris Sacca, meskipun ia menolaknya untuk menjaga reputasinya.
- Kesalahan Waktu: Percakapan Karpaty dengan Lex Fridman diberi tanggal «ketika ChatGPT baru saja muncul», meskipun video tersebut dirilis sebulan sebelumnya.
- Klaim yang Tidak Dapat Diverifikasi: Frasa seperti «satu-satunya wawancara panjang» atau «tidak ada di buku teks mana pun» tanpa bukti.
Contoh-contoh ini menunjukkan bahwa menipu algoritma dalam hal fakta lebih sulit dari yang terlihat. Model cenderung membuat «generalisasi yang mulus», yang seringkali ternyata adalah fiksi.

«Jangan Tonton»: Mengapa Model Tidak Bisa Memberikan Putusan Keras
Kami berusaha agar setiap kartu berisi putusan: tonton seluruhnya, tonton sebagian, atau kartu sudah cukup. Namun, model ternyata enggan mengambil keputusan seperti itu:
- Uji Coba Pertama: Model tidak menyarankan «jangan menonton» wawancara panjang, tetapi menawarkan segmen berdurasi satu jam.
- Pengetatan Prompt: Persyaratan segmen tidak lebih dari 25 menit dan peningkatan proporsi «cukup kartu» menyebabkan hilangnya yang terakhir dan pemindahan video berdurasi satu menit ke «seluruhnya».
Pada akhirnya, empat putusan «cukup kartu» (untuk Bill Gates, Geoffrey Hinton, George Hotz, dan Chris Sacca) ditetapkan secara manual. «Sepertinya, mengatakan kepada orang hebat ‘Anda tidak perlu menonton’ tetap menjadi pekerjaan editorial.»
Aktualitas dan Ide Abadi: Haruskah «Membuat yang Baru»?
Beberapa video dalam koleksi kami berusia hingga sepuluh tahun atau lebih. Meskipun pada awalnya ini menimbulkan pertanyaan, ternyata ide dan pemikiran hebat tidak lekang oleh waktu. Wawancara Jim Simons tentang matematika, Steve Jobs pada tahun 1994 tentang penciptaan dunia, Richard Feynman pada tahun 1983 tentang fisika — semuanya relevan hingga hari ini.
«Barang Lama yang Tidak Usang»
- Jim Simons tentang menciptakan dana yang sukses.
- Steve Jobs (1994) tentang dunia yang diciptakan oleh orang-orang yang tidak lebih pintar dari kita.
- Richard Feynman (1983) tentang fisika tanpa rumus dan papan tulis.
Ini menegaskan gagasan bahwa keunikan video tidak selalu berarti membuat konten yang benar-benar baru. Terkadang cukup mengadaptasi untuk berbagai jejaring sosial dan memperbarui penyajiannya agar materi «lama» terlihat baru.
Kesimpulan: Skalabilitas Konten dan Masa Depan HackerTube
Proyek kami menunjukkan bagaimana konten dapat diskalakan, mengubah ribuan jam video menjadi kartu singkat dan informatif dalam bahasa Rusia. Ini tidak hanya memungkinkan melewati anti-plagiarisme dan membuat unik untuk menghindari pemblokiran, tetapi juga membuat pengetahuan berharga dapat diakses oleh khalayak luas. Kami terus mengerjakan majalah «Signal», berfokus pada wawancara terbaru, tetapi eksperimen ini menunjukkan potensi multiplikasi konten. Apa yang harus dilakukan selanjutnya dengan «Tube» kami? Saran Anda sangat penting. Tinggalkan di komentar atau tulis kepada kami. Dan untuk melihat di balik layar semua ini, Anda bisa mengunjungi saluran Telegram kami.
Pertanyaan yang Sering Diajukan
Apa itu repurposing konten dalam bahasa sederhana?
Repurposing konten adalah proses mengolah kembali konten yang sudah ada ke dalam format baru atau untuk audiens baru. Misalnya, mengubah webinar menjadi 50 klip pendek untuk TikTok atau Reels.
Bagaimana cara membuat 100 video unik dari satu video?
Untuk membuat banyak video unik dari satu video, berbagai metode dapat digunakan: mengubah latar belakang, nada suara, menambahkan grafik, memotong menjadi fragmen pendek, mengubah urutan penyajian informasi. Penggunaan model AI memungkinkan otomatisasi proses ini, menciptakan variasi kreatif untuk pengujian A/B.
Haruskah memesan atau merekam video baru?
Itu tergantung pada tujuan dan anggaran. Perbandingan harga dari awal menunjukkan bahwa daur ulang video untuk iklan atau penggunaannya kembali seringkali lebih murah daripada membuat yang baru. Jika materi asli mengandung ide-ide berharga, adaptasinya bisa lebih efektif.
Apa itu «DNA video» dan bagaimana cara mengakalinya?
«DNA video» adalah metafora untuk karakteristik unik video yang digunakan sistem anti-plagiarisme untuk identifikasi. Mengakali anti-deteksi dapat dilakukan dengan mengubah parameter visual dan suara, struktur narasi, serta menggunakan berbagai metode unifikasi untuk menghindari larangan.
