Co przebudowaliśmy po wybraniu jasnego kierunku

W lipcu celowo zmniejszyliśmy CaptionBolt. Przestaliśmy próbować być kilkoma produktami AI do wideo naraz i wróciliśmy do jednego zadania: pomóc wykończyć wybrany wcześniej materiał za pomocą napisów.

Ta decyzja nie przyniosła spokojnego miesiąca.

Ujawniła każde miejsce, w którym główna ścieżka nadal opierała się na założeniu: że przesyłanie zakończy się w jednej sesji przeglądarki, dwa środowiska renderujące zinterpretują czas identycznie, usuwanie tekstu i filmu są wystarczająco podobne albo klatka podglądu zawsze będzie gotowa po przewinięciu.

Większość naszej pracy od tego czasu polegała na usuwaniu tych założeń.

Jasny kierunek pokazuje, czym jest niezawodność

Gdy produkt ma wiele niezależnych narzędzi, awaria może wyglądać na odosobnioną. Gdy istnieje jedna główna ścieżka, ta sama awaria blokuje całą obietnicę.

Nasz proces jest celowo krótki:

1. Prześlij nagrany materiał.
2. Utwórz transkrypcję i stylizowane napisy.
3. Sprawdź tekst i wynik.
4. Opcjonalnie popraw kadr, cięcia lub elementy wykończenia.
5. Wyeksportuj zatwierdzoną wersję.

To upraszcza priorytety. Wszystko, co uniemożliwia pierwszy udany eksport, jest ważniejsze od następnej funkcji opcjonalnej. Każda decyzja, która może po cichu zmienić słowa, czas, kadr lub materiał użytkownika, musi być widoczna i odwracalna.

Przesyłanie to trwała sesja

Stary model przesyłania był żądaniem z paskiem postępu. Działał, dopóki duży plik nie spotkał słabego łącza, zamkniętego laptopa albo odświeżenia przeglądarki.

Przebudowaliśmy przesyłanie wokół trwałych sesji. Serwer rezerwuje pracę, przeglądarka przesyła plik w częściach, a po powrocie może sprawdzić, które części już istnieją. Wysyła tylko brakujące.

Serwer jest źródłem prawdy o aktywnych sesjach. Lokalna pamięć przeglądarki może przyspieszyć pierwszy ekran, ale nie może być jedynym zapisem istnienia przesyłania. Na Dashboard wybranie dokładnie tego samego pliku może wznowić sesję. Na stronie Transcripts aktywne sesje pozostają widoczne z osobnymi opcjami wznowienia i anulowania.

Brzmi to jak wewnętrzna infrastruktura. Dla użytkownika oznacza, że zerwane połączenie rzadziej zamieni długie przesyłanie w stracony czas.

Podgląd i eksport potrzebują jednego kontraktu

W narzędziu wideo przekonujący podgląd nie wystarcza. Wyeksportowany plik musi opowiadać tę samą historię.

Zastąpiliśmy starszą ścieżkę kompozycji wspólną warstwą wykonawczą FFmpeg i libass. Podgląd w przeglądarce i render na serwerze nadal korzystają z innych technologii, ale przetwarzają tę samą ścisłą konfigurację, dokument napisów, fonty, wymiary i decyzje osi czasu.

Domyślna kompozycja jest też mniej zaskakująca. Przy wyłączonym Resize CaptionBolt zachowuje źródłowy kadr, a wynik mieści się w limicie rozdzielczości bieżącego planu. Poziomy film nie staje się automatycznie pionowy tylko dlatego, że platformy krótkich wideo często używają 9:16.

Migracja nie oznacza, że każdy eksport jest natychmiastowy. Przygotowanie źródła, czas trwania, rozmiar pliku, bieżące obciążenie i złożoność nadal mają znaczenie. Chcieliśmy usunąć możliwe do uniknięcia różnice interpretacji i poprawić postęp, anulowanie, ponowienia oraz końcowe przesyłanie.

Napisy i media potrzebują osobnych źródeł prawdy

Jeden z najtrudniejszych błędów edytora napisów zaczyna się od rozsądnego skrótu: uznania słów widocznych na ekranie za te same słowa, które definiują oś czasu mediów.

Model przestaje działać, gdy użytkownik poprawi zdanie.

CaptionBolt przechowuje teraz dwie domeny słów. Niezmienne słowa źródłowe określają czas mowy, decyzje cięcia i przyciąganie. Edytowalne słowa napisów określają tekst na ekranie. Poprawienie nazwiska nie może przesunąć reszty audio. Ukrycie zdania w Text Editor nie może usunąć filmu; cięcie materiału należy do Clip.

Rozdzielenie chroni też kolejne edycje. Każda zmiana tekstu jest uzgadniana z pierwotnymi słowami czasowymi, a nie z już zmienioną wersją. Słowa mogą się zmienić, ale mowa nie zaczyna udawać, że wydarzyła się w innym momencie.

Prostszy Clip nadal wymaga precyzyjnego czasu

Nie chcieliśmy wielościeżkowej osi czasu. Chcieliśmy umożliwić skrócenie początku lub końca, usunięcie środkowego fragmentu i opcjonalne oczyszczenie dłuższych pauz bez utraty zaufania do napisów.

Nowy widok Clip używa jednej fali źródłowej. Uchwyty brzegowe wyznaczają granice. Usunięcie wewnętrzne tworzy odwracalne łączenie. Automatyczne cięcia długich pauz mają inne oznaczenie i można je przywracać osobno. Głowica odtwarzania pozostaje od nich odróżniona.

Pod interfejsem zachowany materiał jest pakowany w jedną wyjściową oś czasu. Słowa źródłowe trafiają do segmentów według czasu, częściowo zachowane napisy są budowane z pozostałych słów, a Player i eksport używają jednego planu klatek. Cięcie wewnątrz wypowiadanego słowa przyciąga się do jego granicy; cięcie w ciszy może zachować większą precyzję.

To drobne zasady, dopóki nie zaczną się różnić. Wtedy użytkownik widzi mignięcie usuniętej klatki, spóźnione napisy albo kumulację małych błędów zaokrągleń.

Renderowanie jest częścią produktu

Większość osób nigdy nie powinna myśleć o procesie renderującym. Mimo to odczuwa każdą jego decyzję.

Użytkownicy widzą, czy zadanie w kolejce da się anulować, czy ponowienie tworzy duplikat, czy nieudane końcowe przesłanie można odzyskać, czy wybrany font istnieje w środowisku oraz czy obciążony system pokazuje użyteczny postęp zamiast wymyślonego procentu.

Zaostrzyliśmy te kontrakty w transkrypcji i renderowaniu. Zadania są chronione przed nieaktualnymi wykonaniami. Pojemność jest przydzielana na konto, a nie zależna od czasu przeglądarki. Nieudane zadania mogą rozliczyć zarezerwowane minuty. Środowiska renderujące używają tego samego wykonawcy i kontraktu fontów. Diagnostyka pokazuje nam, czy wąskim gardłem jest kolejka, proces, przygotowanie mediów czy transfer do pamięci, bez eksponowania tej infrastruktury w Editor.

Nie obiecujemy braku oczekiwania i błędów. Zobowiązujemy się, by błędy były ograniczone, obserwowalne i możliwe do odzyskania, a nie tajemnicze.

Pozycja, którą umiemy wreszcie wyjaśnić

Praca inżynierska zmieniła sposób, w jaki opisujemy produkt.

CaptionBolt jest dla twórców, marketerów i małych zespołów, które mają już materiał. Szczególnie dobrze pasuje do wideo opartych na mowie: wypowiedzi do kamery, lekcji, demonstracji, wywiadów, fragmentów kursów i aktualizacji firmowych.

Pierwszym rezultatem są stylizowane napisy na oryginalnym kadrze. Resize, Clip, Cover, B-Roll, Headline, Logo, Progress Bar, zapisane Video presets i Social posts są dostępne, gdy pomagają. Nie stanowią listy obowiązkowej przed eksportem.

AI przygotowuje pierwszą wersję. Transkrypcję można poprawić, kadr może pozostać oryginalny, sugerowane cięcie można odrzucić, a generowany tekst pozostaje edytowalny. Ostateczna decyzja należy do osoby publikującej.

To pozycja stojąca za nową narracją strony głównej: film jest już nagrany; CaptionBolt pomaga go wykończyć bez konieczności nauki pełnego edytora wideo.

Co budujemy dalej

Kolejne priorytety nie dotyczą wydłużania menu, tylko wzmacniania pierwszego rezultatu:

• bardziej niezawodne przesyłanie, transkrypcja, zapis, eksport i odzyskiwanie;
• lepszy podział napisów i szybsza kontrola tekstu;
• czytelniejsza opcjonalna kontrola Clip bez udawania, że automatyczne granice są już rozwiązane;
• większa zgodność podglądu z eksportem;
• wielokrotnego użytku elementy marki i wykończenia dla regularnie publikujących.

Nadal pojawią się nowe możliwości. Sprawdzianem będzie to, czy pomagają ukończyć istniejący materiał z mniejszą liczbą zbędnych decyzji oraz czy rezultat pozostaje możliwy do sprawdzenia i cofnięcia.

Przeczytaj, dlaczego zawęziliśmy CaptionBolt. Aktualny produkt zobaczysz w Video Captions, Text Editor lub internetowym narzędziu do przycinania wideo.