#!/usr/bin/env python3 """Атмосферный слой и J-cut: звук приходит раньше картинки. Две вещи, которых в этом скилле не было и без которых монтаж читается как любительский, сколько ни улучшай картинку. **Первая — атмосфера.** Между фразами в тесно нарезанной речи наступает цифровая тишина, которой не бывает ни в одной комнате мира. Зритель не осознаёт её как дефект, но слышит запись как дешёвую. Тонкий слой комнаты на −36 дБ убирает провал, и тот же материал начинает звучать сведённым. Слой не слышат — слышат его отсутствие. **Вторая — J-cut.** У прямой склейки звук и картинка меняются одновременно. В жизни так не бывает: сначала слышишь голос коллеги, потом поворачиваешься. По опубликованным разборам монтажа смещение 20–30% склеек уже читается как кинематографичное, а безопасная зона смещения — от полусекунды до двух. Здесь J-cut делается на **перебивках**, и только на них. Речь спикера смещать нельзя — она обязана оставаться в липсинке с губами; это прямо запрещено нулевой аксиомой скилла. А вот атмосфера самой перебивки — гул железа под кадром видеокарты, щелчки клавиш под кадром кода — может и должна начинаться **до** того, как картинка переключится. Тогда переход на вставку звучит как причина, а не как следствие. Уровни считаются от измеренной громкости голоса, а не от полной шкалы: то же правило, что и у шины SFX. """ from __future__ import annotations import argparse import json import subprocess import sys from pathlib import Path sys.path.insert(0, str(Path(__file__).resolve().parent)) from harvest_broll import CONCEPTS as BROLL_CONCEPTS # noqa: E402 from media_probe import loudness, probe # noqa: E402 from skill_config import ASSETS, emit, require_binary, utf8_stdout # noqa: E402 SFX = ASSETS / "sfx" # Какая атмосфера подходит какому понятию. Ключ — то, что harvest_broll.py уже # записал в поле concept, поэтому связка держится на одном словаре, а не на # совпадении названий файлов. BY_CONCEPT: dict[str, str] = { "железо": "electronics_hum", "видеокарта": "electronics_hum", "сервер": "server_room", "код": "keyboard_typing", "монтаж": "keyboard_typing", "данные": "server_room", "нейросеть": "tension_bed", "мозг": "tension_bed", "сеть": "server_room", "город": "city_distant", "люди": "city_distant", "лаборатория": "electronics_hum", "график": "tension_bed", } def ff(value: float) -> str: return f"{value:.6f}".rstrip("0").rstrip(".") or "0" def main() -> None: utf8_stdout() parser = argparse.ArgumentParser(description=__doc__.splitlines()[0]) parser.add_argument("input") parser.add_argument("output") parser.add_argument("--broll-plan", help="broll_plan.json — из него берутся вставки") parser.add_argument("--ambience", default="room_tone", help="Непрерывный слой под весь ролик, или 'none'") parser.add_argument("--ambience-db", type=float, default=-36.0, help="Уровень слоя относительно измеренного голоса") parser.add_argument("--layer-db", type=float, default=-26.0, help="Уровень атмосферы перебивки относительно голоса") parser.add_argument("--j-lead", type=float, default=0.55, help="На сколько секунд звук вставки опережает её картинку. " "Безопасная зона 0.5-2.0; выше начинает читаться как ошибка") parser.add_argument("--fade", type=float, default=0.35) parser.add_argument("--sfx-dir", default=str(SFX)) parser.add_argument("--dry-run", action="store_true") args = parser.parse_args() require_binary("ffmpeg") source = Path(args.input).resolve() if not source.is_file(): raise SystemExit(f"Not found: {source}") sfx_dir = Path(args.sfx_dir).resolve() info = probe(source) if not info.get("has_audio"): raise SystemExit(f"{source} без звуковой дорожки") duration = float((info.get("video") or {}).get("duration") or info.get("duration") or 0.0) voice = loudness(source) voice_lufs = voice.get("integrated_lufs") if voice_lufs is None: raise SystemExit("ebur128 не измерил громкость голоса") layers: list[dict] = [] if args.ambience != "none": bed = sfx_dir / f"{args.ambience}.wav" if not bed.is_file(): raise SystemExit(f"Нет атмосферы {bed}. Запусти scripts/generate_sfx.py") layers.append({ "kind": "ambience", "file": bed, "at": 0.0, "length": duration, "gain_db": round(voice_lufs + args.ambience_db - (-23.0), 2), "loop": True, "why": "непрерывный слой: между фразами не должно быть цифровой тишины", }) if args.broll_plan and Path(args.broll_plan).is_file(): plan = json.loads(Path(args.broll_plan).read_text(encoding="utf-8")) for item in plan.get("broll", []): concept = (item.get("concept") or "").strip() name = BY_CONCEPT.get(concept) if not name: # План мог быть написан руками и не содержать concept — так и # вышло на первом же реальном проекте. Тогда понятие выводится # из текста привязки теми же образцами, что использует # harvest_broll.py, и связка не рвётся из-за отсутствия поля. haystack = " ".join(str(item.get(key, "")) for key in ("anchor", "note", "query")).lower() for pattern, _query, label in BROLL_CONCEPTS: if pattern.search(haystack) and label in BY_CONCEPT: concept, name = label, BY_CONCEPT[label] break if not name: continue path = sfx_dir / f"{name}.wav" if not path.is_file(): continue picture_at = float(item["start"]) # Вот он, J-cut: звук стартует раньше картинки. audio_at = max(0.0, picture_at - args.j_lead) length = float(item.get("duration", 2.4)) + (picture_at - audio_at) layers.append({ "kind": "broll_ambience", "file": path, "at": round(audio_at, 3), "length": round(length, 3), "picture_at": round(picture_at, 3), "lead": round(picture_at - audio_at, 3), "gain_db": round(voice_lufs + args.layer_db - (-23.0), 2), "loop": True, "concept": concept, "why": f"«{concept}»: звук вставки приходит за " f"{picture_at - audio_at:.2f} с до картинки", }) if not layers: emit({"status": "nothing_to_do", "note": "Ни атмосферы, ни подходящих перебивок — слой пуст."}) return command = ["ffmpeg", "-y", "-v", "warning", "-nostdin", "-i", str(source)] for layer in layers: if layer["loop"]: command += ["-stream_loop", "-1"] command += ["-i", str(layer["file"])] graph: list[str] = ["[0:a]aformat=sample_rates=48000:channel_layouts=stereo[voice]"] mix = ["[voice]"] for index, layer in enumerate(layers, start=1): fade = min(args.fade, layer["length"] / 2.5) chain = [ "aformat=sample_rates=48000:channel_layouts=stereo", f"atrim=duration={ff(layer['length'])}", "asetpts=PTS-STARTPTS", f"volume={layer['gain_db']:.2f}dB", ] if fade > 0.02: chain.append(f"afade=t=in:st=0:d={ff(fade)}:curve=qsin") chain.append( f"afade=t=out:st={ff(layer['length'] - fade)}:d={ff(fade)}:curve=qsin") if layer["at"] > 0.001: delay = int(round(layer["at"] * 1000)) chain.append(f"adelay={delay}|{delay}:all=1") graph.append(f"[{index}:a]" + ",".join(chain) + f"[l{index}]") mix.append(f"[l{index}]") # `apad` перед `atrim`, и никакого `-shortest`. # # Видео здесь копируется, то есть его длина задана и трогать её нечем. Но с # `-shortest` ffmpeg заканчивает файл по самому короткому потоку, и если # смикшированный звук вышел на пару кадров короче — а он выходит, потому что # AAC квантует по 1024 отсчёта, — то обрезается **скопированное видео**. # Ровно так этот шаг съедал 100 мс: каждый проход по отдельности укладывался # в свой допуск, а ворота доставки ловили сумму. # # apad делает звук заведомо не короче, atrim обрезает его точно по картинке. graph.append("".join(mix) + f"amix=inputs={len(mix)}:normalize=0:dropout_transition=0," f"apad,atrim=duration={ff(duration)},asetpts=N/SR/TB[aout]") report = { "status": "planned", "input": str(source), "voice_lufs": voice_lufs, "layers": [{k: (str(v) if isinstance(v, Path) else v) for k, v in layer.items()} for layer in layers], "j_cuts": sum(1 for layer in layers if layer["kind"] == "broll_ambience"), "note": ("Речь не смещается никогда — она обязана оставаться в липсинке. " "Смещается только атмосфера перебивки, и это делает переход " "на вставку причиной, а не следствием."), } if args.dry_run: emit(report) return output = Path(args.output).resolve() output.parent.mkdir(parents=True, exist_ok=True) command += [ "-filter_complex", ";".join(graph), "-map", "0:v?", "-map", "[aout]", "-c:v", "copy", "-c:a", "aac", "-b:a", "224k", "-ar", "48000", "-ac", "2", "-movflags", "+faststart", str(output), ] done = subprocess.run(command, capture_output=True, text=True, errors="replace") if done.returncode: report.update({"status": "failed", "graph": ";".join(graph), "tail": (done.stderr or "").strip()[-1800:]}) emit(report) raise SystemExit(done.returncode) after = loudness(output) report["status"] = "ok" report["output"] = str(output) report["loudness_after"] = after report["loudness_note"] = ("Слой добавляет доли децибела к интегральной громкости; " "выравнивание всё равно делает audio_fx.py в конце.") emit(report) if __name__ == "__main__": main()