Как мы делаем ИИ-рилсы с аватаром: двойник в HeyGen, голос из ElevenLabs, монтаж кодом

В личных Instagram и YouTube нашего основателя выходят короткие разговорные рилсы на русском и английском, и он их не снимает. Каждый — рилс с ИИ-аватаром: цифровой двойник в HeyGen говорит поверх настоящих записей экрана, голос — клон, монтаж собирается кодом. Сценарий, голос, монтаж, проверки и публикацию делает ИИ-агент (Claude); основатель смотрит только готовые рилсы. Ниже — пайплайн в том виде, в каком он работает в октябре 2026 года, что он стоит в кредитах и где мы ошиблись.

С чего началось и чего хотели

8 октября 2026 года основатель сделал цифрового двойника в HeyGen и попросил рилсы на двух языках с минимумом своего времени. Образцом был русскоязычный автор, у которого все свежие рилсы — ИИ-двойник: 41 рилс за 21 день, медиана 16,6 тыс. просмотров, в среднем 27,8 секунды, 3,4 слова в секунду, хук заканчивается к 4,1 секунды (наш подсчёт на 8 октября). 11 октября цель стала такой: по четыре рилса в день на каждом личном аккаунте, два из них с аватаром.

Планку задавал слух, а не техзадание. 10 октября основатель забраковал первые финалы из-за звука: шипение и скрежет под голосом. 11 октября забраковал партию из-за интонаций. Пайплайн ниже — тот, про который он 11 октября сказал «идеально, просто идеально», плюс один английский шаг, добавленный 13 октября.

Что мы делаем, по шагам

1. Источник и сценарий. Каждый рилс почти один в один повторяет ролик, который уже обогнал свой аккаунт, а каждый факт в нём перепроверяется в день работы. Русские рилсы никогда не копируют русскоязычного автора.
2. Образ. HeyGen Avatar V, 9:16, 1080p, промпт движения "steady eye contact with the lens, small natural hand gestures, no head turns". Образ фото-аватара: кадр с основателем, где студию, очки и руки дорисовали модели для изображений, а оживил HeyGen.
3. Один дубль голоса. Весь сценарий вместе с кодовым словом уходит в один вызов озвучки HeyGen (русский на скорости 1,25, английский на 1,2). ElevenLabs Scribe расшифровывает его с таймингом слов, а наши скрипты сверяют слова со сценарием и ловят тянущиеся звуки от 0,15 с, запинки и утверждения, которые уходят вверх. Дубль с ошибкой записывается заново целиком, кусками мы не клеим (почему).
4. Только для английского — другой голос. Английский дубль переозвучивается через ElevenLabs speech-to-speech в собственный клон голоса основателя в ElevenLabs: его английский клон в HeyGen звучал металлом (что мы намерили).
5. Подрезка и загрузка. Паузы режутся по одному правилу на весь дубль, перед кодовым словом вставляется 0,6 с тишины, и этот файл загружается в HeyGen как звук.
6. Одно видео на голос. HeyGen генерирует аватара на загруженном звуке, а мы проверяем, что звук видео совпадает с нашим файлом со сдвигом 0,00 мс.
7. Монтаж кодом. Сцены — HTML-композиции, которые рендерит HyperFrames: аватар, настоящие записи экрана из браузера без окна с нарисованным курсором и настоящим набором текста, субтитры. Всё читаемое держится внутри x 108–972, y 270–1248 кадра 1080×1920, проверка идёт каждые 0,1 с.
8. Звук. Без музыкальной подложки и без шумодава: мягкая цепочка (срез ниже 70 Гц, −1,5 дБ на 300 Гц, лёгкий де-эссер, компрессия 2,5:1) и −14 LUFS.
9. Две версии. Версия для Instagram заканчивается кодовым словом, на которое автоответ отвечает в директ; версия для YouTube — тот же дубль, обрезанный после последней фразы.
10. Публикация. У каждого профиля свой ключ агента, посты встают в очередь через MCP: в русском Instagram каждый рилс уходит пробным, в английском — обычным, в YouTube — обычным Shorts; у каждого обложка, ссылок нет.

Сколько это стоит

Тариф Pro в HeyGen на 11 октября 2026 года стоил $49 за 1 000 кредитов в месяц, а для Avatar V HeyGen заявлял 48 кредитов за минуту. Мы намерили 1,2 кредита за каждую начатую секунду, около 72 за минуту. Три пробы по 5,63 секунды без промпта движения, в 720p и без референсного образа стоили по 7 кредитов: цена не сдвинулась. Экономить можно только секунды, поэтому под полноэкранной графикой видео с аватаром нет.

Партия 14 октября 2026 года (шесть рилсов, одиннадцать голосов примерно по 37 секунд) съела баланс с 1 000 до 164 кредитов: 524 на одиннадцать видео и 312 на 169 дублей озвучки. Один голос обходится примерно в 76 кредитов, рилс на двух языках — примерно в 150. Английский добавляет 350–400 кредитов ElevenLabs на speech-to-speech, а Scribe тратит около 30 кредитов ElevenLabs на минуту звука.

Результаты

Первую партию, 14 рилсов на двух языках, основатель принял в ночь с 10 на 11 октября без единого замечания. Всё, что стояло в очереди с 10 по 12 октября, вышло, ни одного сбоя (проверка 13 октября).

Цифры на 22 октября 2026 года, через 13 дней после старта обоих профилей 9 октября:

• русский YouTube: 36 Shorts и 204 216 просмотров; без трёх лучших — 118 641 (медиана 2 041);
• русский Instagram: 44 пробных рилса и 24 297 просмотров, у 16 из них ноль;
• английский YouTube: 33 Shorts и 28 658 просмотров (медиана 985); английский Instagram: 33 рилса и 9 223 просмотра.

В этих суммах рилсы с аватаром смешаны с анимационными, которые шли в тех же профилях, так что это цифры профилей, а не одного формата. Самый чистый отдельный результат — рилс с аватаром «Какая нейросеть умнее?», вышедший 13 октября: 47 620 просмотров в YouTube, 23 % всех просмотров русского канала, и 2 301 в Instagram.

Что не сработало

• Музыкальная подложка. Наша нормализация громкости поднимала её в каждой паузе — это и было шипение, которое основатель услышал 10 октября.
• Склеенные голоса. Партия 11 октября была собрана из нескольких дублей, ускорена и поправлена по высоте тона; все десять её постов в тот же день сняли из очереди.
• Образы. Студийный образ из текстового промпта выглядел другим человеком. Готовый Look Pack сохранил лицо, но его декорации узнаваемы. На фото-аватаре руки закрывали надпись на футболке, и HeyGen придумывал буквы, когда руки двигались.
• Выброшенное видео. Английский дубль, где последняя фраза основной части уходила вверх, заметили только после генерации видео: минус 34 кредита. Теперь концовки проверяются до оплаты.
• Пробные рилсы на маленьком аккаунте. 11 октября Instagram отказал в пробных рилсах английскому аккаунту, у которого тогда было 43 подписчика, а русский, с 3 694, их принял. Наш планировщик Mellow Hub прочитал отказ как истёкший вход, и рилсы там выходили с опозданием от 30 минут до 2 часов 40 минут, пока 13 октября это не исправили.
• Охват. У 16 из 44 русских пробных рилсов к 22 октября был ноль просмотров. 21 октября в очередь встали перемонтированные копии; считает ли их Instagram новыми видео, не доказано.

Как сделать самому

1. Запишите цифрового двойника в HeyGen и выберите образ, который сохраняет ваше лицо; судите на глаз, а не по названию.
2. Пишите по одному предложению на абзац и заканчивайте утверждения точкой.
3. Озвучьте весь сценарий одним вызовом и проверьте дубль расшифровкой с таймингом слов, прежде чем платить за видео.
4. Если голос плоский, попробуйте speech-to-speech в другой голос на том же дубле и генерируйте видео уже на результате.
5. Загрузите проверенный звук в HeyGen и сделайте на нём одно видео.
6. Соберите вокруг него монтаж и держите текст в безопасной зоне; наша проверка безопасной зоны рисует рамки Meta и Google.
7. Сделайте две версии и поставьте их в очередь из одного места. Мы используем Mellow Hub через MCP, по ключу на профиль; прочитайте, что такое пробный рилс, прежде чем отправлять его на маленький аккаунт.
8. Перед публикацией прочитайте правила каждой сети о пометке реалистичного ИИ-контента; у YouTube они в справке об изменённом и синтетическом контенте.

Цифры коротко