Jak jsme z Teams školení vytvořili 11 výukových videí pomocí AI

Následující postup je funkční základ pro jeden pilotní díl: jeden schválený screenshot, komentář a přepínatelné titulky. Příklady používají Windows, PowerShell 7, Python 3 a FFmpeg včetně ffprobe dostupné v PATH. Výrobu celé série pak rozšíříte o seznam podkapitol a střídání obrazů podle časových kotev.

1. Oddělte zdroje, texty, placené audio a výstupy

Založte pracovní adresář. Původní záznam a přepis ponechte jako zdroje; hotové soubory ukládejte zvlášť. První blok spusťte z nadřazeného adresáře; vytvoří složku video-kurz a přejde do ní. Všechny další příkazy pak spouštějte z této složky.

New-Item -ItemType Directory -Force -Path .\video-kurz | Out-Null
Set-Location .\video-kurz
'zdroj','texty','screens','audio','titulky','vystup','cache' |
    ForEach-Object { New-Item -ItemType Directory -Force -Path $_ | Out-Null }
python -m pip install python-docx

Do zdroj vložte skoleni.mp4 a prepis.docx. Ukázka převádí přepis tvořený odstavci, obsah tabulek nepřebírá. Pro převod odstavců z Wordu uložte následující soubor jako docx_text.py a spusťte python .\docx_text.py.

from pathlib import Path
from docx import Document

source = Document("zdroj/prepis.docx")
text = "\n\n".join(p.text for p in source.paragraphs if p.text.strip())
Path("texty/prepis.txt").write_text(text, encoding="utf-8")

2. Nechte AI připravit scénář s dohledatelnými zdroji

Codexu dejte přepis i manuál, pojmenujte soukromé pasáže a požadujte strojově čitelný výstup. Použít můžete například toto zadání:

Rozděl přepis do tematických lekcí a kratších podkapitol.
Pro každou vrať ID, název, stručný popis, finální český text,
zdrojovou pasáž a seznam potřebných obrazovek.
Odstraň přestávky, opakování a označené osobní informace.
Nové kroky dolož konkrétní částí manuálu.
Kde chybí obraz, napiš požadavek na screenshot; nic si nevymýšlej.
Zatím nevolej hlasové API a nepřeváděj videa.

Po revizi uložte jednu podkapitolu do texty/10-00.txt. Pilot může začínat například „Otevřete katalog mzdových složek.“ Identifikátor 10-00 propojí text, audio, titulky i obraz. Zkontrolujte také vyslovování zkratek; při fonetické úpravě textu pro hlas budete potřebovat převést časování zpět na běžný zápis titulků.

3. Připravte skutečný obraz a ověřte ořez

Získejte první kontrolní snímek ze záznamu. Čas v příkladu nahraďte vhodným místem svého školení. Prohlédněte účastníky, firemní lišty, otevřené dokumenty i údaje v tabulkách.

ffmpeg -hide_banner -y -ss 00:05:00 -i .\zdroj\skoleni.mp4 `
    -frames:v 1 .\screens\kontrola.png
if ($LASTEXITCODE -ne 0) { throw 'Extrakce snímku selhala.' }

Pokud záznam potřebuje ořez, filtr má tvar crop=šířka:výška:x:y. Například crop=1424:976:120:104 odpovídá jednomu konkrétnímu rozložení našeho zdroje. Souřadnice si změřte na svém snímku a před hromadným zpracováním ořez ověřte. Citlivou obrazovku nahraďte schválenou ukázkou s demo daty.

Při snímání nové obrazovky přes Playwright nejdřív otevřete správnou firmu, vyčkejte na dokončené načtení a až potom pořiďte screenshot. Následující řádek patří do již připojené a přihlášené browser session:

await page.screenshot({ path: 'screens/10-00.png', fullPage: false });

Pro další kroky použijte schválený obrázek screens/10-00.png. Jeho obsah musí odpovídat mluvenému textu.

4. Vygenerujte jednu podkapitolu přes ElevenLabs API

Do prostředí procesu nastavte ELEVENLABS_API_KEY a ELEVENLABS_VOICE_ID. ID vybraného hlasu vezměte ze svého účtu. Klíč zůstává mimo skript. Následující volání je placená operace: spusťte ho až pro schválený text, nikoli při každém renderu.

if (-not $env:ELEVENLABS_API_KEY -or -not $env:ELEVENLABS_VOICE_ID) {
    throw 'Chybí API klíč nebo ID hlasu v prostředí.'
}
if (Test-Path -LiteralPath .\audio\10-00.mp3) {
    throw 'Audio už existuje. Nové generování musí být záměrné.'
}
$text = Get-Content -LiteralPath .\texty\10-00.txt -Raw -Encoding utf8
$body = @{
    text = $text.Trim()
    model_id = 'eleven_multilingual_v2'
    voice_settings = @{
        stability = 0.65
        similarity_boost = 0.75
        style = 0
        use_speaker_boost = $true
        speed = 1.0
    }
} | ConvertTo-Json -Depth 5
$result = Invoke-RestMethod -Method Post `
    -Uri "https://api.elevenlabs.io/v1/text-to-speech/$($env:ELEVENLABS_VOICE_ID)/with-timestamps" `
    -Headers @{ 'xi-api-key' = $env:ELEVENLABS_API_KEY } `
    -ErrorAction Stop -ContentType 'application/json; charset=utf-8' `
    -Body ([Text.Encoding]::UTF8.GetBytes($body))
[IO.File]::WriteAllBytes(
    (Join-Path $PWD 'audio\10-00.mp3'),
    [Convert]::FromBase64String($result.audio_base64)
)
$result | Select-Object alignment,normalized_alignment |
    ConvertTo-Json -Depth 100 |
    Set-Content -LiteralPath .\audio\10-00.json -Encoding utf8

MP3 a JSON uchovejte spolu. Pro větší sérii počítejte SHA-256 z textu, modelu, hlasu a jeho nastavení. Shodný otisk znamená, že můžete použít existující audio; změněný screenshot jeho regeneraci nevyžaduje. API zde neposíláme žádný záznam schůzky, jen schválený text komentáře.

5. Z časování vytvořte SRT a WebVTT

Soubor make_subtitles.py níže rozdělí řeč po slovech do nejvýše dvou řádků a přibližně pětisekundových úseků. Používá časování vrácené ke stejnému komentáři, takže nepotřebujete další placený přepis nového audia. Spusťte python .\make_subtitles.py.

import json
import re
import textwrap
from pathlib import Path

a = json.loads(Path("audio/10-00.json").read_text(encoding="utf-8-sig"))["alignment"]
text = "".join(a["characters"])
starts = a["character_start_times_seconds"]
ends = a["character_end_times_seconds"]
assert len(text) == len(starts) == len(ends) and text.strip()
words = list(re.finditer(r"\S+", text))

def lines(group):
    return textwrap.wrap(" ".join(w.group() for w in group), width=42,
                         break_long_words=False, break_on_hyphens=False)

def stamp(seconds):
    ms = round(max(0, seconds) * 1000)
    hours, ms = divmod(ms, 3600000)
    minutes, ms = divmod(ms, 60000)
    seconds, ms = divmod(ms, 1000)
    return f"{hours:02}:{minutes:02}:{seconds:02},{ms:03}"

groups, group = [], []
for word in words:
    candidate = group + [word]
    if group and (len(lines(candidate)) > 2 or
                  ends[word.end()-1] - starts[group[0].start()] > 5):
        groups.append(group)
        group = []
    group.append(word)
if group:
    groups.append(group)

blocks = []
for index, group in enumerate(groups, 1):
    begin = starts[group[0].start()]
    end = ends[group[-1].end()-1]
    blocks.append(f"{index}\n{stamp(begin)} --> {stamp(end)}\n" + "\n".join(lines(group)))
srt = "\n\n".join(blocks) + "\n"
Path("titulky/10-00.srt").write_text(srt, encoding="utf-8")
vtt = "WEBVTT\n\n" + re.sub(r"(\d{2}:\d{2}:\d{2}),(\d{3})", r"\1.\2", srt)
Path("titulky/10-00.cs.vtt").write_text(vtt, encoding="utf-8")

6. Sestavte pilotní MP4 s přepínatelnými titulky

Nejdřív zjistěte délku komentáře. Potom FFmpeg opakuje obrázek přesně po tuto dobu, zachová poměr stran a přidá nové audio i textovou stopu. Příklad používá softwarový enkodér libx264, aby nevyžadoval konkrétní grafický čip. V naší výrobě kódování urychloval Intel Quick Sync.

$audioSeconds = & ffprobe -v error -show_entries format=duration `
    -of default=noprint_wrappers=1:nokey=1 .\audio\10-00.mp3
if ($LASTEXITCODE -ne 0) { throw 'Délku audia se nepodařilo načíst.' }

ffmpeg -hide_banner -y -loop 1 -framerate 25 -i .\screens\10-00.png `
    -i .\audio\10-00.mp3 -i .\titulky\10-00.srt `
    -map 0:v:0 -map 1:a:0 -map 2:0 `
    -vf 'scale=1920:1080:force_original_aspect_ratio=decrease,pad=1920:1080:(ow-iw)/2:(oh-ih)/2:color=0x291e50,setsar=1' `
    -c:v libx264 -preset veryfast -crf 21 -pix_fmt yuv420p `
    -c:a aac -b:a 160k -ar 48000 -c:s mov_text `
    -metadata:s:a:0 language=ces -metadata:s:s:0 language=ces `
    -t ($audioSeconds.Trim()) -movflags +faststart .\vystup\10-00.mp4
if ($LASTEXITCODE -ne 0) { throw 'Výroba pilotního videa selhala.' }

Pro více obrazovek si uložte seznam přechodů a jejich fráze. V časování vyhledejte začátek fráze, přečtěte její čas a převeďte ho na snímek: round(čas × 25). Délka záběru je rozdíl začátků dvou sousedních záběrů. Poslední obraz končí s komentářem. Záznam níže je příklad vstupu pro vlastní řídící skript; FFmpeg takový JSON sám nenačítá.

{
  "id": "10-00",
  "audio": "audio/10-00.mp3",
  "visuals": [
    {"path": "screens/katalog.png", "offset": 0},
    {"path": "screens/mapovani.png", "phrase": "Pro mapování otevřete"}
  ]
}

Při sestavování původního pohyblivého záběru mapujte jen jeho video a nové hlasové audio. Původní zvuk schůzky se do výstupu nemá přimíchat. Po sestavení více podkapitol přičtěte jejich skutečné délky k titulkům a časům podkapitol; zahrňte také úvodní kartu a případné pauzy.

7. Zkontrolujte soubor a připravte web

ffmpeg -hide_banner -v error -threads 2 -i .\vystup\10-00.mp4 `
    -map 0:v:0 -map 0:a:0 -f null NUL
if ($LASTEXITCODE -ne 0) { throw 'Kontrola dekódování selhala.' }
ffprobe -v error -show_streams -show_format .\vystup\10-00.mp4
Get-FileHash -LiteralPath .\vystup\10-00.mp4 -Algorithm SHA256

Prohlédněte také začátky a konce všech záběrů, vyzkoušejte titulky a porovnejte jejich text se scénářem. Záznam kontroly spojte s SHA-256 hotového MP4, abyste věděli, kterou verzi jste skutečně ověřili.

Na web nahrajte 10-00.mp4 a 10-00.cs.vtt do media/videa. Následující minimální přehrávač stáhne média až po kliknutí a umí start podle odkazu #cas=20. Soubor stránky musí mít kódování UTF-8.

<button id="start" type="button">Přehrát lekci</button>
<video id="lesson" controls preload="none" playsinline hidden
       style="width:100%;max-width:1080px"></video>
<script>
const start = document.getElementById('start');
const video = document.getElementById('lesson');
start.addEventListener('click', () => {
    start.hidden = true;
    video.hidden = false;
    const requested = Number(new URLSearchParams(location.hash.slice(1)).get('cas') || 0);
    video.addEventListener('loadedmetadata', () => {
        video.currentTime = Number.isFinite(requested)
            ? Math.max(0, Math.min(requested, video.duration)) : 0;
        video.play().catch(error => console.warn('Spusťte přehrávání ovládáním videa.', error));
    }, { once: true });
    const track = document.createElement('track');
    track.kind = 'subtitles';
    track.srclang = 'cs';
    track.label = 'Česky';
    track.src = '/media/videa/10-00.cs.vtt';
    track.default = true;
    video.append(track);
    video.src = '/media/videa/10-00.mp4';
    video.load();
}, { once: true });
</script>

Na IIS nastavte pro .vtt MIME typ text/vtt a pro .mp4 typ video/mp4. Ověřte částečné stahování souboru:

$r = Invoke-WebRequest `
    -Uri 'https://vas-web.example/media/videa/10-00.mp4' `
    -Headers @{ Range = 'bytes=0-1023' }
$r.StatusCode
$r.Headers['Content-Range']

Očekáváte stav 206 a odpovídající Content-Range. Pro celou videotéku doplňte katalog JSON s názvy, popisy a skutečnými časy. Při spuštění jiné lekce původní video pozastavte, odeberte jeho src i stopy a zavolejte load(). Odkaz s časem může nejdřív pouze vybrat náhled; načtení nechte na kliknutí uživatele.

8. Teprve potom rozšiřte výrobu na celou sérii

Každé podkapitole ponechte samostatné ID, soubory a kontrolní otisk. Placené generování hlasu, render a publikaci spouštějte odděleně. Paralelně zpracovávejte různé kapitoly ve vlastních pracovních adresářích; společný katalog nechte zapisovat jen jednomu procesu. Při změně obrázku znovu sestavte obrazový díl a výsledné MP4, při změně textu obnovte také příslušné audio a jeho časování. Tak zůstane další aktualizace výuky rychlá a dohledatelná.