Od nudnej edycji wideo do skilla, który robi to za mnie

Na jednej z „piątkowych kawek w samo południe” ktoś zaproponował, żebym podzielił się frameworkiem rozwiązania konkretnego problemu, z jakim ostatnio się zmagałem.

I nie chodziło tylko o sam końcowy rezultat działań, ale przede wszystkim o proces, w jakim do tego rezultatu doszedłem, ponieważ to, co wydaje mi się zupełnie proste i trywialne, wcale takie nie jest dla osób, które nie spędziły połowy życia na tematach programistyczno-administracyjnych ;)

Zatem do dzieła, mam nadzieję, że Ci się to przyda. I nawet jeśli samo techniczne rozwiązanie nie jest Ci do niczego potrzebne, to potraktujesz to jako inspirację do rozwiązywania własnych problemów z pomocą AI, ponieważ do tego się to przecież sprowadza.

Setki filmów i zero motywacji

Przez ostatnie ± 8 lat miałem okazję nagrać i edytować w sumie kilkaset filmów. Na YouTube, szkolenia, live’y, webinary… Nazabierało się tego. I choć narzędzia są coraz lepsze, coraz mniej mam na to ochotę, zwłaszcza, że jeśli to prosta edycja np. warsztatów w celu udostępnienia nagrania uczestnikom, to nie ma w tym żadnej magii, wielkiego montażu, tylko kilka kroków, które trzeba wykonać.

Dotychczas wykonywałem je przy pomocy Descript (ale to wtedy, kiedy chciałem mocniej pobawić się z nagraniem), albo DaVinci Resolve, gdy zależało mi na błyskawicznej edycji i wygodnym edytorze. Tutaj też podbijałem dźwięk, dodawałem filtry itp.

W każdym razie — nudna, powtarzalna, klikalna praca.

Etap 1: „Nie chce mi się”

W końcu wczoraj powiedziałem dosyć. Nie chce mi się.

Mam nagranie wstępne… Na nagraniu mam około 10 minut rozbiegówki do usunięcia. O rany, znowu odpalać wielki kombajn, wrzucać plik, ręcznie ciąć… Potem robić eksport przez kilkanaście minut… No naprawdę… Nie tylko nie chce mi się, ale przecież to na pewno można zrobić lepiej, a gdyby tak…

Claude > Jestem na macOS, czy możesz wyciąć pierwsze 10 minut 40s 
z tego filmu? '/Users/daniel/Downloads/Recording Apr 8 2026.mp4'

5 sekund (PIĘĆ SEKUND) później:

Claude: Gotowe. Plik video_trimmed.mp4 — ~1h53m
(oryginał 2h04m minus pierwsze 10:40).
Leży w /Users/daniel/00_work/mycc/video_trimmed.mp4

Ale WTF, jak?

No prosto — Claude po prostu użył kombajnu CLI o nazwie ffmpeg1, który właśnie do takich operacji służy… I choć o tym wiedziałem, nigdy nie miałem czasu, żeby w temat wchodzić głębiej.

No dobrze… To jak on taki mądry… to może…

Etap 2: „A skoro jesteś taki mądry…”

Claude > Ok, to teraz inne pytanie — czy jesteśmy w stanie 
podbić jakość i siłę dźwięku na tym nagraniu?

Claude: Sprawdzę najpierw poziomy audio.

Model odpalił analizę przez ffmpeg i stwierdził:

Audio jest dość ciche: -25.26 LUFS (standard to -14 do -16 LUFS), a true peak już na 0.07 dBTP — więc zwykłe podbicie głośności by przycinało. Potrzebna normalizacja + kompresja.

Zastosuję:

• loudnorm (two-pass) → cel -14 LUFS (standard YouTube/podcast)
• highpass → odcięcie szumu poniżej 80Hz
• acompressor → wyrównanie dynamiki głosu

Claude: Gotowe. Plik video_enhanced.mp4 (238 MB) z ulepszonym dźwiękiem:

- Głośność podbita z -25 do -14 LUFS (standard YouTube)
- Kompresja dynamiki — głos bardziej równomierny 
  (ciche fragmenty podciągnięte, głośne lekko ściszone)
- Highpass 80Hz — wycięty niski szum/rumble
- Audio 192 kbps AAC (oryginał miał 82 kbps)
- Wideo bez zmian (stream copy)

Odsłuchaj kawałek i daj znać czy efekt jest ok 
— mogę jeszcze dostroić parametry.

So far… So zajebiście… Zatem… Skoro jest i działa i na pewno będę tego używał częściej, to…

Etap 3: zróbmy z tego trwałe narzędzie

Claude > Ok, bardzo fajnie to poszło. Użyj /skill-creator 
i w projekcie cc.skills utwórz skilla ems-video-editor, 
który na dzień dobry będzie w stanie podbijać dźwięk. 
Czy poza ffmpeg mogę użyć innych (najlepiej darmowych) 
narzędzi do takich operacji, które dadzą lepszy rezultat?

Claude: Oprócz ffmpeg warto rozważyć:

- SoX (brew install sox) — świetny do noise reduction, EQ, 
  kompresji; lepszy niż ffmpeg do samego audio
- DeepFilterNet (pip install deepfilternet) — ML-based 
  usuwanie szumu/pogłosu, daje świetne wyniki 
  na nagraniach ze spotkań
- RNNoise — lekki ML denoiser (Mozilla), 
  można użyć przez ffmpeg plugin

DeepFilterNet dałby prawdopodobnie najlepszy efekt na nagraniach 
Zoom/Meet — usuwa szum tła i pogłos z pomocą sieci neuronowej.

Tak oto po chwili miałem gotową pierwszą wersję skilla:

Claude: ems-video-editor gotowy. Oto co zostało zrobione:

Utworzono: /Users/daniel/00_work/projects/cc/cc.skills/
           ems-video-editor/SKILL.md

Funkcjonalności na dzień dobry:
1. Audio enhancement — dwuetapowy (analiza + przetwarzanie), 
   łańcuch: highpass → acompressor → loudnorm, 
   3 presety głośności (gentle/standard/loud)
2. Noise removal — DeepFilterNet (ML) jako primary, 
   SoX noisered jako fallback
3. Video trimming — wycinanie początku/końca/fragmentu, 
   stream copy
4. Łączenie operacji — trim + enhance w jednym przejściu

Etap 4: testy i iteracja

Potem ściągnąłem krótkie nagranie wideo w celu przeprowadzenia testów. Poprosiłem model o wykonanie procesu na pliku. Jak się spodziewałem, nie wszystko przeszło gładko, ale problemy zostały rozwiązane w locie.

Wnioski, które się pojawiły:

• SoX nie obsługuje mp4 bezpośrednio — wymaga wyekstrahowania audio do WAV (tak jak DeepFilterNet2)
• DeepFilterNet — 30s audio przetworzył w 2.5s (RT factor 0.085 = ~12x realtime). Dla 2h to ~10 min.

Automatyczna aktualizacja

Bazując na testach, model od razu dokonał aktualizacji skilla (sam z siebie, bez konieczności proszenia go o to):

Claude: Gotowe. Zaktualizowałem skilla:

- Ścieżki narzędzi — konkretne paths zamiast "opcjonalny"
- SoX — dodałem uwagę że nie czyta mp4, zawsze extract do wav
- DeepFilterNet — dodałem benchmarki wydajności 
  (~12x realtime, v0.5.6)
- Nowy pipeline denoise + enhance w jednym kroku 
  (mux back + loudnorm chain razem)
- SoX noise reduction — rozpisany pełny workflow 
  z wyjaśnieniem sensitivity

Etap 5: a co z Audacity?

No to idziemy za ciosem. Dawniej często używałem Audacity do przetwarzania co bardziej istotnych nagrań. Miałem gotowe własne skrypty i kilka komercyjnych pluginów. Pytanie, czy model może coś z tego wyciągnąć?

Claude > Mam jeszcze zainstalowane Audacity — 
czy to też się może do czegoś przydać?

Claude: Nie bardzo. Audacity to narzędzie GUI — nie ma sensownego 
trybu CLI do automatyzacji. Wszystko co Audacity robi w kontekście 
tego skilla (noise reduction, EQ, kompresja, normalizacja) jest 
już pokryte przez ffmpeg + SoX + DeepFilterNet, które działają 
w terminalu.

Audacity przydaje się gdy chcesz ręcznie obejrzeć spektrogram 
albo precyzyjnie zaznaczyć fragment szumu — ale to praca manualna, 
nie do zautomatyzowania w skillu.

Niestety spodziewałem się czegoś takiego.

Idealny przykład, że narzędzia, które NIE mają opcji CLI / API, są skazane na wymarcie. Zapamiętaj to.

Etap 6: auto-editor — wycinanie ciszy

No dobrze, ale może Claude ma jeszcze jakieś pomysły?

Claude > Ok, a jakieś dodatkowe narzędzia do np. automatycznych 
operacji na całym video? Np. wycinanie okresów ciszy?

Claude: Tak, jest świetne narzędzie: auto-editor.

pip install auto-editor

Co potrafi:
- Wycinanie ciszy — automatycznie usuwa fragmenty bez mowy
- Motion detection — wycina fragmenty bez ruchu na ekranie
- Konfigurowalny próg — jak cicho = cisza, ile padding zostawić
- Speed up zamiast cut — np. ciszę przyspiesza 8x zamiast wycinać

No to instalujemy auto-editor3 i sprawdzamy.

Claude: Gotowe. Skill zaktualizowany o auto-editor:

- Tabela narzędzi — dodany auto-editor v29.3.1
- Sekcja 4 — automatyczne wycinanie ciszy z przykładami 
  (cut, speed-up, motion, threshold, margin)
- Description — rozszerzona o triggery: "wytnij ciszę", 
  "cut silence", "auto-edit" itd.
- Nazewnictwo — _autocut.mp4 dla auto-editowanych plików

Najwyższy czas, żeby przetestować ponownie cały proces ze wszystkimi dodatkami:

Claude: Gotowe. Porównanie:

┌─────────┬──────────┬────────────────┐
│         │  Przed   │   Po autocut   │
├─────────┼──────────┼────────────────┤
│ Czas    │ 1h53m28s │ 1h44m24s       │
├─────────┼──────────┼────────────────┤
│ Rozmiar │ 238 MB   │ 193 MB         │
├─────────┼──────────┼────────────────┤
│ Wycięto │ —        │ ~9 minut ciszy │
└─────────┴──────────┴────────────────┘

Auto-editor wyciął ~9 minut martwych fragmentów z marginesem 0.3s 
wokół mowy. Odsłuchaj czy przejścia brzmią naturalnie — jeśli zbyt 
agresywne, mogę zwiększyć margin albo użyć speed-up zamiast cięcia.

Poprosiłem model o podanie konkretnych momentów na nagraniu — przygotował mi listę. Wyszło genialnie. Rany, że ja o tym wcześniej nie pomyślałem.

Etap 7: deep research na deser

Nie będę Cię już zanudzał dalszą konwersacją. Zrobiłem to specjalnie, żeby pokazać Ci, że w tym naprawdę nie ma żadnej magii. Tylko chęć rozwiązania konkretnego problemu.

Gdy ta wersja skilla była już gotowa, uruchomiłem NotebookLM. Poprosiłem w ramach deep research o znalezienie wszystkich najlepszych (darmowych) narzędzi CLI, które model może użyć do operacji edycyjnych na audio/video.

Dostałem około 50 wyników, zatem poprosiłem o przygotowanie listy najlepiej ocenianych narzędzi.

---

Skopiowałem listę, ponownie wrzuciłem do Claude’a z prośbą o analizę, czy któreś z tych narzędzi dobrze się sprawdzi w naszym przypadku.

Podekscytował się znajdując na liście whisper.cpp4 oraz narzędzie do odszumiania, które uznał za dużo lepsze od aktualnie używanego.

Dzięki whisper możemy:

• Tworzyć automatyczne transkrypcje
• Dodawać napisy
• Dzielić materiał na rozdziały
• Ulepszyć proces wycinania zbędnych fragmentów

---

Na tej samej zasadzie udostępniam moje projekty w ramach akcji Prompt It Yourself, by służyły Ci za źródło inspiracji.

Prompt It Yourself — zobacz projekty

Mam nadzieję, że choć trochę ułatwi to Twoją zabawę z modelami.

Narzędzia wspomniane w tekście