Работа с видео *

В последние годы короткие видеоформаты повлияли на ожидания многих пользователей от видеосервисов. Всё чаще зритель рассчитывает, что ролик начнёт воспроизводиться почти мгновенно, а переключение между видео будет происходить без задержек. Однако на стороне разработчика видеоплатформы за таким сценарием стоит немало технических нюансов: если не оптимизировать плеер, бэкенд и процессы кодирования, пользовательский опыт быстро начинает страдать из‑за зависаний и долгого старта воспроизведения. 

Привет, меня зовут Рамиль Габдрахманов, я руковожу разработкой видеоплееров в Yandex Infrastructure. Нашу видеоплатформу используют многие сервисы Яндекса: Кинопоиск, Яндекс Маркет, Яндекс Музыка и другие — а компании вне Яндекса могут использовать её через Yandex Cloud Video. В день наш плеер воспроизводит 103 847 867 931 секунду видео.

Сегодня расскажу о том, как устроены ленты коротких видео у нас, что под капотом и какие оптимизации мы применяем.

Как сохранить уникальное визуальное решение AI-фильма, когда модель все усредняет? 

В AI-кино стиль берет на себя роль мизансцены. С пространством, необходимым для мизансцены, нейросеть знакома условно, поэтому полноценное авторское решение чаще достигается через стиль. Именно он становится тестом на авторство, где оно либо подтверждается, либо растворяется в усредненной выдаче генератора.

Разбираем на примерах, как создать видео в нейросети Google Veo 3.1. Рабочие промпты для генерации видео, ИИ-режиссура и секреты того, как оживить фото с помощью ИИ.

Визуальные эффекты в кино до компьютерной графики — это чертовски сложно, долго и дорого. Даже если речь идет о, казалось бы, простых вещах, например инопланетных существах. Лукас, задумывая «Звездные войны», хотел показать не только бои в космосе, но и разнообразных «монстров». И вот с этим была засада, решать которую пришлось «Фабрике монстров» Фила Типпета — отделу Industrial Light and Magic (подразделение Lucasfilm, занимавшееся визуальными эффектами), чья основная задача была — создавать инопланетян.

В СИБУРе я отвечаю за разработку сервиса видеоаналитики. По сути, это система, которая в реальном времени обрабатывает видеопоток с камер на нефтехимических предприятиях. Камеры следят за технологическим процессом: считают продукцию на конвейере, определяют уровень жидкости в колбах, проверяют наличие касок на людях. Результат нужен в течение пяти секунд, потом уже поздно.

Как создать мобильное приложение c фото- и видео-камерой на C# с использованием элемента SkiaCamera: SKSL шейдеры, AI-субтитры и наложение графики во время записи.

Для захвата камеры в .NET MAUI есть хорошие варианты: CommunityToolkit.Maui.Camera, MediaPicker и платформенное API.

Для особого класса задач, где необходимо обрабатывать превью и кадры, идущие в запись, есть пакет DrawnUi.Maui.Camera.

Лучше всего заходит для :

– Наложения эффектов/обработки превью и отправки кадров в AI/ML
– Обработки снятых фотографий перед записью в галерею
– Обработки видео-кадров в реальном времени
– Обработки аудио в реальном времени

На рынке видеонаблюдения есть удивительно живучий миф: если на двух IP-камерах написано H.264 (или H.265), значит, и вести себя они должны примерно одинаково. Нагрузка на сеть будет похожей, архив займет сопоставимый объем, сервер разницы не заметит, а совместимость окажется чем-то само собой разумеющимся.

Разберем, почему это не так и какие параметры действительно влияют на поведение потока и на что стоит смотреть при выборе, тестировании и модернизации системы.

В Netflix множество грандиозных идей начинается с вопросов. Три года назад мы задали, возможно, самый смелый из них: если бы мы собрались развлекать весь мир с помощью прямых эфиров (этот формат ещё называют «Live», он почти такой же древний, как само телевидение) — как бы мы это сделали?

В начале всё выглядело как чисто техническая задача — подготовка к выпуску нашего первого комедийного шоу, идущего в прямом эфире — Chris Rock: Selective Outrage. А через некоторое время наши прямые эфиры исчислялись уже сотнями. Чего только среди них не было — от крупнейших комедийных представлений и рождественских матчей NFL, до боксёрских поединков, собравших рекордную аудиторию. Netflix даже стала эксклюзивной платформой для трансляции событий WWE.

25 марта 2026 года команда Sora опубликовала в X короткое прощальное сообщение: «Мы прощаемся с Sora». Без точных дат и без объяснений. Только обещание позже рассказать, как сохранить созданный контент. Именно так и закончилась история одного из самых хайповых ИИ‑инструментов последних двух лет.

Последние несколько лет я усиленно увлекаюсь любительской видеореставрацией: беру старые мультики, прогоняю их через большие пайплайны цифровой обработки, зачастую работаю с аудио и по итогу всё это собираю в MKV-контейнеры. От «Чипа и Дейла» эпохи старого Диснея до чистой цифры в виде «Врат Штейна».

Казалось бы: «Обложка да обложка, какая разница? Главное — видео и звук!» Но вы крупно недооцениваете мою любовь к перфекционизму.

Проблема была даже не в том, что обложек нет, а в том, что ими почти никто не занимается. Ни корпорации-издатели, ни даже базы от энтузиастов вроде TheTvDB зачастую почти не уделяют нормального внимания стародавним релизам, из-за чего лично у меня возникает странный контраст: на диске лежит моя отреставрированная классика в 4К, а медиа-сервер подтягивает размытый скриншот серии с VHS-кассеты начала 2000-х. А иногда та же практика применяется и к новым релизам 0_0 Ужас ведь.

В этой статье я хочу показать свой путь проб и ошибок — от примитивных «ИИ-фильтров» на «Чип и Дейле» и автоматических скриптов для «Розовой пантеры» до освоения цветокоррекции и ручной реставрации на куче обложек для «Тома и Джерри», а затем — до сложного и зачастую ещё более муторного симбиоза ИИ-генерации и ручной доводки при создании уникальных постеров для «Врат Штейна» и других сериалов.

Недавно перед нами встала задача быстро реализовать микросервис для конвертации видео. Стандартным решением для таких целей является FFmpeg, который умеет читать файлы чанками (запросы HTTP Range) с URL и выводить результат в stdout. Поэтому я решил попробовать подход с потоковой конвертацией.

Важно уточнить, что под «потоковой обработкой» здесь подразумевается передача данных в виде последовательности чанков (Chunked Streaming), а не классический Continuous Streaming, как в случае с live-видео.

Попалась мне как-то на глаза профессиональная видеокамера SONY DSR-300AP. А я всегда питал слабость к профессиональной видеотехнике. Тем более что просили за нее не очень много, а выглядел аппарат чрезвычайно солидно, потому я не удержался и купил. Давайте посмотрим, что это за аппарат и возможно ли сейчас использовать технологию четвертьвековой давности по назначению.

В 3D-принтерах Bambu Lab есть встроенная камера для удалённого мониторинга печати. Помимо всего прочего она может и записывать таймлапсы, но качество таких видео оставляет желать лучшего: в кадре постоянно перемещается головка принтера, нельзя выставить нужный кадр, разрешение видео слишком маленькое, а на монтаже мало контроля над финальным результатом.

Решение проблемы — CyberBrick Time-lapse Kit:  набор из двух плат, которые подключаются к внешней камере и позволяют 3D-принтеру делать снимок после печати каждого слоя. Полученную серию фотографий можно превратить в полноценный таймлапс практически в любой программе монтажа.

Представьте, что вам надо настроить камеры для целого города или очень большого завода, где их сотни или тысячи. Как сделать это удобно и не сойти с ума от конфигурирования каждой из этой тысячи?

У нас в конфигураторе Macroscop камеры организованы в виде «дерева».

Что ж... Недавно я увлекся C++, поэтому давайте разберемся в какой-нибудь технологии и напишем по ней статью. Мой выбор пал на WebRTC и клиент на Qt.

Видеонаблюдение умеет быть очень вежливым. Сначала оно тихо просит подключить еще пару камер. Потом добавить удаленный доступ. Потом аналитику. Потом второе рабочее место. Потом архив подольше. Потом мобильный просмотр. Потом облачное дублирование. А потом внезапно выясняется, что система, которую считали как “небольшую на 15 камер”, ведет себя как полноценная инфраструктура с десятками параллельных видеопотоков, конкуренцией за сеть, сервер, хранилище и внимание администратора.

Привет, меня зовут Сергей Лавров, я руководитель мобильной разработки. За последние 10 лет довелось примерить много ролей: от Android- и iOS-разработчика до технического руководителя и руководителя команды, от фрилансера и стартапера до бизнесмена, «минус-миллионера» и филантропа. По роду деятельности постоянно приходилось участвовать в созвонах и встречах, фиксировать договоренности или, если никто не записывал, что-то важное забывать.

Недавно коллеги предложили попробовать MWS TeamStream. Я тогда подумал: очередной клон Zoom или простая простая программа записи экрана. Было совершенно непонятно, чем это поможет в работе. Чтобы разобраться, попросил организовать интервью с руководителем продукта и подробнее узнать, что это такое и в чем его ценность. С этой беседы я вышел с одной мыслью: «А что, так можно было?..» Но обо всем по порядку.

Решил с понедельника открыть сезон стримов на Ютубе. Идея банальная: показывать вживую, как я проектирую и вайбкодю пет-проект. Ну как пет-проект… В мае ему уже исполнится год и по архитектуре и функциям он разросся настолько, что уже приходится относиться к нему со всем уважением :-)

Пошёл в ChatGPT, поделился идеей. «Идея замечательная!» — сказал чат и начал уже было расхваливать меня, но я его остановил. «Мне нужна помощь с OBS: хочу сделать в стриме плашку с информацией: кто я, что прямо сейчас делаю, ссылки, время, вот это всё». «Спокойствие, сейчас всё объясню!» — сказал ChatGPT — и именно с этого началась моя история, в которой я впервые за долгое время реально разозлился на ИИ.

Когда live-видео приходит как сырой H.264 поток через WebSocket, стандартные Flutter-плееры перестают работать.

В этой статье я разбираю, почему готовые решения не подошли и как я пришёл к необходимости реализации собственного декодера на C++ с использованием FFmpeg.

На российском рынке электроники сегодня трудно открыть каталог или тендерную документацию и не увидеть формулировку «спроектировано в РФ». Она встречается повсюду: от систем видеонаблюдения до промышленной электроники.

Как инженер-разработчик в компании, которая много лет варится внутри этой кухни, я регулярно сталкиваюсь с путаницей вокруг терминов OEM и ODM. Причём путаница есть не только у заказчиков - иногда и внутри отрасли трактовки «плавают».

В этой статье попробую разобрать где заканчивается OEM и начинается ODM, почему формулировка «спроектировано в РФ» ещё не всегда залог правдивости и что на практике означает глубина собственной разработки. Без попыток объявить кого-то правильным, а кого-то нет. OEM - это не зло. ODM - тоже.  Но понимать разницу сегодня критически важно.