Голос → видео на Python: пайплайн с OpenRouter

Что в ролике
Если вам нужен свой конвейер из голоса в готовое видео, этот туториал показывает весь путь на Python с одним API-ключом OpenRouter. Сначала программа записывает речь с микрофона и превращает её в текст с помощью Whisper Large V3 Turbo. Дальше по этому тексту GPT-6.1-Soul или Gemini-3.8-Flash генерирует сценарий, промпт для картинки и промпт для 8-секундного ролика в виде строгой JSON-схемы. Картинку делает Gemini (Nano Banana), а для голоса за кадром используется Gemini 3.1 Flash TTS Preview. Видео создаёт модель Google Veo 3.1, стартуя с этой картинки; генерация занимает около минуты и обходится в 3,20 доллара. Пример с «программистом за компьютером и кофе» стоил в сумме 3,28 доллара, причём транскрипция оказалась почти бесплатной. Автор показывает, как заменить модель картинки, и отмечает, что Recraft работает быстрее и дешевле, но у него был нюанс с форматом файла. В конце весь код собирается в main.py, и по голосовой команде создаётся законченный клип.
Практика
- Что получишь
- Сможете собрать Python-агента, который по голосовой фразе сам пишет сценарий, генерирует картинку, озвучку и короткое видео, и видит точную стоимость каждого шага.
- Первый шаг
- Скачайте готовый код из бесплатного сообщества автора и запустите main.py после установки зависимостей через uv.
- Цифры
- —$3,28 — общая стоимость генерации видео про программиста, из них $3,20 ушло на видеоролик
- —$0,67 — столько стоила генерация картинки моделью Gemini
- —8 секунд — длительность создаваемого видеоролика
- Честно
- Ролик спонсирован OpenRouter, автор активно его рекомендует, но код и запросы можно адаптировать под другой API. Готовый код доступен только после вступления в бесплатное сообщество Tech with Tim по ссылке в описании. Часть деталей — точные заголовки запросов, схемы и параметры моделей — видна только на экране, в пересказе их нет, поэтому без исходников повторить будет сложно.
Если слова незнакомы — 4 терминов
- APIнабор правил, по которому программа общается с сервисом
- промпттекст-задание для AI-модели
- JSON-схемаописание формата, в котором модель обязана вернуть ответ
- TTStext-to-speech, превращение текста в озвучку
Понадобится экран
Часть информации есть только на экране (код в терминале). Открыть на YouTube с 3:34.
Связки из этого ролика
2 шт.- Python + OpenRouter
- OpenRouter + Google Veo 3.1
Компоненты
16 шт.Цитаты-доказательства
дословно из субтитровФормат: пошаговый урок · для практикующих · уверенность разметки 0.9 · источник