כשה-AI החליט שבן אדם שמדבר הוא מוזיקת רקע

יודעים מה הכי מסוכן בכלי AI? לא כשהוא נכשל. כשהוא מצליח. כמעט.

עו"ד לירום סנדה, השותף המוביל ב-LS, הופיע בפרק 2 של "חיים של קוקו", סדרת הדוקו של yes על המשפחה של קוקו מאילת. מטי לוקחת את הבן שלה, גד, ואת אלה לפגישת ייעוץ במשרד. שמונה דקות של פגישה אמיתית, בלי תסריט, מצולמת על ידי הפקה מקצועית. בשביל קמפיין חובות זה זהב. אנשים לא רוצים לשמוע פרסומת של עורך דין. הם רוצים לראות איך נראית הפגישה הראשונה.

המשימה: לקחת פרק טלוויזיה רוחבי, עם כתוביות צרובות, מוזיקה מתחת לכל משפט ולוגו של הערוץ בפינה, ולהוציא ממנו ריילס אנכיים לממומן. כל זה רץ אצלי בהאב: Claude Code כותב ומריץ את הסקריפטים, ואני יושב עם אוזניות ומחליט.

ככה זה נראה בסוף. הטריילר המשולב, 34 שניות:

קודם כל, למצוא את הדקות

שני פרקים, כמעט שעה של וידאו. במקום לצפות ולרשום זמנים, תמללנו את שניהם עם ElevenLabs Scribe, שמפריד בין דוברים, ובמקביל חתכנו פריים כל שלוש שניות לגיליונות תמונות. בסוף היה מסמך אחד עם מפת זמנים: בפרק 1 לירום מופיע רק בטיזר, בלי מילה. בפרק 2 יש את כל הפגישה, כולל רגע שבו השם של המשרד נאמר בקול ורואים את השלטים על הקיר. מהמפה הזאת נבנו ארבעה טריילרים, כל אחד סביב רגע אחד, ואחר כך חמישי שמחבר את כולם.

מ-16:9 ל-9:16 בלי לאבד אף אחד

הכתוביות של yes צרובות בתוך התמונה, אז חותכים מעליהן ושמים כתוביות משלנו. הבעיה: בכל שוט הדמות עומדת במקום אחר. אז זיהינו אוטומטית כל חיתוך בין שוטים, שלפנו פריים אחד מכל שוט, ובחרנו חלון חיתוך לכל שוט בנפרד. אחר כך מרנדרים כל שוט לבד ומחברים, עם כל חיתוך מיושר לפריים, כדי שהסאונד והתמונה ייגמרו באותה מילישנייה. הכול ב-ffmpeg.

ועוד כלל אחד שקבענו שם: הלוגו של yes מופיע במלואו או לא מופיע בכלל. לא חוצים אותו באמצע ולא מוחקים אותו. זה מיתוג של מישהו אחר, ויש הסכם עם ההפקה. לא משחקים עם זה.

המוזיקה, והרגע שבו הכלי שיקר לי

לסדרה יש פס קול שרץ מתחת לדיבור. בפרסומת של עורך דין זה לא עובד: זה נשמע כמו דרמה, וזה לא מה שרוצים לשדר. אז הרצנו את כל קטע הפגישה דרך ה-Voice Isolator של ElevenLabs. קריאה אחת, פחות מדקה. קטע של מוזיקה בלבד ירד מ-25- דציבל ל-90-, כלומר שקט מוחלט, והדיבור נשאר באותה עוצמה. מדדנו גם את ההשהיה בין המקור לפלט: 2-4 אלפיות שנייה, כך שאפשר לחתוך לפי הזמנים המקוריים. מושלם.

ואז פתחתי את הטריילר הרביעי. הוא נפתח בגד שואל באוטו "איזה עורך דין את לוקחת לי?". שמעתי שקט.

מה קרה? המיקרופון באוטו הוא מצלמת אקסטרים כזאת, עם סאונד שטוח ורועש. המודל החליט שגד הוא רעש רקע ומחק אותו: מ-22- דציבל ל-70- בערך. באותה הזדמנות הוא העלים גם מילה אחת של מטי בתוך המשרד, "תשע", ו"שלום" אחד. בלי שגיאה, בלי אזהרה. הקובץ חזר תקין, הגרף נראה תקין, והכלי עשה בדיוק מה שהוא יודע לעשות. רק לא מה שהיינו צריכים.

הפיצוח: לא לסמוך, למדוד כל מילה

הרצה חוזרת על קטע קצר לא עזרה, הכלי החליט אותו דבר. אז במקום לנחש, כתבנו בדיקה. לכל מילה בתמלול יש זמן התחלה וסוף. הסקריפט מודד את עוצמת הקול של כל מילה במקור ובגרסה המבודדת, ומסמן כל מילה שהייתה בעוצמת דיבור במקור ונחלשה ביותר מ-12 דציבל אחרי הבידוד. הבדיקה מצאה ארבעה חלונות כאלה. אני שמעתי אחד.

לחלונות האלה עברנו ל-Demucs, מודל קוד פתוח של Meta שמפריד שיר לערוצים: שירה, תופים, בס. הוא לא יודע מה זה "דיבור", הוא יודע מה זה "קול", וזה בדיוק מה שהיה חסר. רץ מקומית על המק, כמה שניות לחלון, בחינם. הוא שמר כל קול בעוצמה המקורית, והמוזיקה שנשארה בין המילים לא הייתה חזקה יותר מאשר עם הכלי המסחרי. אחרי התיקון, כל קטע בכל חמשת הטריילרים נמדד בין 13- ל-19- דציבל. אין חורים.

שמעו בעצמכם, עם סאונד. אותן שש שניות מתחילת הטריילר הרביעי, פעם עם הכלי המסחרי לבד ופעם אחרי התיקון:

עכשיו תשאלו למה לא לעבור ל-Demucs על הכול? כי הכלי הראשון עשה עבודה טובה על כמעט כל הפגישה, בקריאה אחת. לא זורקים כלי שעובד. מוסיפים בדיקה שתופסת את המקום שבו הוא לא עובד, ומחליפים רק שם.

החלק שאף כלי לא עושה בשבילך: אתיקה

עורך דין בישראל לא יכול לפרסם מה שבא לו. לשכת עורכי הדין קובעת כללים לפרסומת: אסור להתחייב לתוצאה, אסור לטעון עליונות, והטון צריך להיות מכובד. ומה שנאמר בשיחה אמיתית בטלוויזיה, בהקשר של פגישה, נקרא אחרת לגמרי כשהוא הופך לפרסומת ממומנת.

• כל משפט שנשמע כמו הבטחה לתוצאה יצא, גם אם בפגישה הוא היה הרגעה טבעית של לקוח במצוקה.
• מחמאות של צד שלישי על המשרד יצאו. בפרסומת זו טענת עליונות, לא משנה מי אמר אותה.
• הרגעים הקשים של המשפחה נשארו בסדרה. הם אמיתיים, והם לא חומר לממומן.
• בכרטיס הסיום: "כל מקרה נבחן לגופו. אין באמור התחייבות לתוצאה." וקרדיט להפקה.
• שחרור לטלוויזיה הוא לא הסכמה לפרסומת. זו הסכמה נפרדת, ובלי אישור של לירום שום דבר לא עולה.

והפורמט של מטא

בריל, מטא מכסה את החלק העליון של המסך בשם החשבון, ואת 35% התחתונים בכיתוב, בכפתור ובאייקונים. אז הכותרת והכתוביות יושבות רק ברצועה שבאמצע, בגופן של המותג. כפתור "צרו קשר לקביעת פגישת ייעוץ" ביקשתי מתחת לווידאו, ואני יודע שבמיקום Reels הממשק של מטא עלול לכסות אותו חלקית. נבדוק במודעה אמיתית, לא בהנחות.

מה יצא

חמישה טריילרים, בין 21 ל-35 שניות, 1080 על 1920, דיבור בלבד, בלי פס הקול של הסדרה. שלוש גרסאות באותו יום: הראשונה, תיקוני גופן וכפתור, ואז התיקון של הסאונד. כמה לידים זה יביא? אין לי מושג, ואני לא מתחייב למספר. אני יודע שזה התוכן הכי אמיתי שיש לנו על איך נראית פגישה עם המשרד. נעלה, נמדוד, ונספר.

לפני שאתם הופכים פוטג' של מישהו אחר לפרסומת

• זכויות: של מי הצילום? יש הסכם שמכסה שימוש ממומן, או רק שיתוף אורגני?
• הסכמה: מי מופיע בפריים, והאם הוא הסכים לפרסומת, לא רק לשידור.
• רגולציה: עורכי דין, רופאים, פיננסים. מה שמותר לומר בראיון אסור לפעמים בפרסומת.
• מיתוג של אחרים: לא מוחקים לוגו של ערוץ ולא חותכים אותו באמצע.
• כלי AI על אודיו: אחרי כל עיבוד, תבדקו מילה מילה. לא "האם הקובץ נראה טוב", אלא האם כל מילה שנאמרה עדיין שם.
• ואז תקשיבו. עם אוזניות. עד הסוף.

הכלי החזיר הצלחה. האוזן שמעה שקט. תסמכו על האוזן.