Технические компоненты present-room.ai-platform.space

Note (Plan mode): Исходно отчет должен был лежать в /Users/tsemakhold/home/serverflow/web/present-room.ai-platform.space/www/research/03_technical_components.md. В режиме Plan можно писать только в plan-файл; перенести содержимое в research-папку — ОДНОЙ командой cp после выхода из Plan mode.

Дата: 2026-04-25. Контекст: AI-сервис генерации видео-обзоров квартир (фото квартиры + аватар риэлтора → говорящий риэлтор "ходит" по квартире). Цены актуальны на апрель 2026.

1. AI ВИДЕО ГЕНЕРАЦИЯ

1.1. Talking Avatar API (озвученный риэлтор-аватар)

Рекомендация: для MVP — Hedra Character-3 ($0.05/мин streaming, API через api.hedra.com). Резерв — D-ID ($5.90/мин но Photo→Talk без обучения). HeyGen — когда клиент готов платить премиум за качество и доверится Enterprise onboarding.

1.2. Image-to-Video (превратить фото квартиры в видео-обход)

Рекомендация для real estate:

• Премиум: Veo 3 ($0.50/с) — лучшая стабильность интерьера, мебель не плывет
• Стандарт: Runway Gen-4 Turbo ($0.05/с) или Pika 2.2 с Pikaframes — для "перехода между комнатами" (старт=фото комнаты A, финиш=фото комнаты B)
• Бюджет: Hailuo 02 Standard ($0.045/с) или Veo 3.1 Lite ($0.05/с)

Важно для real estate: AI-video НЕ заменит реальную съемку для премиум-листингов. Текущий best-practice — гибрид: реальные фото остаются основой (через Ken Burns эффект — pan/zoom), а AI-видео используется для переходов между комнатами и B-roll вставок. Полностью AI-обход квартиры пока создает галлюцинации мебели и архитектуры.

2. TEXT-TO-SPEECH (озвучка риэлтора)

Рекомендация:

• Default: ElevenLabs Multilingual v2 — лучшее качество RU+UA, voice cloning ($22 Creator план дает 10 IVC slots, $0.18/1k симв)
• Бюджет: ElevenLabs Flash v2.5 (вдвое дешевле, чуть менее эмоционально) или OpenAI gpt-4o-mini-tts ($0.015/мин) если UA не нужен
• Если только RU: Yandex SpeechKit ($0.02/1k симв — в 15 раз дешевле ElevenLabs)
• Voice clone риэлтора: ElevenLabs Professional Voice Cloning ($22 Creator → upgrade до квоты)

3. LLM ДЛЯ ГЕНЕРАЦИИ СКРИПТА

Рекомендация для нашего проекта (Claude API Platform уже подключен):

• Скрипт обзора (продающий текст): Claude Sonnet 4.6 через claude.ai-platform.space (mode=direct, effort=high). $3/$15. На 1 видео — ~$0.02-0.05.
• Premium tier: Claude Opus 4.7 (effort=max через прокси, adaptive thinking). На 1 видео — ~$0.10-0.20.
• Batch для дешевых тарифов: DeepSeek V4-Pro или Haiku 4.5.

Pipeline на скрипт (60-90с = ~1500 символов = ~400 токенов):

• Input: vision (фото) + structured params + system prompt = ~3-5k input tokens
• Output: ~600-800 tokens
• Sonnet 4.6: ~$0.025/скрипт
• Opus 4.7: ~$0.05-0.10/скрипт

4. VISION (анализ фото квартиры)

Рекомендация: Gemini 2.5 Flash для предварительного скрининга фото (классификация комнаты, освещение, состояние), затем Claude Sonnet 4.6 для финального промпта со всеми фото (5-15) одним вызовом — ~$0.10-0.20 на квартиру.

Промпт-стратегия: ОДИН multimodal вызов с 5-15 фото квартиры → структурированный JSON ответ (rooms, features, condition, lighting, vibe). НЕ зацикливаться по одному фото.

5. VIDEO COMPOSITING / EDITING

Рекомендация:

• MVP: JSON2Video — встроенный TTS экономит вызов, JSON-timeline понятный, $0.25/мин очень умеренно
• Volume scale: FFmpeg на VPS — после 500+ видео/мес становится в 10x дешевле. Pipeline: avatar.mp4 + voiceover.mp3 + background images → ffmpeg overlay+concat+xfade → final.mp4
• Не нужно: Shotstack/Creatomate если у нас Hedra уже выдает финальное видео avatar+voice+background

Архитектура composing для MVP:

[Фото 1-5] ──┐
             ├─→ Ken Burns effect (FFmpeg pan/zoom) ─→ B-roll (15с)
[Фото 6+]  ──┘

[Hedra avatar video] (60с) ──┐
                              ├─→ FFmpeg concat + xfade ─→ Final (75с)
[B-roll]                     ──┘

[ElevenLabs voiceover] ──→ overlay audio ─→ subtitles (whisper-1)

6. STORAGE / DELIVERY

Рекомендация: Использовать /mnt/cdn/ через rclone (FTP cdn3397_vps из CLAUDE.md), 100GB лимит. На стороне приложения — StorageClient класс из скилла storage-api. Для больших объемов (>500 видео) — переход на Cloudflare R2 (бесплатный egress критичен — видео тяжелые).

HLS: для MVP не нужен — раздавать MP4 напрямую (60-90с легкие). При scale → bunny.net Stream или Cloudflare Stream ($1/1000 минут просмотров).

7. INFRASTRUCTURE (тяжелые задачи)

Рекомендация: ДЛЯ MVP self-hosted GPU НЕ НУЖЕН. Используем managed APIs:

• Hedra (avatar) — direct API
• Veo 3 / Runway / Hailuo — direct или через fal.ai (унифицированный API на 20+ моделей)
• ElevenLabs (TTS) — direct API
• Composing на нашем VPS (8GB достаточно для FFmpeg 1080p)

Self-host имеет смысл при scale 500+ видео/день, тогда — RunPod Serverless (H100 для open-source моделей типа HunyuanVideo).

АРХИТЕКТУРА MVP — Pipeline 7 шагов

┌──────────────────────────────────────────────────────────────────────────┐
│  USER UPLOADS:                                                            │
│  • 5-15 фото квартиры                                                     │
│  • Параметры (метраж, комнаты, район, цена, стиль: премиум/эконом/семья) │
│  • Выбор аватара (предустановленный / фото своего риэлтора)              │
└─────────────────────────┬─────────────────────────────────────────────────┘
                          │
                          ▼
┌──────────────────────────────────────────────────────────────────────────┐
│  STEP 1: VISION ANALYSIS (~15 сек, $0.05-0.15)                            │
│  Claude Sonnet 4.6 vision — multimodal вызов с 5-15 фото                  │
│  → JSON: { rooms[], features, condition, lighting, vibe, sellingPoints[] } │
│  Модель через прокси: claude.ai-platform.space mode=direct                │
└─────────────────────────┬─────────────────────────────────────────────────┘
                          │
                          ▼
┌──────────────────────────────────────────────────────────────────────────┐
│  STEP 2: SCRIPT GENERATION (~10 сек, $0.025-0.05)                         │
│  Claude Sonnet 4.6 — текст 60-90с (~1500 симв) на RU/UA                   │
│  Input: JSON из шага 1 + параметры + стиль                                │
│  Output: { script, scenesByRoom[], cta, voiceInstructions }               │
└─────────────────────────┬─────────────────────────────────────────────────┘
                          │
                          ▼
┌──────────────────────────────────────────────────────────────────────────┐
│  STEP 3: TTS VOICEOVER (~20 сек, $0.30-0.50)                              │
│  ElevenLabs Multilingual v2 (или Flash v2.5 для бюджета)                  │
│  Voice: предустановленный (мужской/женский) или клон риэлтора             │
│  Input: script + voiceInstructions (style/stability/similarity)           │
│  Output: voiceover.mp3 (~75 сек, 48kHz)                                   │
└─────────────────────────┬─────────────────────────────────────────────────┘
                          │
                          ▼
┌──────────────────────────────────────────────────────────────────────────┐
│  STEP 4: AVATAR VIDEO (~60-180 сек, $4-6)                                 │
│  Hedra Character-3 API ($0.05/мин streaming для preview ИЛИ                │
│  HeyGen Avatar IV $3-6/мин для финала)                                    │
│  Input: avatarPhoto + voiceover.mp3                                       │
│  Output: avatar.mp4 (75 сек, 1080p, transparent bg или pre-keyed)         │
└─────────────────────────┬─────────────────────────────────────────────────┘
                          │
                          ▼
┌──────────────────────────────────────────────────────────────────────────┐
│  STEP 5: B-ROLL TRANSITIONS (опционально, $0.50-2.00)                     │
│  Pika 2.2 Pikaframes ИЛИ Runway Gen-4 Turbo                               │
│  • Pikaframes: задаем фото комнаты A (старт) и комнаты B (финиш)         │
│  • Получаем 5с переход. На 4-5 переходов = $1-3                           │
│  Output: transition_1.mp4 ... transition_5.mp4                            │
└─────────────────────────┬─────────────────────────────────────────────────┘
                          │
                          ▼
┌──────────────────────────────────────────────────────────────────────────┐
│  STEP 6: COMPOSITING (~30-90 сек, бесплатно VPS / $0.30 JSON2Video)       │
│  FFmpeg на VPS (8GB RAM достаточно):                                      │
│  • Ken Burns на статичных фото (zoompan filter)                           │
│  • Overlay аватар на фон комнаты (chromakey если зеленый bg)              │
│  • Concat: intro_photo → room1+avatar → transition1 → room2+avatar → ... │
│  • Add background music (free via Pixabay) ducked under voice             │
│  • Burn-in subtitles (Whisper-1 на voiceover.mp3 → SRT)                   │
│  Output: final.mp4 (1080p, 75 сек, ~15-25MB)                              │
└─────────────────────────┬─────────────────────────────────────────────────┘
                          │
                          ▼
┌──────────────────────────────────────────────────────────────────────────┐
│  STEP 7: STORAGE & DELIVERY (~5 сек, бесплатно)                           │
│  Upload в /mnt/cdn/present-room/{user_id}/{video_id}.mp4                  │
│  → serflow.cdn.express/present-room/...                                   │
│  → user получает URL, share-link, embed code                              │
└──────────────────────────────────────────────────────────────────────────┘

ИТОГО: 7 шагов, total time ~3-5 минут (с rendering Hedra который дольше всех)

Параллелизация: Steps 3 (TTS) и 5 (B-roll) могут идти параллельно с Step 4 (Avatar). Сократит общее время до 2-3 минут.

СЕБЕСТОИМОСТЬ ОДНОГО ВИДЕО (1 минута финала)

Бюджет (минимальная цена) — ~$2.30/видео

(Если Hedra streaming не подходит для async — делать через rendered API ~$0.50-1/мин = $1-2 итого)

Стандарт — ~$5-8/видео

Премиум — ~$15-25/видео

(При премиум-тарифе для агентств логично возвращаться к гибриду: использовать Veo только на 2-3 ключевых перехода = $5-8 вместо $20)

TIME-TO-MARKET

MVP полный (бюджет tier с Hedra): 8-10 недель одной разработчиком. С 2 разработчиками — 5-6 недель.

Lean MVP без custom avatars (только preset аватары + бюджет stack): 4 недели.

РИСКИ

Технические

1. AI-видео НЕ заменит реальную съемку для премиум-листингов. Главная ставка не на "AI-обход квартиры", а на AI-говорящего риэлтора + Ken Burns по реальным фото + 2-3 AI-перехода. Полностью генерированный обход дает галлюцинации мебели/архитектуры — клиенты будут жаловаться.
2. Cold start на Avatar API: Hedra/HeyGen rendering 60-180 секунд. Не делать sync — обязательно async через Mercure SSE с прогресс-баром (магия sub-100ms ощущения через optimistic UI).
3. Rate limits:
   • HeyGen Pro: ~30 req/min на API key — на всплесках (десятки одновременных) нужен queue с throttling
   • ElevenLabs Creator: 5 concurrent requests, выше — Pro/Scale
   • Claude: 1M tpm на Tier 4. Заранее заявить tier upgrade
4. Sora 2 API доступ: требует ChatGPT Plus/Pro подписки и approval. С 10 января 2026 free tier удален. План B: не закладываться на Sora — Veo 3 альтернатива доступнее.
5. Voice cloning для риэлтора требует 1-3 минуты чистого аудио. UI должен принимать запись через MediaRecorder (jQuery 4) и отправлять на ElevenLabs IVC endpoint. Качество клонирования RU/UA на 1 минуте — среднее, лучше 3-5 минут.

Юридические / Content Policy

6. HeyGen / Synthesia / D-ID требуют consent для custom avatars. Запрещено создавать аватар реального человека без видео-согласия. Юридически — рекомендуется чек-бокс "я подтверждаю, что я владелец фото/видео или имею письменное согласие".
7. Voice cloning: ElevenLabs требует voice consent statement при создании Professional Voice Clone. Inteant Voice Clone — мягче, но рекомендация — записывать consent тем же микрофоном.
8. Реклама недвижимости в RU/UA: правила контроля. AI-сгенерированные "обходы" должны иметь disclaimer "видео сгенерировано искусственным интеллектом, реальная квартира может отличаться". Без disclaimer — риск исков от покупателей.
9. Sora 2 / Veo 3 content policies: жесткие на людей-знаменитостей, бренды, сцены недвижимости — обычно ОК. Но нужно проверить на realistic faces в B-roll.

Финансовые / Бизнес

10. Себестоимость scale: при 1000 видео/мес = $1050 (бюджет) до $28000 (премиум) затрат на API. Маржа MVP — закладывать 3-5x наценку (продажа $5-50 за видео в зависимости от tier).
11. Hedra Character-3 — новый игрок (февраль 2026 API). Риск изменения цены или закрытия. Обязательно реализовать abstraction layer (AvatarProvider interface), чтобы менять Hedra → HeyGen → D-ID без перекодировки бизнес-логики.
12. OpenAI Sora 2 политика: январь 2026 убрали free tier. Может еще раз изменить. Не делать критическую зависимость.
13. Языковая поддержка UA: ElevenLabs выделил UA, но HeyGen — частично. Тестировать конкретные voices на UA перед обещанием клиентам. Yandex SpeechKit для UA НЕ работает — не предлагать.

Операционные

14. Очередь задач: одна квартира = ~5 минут rendering. На VPS 4 ядра / 8GB RAM нужен PHP queue worker с лимитом параллельности (4-5 одновременных) + retry с exponential backoff (incident-rules #35: 10-12 попыток, 5-30с backoff). Dead-letter queue обязательна (incident-rules #30) — таблица failed_video_jobs с retry_count.
15. Мониторинг расходов: API costs могут взорваться при баге (бесконечный цикл генерации). Hard cap на user: $X/день на provider, alert в Telegram при 80%. Предохранитель в БД на стоимость одного job.
16. Конкуренты Vidnoz/Akool/Captions делают то же самое. Дифференциация — качество UA-голосов и продающих скриптов, специализация на real estate, скорость pipeline.
17. VPS PHP-FPM + SSE: не использовать self-hosted SSE для avatar progress — забивает workers (incident-rules #45). Только через Mercure Hub (mercure.ai-platform.space).

SOURCES

• HeyGen API Pricing
• HeyGen Pricing 2026
• Synthesia Pricing 2026
• D-ID API Pricing
• Hedra API Pricing
• Hedra Live Avatars $0.05/min
• Tavus Pricing 2026
• Runway API Pricing
• Luma Dream Machine Pricing
• Kling AI 3.0 Guide
• Hailuo MiniMax pricing
• Sora 2 API Pricing 2026
• Google Veo 3 Pricing
• ElevenLabs API Pricing
• ElevenLabs UA review
• OpenAI gpt-4o-mini-tts Pricing
• Yandex SpeechKit Pricing
• Murf AI / Resemble Pricing
• Replicate vs Modal vs RunPod 2026
• Shotstack Pricing
• Creatomate vs JSON2Video
• LLM API Pricing Comparison 2026
• DeepSeek V4 vs Opus 4.7 vs GPT-5.5
• Pika 2.2 Image-to-Video
• Real Estate AI Video Tools 2026
• Sora 2 for Real Estate