Uporaba umetne inteligence za urejanje lovskih videoposnetkov

Simčič, Jakob (avtor), Rupnik, Rok (mentor)

V diplomskem delu sem zasnoval in izdelal namizno aplikacijo, ki iz surovega videoposnetka lovstva samodejno izdela urejen, ozvočen in poučno opremljen izobraževalni video. Aplikacija je zgrajena na večagentni arhitekturi. Štirje agentje, Režiser, Pripovedovalec, Kritik in Urednik, vsak s svojim klicem velikega jezikovno-vizualnega modela Gemini, sodelujejo v zaporednem cevovodu: od samodejnega rezanja odvečnih delov posnetka, prek generiranja časovno umeščene strokovne razlage v slovenskem jeziku, do njene pretvorbe v govor s sintezo Edge TTS in sestave končnega videa z orodjem FFmpeg. Ob prvi omembi vsakega kosa mesa se video ustavi na zamrznjeni sličici s poučno tablo, kasneje pa je dopolnjen še z anatomskim diagramom. V diplomskem delu opišem uporabljena orodja in tehnologije, zasnovo sistema ter podrobnosti implementacije posameznih modulov, od okenske generacije razlage za daljše videoposnetke do usklajevanja sintetiziranega govora z videom. Predstavim tudi delujočo aplikacijo z uporabniškim vmesnikom. Sistem sem preizkusil na resničnih, nepredelanih videoposnetkih več vrst divjadi in več vrst lovske vsebine, kar potrjuje razširljivost osnovne zasnove.

• Jezik: Slovenski jezik
• Ključne besede: Umetna inteligenca, večagentni sistemi, veliki jezikovno-vizualni modeli, sinteza govora, samodejno urejanje videa, obdelava naravnega jezika.
• Vrsta gradiva: Diplomsko delo/naloga
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2026
• PID: 20.500.12556/RUL-187792
• Datum objave v RUL: 14.09.2026

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Using Artificial Intelligence for Editing Hunting Videos

Izvleček

In this thesis I designed and built a desktop application that automatically turns raw footage of hunting into an edited, narrated, and pedagogically annotated educational video. The application is built on a multi-agent architecture. Four agents, a Director, a Narrator, a Critic, and an Editor, each a separate call to the Gemini large multimodal language model, cooperate in a sequential pipeline: automatically trimming redundant footage, generating time-aligned expert narration in Slovenian, converting it to speech with Edge TTS, and assembling the final video with FFmpeg. At the first mention of each cut of meat, the video pauses on a freeze-frame instructional board, later complemented with an anatomical diagram. The thesis describes the tools and technologies used, the system design, and implementation details of the individual modules, from windowed narration generation for longer videos to synchronizing synthesized speech with the video. I also present the working application and its user interface. I tested the system on real, unprocessed footage covering several game species and several types of hunting content, confirming the extensibility of the underlying design.

• Ključne besede: Artificial intelligence, multi-agent systems, large multimodal language models, speech synthesis, automatic video editing, natural language processing.