Budżet: 27000 UAH Termin: 14 dni
Wadimie, widzę tutaj nie tylko automatyzację, ale narzędzie robocze na co dzień: rotacja, planer, monitoring i synchronizacja z Excelem muszą działać bez ręcznych poprawek. Już robiłem automatyzację w Pythonie, parsowanie i integracje z bazami danych oraz zewnętrznymi usługami, więc szybko zanurzę się w waszą logikę MVP, Playwright i SQLite. Osobno poświęcę uwagę uniwersalnym kategoriom i stabilności kolejek. Gotowy omówić szczegóły i ryzyka.
Budżet: 27000 UAH Termin: 12 dni
Dzień dobry! Rozwijam w Pythonie, React/Node.js realizowałem podobne projekty, gotowy do współpracy.
Budżet: 27000 UAH Termin: 14 dni
Witam. Zasadniczo wszystko, co opisane - realizujemy z uwzględnieniem zaangażowanych technologii, ale i tak trzeba zapoznać się z kodem przed wykonaniem, aby nie tracić czasu, jeśli terminy są krytyczne.
Budżet: 27000 UAH Termin: 14 dni
Zobaczcie, jest tu niuans - jeśli etap 1 już naprawdę działa i kod można rozszerzać bez przepisywania podstaw, to 27 000 UAH i 12-14 roboczych dni wyglądają na realną wycenę dla etapu 2. Jeśli po rewizji okaże się, że działająca wersja opiera się na tymczasowych rozwiązaniach, zrobiłbym to prościej - krótka techniczna weryfikacja kodu w ramach giełdy, a potem ostateczny podział na moduły.
Co do realizacji, nie komplikowałbym - oddzielne usługi wewnątrz aplikacji do rotacji, harmonogramu, monitorowania URL, grup kont i synchronizacji Excel. Playwright działa przez zapisane profile, SQLite przechowuje statusy i historię, PySide6 pokazuje kolejkę i błędy w taki sposób, aby menedżer widział nie magię, a zarządzane narzędzie. Z odczucia, wydaje się, że główne ryzyko nie leży w przyciskach, a w stabilności kont, limitach i zachowaniu Bazoš.cz.
Z podobnego doświadczenia Ingello
> https://business.ingello.com/forma-bpm - automatyzacja procesów biznesowych, statusy, kolejki, zasady i dziennik działań
> https://business.ingello.com/forma-crm - interfejsy księgowe, role, filtry, arkusze robocze
> https://business.ingello.com/vorfahr - pośrednio blisko do automatyzacji scenariuszy towarowych i logiki systemowej
Główny profil dla takich systemów - https://systems-fl.ingello.com
Od Was potrzebne są kod etapu 1, testowy Excel, zestaw testowych kont, proxy jeśli są używane, czeska PSČ dla probe Bazoš.cz i lista kategorii, które uważamy za obowiązkowe do akceptacji. Dostępy można przekazać w ramach zasad giełdy.
Uściślę 2 rzeczy, aby nie grać w architektoniczny szamanizm =)
> w etapie 1 już jest stabilne przechowywanie sesji kont czy to trzeba wzmocnić
> czy w przypadku sold i inactive na pewno usuwamy wiersze z Excela, czy lepiej domyślnie oznaczać statusem
Budżet: 27000 UAH Termin: 7 dni
Cześć, pracowałem nad aplikacją desktopową do automatyzacji reklam na OLX z użyciem Pythona + Selenium, gdzie przetwarzaliśmy ponad 500 ogłoszeń dziennie z rotacją po 15 kontach i automatycznym harmonogramem. Bardzo podobne do waszego projektu Bazoš.sk z tymi samymi wyzwaniami zarządzania kontami!
Ciekawe, czy planujecie zintegrować system proxy do pracy z różnymi regionami Słowacji, biorąc pod uwagę, że używacie PSČ do lokalizacji ogłoszeń?
Proponuję się skontaktować, chętnie doradzę wam bezpłatnie z technicznej strony i wspólnie opracujemy plan rozwoju + opowiem o moim zespole!
Budżet: 26999 UAH Termin: 13 dni
Dzień dobry.
Przeczytałem pełne TŻ. Podobne projekty już realizowaliśmy, mamy doświadczenie.
Stos technologiczny Python + Playwright + PySide6 + SQLite + Excel jest naszym profilem. Automatyzacja z obejściem anti-bot i wieloma kontami była realizowana w kilku projektach.
Kilka punktów dotyczących realizacji:
Harmonogram. APScheduler jest odpowiedni, ale dla PySide6 lepszy jest QTimer do głównej pętli plus osobny wątek do publikacji. Nie blokuje UI podczas pracy bota.
Monitorowanie URL. Przy sprawdzaniu warto rozróżniać typy nieaktywności: usunięte przez moderację, usunięte z upływem czasu, tymczasowy błąd sieci. To pozwala menedżerowi zrozumieć przyczynę.
Uniwersalny silnik. Mapowanie category/subcategory przez osobny plik JSON lub YAML, bez rekompilacji. Menedżer sam może dodawać nowe podkategorie.
Synchronizacja Excel. Dopasowanie przez product_id jako klucz główny, title jako fallback. Przy zapisie przez openpyxl z zachowaniem formatowania pliku.
Limit 50 ogłoszeń. Oprócz logu warto zrobić powiadomienia push w Telegramie lub e-mail do menedżera, aby nie czekać, aż otworzy aplikację.
Probe Bazoš.cz gotowy do zrobienia równolegle z głównym rozwojem.
Przed rozpoczęciem jestem gotów pokazać prototyp jednego bloku (harmonogram lub monitorowanie URL), aby zobaczyć podejście do kodu.
Czekam na wiadomość prywatną.
Budżet: 27000 UAH Termin: 14 dni
Zadanie jest zrozumiałe: rozszerzyć MVP do pełnoprawnego narzędzia produkcyjnego z rotacją, harmonogramem, monitoringiem i dwustronną synchronizacją Excel przez Playwright + PySide6 + SQLite.
Stos jest znany, zrealizuję wszystkie moduły z Etapu 2: rotacja z interwałami na konto, status rezerwacji, kontrola limitu 50 ogłoszeń, harmonogram w dwóch trybach, monitoring stanu, uniwersalny silnik kategorii.
12–14 dni roboczych, 27 000 UAH.
Czy są już schematy Bazy Danych i makiety UI z pierwszego etapu, czy zaczynamy od zera?
Budżet: 27000 UAH Termin: 3 dni
Cześć! Twój projekt wygląda bardzo interesująco. Jestem gotów rozpocząć pracę natychmiast i zapewnić wysoką jakość.
Budżet: 27000 UAH Termin: 14 dni
No tutaj raczej tak - w terminie 12-14 dni roboczych i budżecie 27 000 UAH dla etapu 2 to wygląda realistycznie.
Zrobiłbym to prościej - doprowadzić MVP do działającego narzędzia menedżera przez oddzielne moduły rotacji, harmonogramu, monitorowania, grup kont, synchronizacji z Excelem i uniwersalnego silnika prostych kategorii Bazoš.sk.
Ważny niuans widzę - przy limicie 50 aktywnych ogłoszeń bot nie powinien sam usuwać starych publikacji, a powinien zatrzymać kolejkę po koncie i pokazać zrozumiały log.
Po odczuciach, głównym obszarem ryzyka tutaj nie jest interfejs, a stabilna automatyzacja formularzy Bazoš, statusy ogłoszeń i staranne dopasowanie Excela według product_id.
> Uściślę 2 punkty
> czeski PSČ dla probe Bazoš.cz już jest czy trzeba go będzie uzyskać przed rozpoczęciem weryfikacji
> w Palets.xlsx product_id jest we wszystkich wierszach czy część towarów wciąż trzeba będzie dopasować według title
> podobne przypadki Ingello
> https://business.ingello.com/vorfahr - blisko do automatyzacji operacji, kolejek i logiki publikacji przez zewnętrzne usługi
> https://business.ingello.com/forma-bpm - blisko do statusów, procesów roboczych, dzienników i zarządzania zadaniami menedżera
> https://business.ingello.com/prime-eva - pośrednio blisko do danych towarowych, integracji i automatyzacji operacyjnej
Potrzebne są dostęp do testowych kont Bazoš.sk, proxy, źródłowy plik Excel i aktualna wersja MVP.
Główna strona zespołu - https://systems-fl.ingello.com
Ogólnie w porządku, nie ma co komplikować - najpierw zamykamy stabilny etap 2, a Bazoš.cz zostawiamy jako oddzielny potwierdzony etap po probe =)
Aktualnie brak ofert
Aktualne zlecenia dla freelancerów w kategorii Python
Konieczne jest opracowanie aplikacji lub skryptu, który automatycznie konwertuje pliki z formatów YML lub JSON na format XLS, z późniejszym generowaniem linku do wyjściowego pliku XLS do promocji Wymagania: Dane wejściowe: Plik w formacie YML (linki będą dostarczone) lub Plik w formacie JSON (linki będą dostarczone, JSON nie zawiera drzewa kategorii, ale każdy produkt znajduje się w osobnej tablicy). Dane wyjściowe: Plik w formacie XLS z dostępem przez bezpośredni link. Plik powinien być automatycznie aktualizowany według harmonogramu, na przykład codziennie. Wymagania funkcjonalne: Możliwość określenia liczby dni dla Dostępności Na zamówienie dla każdego wejściowego linku. Aplikacja powinna stabilnie działać w warunkach ograniczonego hostingu zasobów. Preferowany intuicyjny interfejs webowy do zarządzania ustawieniami.
Potrzebna jest niewielka poprawka w programie, który formuje zamówienia do druku. Zadanie: Dodaliśmy do asortymentu miękkie szkło z nadrukiem. W zamówieniach nazwa nadruku będzie wyróżniona symbolami #...# dla poprawnego rozpoznawania. Przykład: Miękkie szkło, #Abstrakcja biała# 2.0mm, Kształt: Prostokąt... Wymagane: jeśli w tekście zamówienia znajduje się fragment między symbolami #...#, program powinien rozpoznać go jako zamówienie z nadrukiem; przy formowaniu PDF lub arkusza do druku takie zamówienie należy wyróżnić innym kolorem (jakimkolwiek widocznym, uzgodnimy podczas realizacji); reszta logiki działania programu ma pozostać bez zmian. Przykład zamówienia dodaję poniżej do testowania.
O projekcie: Uruchamiamy usługę B2B do analityki i zarządzania kampaniami reklamowymi dla specjalistów ds. targetowania i mediów. Produkt będzie działał z oficjalnym Meta API. Główna techniczna trudność i fokus projektu to wirtuozowska praca z limitami Facebooka, routowanie ruchu między pulą naszych aplikacji oraz rygorystyczny system ochrony infrastruktury przed blokadami szarych kont reklamowych. Posiadamy już szczegółowe zadanie techniczne, opisującą architekturę baz danych, logikę balansu i wymagania dotyczące interfejsów. Szukamy wykonawcy, który zrealizuje to w trybie "pod klucz" (backend + frontend pulpitów). Co należy zrobić (Kluczowe zadania): Integracja z Meta API: Skonfigurować autoryzację użytkowników i regularne asynchroniczne parsowanie statystyk kont reklamowych. Zapytania muszą być wysyłane wyłącznie w paczkach, aby oszczędzać limity. System automatycznego odłączania kont: Napisać moduł, który nieprzerwanie monitoruje statusy kont reklamowych. Jeśli konto zostanie zablokowane, system powinien automatycznie cofnąć token dostępu w ciągu 60 sekund, aby chronić naszą aplikację przed sankcjami Meta. Infrastruktura proxy: Zrealizować tunelowanie wszystkich zapytań do API przez pulę SOCKS5. Obowiązkowe jest sztywne powiązanie konkretnego tokena użytkownika z statycznym adresem IP. Inteligentne routowanie: Stworzyć algorytm, który będzie rozdzielał przypisane konta reklamowe między kilka naszych aplikacji Facebook w określonych proporcjach, aby zmniejszyć ryzyko. Rozwój interfejsów: Stworzyć pulpit klienta z tabelą podsumowującą statystyki oraz zaawansowany panel administracyjny do ręcznego zarządzania limitami użytkowników, przypisaniami do aplikacji i pulą proxy. Oczekiwany stos technologii: Backend: Python, FastAPI. Zadania asynchroniczne: Celery, Redis. Bazy danych: PostgreSQL (lub ClickHouse do statystyk, według uznania). Frontend: Vue.js lub React (można używać gotowych bibliotek UI i szablonów pulpitów, nacisk na funkcjonalność, a nie skomplikowany design). Wymagania dla wykonawcy: Pewne doświadczenie w pracy z Meta Graph API i Marketing API. Musisz rozumieć, jak działają limity, jak czytać nagłówki obciążenia i jak pracować z tokenami. Zrozumienie specyfiki arbitrażu ruchu. Słowa „billing”, „ban konta reklamowego”, „menedżer biznesowy” i „farm” nie powinny budzić wątpliwości. Doświadczenie w budowaniu asynchronicznych parserów i pracy z serwerami proxy na poziomie zapytań sieciowych. Gotowość do pracy według jasnego zadania technicznego i dostarczania projektu etapami. Warunki: Format współpracy: Praca projektowa Budżet: Do uzgodnienia indywidualnie na podstawie twojej oceny zadania technicznego. Płatność: Etapowa, związana z punktami kontrolnymi. Jak odpowiedzieć: W liście motywacyjnym koniecznie podaj swoje doświadczenie w pracy z Meta API, dołącz linki do podobnych projektów (lub opisz ich funkcjonalność, jeśli są objęte NDA) i napisz orientacyjną widełkę cenową oraz terminy na opracowanie podobnego systemu od podstaw. Odpowiedzi bez opisu odpowiedniego doświadczenia w pracy z Facebook API nie będą rozpatrywane.
Szukamy specjalisty z LLM, RAG i inżynierii promptów do audytu i udoskonalenia już stworzonego asystenta AI dla operatorów centrum kontaktowego sieci medycznych centrów. To nie jest rozwój od podstaw. Obecnie asystent działa w środowisku ChatGPT i wykorzystuje: własną umiejętność z instrukcjami SKILL.md; baza wiedzy w Project Sources; ustrukturyzowane pliki Markdown, automatycznie utworzone z eksportów CSV systemu informacji medycznej; oddzielne indeksy cen, wykonawców, jednostek, pakietów, sprzętu i rekomendowanych kombinacji usług. Baza zawiera około: 2 700+ usług medycznych; 90+ pakietów i kompleksów; 300+ rekomendowanych kombinacji; 600+ interwencji chirurgicznych; ceny według różnych jednostek; wykonawców, adresy, przygotowanie, sprzęt i inne informacje referencyjne.Co ma robić asystent Na żądanie operatora asystent powinien szybko dostarczać zweryfikowaną odpowiedź: czy usługa jest dostępna; dokładny kod, nazwę i cenę; w jakich jednostkach jest dostępna; kto z lekarzy lub innych specjalistów ją wykonuje; jak się przygotować; jaki pakiet lub kompleks warto zaproponować; jakie usługi towarzyszące warto zaproponować; jaka jest kolejność kompleksowego zapisu; jakie są tańsze lub alternatywne opcje; dla operacji — osobno podstawową cenę i orientacyjną całkowitą wartość przypadku leczenia chirurgicznego. Asystent nie powinien wymyślać cen, wykonawców, przygotowania, wskazań medycznych ani przenosić informacji między podobnymi usługami.Istniejące problemy System już działa, ale wymaga zwiększenia stabilności wyszukiwania i jakości odpowiedzi. W szczególności: model czasami znajduje główną usługę, ale pomija rekomendowane kombinacje; nie zawsze wyciąga poszczególne pola z dużych plików Markdown; może znaleźć podstawową cenę operacji, ale pomija całkowity koszt przypadku chirurgicznego; wyniki zależą od struktury i rozmiaru plików w Project Sources; konieczne jest optymalizowanie indeksów, routingu źródeł i zasad wyszukiwania; należy zapewnić jednako wysoką jakość odpowiedzi na krótkie, nieprecyzyjne i konwersacyjne zapytania operatorów. Na przykład, proste zapytanie „cholecystektomia” powinno natychmiast zwrócić dostępne opcje operacji, kody, podstawowe ceny, całkowity koszt leczenia, jednostki, wykonawców i powiązane usługi.Zadania specjalisty Przeprowadzić audyt istniejącego SKILL.md, struktury bazy wiedzy i logiki wyszukiwania. Przeanalizować przyczyny pomijania danych podczas retrieval. Proponować optymalną architekturę bazy wiedzy dla ChatGPT. Udoskonalić lub przepisać SKILL.md. Optymalizować strukturę plików Markdown i kompaktowych indeksów. Skonfigurować obowiązkowe wyszukiwanie: pakietów i kompleksów; rekomendowanych kombinacji; cen według jednostek; wykonawców; kosztu przypadku leczenia chirurgicznego. Sprawdzić generator bazy wiedzy z eksportów CSV i w razie potrzeby udoskonalić skrypty Python. Stworzyć zestaw kontrolnych zapytań i kryteriów oceny odpowiedzi. Przeprowadzić testowanie na rzeczywistych scenariuszach centrum kontaktowego. Przekazać finalną dokumentację do dalszej aktualizacji i wsparcia systemu.Oczekiwany rezultat Musimy uzyskać stabilnego asystenta, który: odpowiada w języku ukraińskim; nie pomija krytycznie ważnych danych; zwraca tylko informacje potwierdzone przez bazę wiedzy; prawidłowo rozróżnia usługi, pakiety i rekomendowane kombinacje; pokazuje kod, nazwę, cenę, jednostkę i wykonawcę; dla operacji dzieli podstawową cenę i całkowity koszt leczenia; proponuje operatorowi konkretny scenariusz dalszego zapisu pacjenta; stabilnie działa po kolejnych aktualizacjach eksportów CSV; działa stosunkowo szybko.Wymagania dla wykonawcy Potrzebny specjalista z praktycznym doświadczeniem: ChatGPT Projects, Custom GPT lub ChatGPT Skills; LLM, RAG, retrieval i wyszukiwania semantycznego; inżynieria promptów; projektowanie baz wiedzy dla modeli językowych; Markdown, CSV, JSON/JSONL; Python do przetwarzania i konwersji danych; testowanie jakości odpowiedzi LLM. Doświadczenie z medycznymi systemami informacyjnymi, centrami kontaktowymi lub dużymi katalogami usług będzie dodatkowym atutem. Szukamy nie tylko autora promptów, ale specjalisty, który rozumie ograniczenia wyszukiwania w dużych źródłach, fragmentację kontekstu i sposoby budowania niezawodnych indeksów.Co dostarczyć w ofercie Prosimy krótko wskazać: Wasze doświadczenie z ChatGPT, RAG lub korporacyjnymi bazami wiedzy. Przykłady podobnych zrealizowanych projektów. Jak podeszlibyście do diagnozy pomijania poszczególnych pól w dużych plikach. Orientacyjne terminy i koszt audytu oraz dopracowania. Czy jesteście gotowi podpisać umowę o poufności. Dane osobowe pacjentów w ramach tego projektu nie będą przekazywane. Ostateczny koszt prac zostanie uzgodniony po doprecyzowaniu Technicznego Zadania między Zamawiającym a Wykonawcą.
Krótko Potrzebny program w Pythonie, który uruchamia się na moim PC (Windows) i tworzy faceless-wideo w formacie „głos lektora + zmieniający się materiał wideo z zdjęć i klipów” — jak dokumenty historyczne na YouTube (przykład dołączę osobno). Wprowadzam temat → program pisze scenariusz, lekturuje, dobiera do każdego fragmentu tekstu wideo/zdjęcia z darmowych archiwów, montuje → wydaje gotowy MP4. Tylko dla mnie. Bez strony, bez użytkowników, bez sprzedaży. Jeden użytkownik — ja. Jak działa (krok po kroku) 1. Wprowadzenie. Otwiera się proste okno. Wprowadzam temat filmu i wybieram głos lektora z listy (**lista głosów pobierana automatycznie z ElevenLabs przez API** — dostępne na moim koncie). Klikam „Utwórz”. (Drugi tryb: wklejenie gotowego scenariusza zamiast generacji.) 2. Scenariusz. Program przez LLM API (OpenAI/Anthropic, klucz w ustawieniach) pisze scenariusz na zadany temat o określonej długości. 3. Podział na sceny. LLM dzieli scenariusz na sceny i dla każdej zwraca: tekst sceny; typ wizualizacji: wideo lub zdjęcie; zapytanie wyszukiwania (rozwinięta fraza, co powinno być w kadrze); oznaczenie „highlight” + ocenę ważności 1-10 (dla intro, patrz poniżej). 4. Lektura. Tekst wysyłany jest do ElevenLabs API wybranym głosem → audio. Pod długość audio każdej sceny przycinany jest materiał wideo. 5. Dobór wideo/zdjęć — z darmowych źródeł przez API (patrz lista poniżej). Dla każdego źródła zapytanie formułowane jest na swój sposób (dla dokładności). Jeśli w jednym nie znaleziono — próbuje następnego. 6. Weryfikacja (maksymalnie 3 kroki na scenę). Krok 1: program bierze pierwszy znaleziony wariant (wideo/zdjęcie) według zapytania. Krok 2: wysyła kadr do LLM — „czy pasuje do sceny?”. Pasuje → stop. Krok 3 (jeśli nie pasuje): program przełącza się na wyszukiwanie zdjęć (po dokładnym zapytaniu zdjęcia znaleźć łatwiej niż wideo, — tak gwarantujemy trafność w sensie) i bierze je z wzmocnionym ruchem (zoom + panorama). Nie robić więcej niż 3 kroki na jedną scenę — to oszczędza budżet LLM i gwarantuje, że kadr jest w temacie. 7. Montaż przez ffmpeg/moviepy: klipy i zdjęcia pod timing lektury, zdjęcia ożywiane zoomem (efekt Kena Burnsa), głos na wierzchu, proste przejścia. Wyjście: MP4 1920×1080. Reguły materiału wideo (ważne — za to odpowiada program) Pierwsze 60 sekund — intro-teaser: montaż najbardziej efektownych klipów z całego filmu (brane są sceny z najwyższą oceną ważności, gdzie jest wideo) pod osobny tekst-wprowadzenie od LLM („w tym filmie dowiesz się…”), kadry bez wyjaśnień, jak intryga. Potem przejście i główna część. Naprzemienność: wstawka wideo minimum co ~6 sekund, nie można mieć wielu zdjęć pod rząd. Udział wideo: nie mniej niż ~40% czasu — żywe klipy, reszta — zdjęcia z zoomem. Długość kadru: 4-6 sekund (i zdjęcia, i wideo). Nie migać, nie trzymać statyki długo. Dla czysto historycznych tematów, gdzie nie ma wideo — zdjęcia z wzmocnionym ruchem (zoom + panorama). Źródła (wszystkie darmowe, z API) Nowoczesne wideo+zdjęcia: Pexels, Pixabay. Historyczne / archiwalne (public domain): Wikimedia Commons, Archive.org,Biblioteka Kongresu, Europeana, NASA, Smithsonian Open Access,Flickr Commons, openverse. Każde źródło — oddzielny moduł, łatwo dodać nowe. Używać tylko public domain / wolnych licencji z prawem do komercyjnego wykorzystania. Żadnego parsowania cudzych YouTube/stron, fragmentów filmów, obrazków „z googla”.Unikalność doboru Aby wideo nie pokrywały się z cudzymi: brać losowy klip z top-wyników (nie pierwszy), prowadzić bazę już użytych (nie powtarzać), opcjonalnie — lekka obróbka klipu (crop/lustro/szybkość). Opcje (włącz/wyłącz w ustawieniach) Tylko zdjęcia — jeśli włączone, wideo zbierane jest CZYSTO z zdjęć, bez klipów wideo. Każde zdjęcie OBOWIĄZKOWO z ruchem (zoom i/lub panorama, efekt Kena Burnsa) — nawet w tym trybie nie powinno być statycznych „martwych” kadrów, minimalna dynamika zawsze. Jeśli wyłączone — standardowy tryb (zdjęcia + klipy wideo z naprzemiennością, jak w regułach materiału wideo). Bez lektury — jeśli włączone, wideo zbierane jest według tekstu BEZ generacji głosu: kod NIE zwraca się do ElevenLabs i nie nakłada lektury (materiał wideo dobierany jest według tekstu scen, timing kadrów — według reguł/parametrów, bez powiązania z audio). Jeśli wyłączone — automatycznie robi lektury według tekstu przez ElevenLabs, jak zwykle. Atmosferyczny overlay — jeśli włączone, na całym materiale wideo nakładany jest półprzezroczysty layer z unoszącymi się cząstkami / pyłem / świecącym bokeh / lekką mgłą (particle / dust / bokeh / fog overlay, tryb nakładania screen/add), aby kadry wyglądały na żywe i filmowe. Przy instalacji programu umieszczany jest zestaw z 5-8 popularnych overlayów (cząstki, pył,copybokeh, mgła, lekkie filmowe „ziarnko”) w lokalnym folderze — wybieram potrzebny z listy. Regulowana przezroczystość/jasność overlayu (suwak 0-100%), aby efekt nie był anicopyzbyt przyciemniony, ani zbyt wyraźny — sam dostosowuję siłę. Pożądane, aby overlay można było nakładać i na JUŻ gotowe wideo osobnocopy(postprodukcja: wziąć gotowy MP4 → wybrać overlay → ustawić przezroczystość → zapisać), a nie tylko przy montażu. Skąd wziąć overlaye do kompletu (wolna licencja): Pexels, Pixabay (zapytaniacopy„particle overlay”, „bokeh overlay”, „dust overlay”, „light leaks”, „film grain”), Mixkit, Videezy. Wykonawca dobiera 5-8 sztuk i umieszcza w folderze programu. Napisy (wbudowane lub osobnym .srt). Obróbka klipów dla unikalności. Rozdzielczość/format, długość wideo, udział wideo, głębokość wyszukiwania.Wymagania techniczne Python. Modułowa struktura (źródła i LLM — przez wymienne moduły, aby łatwo zamienić lub dodać). Wszystkie klucze API — w pliku ustawień, nie w kodzie. Proste okno (GUI do wyboru wykonawcy — Tkinter/PyQt), uruchamiane podwójnym kliknięciem. README z instrukcją, zrozumiałe logi, komentarze w kodzie.Co daję ja Klucze API (ElevenLabs, LLM, gdzie potrzebna rejestracja — załatwię). Płatne opłacam sam. Przykłady wideo-referencji (dołączę) i przykłady tematów do testów.Odbiór (gotowe, jeśli) Uruchamiam → okno → wprowadzam temat, wybieram głos → „Utwórz” → otrzymuję gotowy MP4. Materiał wideo zgodny z sensownym tekstem, naprzemienność wideo/zdjęć, intro-teaser 60 sek, lektura na wierzchu. Działa minimum z 6 darmowymi źródłami, z fallbackiem między nimi. Weryfikacja kadrów przez LLM: maks. 3 kroki na scenę (znaleziono → LLM sprawdził → jeśli nie, zdjęcie z ruchem jako pewniak). Unikalność: randomizacja + baza używanego. Tylko legalne źródła. Jest README, uruchamia się od zera.Przekazanie wyniku Cały kod źródłowy — w otwartej formie (wszystkie pliki), bez obfuskacji + zbudowana wersja robocza. Mogę sam uruchomić z źródeł według instrukcji (README: instalacja, klucze, uruchomienie). Kod musi być czysty, skomentowany i zrozumiały, aby **każdy inny programista mógł kontynuować pracę** nad nim, jeśli zajdzie taka potrzeba (bez powiązania z autorem). **Cała codzienna praca — przez interfejs (przyciski, pola, suwaki, rozwijane listy), BEZ potrzeby dotykania kodu.** Wszystkie ustawienia (temat, głos, opcje, overlay, foldery, długość, formaty) zmieniają się w oknie programu, a nie edytowaniem plików. Kod w rękach — tylko jako moja własność i zabezpieczenie, a nie jako sposób zarządzania programem. Wszystkie prawa do kodu po zapłacie — moje.Zarządzanie miejscem na dysku (ważne) Program nie powinien zapełniać dysku. Zrealizować: Po zmontowaniu wideo wszystkie pliki pośrednie (pobrane klipy, tymczasowe fragmenty, audio-clipy) automatycznie usuwane — na dysku pozostaje tylko gotowy MP4. Limit na cache (parametr w ustawieniach, np. 5 GB): przy przekroczeniu stare pobrane pliki usuwane są automatycznie (najpierw najstarsze). Folder dla gotowych wideo i dla plików tymczasowych ustalam w ustawieniach. Pokazywać, ile miejsca zajęte, i przycisk „wyczyść cache” ręcznie.Proszę wskazać w odpowiedzi Przykłady podobnych prac (ffmpeg/moviepy, praca ze stockowymi/archiwalnymi API, ElevenLabs/LLM). Propozycja dotycząca GUI. Czy rozwiązanie wykorzystuje bazę danych (jaką i po co) — czy wystarczą lokalne pliki. Termin i koszt.