Бюджет: 15000 UAH Срок: 10 дней
У меня есть успешный опыт разработки систем автоматизированного сбора и обработки больших массивов данных. Я понимаю, что для архитектурных проектов критически важно сохранить высокое разрешение изображений и обеспечить точную классификацию (Exterior, Interior, Top View).
Мой технический подход:
Сбор данных (Data Collection):
Разработаю парсеры на базе Playwright или Selenium (в зависимости от сложности источников), которые позволят загружать оригинальные файлы в максимально доступном качестве, обходя защиту от ботов.
Классификация (AI-driven):
Чтобы избежать ошибок ручной сортировки, использую предобученные модели компьютерного зрения (например, ResNet или EfficientNet через PyTorch), настроенные на распознавание архитектурных типов. Это позволит автоматически отсортировать тысячи изображений по категориям (Exterior, Interior, Exterior Top View) с высокой точностью.
Структурирование:
Изображения будут автоматически распределены по соответствующим папкам, а их метаданные (если нужно) сохранены в структурированном CSV или JSON файле.
Передача:
Готовый датасет предоставлю через Google Drive или другое облачное хранилище в виде структурированного архива.
Ориентировочные сроки и стоимость:
Этап 1 (Анализ источников и пилотный сбор): 2–3 дня.
Этап 2 (Настройка классификатора и полный сбор): 7–10 дней.
Стоимость: 15 000 – 25 000 грн (в зависимости от количества источников и общего объема изображений, который мы определим на первом этапе).
Мой опыт:
Ранее работал с проектами по автоматизации сбора контента для e-commerce и архитектурных платформ, где нужно было сохранять качество и иерархию файлов.
Готов провести детальный анализ источников и предоставить оценку объема работ после того, как вы отправите ссылки на ресурсы. Удобно ли вам будет обсудить детали в личных сообщениях?
Бюджет: 4000 UAH Срок: 12 дней
Здравствуйте!
У меня есть релевантный опыт в разработке систем автоматизированного сбора и обработки данных, в частности с использованием компьютерного зрения для классификации изображений. Подобные пайплайны я уже реализовывал — от парсинга до структурированной передачи результата.
**Предлагаемый подход:**
• Сбор изображений — Playwright/Scrapy с поддержкой JavaScript-сайтов (Archdaily, Dezeen и другие архитектурные источники), загрузка в максимальном качестве, дедубликация через перцептивный хеш
• Классификация — модель CLIP (OpenAI) для распределения на категории Exterior / Interior / Exterior Top View с порогом уверенности для отсечения сомнительных случаев
• Структурирование — папки по категориям + CSV/JSON с метаданными (источник, URL, дата, категория, confidence score)
• Передача — автоматическая загрузка на Google Drive через официальный API
**Сроки:** 8–12 рабочих дней в зависимости от количества изображений и источников
**Стоимость:** $200–350 — финальная цифра после уточнения объема
На первом этапе готов провести бесплатный анализ источников и предоставить точную оценку с примером работы классификатора.
Готов к обсуждению деталей.
Бюджет: 700 UAH Срок: 1 день
Очень мало деталей для того, чтобы предоставить вам технический подход, сроки или оценку стоимости. Можно больше деталей?
Бюджет: 10000 UAH Срок: 1 день
Здравствуйте! Смогу реализовать. Напишите в личку, чтобы обсудить все детали. Буду рад сотрудничеству!
Бюджет: 9000 UAH Срок: 5 дней
Здравствуйте! Задание полностью понятно, объем работы солидный. У меня есть опыт разработки асинхронных парсеров на Python, которые оптимизированы для загрузки больших массивов медиафайлов без потери качества и с обходом лимитов веб-источников.
Мой предложенный технический подход:
1. Анализ и сбор: Напишу скрипт на Python (Playwright / Scrapy + aiohttp), который асинхронно и в несколько потоков будет скачивать изображения в максимальном разрешении.
2. Классификация (Exterior/Interior/Top View): Реализую комбинированный подход. Скрипт будет считывать метаданные/теги из первоисточника, а для неструктурированных фото подключим легкую готовую модель компьютерного зрения (на базе PyTorch / HuggingFace), которая автоматически и безошибочно распределяет их по нужным папкам.
3. Каталогизация: Данные будут четко структурированы, а результат выгружу на ваш Google Drive.
Готов провести бесплатный анализ ваших источников и предложить лучшее решение. Пишите в личные сообщения!
Бюджет: 27000 UAH Срок: 3 дня
Добрый день. Готов выполнить данный проект, имею большой опыт разработки приложений.
Бюджет: 6500 UAH Срок: 6 дней
Здравствуйте, Ольга!
Задача понятна: нужен не просто парсер, а полноценный пайплайн — сбор в максимальном качестве, AI-классификация на Exterior / Interior / Exterior Top View, структурированный датасет с метаданными.
Подход:
— Сбор: Playwright с обходом антибот-защиты, загрузка оригиналов (не превью), дедупликация
— Классификация: CLIP/Vision модель с confidence score — чтобы вы видели не только категорию, но и уверенность модели по каждому изображению
— Результат: структурированные папки + CSV с метаданными (источник, URL, категория, дата)
— Передача через Google Drive
Первый шаг — анализ источников: оцениваю объём, структуру сайтов, наличие защиты. После этого даю точные сроки и финальную стоимость.
Ориентировочно: 6000-7000 UAH, 5-7 дней после старта.
Есть релевантные примеры работ - готовы показать. Когда удобно обсудить детали?
Бюджет: 1000 UAH Срок: 1 день
Добрый день.
У меня есть опыт автоматизации сбора и обработки данных из открытых веб-источников, включая парсинг изображений, их фильтрацию, классификацию и структурирование.
Для реализации проекта планирую сначала провести анализ доступных источников, оценить качество и полноту данных, после чего построить автоматизированный процесс сбора изображений в максимально доступном качестве с дальнейшей классификацией по категориям Exterior, Interior и Exterior Top View.
Результат будет передан в виде структурированной базы данных с понятной системой каталогизации и удобным способом передачи.
Детали реализации, сроки и стоимость предлагаю обсудить в личных сообщениях.
Буду рад сотрудничеству.
Бюджет: 1000 UAH Срок: 1 день
Здравствуйте!
У меня большой опыт разработки решений для парсинга и обработки данных (различные источники, защита от блокировок, автоматизация). Готов выполнить поставленную задачу в кратчайшие сроки.
Предлагаю обсудить детали в личных сообщениях.
Бюджет: 1000 UAH Срок: 3 дня
Добрый вечер!
У меня есть опыт парсинга веб-ресурсов и работы с большими массивами данных, включая API и Google Drive. Предложенный технический подход: Python (BeautifulSoup/Scrapy, Pillow, scikit-learn/TensorFlow Lite), облачное хранилище. Ориентировочные сроки: [укажите срок, например, 2-4 недели].
Бюджет: 10000 UAH Срок: 10 дней
Ольга, привет!
Могу сделать сбор + загрузку в максимальном качестве + классификацию архитектурных изображений на 3 категории: Exterior / Interior / Exterior Top View - с нормальной структурой папок и отчетом, чтобы этим можно было пользоваться как датасетом.
Подход (кратко):
1) Анализ источников
2) Сбор. Загружаю наивысшее доступное качество, с логом ошибок и повторными попытками
3) Дедупликация
4) Классификация
5) Выгрузка
Чтобы я дал точную оценку по срокам и стоимости, пришлите, пожалуйста, 3-5 примеров источников/сайтов, которые вы хотите парсить, и ориентир по объему (например: "нужно 20k/50k/100k изображений")
Бюджет: 4000 UAH Срок: 4 дня
Добрый день. У меня большой опыт в парсинге. Могу сделать быстро и качественно. Сделаю удобную структуру. Нужно более детально обсудить. Буду рад сотрудничеству.
Бюджет: 2000 UAH Срок: 2 дня
Привет!
У меня есть релевантный опыт именно под этот проект:
— Разрабатывал коммерческие скраперы на Playwright + BeautifulSoup с обходом антибот-защиты и ротацией прокси
— Собирал и нормализовал большие объемы данных (27 000+ записей) с последующим сохранением в PostgreSQL
— Опыт загрузки файлов в максимальном качестве через анализ сетевых запросов
— Интегрировал OpenAI Vision API в продакшн проектах — могу использовать для классификации изображений
Предлагаемый подход:
1. Анализ структуры источника — антибот-защита, доступность полного качества изображений
2. Async парсер на Playwright/aiohttp для параллельного сбора
3. Классификация по категориям Exterior / Interior / Exterior Top View через OpenAI Vision API или по метаданным (в зависимости от бюджета)
4. Сохранение в структурированные папки + CSV-отчет
Бюджет: от $50 за одно источник (финальная цена после ознакомления с источниками)
Сроки: 3-5 дней на одно источник
Готов обсудить детали после получения ссылок на источники!
Бюджет: 1000 UAH Срок: 2 дня
Готов выполнить, пишите для обсуждения подробностей...................
- Проекты 8
- Оценка 5.0
- Рейтинг 744
Бюджет: 7999 UAH Срок: 3 дня
Доброго дня! Могу сделать автоматизированный сбор и структурирование архитектурных изображений (Экстерьер / Интерьер / Вид сверху), классификацию и сохранение в базу + облачное хранилище
Бюджет: 1000 UAH Срок: 1 день
Здравствуйте! У меня большой опыт в автоматизированном сборе данных и классификации медиаконтента. Поскольку в описании проекта не указаны конкретные сайты, для точной оценки стоимости и сроков мне нужно сначала увидеть сами источники данных. Готов обсудить детали в чате и предложить оптимальный подход.
Бюджет: 2000 UAH Срок: 1 день
Добрый день!
Сбор и AI-классификация архитектурных изображений — наша профильная область, задача полностью понятна.
Предложенный подход:
Анализ источников: оценим объем, в каком качестве доступны оригиналы, наличие пагинации и антибота — и выберем оптимальную схему сбора.
Сбор: парсер с прокси и троттлингом, загрузка файлов в максимально доступном качестве (именно оригиналы, не превью).
Классификация Exterior / Interior / Exterior Top View — автоматически через vision-модель, с проверкой точности на выборке перед полным прогоном.
Каталогизация: четкая структура папок + метаданные (источник, категория, разрешение), передача через Google Drive или другой удобный вам способ.
Работаем с парсингом веб-источников и обработкой изображений постоянно, так что быстро и аккуратно войдем в задачу.
Детали, объем и стоимость обсудим в личных сообщениях. Пишите.
Бюджет: 2000 UAH Срок: 3 дня
Привет! Я ознакомился с вашим проектом и готов начать работу. Могу гарантировать отличный результат в короткие сроки.
Бюджет: 7499 UAH Срок: 15 дней
У меня есть опыт именно в таком стеке: Python-скраперы (Scrapy / Playwright), массовая загрузка изображений и классификация через CLIP/EfficientNet.
Подход кратко:
1. Анализ источников - выбор стратегии (статический HTML / JS-рендеринг / API)
2. Асинхронный сбор с загрузкой в максимальном качестве
3. Автоклассификация: Exterior / Interior / Exterior Top View через zero-shot или fine-tuned модель
4. Структурированный датасет с метаданными
Сроки: 2–3 недели после старта (зависит от объема)
Бюджет: обсудим после просмотра источников
Бюджет: 2000 UAH Срок: 3 дня
Добрый день. У меня большой опыт в парсинге на Python. Загружу изображение в максимально доступном качестве. Классификацию сделаю с помощью OpenAI. Сроки и стоимость после оценки сайтов.
Бюджет: 2999 UAH Срок: 7 дней
Добрый день! Заинтересовал ваш проект. Имею опыт в веб-парсинге (Python, BeautifulSoup/Selenium/Scrapy) и автоматизации сбора данных. Также работал с загрузкой и обработкой медиафайлов.
Предложенный технический подход:
Предлагаю следующий алгоритм:
Анализ указанных вами или поиск новых открытых источников (архитектурные сайты, стоки).
Написание скрипта для обхода страниц и загрузки оригиналов изображений.
Классификация: можно реализовать на основе метаданных/тегов с сайтов-доноров, или (если тегов нет) подключить базовую модель компьютерного зрения (например, через API OpenAI или локальную нейросеть) для сортировки на Exterior, Interior, Exterior Top View.
Сохранение в структурированные папки и выгрузка архива на Google Drive.
Ставки пока отсутствуют
Актуальные фриланс-проекты в категории Python
Приветствую! Мне нужно визуально кастомизировать систему InvenTree (open-source) для презентации проекта кофейни. Сложный бэкэнд и интеграция с кассой (POS) не требуются — важна внешняя переделка интерфейса, чтобы показать разницу «Было / Стало». Стек проекта: Python (Django) + React (Mantine UI). Что нужно сделать в интерфейсе: Кастомный брендинг, Переименование в боковом меню и таблицах, Очистка форм от инженерных полей, Настроить один рецепт «сборки» напитка (например, Капучино), чтобы при ручном списании со склада наглядно вычитались все ингредиенты, добавить функции в виде дополнительных отчётов, и объяснение принципов работы сделанных изменений. Все конкретные детали обсудим лично. Требования к исполнителю: Опыт работы с Django и React (Mantine UI). Способность сделать задачу быстро — проект нужен для презентации. Работаем через Сейф (Безопасную сделку). В ответе начните со слова «КОФЕ», чтобы я видел, что вы дочитали до конца. Напишите ваши сроки и цену
Необходимо разработать приложение или скрипт, который будет автоматически конвертировать файлы из форматов YML или JSON в формат XLS, с последующей генерацией ссылки на выходной XLS файл для прома Требования: Входные данные: Файл в формате YML (ссылки будут предоставлены) или Файл в формате JSON (ссылки будут предоставлены, JSON не содержит дерева категорий, но каждый товар находится в отдельном массиве). Выходные данные: Файл в формате XLS с доступом через прямую ссылку. Файл должен обновляться автоматически по расписанию, например, ежедневно. Функциональные требования: Возможность указания количества дней для Наличия Под заказ для каждой входной ссылки. Приложение должно стабильно работать в условиях ограниченного по ресурсам хостинга. Желательно интуитивно понятный веб-интерфейс для управления настройками.
Необходимо внести небольшое изменение в программу, которая формирует заказы для печати. Задача: Мы добавили в ассортимент мягкое стекло с принтом. В заказах название принта будет выделено символами #...# для корректного распознавания. Пример: Мягкое стекло, #Абстракция белая# 2.0mm, Форма: Прямоугольник... Необходимо: если в тексте заказа присутствует фрагмент между символами #...#, программа должна распознать его как заказ с принтом; при формировании PDF или листа для печати такой заказ нужно выделить отдельным цветом (любым заметным, согласуем во время выполнения); остальная логика работы программы должна остаться без изменений. Пример заказа добавляю ниже для тестирования.
О проекте: Мы запускаем B2B-сервис сквозной аналитики и управления рекламными кампаниями для таргетологов и медиабаеров. Продукт будет работать с официальным Meta API. Главная техническая сложность и фокус проекта — виртуозная работа с лимитами Facebook, маршрутизация трафика между пулом наших приложений и жесткая система защиты инфраструктуры от блокировок серых рекламных аккаунтов. У нас уже есть подробное техническое задание, описана архитектура баз данных, логика балансировщика и требования к интерфейсам. Ищем исполнителя, который возьмет это в реализацию под ключ (бэкенд + фронтенд дашбордов). Что предстоит сделать (Ключевые задачи): Интеграция с Meta API: Настроить авторизацию пользователей и регулярный асинхронный парсинг статистики рекламных кабинетов. Запросы должны отправляться исключительно пакетами для экономии лимитов. Система авто-отвязки кабинетов: Написать модуль, который непрерывно мониторит статусы рекламных аккаунтов. Если кабинет улетает в бан, система должна автоматически отозвать токен доступа в течение 60 секунд, чтобы защитить наше приложение от санкций Meta. Инфраструктура прокси: Реализовать туннелирование всех запросов к API через пул SOCKS5. Обязательна жесткая привязка конкретного токена пользователя к статичному IP-адресу. Умная маршрутизация: Создать алгоритм, который будет распределять привязываемые рекламные кабинеты между несколькими нашими приложениями Facebook в заданных пропорциях для снижения рисков. Разработка интерфейсов: Создать клиентский дашборд со сводной таблицей статистики и продвинутую админ-панель для ручного управления лимитами пользователей, привязками к приложениям и пулом прокси. Ожидаемый стек технологий: Бэкенд: Python, FastAPI. Асинхронные задачи: Celery, Redis. Базы данных: PostgreSQL (или ClickHouse для статистики, на ваше усмотрение). Фронтенд: Vue.js или React (можно использовать готовые UI-библиотеки и шаблоны дашбордов, упор на функциональность, а не сложный дизайн). Требования к исполнителю: Уверенный опыт работы с Meta Graph API и Marketing API. Вы должны понимать, как работают скользящие лимиты, как читать заголовки загруженности и как работать с токенами. Понимание специфики арбитража трафика. Слова «биллинг», «бан рекламного кабинета», «бизнес-менеджер» и «фарм» не должны вызывать у вас вопросов. Опыт построения асинхронных парсеров и работы с прокси-серверами на уровне сетевых запросов. Готовность работать по четкому техническому заданию и сдавать проект поэтапно. Условия: Формат сотрудничества: Проектная работа Бюджет: Обсуждается индивидуально на основе вашей оценки технического задания. Оплата: Поэтапная, привязанная к контрольным точкам. Как откликнуться: В сопроводительном письме обязательно укажите ваш опыт работы с Meta API, прикрепите ссылки на похожие проекты (или опишите их функционал, если они под NDA) и напишите ориентировочную вилку цен и сроков на разработку подобной системы с нуля. Отклики без описания релевантного опыта работы с Facebook API рассматриваться не будут.
Коротко Нужна программа на Python, которая запускается у меня на ПК (Windows) и делает faceless-видео формата «закадровый голос + сменяющийся видеоряд из фото и клипов» — как исторические документалки на YouTube (пример прикреплю отдельно). Я ввожу тему → программа пишет сценарий, озвучивает, подбирает под каждый кусок текста видео/фото из бесплатных архивов, склеивает → выдаёт готовый MP4. Только для меня. Без сайта, без пользователей, без продажи. Один пользователь — я. Как работает (по шагам) 1. Ввод. Открывается простое окно. Я ввожу тему ролика и выбираю голос озвучки из списка (**список голосов подтягивается автоматически из ElevenLabs по API** — доступные на моём аккаунте). Жму «Создать». (Второй режим: вставить готовый сценарий вместо генерации.) 2. Сценарий. Программа через LLM API (OpenAI/Anthropic, ключ в настройках) пишет сценарий по теме, заданной длины. 3. Разбивка на сцены. LLM делит сценарий на сцены и для каждой возвращает: текст сцены; тип визуала: видео или фото; поисковый запрос (развёрнутая фраза, что должно быть в кадре); пометку «highlight» + оценку важности 1-10 (для интро, см. ниже). 4. Озвучка. Текст отправляется в ElevenLabs API выбранным голосом → аудио. Под длину аудио каждой сцены режется видеоряд. 5. Подбор видео/фото — из бесплатных источников по API (см. список ниже). Под каждый источник запрос формируется по-своему (для точности). Если в одном не нашлось — пробует следующий. 6. Проверка (максимум 3 шага на сцену). Шаг 1: программа берёт первый найденный вариант (видео/фото) по запросу. Шаг 2: отправляет кадр в LLM — «подходит под сцену?». Подходит → стоп. Шаг 3 (если не подходит): программа переключается на поиск фото (по точному запросу фото найти проще, чем видео, — так гарантированно попадаем по смыслу) и берёт его с усиленным движением (зум + панорама). Больше 3 шагов на одну сцену не делать — это экономит бюджет LLM и гарантирует, что кадр в тему. 7. Сборка через ffmpeg/moviepy: клипы и фото под тайминг озвучки, фото оживляются зумом (эффект Кена Бёрнса), голос поверх, простые переходы. Выход: MP4 1920×1080. Правила видеоряда (важно — за это отвечает программа) Первые 60 секунд — интро-тизер: нарезка самых эффектных клипов из всего ролика (берутся сцены с высшей оценкой важности, где есть видео) под отдельный текст-вступление от LLM («в этом видео вы узнаете…»), кадры без пояснений, как интрига. Потом переход и основная часть. Чередование: видео-вставка минимум каждые ~6 секунд, нельзя много фото подряд. Доля видео: не меньше ~40% времени — живые клипы, остальное — фото с зумом. Длина кадра: 4-6 секунд (и фото, и видео). Не мельтешить, не держать статику долго. Для чисто исторических тем, где видео нет — фото с усиленным движением (зум + панорама). Источники (все бесплатные, с API) Современное видео+фото: Pexels, Pixabay. Историческое / архивное (public domain): Wikimedia Commons, Archive.org,Library of Congress, Europeana, NASA, Smithsonian Open Access,Flickr Commons, openverse. Каждый источник — отдельный модуль, легко добавить новый. Использовать только public domain / свободные лицензии с правом коммерческого использования. Никакого парсинга чужих YouTube/сайтов, кусков фильмов, картинок «из гугла».Уникальность подбора Чтобы видео не совпадали с чужими: брать случайный клип из топ-выдачи (не первый), вести базу уже использованных (не повторять), опционально — лёгкая обработка клипа (кроп/зеркало/ скорость). Опции (вкл/выкл в настройках) Только фото — если включено, видео собирается ЧИСТО из фото, без видео-клипов. Каждое фото ОБЯЗАТЕЛЬНО с движением (зум и/или панорама, эффект Кена Бёрнса) — даже в этом режиме не должно быть статичных «мёртвых» кадров, минимальная динамика всегда. Если выключено — стандартный режим (фото + видео-клипы с чередованием, как в правилах видеоряда). Без озвучки — если включено, видео собирается по тексту БЕЗ генерации голоса: код НЕ обращается к ElevenLabs и не накладывает озвучку (видеоряд подбирается по тексту сцен, тайминг кадров — по правилам/параметрам, без привязки к аудио). Если выключено — автоматически делает озвучку по тексту через ElevenLabs, как обычно. Атмосферный оверлей — если включено, поверх всего видеоряда накладывается полупрозрачный слой с плавающими частицами / пылью / светящимися боке / лёгким туманом (particle / dust / bokeh / fog overlay, режим наложения screen/add), чтобы кадры выглядели живыми и кинематографичными. При установке программы кладётся набор из 5-8 популярных оверлеев (частицы, пыль,copyбоке, туман, лёгкое киношное «зерно») в локальную папку — я выбираю нужный из списка. Регулируемая прозрачность/яркость оверлея (ползунок 0-100%), чтобы эффект не был ниcopyслишком тусклым, ни слишком выраженным — я сам настраиваю силу. Желательно, чтобы оверлей можно было накладывать и на УЖЕ готовое видео отдельноcopy(постобработка: взять готовый MP4 → выбрать оверлей → задать прозрачность → сохранить), а не только при сборке. Откуда взять оверлеи для комплектации (свободная лицензия): Pexels, Pixabay (запросыcopy«particle overlay», «bokeh overlay», «dust overlay», «light leaks», «film grain»), Mixkit, Videezy. Исполнитель подбирает 5-8 штук и кладёт в папку программы. Субтитры (вшить или отдельным .srt). Обработка клипов для уникальности. Разрешение/формат, длина видео, доля видео, глубина поиска.Технические требования Python. Модульная структура (источники и LLM — через сменные модули, чтобы легко заменить или добавить). Все API-ключи — в файле настроек, не в коде. Простое окно (GUI на выбор исполнителя — Tkinter/PyQt), запуск двойным кликом. README с инструкцией, понятные логи, комментарии в коде.Что даю я API-ключи (ElevenLabs, LLM, где нужна регистрация — оформлю). Платное оплачиваю сам. Примеры видео-референсов (прикреплю) и примеры тем для тестов.Приёмка (готово, если) Запускаю → окно → ввожу тему, выбираю голос → «Создать» → получаю готовый MP4. Видеоряд по смыслу текста, чередование видео/фото, интро-тизер 60 сек, озвучка поверх. Работает минимум с 6 бесплатными источниками, с fallback между ними. Проверка кадров через LLM: макс. 3 шага на сцену (нашли → LLM проверил → если нет, фото с движением как верняк). Уникальность: рандомизация + база использованного. Только легальные источники. Есть README, запускается с нуля.Передача результата Весь исходный код — в открытом виде (все файлы), без обфускации + собранная рабочая версия. Я могу сам запустить из исходников по инструкции (README: установка, ключи, запуск). Код должен быть чистым, прокомментированным и понятным, чтобы **любой другой программист мог продолжить работу** над ним, если понадобится (не привязка к автору). **Вся повседневная работа — через интерфейс (кнопки, поля, ползунки, выпадающие списки), БЕЗ необходимости трогать код.** Все настройки (тема, голос, опции, оверлей, папки, длина, форматы) меняются в окне программы, а не редактированием файлов. Код на руках — только как моя собственность и страховка, а не как способ управления программой. Все права на код после оплаты — мои.Управление местом на диске (важно) Программа не должна забивать диск. Реализовать: После сборки видео все промежуточные файлы (скачанные клипы, временные куски, аудио-нарезки) автоматически удаляются — на диске остаётся только готовый MP4. Лимит на кэш (параметр в настройках, напр. 5 ГБ): при превышении старые скачанные файлы удаляются автоматически (сначала самые старые). Папку для готовых видео и для временных файлов я задаю в настройках. Показывать, сколько места занято, и кнопка «очистить кэш» вручную.Прошу указать в отклике Примеры похожих работ (ffmpeg/moviepy, работа со стоковыми/архивными API, ElevenLabs/LLM). Предложение по GUI. Использует ли решение базу данных (какую и зачем) — или хватает локальных файлов. Срок и стоимость.