TL;DR

GoraGen — SaaS-პლატფორმა AI-ვიდეო გენერაციისთვის. მომხმარებელი რეგისტრირდება, იღებს კრედიტის ბალანსს, ირჩევს პერსონაჟს ბიბლიოთეკიდან ან წვრთნის საკუთარს, აღწერს სცენას სიტყვებით — პლატფორმა აგენერირებს ვიდეოს, ავტომატურად აფასებს ხარისხს, იმეორებს მისაღებ შედეგამდე, და ეხმარება სოციალურ ქსელებში გრაფიკით განთავსებაში.

GoraGen — რას აკეთებს პლატფორმა

ვის სჭირდება ეს

კონტენტ-მეიქერებს, მარკეტოლოგებს, სააგენტოებს და დამოუკიდებელ გამყიდველებს, ვისაც სჭირდება ვიდეო-კონტენტის რეგულარული გამოშვება, მაგრამ არ აქვს დრო, ბიუჯეტი ან გადასაღები პროცესისთვის უნარები. AI-ვიდეო ფარავს დიაპაზონს 5-წამიანი ვერტიკალური რგოლებიდან TikTok/Reels-ისთვის — მრავალ-შოტიან სტორიამდე.

მთავარი ტკივილი, რომელსაც პლატფორმა ხურავს: დღევანდელი AI-ვიდეოს ხარისხი — ეს ლატარეაა. ერთსა და იმავე promt-ს შეუძლია გაიცეს მშვენიერი შედეგი და სრული ნაგავი. პროფესიონალი AI-ვიდეოგრაფი უშვებს გენერაციას 5-15-ჯერ სხვადასხვა პარამეტრებით, აფასებს თვალით, ირჩევს საუკეთესოს. GoraGen ამას ავტომატიზებს — გენერაციასა და მომხმარებელს შორის დგას Gemini, რომელიც აფასებს შედეგს ობიექტური კრიტერიუმებით და თვითონ წყვეტს: დატოვოს, კიდევ სცადოს სხვა პარამეტრებით, თუ აღიაროს, რომ ეს მოდელი ვერ ართმევს თავს და გადაერთოს სხვაზე.

მომხმარებლის გზა

ნაბიჯი 1. რეგისტრაცია და კაბინეტი

რეგისტრაცია email-ით — პაროლი ჰეშირდება Argon2-ით. რეგისტრაციის შემდეგ იქმნება workspace (გუნდის სამუშაო სივრცე) და მომხმარებელი იღებს welcome-credit-ს. JWT-cookie-ები იდება .goragen.com-ზე, ასე რომ landing, dash და admin სესიას იზიარებენ.

კაბინეტში (apps/dash) — მთავარი ეკრანი კრედიტის ბალანსით, ბოლო გენერაციებითა და მინიშნებებით. კაბინეტიდან ხელმისაწვდომია: პერსონების ბიბლიოთეკა, სცენარების კონსტრუქტორი, გენერაციების ისტორია, LoRA-სწავლება, ხმის კლონირება, distribution სოციალურ ქსელებში, ბილინგი.

ნაბიჯი 2. პერსონის არჩევა

პერსონა — ეს ვირტუალური «მსახიობია»: გარეგნობა, ჩაცმის სტილი, მანერა. სამი წყარო: — System personas — პლატფორმის preset-ები (კაცები, ქალები, ასაკები, სტილები). — Workspace personas — კასტომი, შექმნილი workspace-ის შიგნით. — Mine — ის, რასაც მომხმარებელმა თვითონ წვრთნა LoRA-wizard-ით.

თითო პერსონას აქვს «lookbook» — გენერირებული კადრების ნაკრები გადასახედად. და «preset-ები» — მზა პარამეტრების ნაკრებები (კამერა, ფონები, განათება), რომელიც მუშაობს სწორედ ამ პერსონასთან.

ნაბიჯი 3. ერთჯერადი გენერაცია

უმარტივესი გზა: არჩიე პერსონა, დაწერე promt, დააჭირე «გენერაცია». გადახურვის ქვეშ:

1. რუსული promt (თუ იყო) ითარგმნება ინგლისურად deep-translator-ით.
2. Claude ირჩევს შესაფერის მოდელს: WAN 2.2 (მოძრაობისთვის), HunyuanVideo (გრძელი კადრებისთვის), LTX 2.3 (image-to-video) — promt-ის ანალიზის საფუძველზე.
3. Vast.ai-ით ქირავდება GPU-instance (40-80GB VRAM მოდელისდა მიხედვით).
4. ComfyUI-ის workflow იწერება პროგრამულად შაბლონებიდან LoRA-მოდელების ჩასმით (თუ პერსონა იყენებს).
5. მოთხოვნა იდება რიგში დისტანციურ ComfyUI-ზე, პროგრესი მიდის კლიენტთან WebSocket-ით.
6. მზა ვიდეო მიდის შესაფასებლად Gemini 2.5 Pro-ში: ოთხი კრიტერიუმი (promt-თან შესაბამისობა, არტეფაქტები, დროითი თანმიმდევრობა, ზოგადი ხარისხი), თითო 0–10, პლუს ვერდიქტი excellent / good / acceptable / poor / regenerate.
7. თუ regenerate ან poor — Gemini გვთავაზობს პარამეტრების ცვლილებებს, გენერაცია ხელახლა იწყება. თუ acceptable — ვზრდით seed-ს 1-ით და ვიმეორებთ. თუ good/excellent — ვინახავთ შედეგს და ვწერთ რეცეპტად ბაზაში.

მომხმარებელი ხედავს ამ მთელ პროცესს რეალურ დროში WebSocket-ით — რომელი მოდელია არჩეული, რომელ ცდაზე ვართ ახლა, რა თქვა Gemini-მ.

ნაბიჯი 4. სტორიბორდები

მრავალ-შოტიანი ვიდეოებისთვის — ცალკე რეჟიმი. მომხმარებელი აღწერს სცენებს (sh1: «პერსონაჟი შემოდის ოთახში», sh2: «სახის გადიდება», sh3: «კარიდან გასვლა»). პლატფორმა აგენერირებს თითო შოტს, მაგრამ არ აქრობს Vast-instance-ს მათ შორის — სტორიბორდის runner გადასცემს keep_instance=True ყველაზე, ბოლოს გარდა. ეს ზოგავს 1-2 წუთს GPU-ის provisioning-ზე თითო შოტისთვის პირველის შემდეგ.

თუ სტორიბორდის runner შუაში ცვივა — safety net storyboard_runner.py-ში აქრობს instance-ს იძულებით, რომ არ გადახადო ჩასული GPU-სთვის.

ნაბიჯი 5. LoRA-სწავლება

თუ მომხმარებელს უნდა საკუთარი პერსონაჟი — ის ტვირთავს 15-30 ფოტოს, და პლატფორმა წვრთნის LoRA-მოდელს kohya_ss-ზე. ნაბიჯები:

1. BLIP-2 captioning — მოდელი წერს ფოტოების caption-ებს ავტომატურად.
2. Validation grid — სატესტო კადრები გენერირდება სწავლების წინ baseline-ის შესაფასებლად.
3. იშვება სწავლება Vast-instance-ზე ≥40GB VRAM-ით — ეს 45-90 წუთია.
4. სწავლების შემდეგ — ახალი ვალიდაციური grid შესადარებლად.
5. მოდელი push-დება R2-საცავში, მეტამონაცემები — lora_workspaces ცხრილში.
6. პერსონა ავტომატურად იქმნება მომხმარებლის ბიბლიოთეკაში სტატუსით «Mine».

ნაბიჯი 6. დისტრიბუცია

მზა ვიდეო შეიძლება გრაფიკით განთავსდეს სოციალურ ქსელებში. distribution_worker ტიკავს ყოველ 30 წამში, ირჩევს პოსტებს, რომლებიც მიაღწიეს გამოქვეყნების თარიღს, აგზავნის სოციალურ პლატფორმაზე. Caption-ებს აგენერირებს Claude ვიდეოს მეტამონაცემებიდან.

ეკონომიკა და კრედიტები

კრედიტები რეზერვდება გენერაციის დასაწყისში (სავარაუდო მოცულობა) და commit-დება ფაქტით (GPU-დროის ფაქტობრივი ხარჯი + API-გამოძახებების ღირებულება). თუ გენერაცია fail-დება — კრედიტები ბრუნდება. Live-ticker აჩვენებს UI-ში მიმდინარე spent / reserved / remaining / USD-ეკვივალენტს.

user_daily_spend ზღუდავს მაქსიმალურ ხარჯს დღეში — დაცვა კოდის ბაგებიდან runaway-ღირებულებების წინააღმდეგ.

Multi-tenant

პლატფორმა multi-tenant-ია «workspace = გუნდის» სტილში. ერთ workspace-ში შეიძლება იყოს რამდენიმე მომხმარებელი სხვადასხვა უფლებებით. ყველა მონაცემი იზოლირებულია workspace-ით: პერსონები, LoRA-მოდელები, ისტორია, ბილინგი.

Admin როლი ხედავს cross-workspace-ს (support-ისა და აუდიტისთვის). ყველა ადმინ-მოქმედება ლოგირდება domain_events-ში (append-only event log).