"На фоне усиления мер по борьбе с [распространением вируса] ВОЗ предупреждает, что финансовых ресурсов по-прежнему крайне недостаточно. Из 115 млн долларов, необходимых для поддержки оперативных мероприятий, было задействовано лишь 39%, в результате чего дефицит составляет около 70 млн долларов", - говорится в заявлении ВОЗ.

запомни, что должно получиться по итогу анализа этого видео фрагмента. в самом начале 00.00- 2 лица (ведущий + репортер), на 00.08 сек мем с новым лицом, дальше - только ведущий (1лицо), на 7:50 появляется репортёр 2 (новое, третье лицо+лицо ведущего остаётся на своём месте), до 10 минуты вед + репортёр 2 (дальше 10 минуты не анализируем. Я вижу, что ты нарезаешь кадры не так, как мы изначально работали. Нужно вернуться к той же логике, что уже заложена в пайплайне, использовать его наработки: нарезали тестовые кадры (3 штуки), оценили есть ли в этих 3 кадрах текст, если нет - значит проверка текста не потребуется, - если есть - потребуется. Провели расшифровку звука. Если говорят разные голоса - потребуется распознавание лиц, если один голос на все видео - не потребуется. Если не нужно распознавать ни лица, ни текст - кадры больше не нарезаем. Если нужно распознавать текст - распознаём кадры, удаляем дубли текста. Если нужно распознавать лица - распознаём те кадры, где появляется новый голос (можно не сам кадр появления, а например следующий за ним. Уже потом всю эту информацию добавляем в общий лог - время нового фрагмента, что на изображении, какие лица, что сказано. Вот эту же логику используем и тут. Дай свой комментарий, сохрани в контекст, составь скрипт для теста