Od lat obserwujemy ten sam frustrujący scenariusz w branży kreatywnej: wpisujemy szczegółowy opis do generatora wideo opartego na sztucznej inteligencji i liczymy na szczęście. Często okazuje się, że algorytm interpretuje nasze słowa zupełnie inaczej niż myśmy zamierzali, co prowadzi do rozczarowania i marnotrawstwa czasu. Nie mogliśmy pokazać narzędziu, jak dokładnie ma wyglądać postać, gdzie powinna stać ani jakie oświetlenie dominować w kadrze.
Nowa era precyzyjnego briefingu
Zmieniliśmy podejście do tworzenia treści, przesyłając do modelu aż pięćdziesiąt różnych referencji w jednym cyklu generowania. Do zestawu weszło trzydzieści obrazów, dziesięć klipów wideo oraz dziesięć plików audio, które razem tworzą spójny świat narracyjny. Dzięki temu nie musimy już polegać na losowości; zamiast tego działamy jak reżyserzy, którzy dokładnie instruują swoją załogę filmową.
Różnorodne typy odniesień
Kluczem do sukcesu jest wykorzystanie nowych rodzajów referencji, które mają większe znaczenie niż sama ich liczba. Wprowadziliśmy odniesienia do ruchu, pozwalające pokazać modelowi konkretną dynamikę działania zamiast opisywać ją słowami. Dodatkowo stosujemy odniesienia kreatywne, które ustalają nastrój i styl wizualny, zapewniając spójność estetyczną przez cały film.
Particularly innowacyjne są odniesienia do renderu glinianego. Wystarczy przesłać prosty, szary model trójwymiarowy, a sztuczna inteligencja odczyta z niego ścieżkę kamery, pozycję postaci, sposób ich poruszania się oraz kierunek padającego światła. Na podstawie tych danych buduje ona realistyczną scenę, zachowując wszystkie subtelne detale reżyserii.
Wydłużenie czasu generowania
Znaczącym ulepszeniem jest możliwość tworzenia sekwencji trwających do trzydziestu sekund w jednym przejściu. To nie jest pojedynczy, długi ujęcie, ale złożona scena zawierająca wiele planów, które można swobodnie rozszerzać. Możemy dodawać kolejne fragmenty do już istniejącego materiału, zachowując przy tym spójność postaci i tempa narracji.
Spójność wielu bohaterów
Jednym z największych wyzwań w generowaniu wideo była utrata tożsamości postaci w scenach grupowych. Teraz każdy bohater zachowuje swoją unikalną twarz i głos, niezależnie od tego, ilu innych aktorów pojawia się w kadrze. To rozwiązanie eliminuje typowe błędy, które dotychczas psowały realizm produkcji opartych na sztucznej inteligencji.
Proces tworzenia historii
Zanim przystąpimy do generowania wideo, warto najpierw wypracować solidny pomysł fabularny. Możemy skorzystać z asystentów językowych, aby wygenerować kilka kreatywnych koncepcji, takich jak historia o smoku bojącym się ognia czy robotzie marzącym o sennych wizjach. Wybór odpowiedniego wątku jest kluczowy dla późniejszej spójności całego projektu.
Po zatwierdzeniu pomysłu kopiujemy specjalnie przygotowany prompt, który służy jako szkielet dla naszego filmu. Wklejamy go do czatu z asystentem AI, uzupełniając sekcję tytułową wybraną nazwą opowieści. Dzięki temu otrzymujemy gotowy plan działania, który można bezpośrednio przekazać narzędziom generującym wideo.
Cały proces staje się znacznie bardziej przewidywalny i profesjonalny. Nie jesteśmy już biernymi obserwatorami losowych wyników, ale aktywnymi twórcami, którzy mają pełną kontrolę nad każdym aspektem produkcji. To zmiana paradygmatu w sposobie, w jaki postrzegamy możliwości sztucznej inteligencji w tworzeniu treści wizualnych.