Az AI-videózás körüli hype közepette könnyű azt hinni, hogy néhány jól megírt prompt és pár jól irányzott kattintás elegendő egy látványos reklámfilm elkészítéséhez. Szántó Péter, a Reel8 AI-videós ügynökség társalapítója szerint azonban a valóság ennél azért jóval összetettebb. A szakember workshopján lépésről lépésre mutatta be, hogyan készül egy professzionális AI-film a kutatástól és az assetgyűjtéstől kezdve a storyboardon át egészen a filmes utómunkáig.

Szerző: Hanó Zsolt

Július másodikán a Loffice Paulay Ede utcájában található irodájába várta a szakember azokat a marketingeseket, videósokat, reklámosokat, vagy szimplán az érdeklődőket, akik az AI-videós kulisszák mögé kívántak nézni: a Magyar Marketing Szövetség AI Masters Day szakmai program keretében megszervezett, ingyenes workshopon a résztvevők egy három perces AI-videó készítésének folyamatát követhették végig.

„Aki azt mondja, hogy érti az AI-t, az hazudik” – fogalmazott már a workshop elején Szántó, aki saját bevallása szerint napi 8–10 órát foglalkozik a mesterséges intelligenciával, de a lehetetlen óraszám mellett mégis úgy érzi, folyamatosan tanulnia kell, mert a technológia szinte napról napra megváltozik: ez jelentheti azt is, hogy új eszközök jelennek meg a piacon, máshová kerül egy funkció, vagy épp teljesen máshogyan kell már promptolni egy-egy modellt. Utóbbi esetében szerencsére a változás inkább pozitív, hiszen az nagy nyelvi modellek okosodásával egyre jobban értik meg a virágnyelvet, ami természetesen egy laikusnak egyértelmű előnyt jelent.

A szakember által társalapított Reel8 egyébként a Positive Adamsky reklámügynökség részeként működik digitális és AI produkciós házként és habár teljes egészében mesterséges intelligenciával készített projekteket is vállalnak, Szántó szerint hosszú távon a hibrid megközelítés jelenti mindúgy marketing- és videós szakmai értelemben is legjobb megoldást. Szerinte az a legszerencsésebb eset, ha van egy valódi forgatáson készült alapanyag, azt az AI rendkívül hatékonyan képes továbbfejleszteni, kibővíteni vagy látványosabbá tenni. Ennek ellenére a workshop egy három perces, teljesen AI-jal készített video készítési folyamatát mutatta be, hogy lássuk mire is képes 2026 közepén a mesterséges intelligencia.

Az AI munkáját sokszor manuálisan kell dédelgetni

A workshop eredetileg a Positive Adamsky irodájában kapott volna helyet, de a workshop iránti nagy érdeklődés miatt végül a Loffice közösségi irodába költözött: ennek megfelelően a helyszín bemutatása sem hétköznapi módon történt meg: a résztvevők egy, a Szántó és az AI által készített videót láthattak, amelyben ugyanazt az irodát különböző funkciók és stílusok szerint rendezte át a mesterséges intelligencia.

A nap fő attrakciója azonban a már említett, közel háromperces AI-film volt, amelyet a Reel8 tavaly december és az idei márciusi Digital Forum között készített el. A márciusi szakmai rendezvény keretében mozivásznon debütált alkotás egyszerre szédítő popkulturális utazás és technológiai demonstráció: Tom Cruise, Madonna, Elvis Presley, a történelem legfontosabb fotói, ikonikus festmények, híres reklámok, filmes utalások és mémek váltják egymást egy folyamatosan fokozódó hangulatú vizuális kavalkádban. Szántó nemcsak a kész filmet mutatta meg, hanem arra szánta el magát, hogy egy kötetlen beszélgetéssel egybefűzve mutassa be a teljes munkafolyamatot, egészen a projekt mappastruktúrájáig lebontva.

A workshop első és egyik legfontosabb tanulsága éppen az volt, hogy egy profi AI-reklámfilm elkészítésének oroszlánrésze nem maga a generálás. Sőt. A Reel8 csapata először hosszú kutatómunkát végzett: a Gemini és más AI-eszközök segítségével például listáztatták a világ legismertebb embereit, zenészeit, fotóit, helyszíneit és kulturális pillanatait, majd ezeket egyenként összegyűjtötték. A szükséges képeket letöltötték, rendszerezték, majd eljött az első, a videóvá alakítás szempontjából fontos lépés: AI segítségével 16:9-es formátumra bővítették ki a képeket, sok esetben pedig feljavították vagy fotorealisztikussá tették azokat.

Ugyanez történt a helyszínekkel, festményekkel és portrékkal is. Az elkészült, új nevükön szólítva assetekből végül egy saját adatbázis épült fel, amelyből később az AI dolgozhatott. A szakember szerint ez a fajta előkészítés nagyságrendekkel jobb eredményt ad majd a végén, mintha a videógeneráló modellt egyetlen hosszú prompttal próbálnák rávenni egy komplett, több perces reklámfilm elkészítésére.

Nem egy filmet kell promptolni, hanem sok apró jelenetet

Szántó munkamódszere a storyboardra épül: ahelyett, hogy egy teljes videót generáltatna, először képeket készít el AI segítségével, majd ezekből állítja össze a jelenetenként nagyjából 10-20 képből álló storyboardot. Csak ezután készülnek el az egyes videórészletek, amiket öt-hat mádodperces jelenetként is értelmezhetünk. Ennek oka egyszerű: így sokkal nagyobb kontroll marad az alkotó kezében.

A szakember elmondta, hogy érdemes elsősorban az AI logikáját, tehát a modell gondolkodásmódját megérteni. A jelenlegi működés szerint ugyanis ha az AI teljes szabadságot kap, könnyen kiszámíthatatlan eredményeket készít, ha azonban előre meghatározott képekből dolgozik, pontosabban követi az eredetileg elképzelt történetünket. A workshopon élőben is bemutatott egy ilyen folyamatot: egy Tom Cruise-ról készült portrét és egy hegyvidéki tájat próbált meg összeolvasztani, azonban a rendszer számos alkalommal eltorzította a színész arcát vagy anatómiailag lehetetlen pózokat (konkrétan kifordult kezet és fejet) generált, amin a megjelent, nagyjából harminc fős közönség jól szórakozott. A tanulság egyszerű volt: addig kell finomítani a promptot, amíg az AI valóban azt készíti el, amit elképzeltünk.

A workshop során Szántó világossá tette, hogy a promptolás ma már jóval több néhány kulcsszónál, hiszen azt is meg kell meghatározni, mi szerepeljen pontosan a képen, hogyan mozogjon a kamera, milyen nézőpontból generálódjon a videó, milyen világítással dolgozzunk, meg kell alkotni a kompozíciót, sőt azt is, milyen irányba repüljön a kamera vagy hogyan érkezzen meg egy karakterhez. A szakember elmagyarázta a start és end frame fogalmát is, ami több mint hasznos egy AI reklámfilm készítésekor: az öt-hat másodperces jelenetek ugyanis csak akkor tudnak jól és pontosan illeszkedni egymáshoz, ha a jelenetek nem teljesen különálló képekből indulnak el és fejeződnek be, hanem ha az előző jelenet utolsó képkockáját egyben a következő jelenet elsőjeként használunk fel. Az általunk választott AI videós eszköz ezt használja fel kiindulási pontként, így sokkal természetesebb átmenetek jönnek létre.

A végső simításokat azonban már hagyományos vágóprogramokban végzik a Reel8 munkatársai: Szántó a DaVinci Resolve smooth cut funkcióját használja, emellett morphing funkcióval, sebességváltoztatással, kameramozgásokkal, gyorsítással és egyéb, évtizedek óta bevett filmes utómunkás eszközökkel teszi valóban filmszerűvé az AI által generált jeleneteket.

A workshopon nemcsak a technólógia erősségeiről, hanem annak korlátairól is őszintén beszélhettünk. Ilyen volt például, amikor a Reel8 filmje készítése közben a videógeneráló modellek gyakran eltorzították az arcokat. Azóta ugyan megjelentek a már korábban emített karakterfixáló funkciók, de ezek sem jelentenek tökéletes megoldást. Előfordul, hogy ugyan az arc már megfelelő marad, viszont egy másik testrész vagy a háttér mégsem úgy sikerül, ahogyan azt mi elképzeljük. Szántó egy olyan jelenetet is megmutatott, ahol Tom Cruise feje szinte bagolyszerűen fordult ki a helyéről, miközben egy hegy oldalán próbált megfordulni a video kedvéért. Más példák során pedig a nap pozíciója változott meg két egymást követő jelenet között, amit a szemfülesek ki is szúrhattak, hiszen a napsütés az egyik jelenetben más felületekre más szögben estek, mint a korábbiakban. A szakember szerint ugyanakkor nem érdemes minden apró hibával órákig foglalkozni: „Az emberek többsége ezeket észre sem veszi.”

A bemutató egyik legérdekesebb része a szerzői jogok kérdését érintette. A Digital Forumra készült filmben számos ismert reklám, filmszereplő, festmény és popkulturális ikon jelent meg, de volt olyan jelenet is, amely Jean-Claude Van Damme legendás kamionos reklámjából indult ki: a készítők képkockákat emeltek ki az eredeti reklámfilmből, majd AI segítségével teljesen új jelenetté alakították őket. Ez jogi szempontból egészen visszás gyakorlatnak számít, Szántó ugyanakkor hangsúlyozta: ez kizárólag bemutatófilmként készült, nem használták semmilyen célra azon kívül, hogy bemutassák az AI-eszközök képességeit. Marketingcélokra vagy kereskedelmi felhasználásra azonban ilyen tartalmak jogszerűen semmiképp sem használhatók, hiszen szerzői jogi védelem alatt állnak.

Az AI nem váltja ki a filmes gondolkodást

A szakember elmondta, a háromperces film elkészítéséhez végül 85 különálló képet és mintegy 150 kameraállást használtak fel. Bár ma már a Kling és más videógeneráló modellek akár félperces jeleneteket is képesek készíteni, Szántó továbbra is az öt-hat másodperces blokkokban (esetünkben jelenetekben) történő munkát tartja ideálisnak, mert ez biztosítja a legnagyobb kreatív kontrollt a video felett. A workshop végére világossá vált, hogy az AI-videókészítés még messze nem a „nyomj egy gombot, és kész a reklámfilm” kategóriát jelenti: a mesterséges intelligencia rendkívül erős és hasznos alkotótárs lehet, de továbbra is szükség van arra a fajta kutatói szemléletre, vizuális gondolkodásmódra, storyboardra, filmes tapasztalatra és hagyományos utómunkás eszközökre, amelyek valóban képesek megkülönböztetni a használható és minőségi AI-videót az AI-mosléktól.

A workshop végén a résztvevők is feltehették kérdéseiket. Az első kérdés arra vonatkozott, hányszor kellett újratervezni a teljes munkafolyamatot a reklámfilm esetében. Szántó Péter szerint a projekt erősen iteratív volt: folyamatosan különböző moodboardokat készített, képeket gyűjtött, tesztelt, finomhangolt, másokkal egyeztetett, sőt időnként még „aludt is rá”, mielőtt továbblépett volna. Hozzátette, ma már magát az AI-t is érdemes megkérdezni arról, milyen kreatív irányokat vagy alternatívákat javasolna egy videóhoz.

Arra a kérdésre, hogy az AI honnan tudja, kit ábrázol egy kép – például Tom Cruise-t –, azt válaszolta: ezt egyszerűen beleírja a promptba, így megkönnyítve a modell dolgát. Ugyanakkor szerinte minden AI-modellt érdemes külön kitapasztalni, mert azok eltérően reagálhatnak, adott esetben ugyanazokra az utasításokra. A beszélgetés során szóba került a Sonnet 5.0 is, amely már rendkívül fejlett tartalomgeneráló modell, azonban Szántó újra figyelmeztetett: minél nagyobb szabadságot kap az AI, annál kisebb lesz a kreatív kontroll. A hanggenerálás kapcsán pedig kiemelte, hogy narráció, nyelv és hangszín is létrehozható már az AI-jal, erre jelenleg az ElevenLabs az egyik legjobb megoldás, míg a videógeneráló modellek natív hangfunkcióit még kiforratlannak tartja.

Az AI videós költségekről elmondta: az eszközök használata szerinte szinte minden esetben olcsóbb, mint a hagyományos emberi erőforrás, viszont a projektek költsége rendkívül széles skálán mozoghat: a Reel8 készített már nagyjából 50 ezer forintos AI-videót, de nyolc számjegyű költségvetésű produkciókat is csináltak már márkáknak. A szerzői jogokról szóló kérdésre úgy válaszolt, hogy a saját márkás tartalmakból készített AI-videók a netről leszedett mindenféle jogvédett tartalmakkal szemben felhasználhatók, sőt, az is jó hír, hogy az AI-modellek nem szereznek tulajdonjogot a feltöltött saját tartalmak felett.

A Reel8 esettanulmányán és a gyakorlatias kérdéseken és válaszokon keresztül láthatták az érdeklődők: a sikeres AI-videó mögött ma még a technológia messze nem önmagában áll, hanem az a kreatív szakember, aki képes rendszerezni az ötleteket, felépíteni a vizuális világot, és végig kreatív és technikai kontroll alatt tartani a teljes alkotási folyamatot.