Klip s AI: 138 záběrů, 14 verzí a jedna věta „Je to finální“

V pátek večer jsem napsal tři slova: „Je to finální.“

Předtím čtrnáct verzí jednoho klipu za jediný den. Sto třicet osm požadavků na generování videa a obrázků. Desítky poznámek ve stylu „tady má dva mikrofony“ nebo „tohle pódium tam předtím nebylo“. A jeden agent, který většinu práce udělal sám – a pár věcí pokazil tak přesvědčivě, že bych je bez dívání přehlédl.

Píšu to proto, že se o AI videu mluví špatně. Buď jako o kouzle („jeden prompt a máš klip“), nebo jako o šmejdu („stejně to vypadá jako AI“). Obojí je vedle.

Soutěž, postava, písnička

Na začátku listopadu vyhlásil @anabology na X soutěž: kdo do pátku do 22:00 amerického východního času udělá nejlepší hudební klip s Claudií. Claudia je otevřená AI postava – černý mikádo účes s ofinou, jeden cihlově oranžový pramen, malá sponka ve tvaru hvězdy, headset u tváře. Kdokoli ji smí použít. První cena 420,69 dolaru.

Pro nás to byla záminka. Second Renaissance má písničku „In Between the Mountains“, anglickou verzi naší „Mezi horami“, a chtěli jsme pro ni pořádný klip. Claudia ji v něm zpívá na velkém stadionovém koncertě, původní nahrávka zůstává beze změny.

První verze dělala moje asistentka 2B. Postupně jsme se dostali do jednoho rytmu: já se dívám a píšu poznámky, agent generuje, stříhá, kontroluje a za chvíli je tu další verze.

Nejdřív plán, potom generování

To nejdůležitější bych příště udělal pořádně ještě před prvním záběrem: jasný plán celého klipu. Ne seznam hezkých obrázků. Co se má stát, kdo kde je, jak se to mění se skladbou a proč se na to má někdo dívat čtyři minuty.

Chcete koncert, příběh, nebo kombinaci? Kdo je hlavní postava? Co dělá v první sloce a co jiného na konci? Kdy přijde detail obličeje, kdy kapela a kdy celek? Dokud tohle nevíte, další generování vám nepomáhá dokončit klip. Jen zvětšuje složku s videi.

U nás plán zahrnoval i docela obyčejné věci: kudy vede molo, jak je vysoké pódium, kde stojí muzikanti, co je na LED stěně a kdy se Claudia začne potit. Jednotlivě drobnosti. Dohromady rozdíl mezi jedním koncertem a sestřihem z pěti různých vesmírů.

Jak si takový klip udělat sami

Nemusíte začínat vlastní automatizací. Stejný postup jde projít ručně v generátoru a editoru. Agent vám může pomoct s přípravou, opakovanými operacemi a kontrolami, ale potřebuje konkrétní zadání. Takhle bych postupoval:

1. Zamkněte skladbu a rozepište si ji po částech

Vyberte jednu finální nahrávku. Zapište si časy slok, refrénů, přechodů a sólových nástrojů. Pokud máte samostatné stopy, tedy stemy, podívejte se i do nich: kdy skutečně nastupují housle, kde přestává kytara a kdy znějí doprovodné vokály. Stemy z jiné studiové verze nemusí časově sedět na vydanou skladbu. Nejdřív je srovnejte.

Pro zpívané záběry si připravte čistý vokál a text podle toho, co se opravdu zpívá. Ne podle posledního souboru s textem, který jste našli.

2. Udělejte si reference postav a prostředí

Vyberte podobu každého člověka, kterého chcete ukazovat opakovaně. Obličej, vlasy, kostým, nástroj, mikrofon. Zvlášť si připravte referenci celého prostoru. Fotka tváře není návod, jak má vypadat stadion.

Napište si, co se nesmí změnit. U Claudie třeba pramen, sponka, headset a kostým. U koncertu tvar mola. A co se naopak měnit má: světlo, projekce, její poloha na pódiu, energie publika. Tyhle věci pak nemusíte vymýšlet znovu pro každý prompt.

3. Sepište plán záběrů s časy

Stačí tabulka: čas ve skladbě, co je vidět, co se v záběru stane, jaké reference použít a jak naváže na další. Třeba „v mezihře kytarista s houslistkou hrají proti sobě“ je použitelné zadání. „Epický koncert, filmové světlo, vysoká kvalita“ není plán.

Naplánujte i pohyb. Když má Claudia v dalším záběru stát uprostřed davu, musí se tam nějak dostat. Když začne smyčcové sólo, chcete mít připravenou houslistku, ne další generický dav.

4. Ověřte nejtěžší záběr na krátkém testu

Neobjednávejte rovnou celý klip. Zkuste nejdřív krátkou zpívanou frázi nebo pohyb, na kterém bude stát celá scéna. Zkontrolujte, jestli model udrží postavu a umí požadovanou akci.

U zpěvu ověřte, že model přijímá zvukovou referenci. Přepínač „generovat zvuk“ neznamená, že použije váš vokál. Vytvořte krátký výřez hlasové stopy s malým náběhem a koncem fráze, přidejte výchozí obrázek a zkontrolujte výsledek proti původní nahrávce. Písničku kvůli tomu nezpomalujte.

5. Vybírejte záběry a skládejte je průběžně

My používali hlavně Gemini Omni Flash 1.2 pro koncertní záběry a Seedance 2.5 tam, kde bylo potřeba jiné řízení pohybu nebo zpěvu. Konkrétní nabídka modelů, jejich ovládání i ceny se mění. Důležitější než název modelu je, jestli umí váš konkrétní záběr.

U nejisté scény si můžete v rámci rozpočtu udělat dvě varianty. Ale nechte si jen tu, která funguje ve střihu, ne tu, která má nejhezčí první snímek. Záběry kontrolujte v pohybu. Ponechte si originály, prompty a reference, ať víte, jak scénu opravit.

Stříhali jsme ve FilmCraftu. Použít můžete editor, ve kterém umíte pracovat. Hudbu držte souvisle na jedné stopě, atmosféru sálu zvlášť. Prokládejte zpěv kapelou a publikem tam, kde to dává hudebně i obrazově smysl. Ne proto, že vám došel použitelný obličej.

6. Kontrolujte vyexportované video, ne jen projekt

Pusťte si hotový úsek se zvukem. Hraje muzikant, když jeho nástroj zní? Sedí slova na ústa? Nezměnily se rukavice, tvář nebo pódium? Navazují pohyby? Neopakujete stejný záběr jen s jiným ořezem?

Poznámky pište s časem a jednou konkrétní chybou. Opravte ji, vyexportujte novou verzi a ověřte i okolní střihy. Kontrola, která prošla před posunem záběru, po něm už nemusí platit.

Plán vám nezaručí, že se nic nepokazí. Ušetří vám ale přetáčení věcí, které jste mohli rozhodnout předem. U nás byly právě tyhle návraty největší zbytečná práce.

Generování je skoro zadarmo

Kolik vlastně stojí jeden záběr? Tohle je první věc, která mě překvapila. Ne že by to šlo – to už víme. Ale ta cena.

Čtyřsekundový záběr z modelu Gemini Omni Flash 1.2 přes fal.ai vyjde na 33 centů. Úprava jednoho snímku v Nano Banana Pro na 15 centů. Dražší Seedance 2.5, asi dva dolary za záběr, jsme brali jen tam, kde Omni odmítl nebo kde bylo potřeba opravdu rychlého pohybu. Celé páteční přetáčení stálo na fal.ai zhruba 54 dolarů.

U nejistého záběru se za takovou cenu vyplatilo udělat dva pokusy a vybírat. Není to povinnost pro každý model a každý rozpočet. Ceny výše jsou z naší výroby, ne garantovaný dnešní ceník.

A přesto: to nejdražší na celém klipu nebylo generování.

Co stroj nevidí

Byly to poznámky. Tady jsou některé, přesně jak jsem je psal – s časem v klipu a screenshotem:

• „tohle je naprosto boží scéna, ale má tam 2 mikrofony“
• „nekonečné podium tam nebylo předtím“
• „tady stále hrají housle, nemůže tam přestat“
• „2:08 stále zůstalo to prázdný podium a pak je tam běžící claudia co porušuje zákony fyziky“
• „a tady je to podium extra vysoko, lidi jsou dole“
• „jak je ta první houslistka oproti tomu jaká je hudba, tak hraje hodně pomalu“

Žádná z těch chyb není „AI vypadá jako AI“. Obličeje vypadají skvěle, světla taky. Chyby jsou jinde – v souvislostech mezi záběry. Model nenakreslí rozpadlou tvář, ale nakreslí zpěvačce druhý mikrofon, protože zpěvačky mikrofony mívají. Nakreslí rovné molo zakončené kruhem, protože tak vypadá průměrné pódium. Nakreslí krásný záběr shora, ve kterém je Claudia velká a dav malinký – a najednou to vypadá, že stojí na věži.

Každý záběr zvlášť je v pořádku. Klip jako celek ne.

Proč to model nevidí? Protože neví, že náš stadion má esovité molo zakončené osmiúhelníkem. Neví, že houslistka nesmí přestat hrát, když housle pořád zní. Neví, že v 174 BPM se smyčcem nejezdí jako v ukolébavce. To ví jen ten, kdo se dívá na celé dílo.

Agent se taky plete. Přesvědčivě.

A teď ta nepříjemnější část.

V jedné verzi agent „opravil“ synchronizaci rtů. Jeho vlastní měření ukázalo, že Claudia v jednom záběru otevírá pusu o 1,35 sekundy později než zpěv. Posunul to. Čísla seděla.

Já jsem napsal: „tady se ztratil ten give him back, ale už jen křičí.“

Měření totiž zachytilo začátek výkřiku, ne slova před ním. Po posunu zmizela přesně ta věta, kvůli které ten záběr existuje. Číslo bylo správně spočítané a výsledek špatný.

Podobně s obličejem na 1:34. Okraj obrazu jí na půl sekundy uřízl hlavu. Oprava přes střih na publikum proběhla, kontrola prošla – jenže kontrolovaly se jen místa střihu. Ve skutečnosti měla Claudia oči nad rámem ještě dalších pár snímků. Agent to tentokrát našel sám, dřív než já, a opravil to v další verzi. Ale jen proto, že se na výsledek opravdu podíval, ne že by mu to řeklo číslo.

To si přečtěte znovu: měření, které je správné, a výsledek, který je špatně. Tohle je podle mě nejdůležitější věc, kterou o práci s agenty zatím vím.

Zvuk: hlasitěji, víc basů, víc dramatu

Obraz nebyl všechno. Původní mix měl −15,7 LUFS, tedy o dost méně, než mívají dnešní hudební mastery.

Napsal jsem, že chci „obecně hlasitější, dramatičtější přechody, větší basy“. Agent nesáhl na samotnou nahrávku – ta zůstala, jak jsme ji vydali. Upravil jen zvukovou stopu klipu: basy pod 90 Hz nahoru, před každým dropem o kousek tišeji, na první dobu dropu hluboký úder, do těch největších šum, který stoupá. Výsledek −10,6 LUFS a obraz se rty pořád přesně na vzorek.

Je to rozdíl, který slyší každý, i když neví, co je LUFS.

Kde je teď ta práce?

Kdybych měl celý pátek shrnout do jedné věty: AI práci nezrušila, přesunula ji.

Dřív by tenhle klip znamenal štáb, stadion, světla, kameru, týdny střihu. Teď je to člověk, který se dívá, a agent, který za pár desítek minut udělá novou verzi. Moje práce byla jen jedna – dívat se pořádně. Snímek po snímku. A říct, co je špatně, dost přesně na to, aby se to dalo opravit.

Ne, to není málo. Je to režie.

A ještě jedna věc. Každá moje poznámka stála jednu novou verzi. Tak jsme z nich udělali pravidla: jeden mikrofon, esovité molo s osmiúhelníkem, publikum čelem k pódiu, žádná obří Claudia nad malým davem, střih na začátek zpěvu, ne o vteřinu později. Sepsali jsme je do takzvaného skillu – návodu, který si příští agent přečte dřív, než vygeneruje první záběr.

Příští klip tedy nezačne od nuly. Začne tam, kde tenhle skončil.

Takhle jednoduché to je. A takhle těžké.

Skill a plán ke stažení

Postup z výroby jsme dali dohromady do skillu: návodu pro AI agenta od přípravy skladby a referencí přes plán záběrů až po střih, opravy a kontrolu výsledku. Přidali jsme i prázdnou tabulku plánu záběrů a lokální nástroj pro obrazovou kontrolu.

Stáhnout AI music-video skill (.skill) · Stejný balíček jako ZIP · Samostatná šablona plánu záběrů (CSV)

Soubor .skill je ZIP archiv. Pokud vaše aplikace umí importovat vlastní skills, nahrajte jej tam. Jinak rozbalte ZIP a nechte svého agenta začít souborem SKILL.md. Pokyny i šablony můžete používat také ručně, bez agenta. Technická část balíčku je anglicky.

Vlastní skladbu, reference, editor a přístup ke generátoru si dodáváte sami. Balíček neobsahuje naše přístupy ani zdrojové záběry a nic placeného nespouští pouhým rozbalením. Uvedené modely jsou příklady z této výroby, ne příslib jejich dnešní ceny nebo dostupnosti.