6.2 Image-to-video: warsztat

Still jest zatwierdzony. Teraz się rusza.

Ten rozdział to warstwa praktyczna: które modele co robią, czym różnią się w funkcjach, które mają znaczenie dla persony, jak napisać prompt ruchu i krok przygotowania, który poprawia spójność bardziej niż wybór jakiegokolwiek modelu.

[AS OF 2026-10] Wszystko w tym rozdziale to stan na dany moment. Wersje modeli, ceny i limity referencji zmieniają się w ciągu miesięcy, a ta dziedzina straciła już jedną dużą platformę w trakcie pisania książki. Sprawdź stan, zanim zatwierdzisz budżet produkcyjny.

Na co patrzeć w modelu

W tym zastosowaniu znaczenie ma pięć funkcji i nie są to funkcje, którymi chwali się marketing.

Image-to-video z mocnym trzymaniem się start frame. Model musi respektować twój keyframe. To najważniejsza pojedyncza właściwość i to ona oddziela model użyteczny od efektownego demo.

Warunkowanie referencyjne poza pierwszym frame'em. Obsługa jednego lub dwóch dodatkowych reference images albo krótkiego reference clip pozwala trzymać obiekt związany w miarę upływu klipu — to różnica między twarzą, która się trzyma, a twarzą, która wędruje.

Kontrola start frame i end frame. Podanie obu końców zamienia generowanie w interpolację między dwoma zatwierdzonymi obrazami. Bardzo cenne dla spójności, bo oba punkty końcowe należą do ciebie.

Maksymalny czas trwania jednej generacji z kontrolą shotów. Przydatne i do traktowania z podejrzliwością. Model, który reklamuje piętnaście sekund i do sześciu shotów w jednej generacji, reklamuje dokładnie tę zdolność, o której 6.1 mówi, że jest otwartym problemem dziedziny. Przetestuj to na własnej personie, zanim zaczniesz na tym planować.

Natywne audio. Wygodne i w tym miejscu w większości nieistotne: zasada z rozdziału 6.5 mówi, że dialog pochodzi z dedykowanego modelu głosu, nigdy z modelu wideo.

Aktualne modele, według roli

To nie ranking. To opis tego, do czego każda opcja służy, wraz z zastrzeżeniami, które mają znaczenie.

Ścieżka self-hosted zasługuje na osobne omówienie, bo odwraca ekonomię. Open weights Wana sprawiają, że koszt marginalny klipu to prąd, a koszt praktyczny to czas konfiguracji i sprzęt (próg 24 GB z 3.3). Dla operatora generującego setki klipów miesięcznie ta arytmetyka może zdecydowanie przemawiać za lokalną konfiguracją. Dla wszystkich pozostałych koszt konfiguracji jest realny, a tiery hostowane są tańsze, niż wyglądają.

Limity referencji, konkretnie. Obecne modele frontier przyjmują mniej więcej jeden do dwóch reference images, a część dodatkowo jeden do dwóch krótkich reference clips. To wystarcza, żeby związać obiekt, i nie wystarcza, żeby zbudować postać, która przechodzi przez tłum. Planuj shoty wokół tego limitu, a nie przeciw niemu.

Przygotowanie start frame

Ten krok poprawia spójność bardziej niż wybór jakiegokolwiek modelu, a jest tym, który operatorzy pomijają.

Zrób upscale keyframe'a przed generowaniem ruchu. Podaj modelowi wideo najwyższej jakości wersję frame'a, jaką masz — wynik upscale'a z 5.5, nie surową generację. Dwa powody: model propaguje detal, który dostaje, więc ostry start frame daje ostrzejszy klip; a tożsamość jest niesiona w tych pikselach, więc rozmyty start frame daje modelowi przyzwolenie na wymyślenie jeszcze bardziej rozmytej twarzy.

Przytnij do proporcji klipu przed generowaniem. Jeśli finalne wideo jest pionowe, keyframe przekazany modelowi wideo powinien być już pionowy. Pozwolenie modelowi na wygenerowanie szerokiego frame'a i przycięcie po fakcie odrzuca kompozycję, którą zatwierdziłeś, i często pozycję twarzy w kadrze.

Wybierz start frame pod ruch, nie pod urodę. Najlepszy still do wideo to taki, w którym poza zapowiada ruch, którego chcesz, ciało nie jest zasłonięte, a w kadrze jest miejsce w kierunku ruchu. Piękny ciasny portret bez miejsca na ruch daje klip, w którym obiekt może się tylko przesuwać w miejscu.

Trzymaj bibliotekę keyframe'ów gotowych na ruch. Tak samo jak assety z 5.3 i z tego samego powodu: zatwierdzony keyframe to wejście wielokrotnego użytku, a generowanie go na żądanie kosztuje więcej i wypada gorzej.

Pisanie promptu ruchu

Prompt ruchu to nie opis sceny. Scena jest już w keyframe'ie. Zadaniem promptu jest określić ruch i określić, co nie może się ruszyć.

Cztery komponenty:

1. Kamera. Statyczna, powolny push in, lekki handheld drift, orbit, tilt. Statyczne i subtelne ruchy najlepiej trzymają tożsamość. Szybki orbit albo whip pan daje modelowi sześćdziesiąt okazji, żeby zgubić twarz.

2. Tempo. Wolne, naturalne, bez pośpiechu. W szybkim ruchu twarze się psują. Prawie każdy amatorski klip jest za szybki, a poprawka prawie zawsze polega na zmniejszeniu o połowę szybkości akcji i kamery.

3. Kierunek i wielkość ruchu obiektu. Co się zmienia: głowa lekko odwraca się w lewo, włosy poruszają się od lekkiego wiatru, podnosi kubek. Jedna akcja, mała, zakończona w obrębie klipu. Dwie akcje jednocześnie mnożą tryby awarii.

4. Jawne negatywy — co nie może się zmienić. To komponent, który ludzie pomijają, i ten, który zarabia na swoje miejsce:

static camera, no camera movement
consistent facial features throughout, no change to the face
no change to clothing, no change to hair length
no additional people
no change to the background

Nazywanie stabilności wprost skłania model ku trzymaniu frame'a, który dostał. To wideo-odpowiednik fraz retencji z 5.2: nie tworzy tożsamości, ale chroni tożsamość, którą dostarczyłeś.

Przepracowany prompt ruchu, minimalny z założenia:

She turns her head slightly toward the window and blinks slowly.
The mug stays at chest height. Hair moves gently.
Slow static camera, eye level, natural pace.
Consistent facial features throughout. No change to clothing or background.
No additional people. No camera movement.

Zauważ, czego tu nie ma: opisu sceny, oświetlenia, garderoby. Wszystko to jest w keyframe'ie, a powtarzanie tego daje modelowi przyzwolenie na podjęcie decyzji od nowa.

Praktyczny workflow

1. Wybierz keyframe z batcha z części V (5.6), kierując się gotowością na ruch.
2. Zrób na nim upscale (5.5).
3. Przytnij do docelowych proporcji.
4. Napisz prompt ruchu ze wszystkimi czterema komponentami.
5. Wygeneruj dwa albo trzy kandydaty, nie jednego. Wariancja jest realna i tania względem czasu na przegląd.
6. Przejdź kandydatów frame po frame (6.3) i odrzuć każdego z dryfem tożsamości, nawet jeśli ruch wygląda lepiej.
7. Zarchiwizuj zaakceptowany klip razem z keyframe'em, promptem, seedem jeśli jest dostępny, i wersją modelu.

Krok piąty to decyzja kosztowa, którą warto podjąć jawnie: przy $0,10 za sekundę w szybkim tierze trzy czterosekundowe kandydaty kosztują około $1,20. To mniej niż czas, który spędziłbyś na próbach naprawy jednego dryfującego klipu w post. I to powinno być ustawieniem domyślnym.

Tryby awarii według typu shotu

Tabela diagnostyczna, bo ten sam objaw ma różne przyczyny w zależności od tego, co robi shot. [UNVERIFIED] Zgłaszane przez praktyków.

Jak korzystać z tabeli. Zdiagnozuj objaw, zastosuj poprawkę, a jeśli poprawka nie działa w budżecie trzech prób, zmień shot. Wartość tabeli polega na tym, że mówi, które awarie warto próbować naprawić, a które są strukturalne: sceny z tłumem i morfujące dłonie należą do drugiej kategorii, a odpowiedzią jest zaprzestanie generowania takiego shotu.

Reference clips i przenoszenie ruchu

Poza reference images część modeli przyjmuje krótki reference clip pokazujący ruch, którego chcesz. Model przenosi wtedy ten ruch na twój obiekt, a keyframe trzyma wygląd.

Kiedy to właściwe narzędzie. Gdy treścią jest sam ruch, a opisanie go słowami jest zawodne — konkretny gest, krok tańca, ruch dłoni, który jest częścią charakteru persony.

Co to zmienia w twojej bibliotece assetów. Reference clip to asset, tak samo jak keyframe. Mała biblioteka referencji ruchu — obrót, chód, skinienie, gest — jest wielokrotnego użytku w każdym przyszłym shocie i jest dużo tańsza niż opisywanie tego samego ruchu tekstem za każdym razem.

Ograniczenie. Przenoszenie ruchu dziedziczy kadrowanie i konfigurację ciała z reference clip. Referencja osoby idącej w stronę kamery daje chód w stronę kamery; keyframe w pozycji siedzącej wypadnie gorzej, jeśli reference clip jest stojący. Dopasuj reference clip do konfiguracji keyframe'a, ta sama zasada co przy kontroli pozy w 6.3.

Skąd je wziąć. Nagraj je sam telefonem — osoba się odwraca, siada, sięga. Reference clip nie musi mieć wysokiej jakości produkcyjnej; musi czytelnie pokazywać ruch. A ponieważ to nagranie prawdziwej osoby, obowiązują zasady zgody z rozdziałów 11.4 i 6.5: zdobądź zgodę na nagranie i sprawdź warunki modelu dotyczące wykorzystania materiału referencyjnego.

Planowanie kosztu na klip

[AS OF 2026-10] [VENDOR CLAIM] Ceny są publikowane przez dostawców i często się zmieniają.

Trzy uwagi do czytania tej tabeli.

Cena za sekundę ukrywa odsetek odrzuceń. Jeśli jeden klip na trzy jest użyteczny, efektywny koszt to trzykrotność tej liczby. To logika survival rate z 5.6 zastosowana do ruchu i powód, dla którego budżety wideo zaskakują ludzi.

Wybór tieru powinien wynikać z roli shotu. Standardowy tier do hero shotu, który będzie oglądany w pełnej jakości; szybki albo lite do klipu w tle montażu, gdzie twarz jest mała.

Czas to większy koszt dla operatora solo. Przy $0,10 za sekundę pięciosekundowy klip to pięćdziesiąt centów. Przegląd, przechodzenie frame po frame, regeneracja i montaż to minuty twojej uwagi, a uwaga jest wiążącym ograniczeniem.

Gdzie to się psuje

Podanie modelowi wideo surowego keyframe'a bez upscale'a. Wyrzuciłeś detal tożsamości.

Generowanie szeroko i przycinanie do pionu. Cierpią i kompozycja, i pozycja twarzy.

Prompt ruchu, który powtarza opis sceny. Model na nowo decyduje o frame'ie, który dostał.

Brak negatywów stabilności. Najczęściej pomijany komponent.

Szybki ruch kamery. Najgorszy wróg tożsamości i rzadko potrzebny.

Dwie akcje w jednym klipie. Mnożą tryby awarii.

Jeden kandydat naraz. Zamiana taniego wyboru równoległego w drogi szeregowy.

Wybór modelu z leaderboardu. Twoja persona jest benchmarkiem, który ma znaczenie.

Bramka

1. Czy wybrany model respektuje start frame i czy sprawdziłeś to na własnej personie?
2. Czy keyframe jest po upscale'u i wstępnie przycięty przed generowaniem?
3. Czy każdy prompt ruchu ma kamerę, tempo, ruch obiektu i negatywy stabilności?
4. Czy generujesz dwa albo trzy kandydaty na shot?
5. Czy znasz koszt zaakceptowanego klipu, a nie wygenerowanego?
6. Czy przetestowałeś ścieżkę self-hosted względem swojego wolumenu?

Z czym wychodzisz

Pięć funkcji, które naprawdę mają znaczenie w modelu image-to-video, obecne modele opisane po roli, a nie po rankingu, krok przygotowania start frame, który poprawia spójność bardziej niż wybór jakiegokolwiek modelu, czterokomponentowy prompt ruchu z przepracowanym przykładem opartym na negatywach stabilności, siedmiokrokowy workflow, który generuje kandydatów równolegle, i planowanie kosztu na klip z uwzględnionym odsetkiem odrzuceń.