Jak zrobić teledysk AI do piosenki — workflow i prompty, które działają

Teledysk AI do piosenki da się dziś zrobić bez kamery, ekipy i planu zdjęciowego — ale nie bez planu. Poniżej workflow, którego użyliśmy przy teledysku „To Ty”: 104 wygenerowane ujęcia, około 9 minut materiału, z którego powstało 2:11 klipu. To nie teoria, tylko notatki z produkcji — łącznie z promptami, które działały, i słowami, które blokowały generację.

1. Zacznij od fabuły, nie od narzędzia

Najczęstszy błąd to generowanie „ładnych scen” i składanie ich na końcu. Wychodzi z tego pokaz slajdów. Zanim otworzysz generator, rozpisz utwór na akty i sceny. W „To Ty” były cztery akty — spotkanie, romans, rozstanie, odrodzenie — a każda scena co 5–6 sekund miała przypisane trzy rzeczy:

• emocję (oczarowanie, gniew, samotność, katharsis),
• kolor — każdy akt ma własną paletę: noir, neon, zimny błękit, złoty świt,
• ruch kamery — spokojny najazd albo kamera z ręki.

Dobrze działa też prosty pomysł na postać. U nas bohaterka ma dwa oblicza — elegancką i niebezpieczną — i każda scena pokazuje jedno z nich. To daje rytm całemu teledyskowi.

2. Jedna twarz w stu ujęciach

Generator bez referencji za każdym razem „wymyśla” nową osobę. Dlatego bohaterka „To Ty” była zapisana jako stała postać (w Higgsfield: Soul ID) i dołączana do każdej generacji. Postaci drugoplanowe dostały za to stały opis słowny, kopiowany do każdego promptu bez zmian, np.:

tall young man with short dark hair, sharp jawline, white shirt with black suit jacket, around 30 years old

Mężczyzna w „To Ty” pojawia się zresztą głównie jako cień, sylwetka albo dłoń — to także sposób na problem spójności: czego nie widać w pełni, to nie może się „rozjechać”.

3. Najpierw obraz, potem wideo

To najważniejsza zasada całego procesu. Każde ujęcie powstaje w dwóch krokach:

1. Obraz — scena generowana jako nieruchomy kadr 16:9. Tu zatwierdzasz światło, kompozycję, stylizację i twarz.
2. Wideo — zatwierdzony kadr trafia do modelu image-to-video razem z wybranym ruchem kamery (np. najazd, kamera z ręki, ruch jak na wybiegu). Wynik: 5–8 sekund w 1080p.

Generowanie wideo prosto z tekstu kusi, ale daje dużo mniej przewidywalne efekty i znacznie trudniej utrzymać tę samą postać. Kadr to tani punkt kontrolny przed drogim krokiem.

4. Prompty: czasownik na początku, emocja w geście

Najlepiej działały krótkie opisy, 40–60 słów, zbudowane według jednego schematu: postać + akcja (czasownik) + miejsce i pora + światło + kamera + styl. Emocję pokazuje gest, a nie przymiotnik. Trzy prompty, które przeszły i dały dobre ujęcia:

Young Asian woman with long dark hair stands in elegant black coat at empty rainy crosswalk at night, cinematic noir, 4K

Silhouette of young Asian woman with long dark hair slow-dancing with male partner on empty rooftop at golden sunset, cinematic, 4K

Young Asian woman with long dark hair runs through pouring rain on empty city street at night, motion blur, cinematic, 4K

Zwróć uwagę: „runs”, „stands”, „slow-dancing” — scena zaczyna się od tego, co się dzieje. Opisy w stylu „piękna, tajemnicza kobieta” dają statyczne portrety zamiast akcji.

Czego unikać: słowa, które blokowały generację

Generatory mają filtry treści i część opisów odrzucają — nawet zupełnie niewinnych. W naszej produkcji problemy sprawiały:

• przymiotniki oceniające wygląd postaci („beautiful mysterious”, „fierce dangerous”),
• szczegółowe opisy makijażu, które mogą przypominać konkretne osoby publiczne,
• słowa o zabarwieniu zmysłowym i sceny w sypialni — nawet jeśli intencja była romantyczna,
• elementy militarne w stroju postaci.

Rozwiązanie: zamiast przymiotnika — akcja i gest; zamiast „sensual” — „laughs”, „spins”, „holds his hand”. Warto prowadzić własną listę bezpiecznych sformułowań, bo odrzucone generacje to stracony czas.

5. Produkcja: generuj z zapasem

• Materiał: na 2:11 teledysku wygenerowaliśmy 104 ujęcia (~9 min). Do montażu trafiła mniej więcej co czwarta scena — planuj 3–4 razy więcej materiału, niż potrzebujesz.
• Czas: jedno ujęcie 1080p × 8 s to u nas kilka minut generowania; kilka generacji naraz skraca kolejkę.
• Przegląd: rób arkusze kontaktowe — siatkę miniatur wszystkich ujęć. Na jednym ekranie widać, czego brakuje w fabule i które ujęcia się powtarzają.

6. Montaż na beat

Ostatni etap robi z ujęć teledysk. W „To Ty” pierwsza wersja montażu to 28 slotów po około 5 sekund, ułożonych według aktów i ciętych pod rytm. Powstały dwie wersje do porównania — z twardymi cięciami i z płynnymi przejściami (crossfade). Wersje robocze składaliśmy skryptami ffmpeg, a poprawki — w zwykłym edytorze wideo.

AI generuje obraz. Teledysk powstaje dopiero w fabule i montażu — i to wciąż praca człowieka.

Efekt całego procesu możesz zobaczyć na stronie teledysku AI „To Ty” — z podziałem na akty, galerią kadrów i porównaniem obrazu z ruchem. A jeśli zastanawiasz się, czy AI to dobry wybór dla Twojego utworu, przeczytaj teledysk AI czy klasyczny klip.