Mi történik, amikor videót kérsz
A videómodell nem képkockákat rajzol egymás után. Egyszerre kezeli a teljes klipet: van egy tömörített, „latens" tér, amiben a kép és az idő együtt van jelen, és a modell ebben a térben zajtalanít — ugyanúgy, ahogy a képmodellek, csak eggyel több dimenzióban. Ezért nem lehet egy kész klipet „folytatni" úgy, ahogy egy mondatot folytatnál: a modellnek az egész szakaszt egyben kell megterveznie.
Ebből következik a legfontosabb korlát. A kliphossz nem beállítás, hanem a modell szerkezetéből adódó plafon. Ha hosszabbat kérsz, mint amire tanították, nem lassabb lesz, hanem nem lesz. Ezért épül ma minden hosszabb AI-videó rövid klipekből, és ezért szól erről külön poszt: az egyperces videó összerakása rövid darabokból.
Amit ma tud
A mezőny gyorsan mozog, de a nagyságrendek stabilak. Ezek 2026 szeptemberi, gyártói dokumentációból vett számok.
- Kliphossz: a széles körben elérhető modellek négytől nyolc másodpercig adnak egy kérésre. A mezőny élén álló két modell harminc másodpercet — ez az elmúlt év legnagyobb ugrása.
- Felbontás: 720p mindenhol, 1080p a legtöbb helyen, 4K egyetlen szolgáltatónál, és ott is csak a leghosszabb klipnél.
- Képkockaszám: 24 fps az alap. Ez nem véletlen: filmes érzetet ad, és kevesebb képkockát kell kitalálni.
- Hang: a vezető modelleknél alapból jön, nem külön lépés. Ez tavaly még nem így volt, és ez tette a rövid videót egyáltalán használhatóvá.
A hossz, ami tényleg megvan
Itt van egy csapda, amibe könnyű belesétálni. Több szolgáltatónál van „hosszabbítás" funkció, ami a kész klipet folytatja — ebből az jön le, hogy a nyolc másodperc valójában nem korlát. De a hosszabbításnak is van plafonja, és az meglepően alacsony: az egyik nagy szolgáltatónál összesen harminchét másodperc, és csak 720p-ben. Vagyis egy láncolt klip nem ér el egy percig.
A másik, hogy a hosszabbítás nem ingyenes minőségben. A gyártók maguk írják le a mellékhatásokat: az egyiknél „a prompt ban lévő oda nem illő szöveg vágást vagy átúszást okozhat", a másiknál a hosszabbított rész hangereje eltér az eredetitől, és a kimenet néhány tized másodperccel rövidebb lehet a kértnél. Ezek nem hibák, hanem a módszer természetes velejárói.
Ami még nem megy
Öt dolog, amiben a mezőny egésze gyenge — nem egy-egy modell, hanem mindegyik.
- Fizika. A tárgyak áthatolnak egymáson, a folyadék rosszul viselkedik, a tömeg nem érződik. Egy erre készült mérés lektorált megállapítása pontosan ez: a látvány valósághűsége nem jelent fizikai megértést.
- Folytonosság vágások közt. Ha ugyanaz a szereplő két klipben szerepel, a második klipben már más lesz. Erről külön poszt szól, mert van rá módszer.
- Szöveg a képen. Ugyanaz a baj, mint az állóképnél, csak mozgásban feltűnőbb: a felirat képkockáról képkockára változik.
- Kéz és arc közelről. Távolról rendben, közelről még mindig nem.
- Kiszámíthatóság. Ugyanaz a prompt kétszer futtatva két különböző videót ad. Van seed, de az egyik gyártó szó szerint ezt írja róla: „nem garantálja a determinizmust, csak kissé javítja."
A nyelv, amiről nem beszélnek
Ez a rész magyar olvasónak fontosabb, mint bárminek a fentiekből. Az egyik legnagyobb szolgáltató a dokumentációjában a „támogatott promptnyelvek" mezőbe egyetlen szót ír: angol. A korlátozások közt pedig ott áll, hogy a többi nyelvet nem értékelték.
A natív hanggal még rosszabb a helyzet: a nagy modellek nyelvlistáján öt, illetve tizenegy nyelv szerepel, és a magyar egyikben sincs benne. A gyakorlati következmény egyszerű: a promptot írd angolul, a magyar beszédet pedig ne a videómodellel csináltasd, hanem külön hangszolgáltatóval, és tedd rá utólag. Erről az AI-narráció poszt szól, mert ott már van magyar támogatás.
Mibe kerül
Az árak másodperc alapúak, és tízszeres a szórás.
- A legolcsóbb, gyors modellek öt cent körül vannak másodpercenként.
- A közepes kategória tíz-húsz cent között.
- A legdrágább, 4K-s kimenet hatvan cent másodpercenként — egy nyolcmásodperces klip így majdnem öt dollár.
- A generálás ideje a gyártói adat szerint tizenegy másodperctől hat percig terjed, klipenként.
Számolj utána: egy egyperces, közepes minőségű videó nyers generálási költsége tíz dollár körül van — és ez csak a sikeres klipeké. A valós költség a kukába dobott próbálkozásokkal együtt értendő.
Miért avul ez a cikk gyorsan
Egy konkrét eset, ami jól mutatja a tempót. 2025 decemberében az egyik szolgáltató azzal hirdette az új modelljét, hogy első helyen áll egy független ranglistán. Kilenc hónappal később ugyanaz a modell nincs benne az első tízben, a hirdetésben legyőzött versenytárs terméke pedig már nem is létezik — kivezették.
Ezért nem érdemes verziószámokat memorizálni ebben a témában. Ami stabil: a mechanizmus, a korlátok jellege, és a munkamenet. Ami nem: a nevek, a számok és a rangsor. Hogy melyik eszköz mire való ma, arról az eszközválasztás poszt ad pillanatképet, negyedéves frissítéssel.
Tipikus félreértések
- „Már lehet filmet csinálni vele." Jelenetet lehet. Filmet abból lehet, ha valaki összevágja, és ez a munka nagyobb, mint a generálás.
- „A hosszabbítás megoldja a hosszt." Nem: annak is van plafonja, és a minőség romlik vele.
- „Ha jó a prompt, kijön, amit elképzeltem." A videónál a szórás sokkal nagyobb, mint a képnél. Három-négy próbálkozás a normál arány, nem a kudarc jele.
- „A magyar is megy, hiszen a chatbot érti." A videómodell szövegkódolója más, és a gyártók kimondottan csak az angolt értékelték.
Amit érdemes elvinni
Az AI-videó 2026-ban rövid jelenetek gyára, nem filmstúdió. Ha ezzel a fejben dolgozol — nyolc-harminc másodperces darabok, angol prompt, külön hangsáv magyarra, vágás a végén —, akkor használható anyagot kapsz. Ha egyetlen kéréssel akarsz kész videót, csalódni fogsz. A legelső döntés pedig az, hogy szövegből vagy képből indulsz: erről a két kiindulás összevetése szóló poszt szól.