Text-to-video vagy image-to-video? Melyiket mikor

A kérdés, ami eldönti a munkamenetet

Két út van. Text-to-video: leírod a jelenetet, és a modell a semmiből csinálja meg. Image-to-video: adsz egy kész képet kiindulásnak, és a modell azt mozgatja meg. A legtöbb szolgáltatónál mindkettő elérhető, ugyanazon a felületen, ugyanazért a pénzért.

A választás nem ízlés kérdése, hanem azé, hogy mi a kockázatosabb: a látvány vagy a mozgás. Ha egy konkrét terméknek, arcnak vagy környezetnek kell pontosan úgy kinéznie, ahogy elképzelted, a látvány a kockázat. Ha egy bonyolult mozgássort kell eltalálni, a mozgás az.

Ami a motorháztető alatt történik

Az egyik szolgáltató dokumentációjában van egy mondat, ami a témát nagyrészt eldönti: a szövegből indított generálás náluk valójában először képet csinál, aztán abból videót. Vagyis a text-to-video sok helyen nem külön képesség, hanem egy automatizált image-to-video, ahol a kezdőképet a modell választja meg helyetted.

Ha ez így van, akkor a kérdés átfogalmazódik: akarod-e látni és jóváhagyni azt a kezdőképet, vagy sem? Ha magad adod meg, húsz másodpercnyi munkával kizárod a látványból fakadó hibák nagy részét — és nem kell egy hibás kompozíció miatt az egész videót újragenerálni. Ha nem érdekel, hogy pontosan hogy néz ki, a szöveges út gyorsabb.

Amiben a kép jobb

• Pontos látvány. A termék tényleg úgy néz ki, ahogy kell; az arc az, akit szeretnél; a színek stimmelnek.
• Olcsóbb hibázás. Egy kép generálása másodpercek és centek kérdése, egy videóé percek és dollárok. A hibát ott érdemes megfogni, ahol olcsó.
• Arculat. Ha a kezdőképet a saját arculati sablonodból hozod, a videó is abban marad. Ez sorozatnál dönt.
• Konzisztencia több klip között. Ugyanaz a kezdőkép — vagy egy jelenetsor egymásra épülő képei — sokkal egységesebb sorozatot ad. Erről a karakterazonosság videóbanposzt szól részletesen.

Amiben a szöveg jobb

Az ellenérvet is ismerni kell, és ez is gyártói forrásból jön: a kép javítja ugyan a konzisztenciát, de a szöveges leírás összetett mozgássorokat hatékonyabban kezel.

• Bonyolult mozgás. „Megfordul, felveszi a poharat, és kilép a képből" — ezt szövegben könnyebb megadni, mint egy állóképből levezetni.
• Kameramozgás mint fő elem. Ha a lényeg az, hogy a kamera mit csinál, nem az, hogy mi van a képen.
• Ötletelés. Húsz irány gyorsan, hogy lásd, mi működik. A kiválasztott irányt aztán úgyis képpel fogod újracsinálni.
• Absztrakt vagy elvont látvány. Ahol nincs konkrét „helyes" kinézet, ott nincs mit megvédeni egy kezdőképpel.

A recept, ami a legtöbbször jó

1. Csináld meg a kezdőképet képgenerátorral, és javítsd addig,
   amíg tényleg jó. Itt olcsó a hiba.

2. A kezdőkép legyen TÁGABB, mint amit a videón látni akarsz:
   a mozgás a széleken történik, és a modell néha benagyít.

3. A videó promptja CSAK a mozgásról szóljon. Ne írd le újra,
   ami a képen már ott van — az csak összezavarja:
   "the camera slowly pushes in, the steam rises, the light shifts"

4. Ha a klip végét is tudod, add meg zárókockának is, ahol ezt
   a szolgáltató engedi. Így a mozgás két pont közt fut, nem a semmibe.

5. A hangot ne itt intézd. Külön sávban, utólag — főleg magyarul.

A kezdőkép hibái, amiket a videó felnagyít

• Túl szoros kivágás. Ha a téma kitölti a képet, a mozgásnak nincs hova mennie, és a modell vagy állóképet ad, vagy torzít.
• Mozgásra utaló elmosódás. Ha a kezdőkép már maga is „mozgásban" van, a modell azt állandósítja, és remegő videó lesz belőle.
• Túl sok szereplő. Ami az állóképen még rendben volt, az mozgásban összecsúszik.
• Felirat a képen. A videóban képkockáról képkockára változni fog, és ez sokkal feltűnőbb, mint egy rosszul írt szó egy állóképen.

Tipikus félreértések

• „A text-to-video a fejlettebb, az image-to-video a kezdőknek való." Fordítva: a profi munkamenetek szinte mindig képből indulnak, mert ott lehet ellenőrizni.
• „Ha képet adok, a prompt nem számít." De igen — csak másra. A promptnak onnantól a mozgás a dolga.
• „A kezdőkép legyen a lehető legjobb minőségű." Legyen jó, de főleg legyen helyes: jó kompozíció, hely a mozgásnak, tiszta téma.
• „Fotóval is megy." Megy, és sokszor ez a legjobb: valódi fotó plusz generált mozgás. Csak a jogokra figyelj, ha ember van rajta.

Amit érdemes elvinni

Alapértelmezésben indulj képből: olcsóbb, kiszámíthatóbb, és pont azt a kockázatot veszi ki, ami a legtöbb csalódást okozza. Szövegből akkor indulj, ha a mozgás a lényeg, vagy ha még csak ötletelsz. A mechanizmus hátteréről, a hosszkorlátokról és az árakról az AI-videó működése poszt szól.