Ještě před třemi lety znamenalo počítačem vytvořené video hodiny práce ve střihovém a animačním softwaru. Dnes stačí věta nebo jedna fotografie a nástroj jako Sora, Veo nebo Kling vygeneruje krátký klip během pár minut. Tenhle přehled vysvětluje, jak generování videa pomocí AI vlastně funguje, čím se liší jednotlivé přístupy a kde má dnešní technologie hranice.
Jak rychle se generování videa zlepšilo
Ještě v roce 2023 vypadala generovaná videa jako rozmazané, pár vteřin dlouhé animace, které prozradily svůj původ na první pohled. Modely měly problém udržet i jednoduchý pohyb kamery bez zkreslení.
Do dvou let se kvalita posunula k záběrům, které si na malém displeji telefonu snadno spletete se skutečným natáčením. Zrychlilo se to hlavně díky větším a lépe trénovaným difuzním modelům a mnohem výkonnějšímu hardwaru, na kterém firmy generování provozují.
Tempo zlepšování je vyšší než u textových modelů v jejich raných letech. Prakticky to znamená jedno: cokoliv si o generování videa přečtete dnes, může být za rok zastaralé. Princip zůstává stejný, konkrétní kvalita a ceny se ale posouvají rychle.
Jak vlastně vzniká video, které nikdo nenatočil
Generátory videa pracují podobně jako generátory obrázků, jen o krok dál. Model se učí na obrovském množství video záznamů a odvozuje z nich, jak se objekty pohybují, jak se mění světlo mezi jednotlivými snímky a jak vypadá plynulý pohyb kamery.
Namísto jednoho obrázku model najednou předpovídá celou sekvenci snímků, které na sebe navazují. Používá se k tomu difuzní model (diffusion model), tedy podobný princip, jaký stojí za generátory obrázků jako Midjourney nebo DALL-E, jen rozšířený o čas jako další rozměr. Model začne od náhodného šumu a v několika krocích ho postupně zpřesňuje směrem k výsledku, který odpovídá zadání.
Jde o podobnou logiku, jakou pracují i velké jazykové modely, jen aplikovanou na obraz a pohyb místo textu. Víc o tom, jak taková AI ve skutečnosti „přemýšlí”, popisujeme v přehledu jak fungují velké jazykové modely.
Výsledné video není animace v tradičním smyslu. Model nekreslí jednotlivé objekty podle pravidel fyziky, jak to dělá herní engine nebo animační software. Odhaduje, jak by daná scéna pravděpodobně vypadala na základě všeho, co viděl při tréninku.
Text, nebo fotka? Dva způsoby, jak zadat, co se má stát
Generátory videa přijímají zadání dvěma základními způsoby.
Text-to-video znamená, že napíšete popis scény a model z něj vytvoří video od nuly. Napíšete třeba „dron letí nad podzimním lesem v Krkonoších, ranní mlha mezi stromy” a model scénu sám navrhne, včetně kompozice, pohybu kamery i barevného ladění. Tenhle způsob se hodí, když nemáte žádný výchozí materiál a chcete rychle vyzkoušet nápad.
Image-to-video pracuje opačně. Vy dodáte konkrétní fotografii, třeba produktovou fotku, portrét nebo krajinu, a model ji oživí: přidá pohyb kamery, jemné vlnění vlasů nebo pohyb mraků na obloze. Výsledek je mnohem předvídatelnější, protože kompozice a hlavní motiv jsou dané už na vstupu.
Rozdíl mezi oběma přístupy ovlivňuje, co od výsledku čekat. Text-to-video dá větší svobodu a víc překvapení, dobrých i špatných. Image-to-video dá menší svobodu, ale výrazně vyšší kontrolu nad tím, jak bude video vypadat.
Proč se ve videu občas objeví pátá noha
Kdo si generování videa vyzkouší poprvé, brzy narazí na jeho slabé místo: model neví, co skutečně existuje, jen odhaduje, co je pravděpodobné.
Ruce patří mezi nejobtížnější detaily. Prst se může na krátký okamžik prodloužit, nebo jich bude o jeden víc. Stejný problém měly na začátku i generátory obrázků, u videa se navíc přidává čas: chyba se musí udržet stejná i mezi jednotlivými snímky, jinak celá scéna „poblikává”.
Text v záběru bývá téměř vždy nečitelný nebo pokřivený. Cedule, nápis na tričku nebo text na obrazovce v pozadí modelu dělají potíže, protože písmo vyžaduje přesnost, se kterou pravděpodobnostní model pracuje jen omezeně. Podobně náročné jsou odrazy: sklenice, výloha nebo hladina vody občas zobrazují jinou scénu, než jakou by měly odrážet. U videa s víc než jednou postavou model někdy ztrácí přehled, kdo drží jaký předmět nebo kam se dívá.
Delší klipy se rozpadají snáz než krátké. U videa nad zhruba deset sekund roste šance, že se objekt v pozadí náhle změní, kamera udělá neplynulý skok, nebo se osvětlení scény bez důvodu přepne. Čím kratší a jednodušší záběr, tím spolehlivější výsledek.
Nejde o chybu jednoho konkrétního nástroje. Je to vlastnost celého přístupu: model odhaduje nejpravděpodobnější pokračování obrazu, ne fyzikálně přesnou simulaci světa. Zlepšuje se to rychle, ale úplně to nezmizí ani u nejnovějších verzí.
Kdo dnes v generování videa vede
Nabídka generátorů videa se mění každých pár měsíců, sestavovat žebříček „nejlepší nástroj” proto nemá velký smysl. Užitečnější je vědět, kdo v oboru hraje hlavní roli a čím se jednotlivé nástroje profilují.
Sora od OpenAI patřila mezi první široce dostupné generátory, které předvedly delší a vizuálně čisté klipy. Firma ji propojila i se samostatnou aplikací, ve které lidé videa nejen generují, ale i sdílejí a upravují.
Veo od Google DeepMind se soustředí na filmovou kvalitu pohybu kamery. Podle dostupných informací umí novější verze Veo ke klipu rovnou vygenerovat i synchronizovaný zvuk a mluvené repliky, ne jen obraz, byť se nabídka mezi verzemi mění.
Kling, který vyvíjí čínská firma Kuaishou, si získal pověst nástroje se solidní fyzikou pohybu a relativně dlouhými klipy už v základní nabídce.
Runway patří mezi nejstarší hráče v oboru a dlouho cílí na profesionální tvůrce videa, filmaře a agentury. Nabízí i navazující úpravy, například doplnění chybějících snímků nebo rozšíření záběru mimo původní okraje fotografie.
Vedle nich existují menší, ale používané nástroje jako Pika Labs nebo Luma AI s aplikací Dream Machine, oba oblíbené hlavně díky rychlému a levnému experimentování.
Který z nich vyzkoušet jako první, záleží na tom, co s videem chcete dělat. Krátký test nápadu si vystačí i s bezplatnou verzí. Konzistentní vizuál napříč více klipy pro firemní obsah obvykle vyžaduje placený tarif a víc pokusů.
K čemu se to dnes reálně používá
Nejčastější využití je krátký obsah pro sociální sítě: reklama na produkt, upoutávka na akci nebo krátká animace k příspěvku. Video vzniká za pár minut a nevyžaduje kameru ani střihový software.
Typický příklad: prodejce na farmářském trhu vyfotí mobilem bedýnku čerstvých jahod nebo kytici z vlastní zahrady. Ze snímku pak nechá vygenerovat krátké video s jemným pohybem kamery a přirozeným světlem, které použije jako příspěvek na Instagram, aniž by cokoliv natáčel.
Ve firmách se generování videa čím dál víc objevuje i ve fázi příprav, ne jen ve finálním výstupu. Marketér si nechá vygenerovat několik variant scény, než se rozhodne, kterou natočí se skutečným štábem. Nahrazuje to draze placené animatiky a papírové storyboardy.
Vzdělávací platformy zkoušejí generovat krátká vysvětlující videa k textovému obsahu, hlavně tam, kde by natáčení s živým lektorem vyšlo draho vzhledem k tomu, jak rychle se učební materiál mění.
Cestovní kanceláře a menší e-shopy generování videa využívají podobně. Z fotek destinace vznikne krátká atmosférická upoutávka bez nutnosti tam znovu vyjet natáčet. Z fotek skladem vzniknou krátká videa produktů pro e-shop nebo sociální sítě, aniž by bylo potřeba fotostudio a videotechnika.
Jednotlivci klipy nejčastěji používají k zábavě, experimentování nebo oživení starých rodinných fotek. Jde spíš o hru s technologií než o produkční nasazení.
Jaký formát a délku zvolit
Volba formátu ovlivní výsledek stejně jako samotné zadání.
Video na výšku (poměr stran 9:16) se hodí pro Instagram Reels, TikTok nebo YouTube Shorts. Video na šířku (16:9) se hodí pro klasické YouTube video, prezentaci nebo web. Většina generátorů umí obojí, ale formát je potřeba zvolit už při zadání, ne až po vygenerování: dodatečný ořez často usekne důležitou část scény.
Délka klipu se odvíjí od tarifu a konkrétního nástroje. Základní generování se pohybuje v řádu pěti až deseti sekund. Delší souvislé video vyžaduje buď dražší tarif, nebo spojení víc kratších klipů za sebou v běžném střihovém programu. I při čistě AI produkci to zůstává nejspolehlivější způsob, jak dát dohromady video delší než půl minuty.
Rozlišení výstupu se mezi nástroji liší a u bezplatných verzí bývá nižší než u placených. Pro sociální sítě to obvykle nevadí. Pro použití na velké obrazovce nebo v placené reklamě se vyplatí ověřit si maximální dostupné rozlišení předem.
Zvuk k videu řeší nástroje různě. Novější verze Veo podle dostupných informací umí vygenerovat rovnou i zvukovou stopu a mluvené repliky postav. Většina ostatních generátorů zatím vydá jen obraz beze zvuku, hudbu nebo mluvené slovo pak stačí přidat samostatně ve střihovém programu nebo pomocí specializovaného nástroje na generování hlasu a hudby.
Jak vypadá první pokus krok za krokem
Než se pustíte do prvního videa, pomůže znát pár obecných kroků, které platí napříč nástroji.
Nejdřív si ujasněte, jestli máte výchozí obrázek, nebo jen nápad v hlavě. Podle toho zvolíte text-to-video, nebo image-to-video.
Zadání pište konkrétně. Místo „krásná krajina” napište, co přesně je vidět, jaké je roční období, odkud kamera snímá a jak se pohybuje. Bez konkrétního zadání model skládá scénu ze statisticky nejpravděpodobnějších prvků a výsledek pak vypadá obecně, jako by ho vygeneroval kdokoliv jiný.
Rozdíl je vidět na jednoduchém příkladu. Zadání „žena běží v parku” model splní doslovně a nudně: cizí žena, cizí park, generický běh. Zadání „žena v červené bundě běží po štěrkové cestě podzimním parkem, kamera ji sleduje zezadu v mírném podhledu, padající listí” dá modelu jasné parametry pro postavu, prostředí, pohyb kamery i atmosféru, a výsledek tomu odpovídá.
Počítejte s tím, že první výsledek zřídka sedí napoprvé. Většina nástrojů umí vygenerovat víc variant ze stejného zadání. Vyplatí se srovnat aspoň tři až čtyři pokusy, než vyberete ten, který použijete dál.
Nakonec zkontrolujte výsledek na detailech, které diváci vidí jako první: ruce, obličeje, čitelnost textu v záběru a okraje scény. Právě tam se nejčastěji objeví chyba, která prozradí, že šlo o generovaný záběr.
Na co si dát pozor
Generování videa má i praktická omezení, která se vyplatí znát předem.
Autorská práva k tréninkovým datům zůstávají u víc firem nevyjasněná, soudní spory v USA i jinde zatím probíhají. Pokud video vzniká pro komerční použití, ověřte si licenční podmínky přímo u konkrétního poskytovatele, ne podle obecného dojmu z internetu.
Podobnost se skutečnými lidmi je citlivé téma. Vygenerovat video s tváří konkrétní veřejně známé osoby bez souhlasu může znamenat právní i etický problém, i když to samotný nástroj technicky dovolí.
Stojí za to rozlišovat generování videa od deepfake videí. Generátory z tohoto přehledu vytvářejí novou scénu podle zadání, nepracují s tváří konkrétního člověka vloženou do cizího videa. Nástroje na výměnu obličeje (face swap) jsou samostatná kategorie s vlastními riziky zneužití a řeší je jiná rubrika tohoto magazínu.
Cena za generování videa bývá vyšší než u generování obrázků, protože výpočet jednoho klipu zabere mnohem víc strojového času. Bezplatné tarify bývají omezené na pár krátkých pokusů měsíčně, další generování se platí formou kreditů.
Konzistence mezi jednotlivými klipy zůstává slabinou. Stejná postava nebo produkt se ve dvou různých generovaných videích může mírně lišit v obličeji, barvě nebo proporcích, což komplikuje použití pro delší sérii obsahu.
Konkrétní čísla, ceny a limity u jednotlivých nástrojů zastarávají v řádu měsíců. Aktuální podmínky si proto vždy ověřte přímo na webu daného poskytovatele, ne v tomto přehledu.
Shrnutí
Generování videa pomocí AI dnes zvládne rychlý koncept, krátkou reklamu nebo oživení fotografie, aniž by bylo potřeba cokoliv natáčet. Nenahrazuje profesionální filmovou produkci tam, kde jde o přesnou kontrolu detailu, delší stopáž nebo práci se skutečnými lidmi.
Kdo chce začít, nepotřebuje drahý tarif ani technické vzdělání. Stačí jedno konkrétní zadání a ochota srovnat víc pokusů, než vybere ten, který použije dál.
