Generatory wideo domykają lukę realizmu

Przez długi czas materiał z generatora zdradzała ta sama drobna wpadka: dłoń z sześcioma palcami, twarz zmieniająca rysy między ujęciami, przedmiot zawieszony wbrew grawitacji. To były znaki wodne sztuczności, które oko wychwytywało w ułamku sekundy. Najnowsze modele domykają właśnie te luki, pilnując, by postać wyglądała tak samo przez całą scenę, a ruch podlegał sensownej fizyce.

Trudność brała się z natury tych modeli. Wideo to nie pojedynczy obraz, lecz kilkadziesiąt klatek, które muszą się zgadzać między sobą, a jednocześnie płynnie przechodzić jedna w drugą. Wystarczyło, że model na moment zapomniał, jak wygląda twarz bohatera albo w którą stronę leci piłka, a złudzenie pękało. Poprawa spójności czasowej, czyli pamięci o tym, co było przed chwilą, okazała się dla realizmu ważniejsza niż sama ostrość obrazu.

Spójność i dźwięk

Tu właśnie zaszedł największy przeskok. Model utrzymuje tożsamość postaci przez kilka sekund akcji, prowadzi kamerę bez skoków i respektuje ciężar przedmiotów, zamiast pozwalać im dryfować. Zniknęła też część charakterystycznych artefaktów przy szybkim ruchu, które wcześniej zamieniały gest ręki w rozmazaną plamę. Materiał, który jeszcze rok temu wyglądał jak sen, coraz częściej broni się jako zwykłe ujęcie.

Do obrazu dołączył dźwięk. Generatory potrafią dorzucić zsynchronizowane kroki, szum otoczenia, a nawet krótki dialog dopasowany do ruchu ust postaci. Klip przestaje być niemą etiudą wymagającą godzin dogrywania ścieżki, a staje się materiałem gotowym do wrzucenia na oś czasu. To pozornie detal, ale to właśnie brak dźwięku najczęściej zdradzał, że mamy do czynienia z syntezą.

Co potrafią dzisiejsze modele

Konkrety wciąż mają swoje granice. Czołowe modele, od Veo Google'a przez Sorę OpenAI po chińskie Kling i Seedance, generują dziś sceny liczące od kilku do kilkunastu sekund w wysokiej rozdzielczości. Pojedyncze ujęcie powstaje w minuty, a nie w dni potrzebne na plan zdjęciowy, choć najbardziej realistyczne tryby potrafią zjeść sporo mocy obliczeniowej i odpowiednio kosztują. Dłuższą narrację wciąż składa się z takich kilkusekundowych cegiełek.

Najszybciej korzysta z tego reklama i social media, gdzie liczą się tempo i koszt. Zamiast planu zdjęciowego wystarczy opis sceny, a wariant z inną porą dnia, innym produktem czy innym tłem robi się w kilka minut. W agencjach mówi się o traktowaniu takich ujęć jak animowanego storyboardu, który od razu się rusza i który klient może zobaczyć, zanim ktokolwiek wynajmie kamerę. Etap kosztownej produkcji przesuwa się na koniec, o ile w ogóle jest potrzebny.

Nowe bariery

Bariery nie zniknęły, tylko się przesunęły. Dłuższe sekwencje wciąż potrafią się rozjechać, sceny z tłumem i skomplikowaną interakcją bywają problematyczne, a dokładne wpasowanie kadru w konkretny brief nadal wymaga wielu prób. Doszło też nowe zmartwienie: skoro obraz jest przekonujący, rynek dopiero uczy się oznaczać, co jest generowane, żeby widz wiedział, na co patrzy.

Rachunek dla polskich twórców

Dla polskich twórców i marek to realna zmiana rachunku kosztów. Spot, który wymagał ekipy, sprzętu i dnia zdjęciowego, w wersji roboczej powstaje na laptopie za ułamek budżetu, co otwiera drzwi mniejszym firmom i freelancerom. Jednocześnie unijne przepisy o przejrzystości nakazują wyraźne oznaczanie treści generowanych i realistycznych deepfake'ów, więc polski producent musi od razu wliczyć w proces jawną informację, że materiał powstał z pomocą AI.

Realizm obrazu przestał być głównym problemem, a to przesuwa cały ciężar pytań. Nie chodzi już o to, czy da się zrobić przekonującą scenę, lecz komu, po co i z jakim oznaczeniem ją pokazujemy. Standardy poświadczania pochodzenia treści, takie jak metadane wpisywane w plik, dopiero się przyjmują, a widzowie uczą się nowej czujności. Technologia domknęła lukę realizmu, teraz kolej na reguły, które nadążą za tym, co potrafi.