AI-video fra foto: Den komplette guiden

Slik fungerer photo-to-video i virkeligheten

Image-to-video er den mest praktiske inngangen til AI-videogenerering. I stedet for å beskrive en hel scene fra bunnen av gir du modellen et fotografi og ber den forestille seg de neste sekundene. Fotoet låser komposisjon, motiv, lys og stil; modellens eneste jobb er bevegelse. Den begrensningen er grunnen til at photo-to-video-resultater ser dramatisk bedre ut enn text-to-video på samme teknologinivå.

Under panseret gjør modellen to ting. Først analyserer den bildet ditt slik en bildemodell ville gjort: motiver, dybde, lys, teksturer. Deretter forutsier den en kort sekvens av frames som plausibelt følger etter, styrt av motion-prompten din. Kvaliteten på resultatet avhenger av tre inputs, grovt i denne viktighetsrekkefølgen: kildefotoet, bevegelsesbeskrivelsen og genereringsinnstillingene. De fleste feilsøkingsguider starter med innstillingene; denne starter med fotoet, for det er der de fleste feil oppstår.

Én forventning å få på plass tidlig: modellen animerer det som er på fotoet. Den gjenoppfinner det ikke. Hvis fotoet ditt er mørkt, uskarpt eller klønete beskåret, blir videoen en bevegelig versjon av mørkt, uskarpt og klønete beskåret. Søppel inn, bevegelse ut.

Velg riktig foto: 80-prosent-regelen

Oppløsning betyr noe, men ikke slik folk tror. Du trenger ikke en 4K-kilde; de fleste videomodeller jobber internt i 720p og nedskalerer inputen din uansett. Det du trenger, er et rent, skarpt bilde i rimelig størrelse — 1024 piksler på langsiden er mer enn nok. Et skarpt 1024px-foto slår et uskarpt 4K-foto hver gang.

Beskjæringen er den virkelige spaken. Modellen kan bare animere det den ser, så motiver må være helt i bildet med luft rundt seg. Trange crops som kutter lemmer eller toppen av hodet, tvinger modellen til å finne opp manglende kroppsdeler i bevegelse — en hovedårsak til anatomiske glitches. Vil du ha en close-up-video, så ta et close-up-foto; forvent ikke at modellen beskjærer for deg.

Ansikter fortjener egne regler. Et frontalt eller trekvart ansikt, jevnt belyst og uhindret, bevarer identiteten dramatisk bedre enn en profil, et ansikt i dyp skygge eller et som er delvis dekket av hår eller hender. Modellen sporer ansiktstrekk på tvers av frames ved å matche det den ser; gi den en klar referanse, og driften faller markant.

Lyset i kildefotoet setter taket for videoen. Jevnt, mykt lys gir modellen ren informasjon om former og teksturer. Hard kontrast, tunge filtre eller ekstrem fargegradering i kilden forsterkes i bevegelse, ikke jevnes ut. I tvil: velg den mest naturlig belyste versjonen av det bildet du har.

Innstillinger som betyr noe: varighet, format, bevegelse

Varighet er den første innstillingen du må bestemme, og kortere er klokere mens du lærer. Fem sekunder er standard testlengde: langt nok til å vurdere om bevegelsen ser naturlig ut, kort nok til å holde iterasjon billig. Utvid først til åtte eller ti sekunder når femsekundersversjonen er solid, for lengre genereringer ganger både kostnad og sjansen for kvalitetsforringelse midt i klippet.

Bildeformatet skal matche kildefotoet ditt, ikke målplattformen din. Hvis fotoet ditt er portrett 9:16 og du ber om 16:9-video, må modellen beskjære eller strekke — begge deler skader kvaliteten. Match først formatet til fotoet; beskjær til plattformer etterpå med standard redigeringsverktøy.

Motion strength (kalles av og til motion intensity eller dynamics) styrer hvor mye som beveger seg. Lave verdier gir subtile, nesten stillestående resultater — trygt, men kjedelig. Høye verdier gir dramatisk bevegelse — spennende, men utsatt for warping og identity drift. Start i midten, og juster ut fra det du ser: føles videoen frossen, så skru opp; begynner ansikter å smelte, så skru ned.

Seed og faste innstillinger betyr mer for video enn for bilder. Når du finner en kombinasjon som virker, så lås seeden før du itererer på prompten. Å endre bevegelsesbeskrivelsen mens seeden driver, betyr at du aldri lærer hvilken endring som ga hvilken effekt — den samme én-variabel-disiplinen som prompt-iterasjon for stills.

Prompting av bevegelse: verb, ikke substantiver

Motion-prompten er en annen ferdighet enn image-prompting. Der en bildeprompt beskriver en statisk scene, beskriver en motion-prompt endring over tid. Modellen trenger verb, retninger og tempo — ikke bare substantiver.

Start med den primære bevegelsen. “Hun snur sakte hodet mot kameraet” slår “beautiful woman, cinematic”, fordi den forteller modellen hva som faktisk beveger seg. Én klar primærbevegelse slår tre konkurrerende; hvis alt beveger seg, leses ingenting som tilsiktet.

Legg til sekundær bevegelse for realisme. Hår som svaier lett, stoff som forskyver seg, bakgrunnselementer som driver — disse små sekundære bevegelsene skiller “animert foto” fra “video”. Beskriv dem kort: “håret hennes beveger seg mykt i brisen” er nok. Modellen fyller inn fysikken.

Spesifiser hva som skal forbli stille. “Kameraet forblir statisk” eller “locked-off shot” forhindrer den kvalmende langsomme zoomen modellen av og til legger til uoppfordret. Vil du ha kamerabevegelse, så navngi den eksplisitt (“slow push-in”) i stedet for å la modellen improvisere.

Hold motion-prompts korte — to til tre setninger. Lange, utsmykkede bevegelsesbeskrivelser fortynner kjerneinstruksjonen, slik for lange bildeprompts gjør. Motiv, primær bevegelse, sekundær bevegelse, kameraatferd. Det er hele formelen.

Vanlige feil og hvordan du fikser dem

Identity drift — ansiktet endrer seg på tvers av frames — er den mest rapporterte feilen. Årsaker i rekkefølge: uklart ansikt i kildefotoet, for høy motion strength og for lang varighet. Fiks i den rekkefølgen: først et bedre kildefoto, senk så bevegelsen, forkort så klippet. Forsøk ikke å fikse drift med prompt-ord alene; det er et dataproblem, ikke et språkproblem.

Frosset eller nesten statisk output betyr som regel at motion-prompten var for svak, eller at motion strength var for lav. Styrk begge, og generer på nytt. Hvis modellen fortsatt nesten ikke beveger seg, mangler kildefotoet kanskje dybdespor (veldig flatt lys, enkle bakgrunner gir modellen lite å jobbe med).

Warping og smelting — lemmer som bøyer seg umulig, bakgrunner som smører ut — kommer fra motion strength satt for høyt i forhold til hva scenen tåler. Komplekse positurer og travle bakgrunner tåler mindre bevegelse enn enkle. Senk styrken, eller forenkle: velg et roligere kildefoto.

Flimmer og teksturkryping skjer mest i lengre klipp og starter som regel midt i genereringen. Den praktiske løsningen er kortere varighet; femsekundersversjonen av et klipp som flimrer ved ti sekunder, er ofte helt ren. Behandle varighet som kvalitetskontroll, ikke bare som et kreativt valg.

Anatomi-glitches (ekstra fingre som dukker opp midt i bevegelsen, ansikter som forvrenges i vendinger) er videoekvivalenten til stills-håndproblemet — forsterket fordi modellen må holde anatomien på tvers av frames. Minimer ved å holde kildebeskjæringen raus, unngå ekstreme positurer og holde bevegelsen moderat. En viss glitch-rate er iboende i dagens teknologi; budsjetter med re-rolls.

Pre-flight-sjekklisten (spar creditsene dine)

Før hver generering: gå gjennom denne sjekklisten. Kildefoto: skarpt, velbelyst, motivet helt i bildet, ansiktet tydelig hvis identitet betyr noe. Bildeformat: matcher fotoet. Varighet: fem sekunder til test. Motion strength: midten til å starte. Motion-prompt: én primær bevegelse, én sekundær, kameraatferd spesifisert. Seed: låst når du finner innstillinger du liker.

Etter generering: evaluer i denne rekkefølgen. Først identitet: ligner motivet fortsatt på fotoet? Hvis ikke, så fiks kilden eller senk bevegelsen før du rører noe annet. Deretter bevegelseskvalitet: ser bevegelsen fysisk plausibel ut? For det tredje artefakter: skann hele klippet for warping, flimmer eller anatomibrudd, særlig i de to siste sekundene der forringelsen konsentreres.

Før en enkel logg: brukt foto, innstillinger, motion-prompt, seed og en én-linjes dom. Etter tjue genereringer har du din egen playbook — hvilke motion strengths som virker for portretter versus helfigursbilder, hvilke av kameraenes foto som animerer best, hvordan plattformens modell håndterer hår og stoff. Den playbooken er mer verdt enn noen guide, fordi den er tunet til inputene dine.

Og metaregelen: iterer billig. Test ved fem sekunder, lave kostnader, rask turnaround. Bruk først den lange, dyre genereringen når den billige versjonen har bevist konseptet. De fleste bortkastede credits i AI-video kommer fra tisekundersklipp av utestede ideer.