AI-video från foto: Den kompletta guiden

Så fungerar photo-to-video i verkligheten

Image-to-video är den mest praktiska ingången till AI-videogenerering. Istället för att beskriva en hel scen från grunden ger du modellen ett fotografi och ber den föreställa sig de närmaste sekunderna. Fotot låser komposition, motiv, ljus och stil; modellens enda jobb är rörelse. Den begränsningen är anledningen till att photo-to-video-resultat ser dramatiskt bättre ut än text-to-video på samma tekniknivå.

Under huven gör modellen två saker. Först analyserar den din bild som en bildmodell skulle göra: motiv, djup, ljus, texturer. Sedan förutspår den en kort sekvens av bildrutor som rimligen följer efter, styrd av din motion-prompt. Kvaliteten på resultatet beror på tre indata, grovt i denna viktighetsordning: källfotot, rörelsebeskrivningen och genereringsinställningarna. De flesta felsökningsguider börjar med inställningarna; den här börjar med fotot, för det är där de flesta misslyckanden uppstår.

En förväntning att få på plats tidigt: modellen animerar det som finns på fotot. Den återuppfinner det inte. Om ditt foto är mörkt, oskarpt eller klumpigt beskuret blir videon en rörlig version av mörkt, oskarpt och klumpigt beskuret. Skräp in, rörelse ut.

Välj rätt foto: 80-procentsregeln

Upplösning spelar roll, men inte på det sätt folk tror. Du behöver ingen 4K-källa; de flesta videomodeller arbetar internt i 720p och skalar ändå ner din indata. Det du behöver är en ren, skarp bild i rimlig storlek — 1024 pixlar på långsidan räcker gott. Ett skarpt 1024px-foto slår ett oskarpt 4K-foto varje gång.

Beskärningen är den verkliga hävstången. Modellen kan bara animera det den ser, så motiv måste vara helt i bild med luft omkring sig. Tajta crops som skär av lemmar eller toppen av huvudet tvingar modellen att hitta på saknade kroppsdelar i rörelse — en huvudorsak till anatomiska glitchar. Vill du ha en close-up-video, ta ett close-up-foto; förvänta dig inte att modellen beskär åt dig.

Ansikten förtjänar egna regler. Ett frontalt eller trekvarts ansikte, jämnt belyst och ohindrat, bevarar identiteten dramatiskt bättre än en profil, ett ansikte i djup skugga eller ett som delvis täcks av hår eller händer. Modellen spårar ansiktsdrag över bildrutor genom att matcha det den ser; ge den en tydlig referens så sjunker driften markant.

Ljuset i källfotot sätter taket för videon. Jämnt, mjukt ljus ger modellen ren information om former och texturer. Hård kontrast, tunga filter eller extrem färggradering i källan förstärks i rörelse, inte jämnas ut. I tvivel: välj den mest naturligt belysta versionen av den bild du har.

Inställningar som spelar roll: varaktighet, format, rörelse

Varaktighet är den första inställningen du ska bestämma, och kortare är klokare medan du lär dig. Fem sekunder är standardtestlängden: tillräckligt långt för att bedöma om rörelsen ser naturlig ut, tillräckligt kort för att hålla iteration billig. Utöka först till åtta eller tio sekunder när femsekundersversionen är solid, för längre genereringar mångfaldigar både kostnad och chansen för kvalitetsförsämring mitt i klippet.

Bildformatet ska matcha ditt källfoto, inte din målplattform. Om ditt foto är porträtt 9:16 och du ber om 16:9-video måste modellen beskära eller sträcka — båda skadar kvaliteten. Matcha först formatet till fotot; beskära för plattformar gör du efteråt med vanliga redigeringsverktyg.

Motion strength (kallas ibland motion intensity eller dynamics) styr hur mycket som rör sig. Låga värden ger subtila, nästan stillastående resultat — säkert men tråkigt. Höga värden ger dramatisk rörelse — spännande men utsatt för warping och identity drift. Börja i mitten och justera efter det du ser: känns videon frusen, skruva upp; börjar ansikten smälta, skruva ner.

Seed och fasta inställningar betyder mer för video än för bilder. När du hittar en kombination som fungerar, lås seeden innan du itererar på prompten. Att ändra rörelsebeskrivningen medan seeden driver betyder att du aldrig lär dig vilken ändring som gav vilken effekt — samma en-variabel-disciplin som promptiteration för stillbilder.

Prompting av rörelse: verb, inte substantiv

Motion-prompten är en annan färdighet än image-prompting. Där en bildprompt beskriver en statisk scen beskriver en motion-prompt förändring över tid. Modellen behöver verb, riktningar och tempo — inte bara substantiv.

Börja med den primära rörelsen. “Hon vänder långsamt huvudet mot kameran” slår “beautiful woman, cinematic”, eftersom den berättar för modellen vad som faktiskt rör sig. En tydlig primärrörelse slår tre konkurrerande; om allt rör sig läses inget som avsiktligt.

Lägg till sekundär rörelse för realism. Hår som svajar lätt, tyg som förskjuts, bakgrundselement som driver — dessa små sekundära rörelser skiljer “animerat foto” från “video”. Beskriv dem kort: “hennes hår rör sig mjukt i brisen” räcker. Modellen fyller i fysiken.

Specificera vad som ska förbli stilla. “Kameran förblir statisk” eller “locked-off shot” förhindrar den illamående långsamma zoom som modellen ibland lägger till oombedd. Vill du ha kamerarörelse, namnge den explicit (“slow push-in”) istället för att låta modellen improvisera.

Håll motion-prompts korta — två till tre meningar. Långa, utsmyckade rörelsebeskrivningar späder ut kärninstruktionen, precis som för långa bildprompts gör. Motiv, primär rörelse, sekundär rörelse, kamerabeteende. Det är hela formeln.

Vanliga fel och hur du fixar dem

Identity drift — ansiktet ändras över bildrutor — är det mest rapporterade felet. Orsaker i ordning: otydligt ansikte i källfotot, för hög motion strength och för lång varaktighet. Fixa i den ordningen: först ett bättre källfoto, sänk sedan rörelsen, förkorta sedan klippet. Försök inte fixa drift med enbart promptord; det är ett dataproblem, inte ett språkproblem.

Frusen eller nästan statisk output betyder oftast att motion-prompten var för svag eller att motion strength var för låg. Stärk båda och generera igen. Om modellen fortfarande knappt rör sig saknar källfotot kanske djupspår (väldigt platt ljus, enkla bakgrunder ger modellen lite att arbeta med).

Warping och smältning — lemmar som böjer sig omöjligt, bakgrunder som smetar ut — kommer från motion strength satt för högt i förhållande till vad scenen bär. Komplexa poser och livliga bakgrunder tål mindre rörelse än enkla. Sänk styrkan eller förenkla: välj ett lugnare källfoto.

Flimmer och texturkrypning sker mest i längre klipp och börjar oftast mitt i genereringen. Den praktiska lösningen är kortare varaktighet; femsekundersversionen av ett klipp som flimrar vid tio sekunder är ofta helt ren. Behandla varaktighet som kvalitetskontroll, inte bara som ett kreativt val.

Anatomi-glitchar (extra fingrar som dyker upp mitt i rörelsen, ansikten som förvrängs i vändningar) är videomotsvarigheten till stillbildshandproblemet — förstärkt eftersom modellen måste hålla anatomin över bildrutor. Minimera genom att hålla källbeskärningen generös, undvika extrema poser och hålla rörelsen måttlig. En viss glitch-frekvens är inneboende i dagens teknik; budgetera med re-rolls.

Pre-flight-checklistan (spara dina credits)

Före varje generering: gå igenom den här checklistan. Källfoto: skarpt, välbelyst, motivet helt i bild, ansiktet tydligt om identitet spelar roll. Bildformat: matchar fotot. Varaktighet: fem sekunder för test. Motion strength: mitten till att börja med. Motion-prompt: en primär rörelse, en sekundär, kamerabeteende specificerat. Seed: låst när du hittar inställningar du gillar.

Efter generering: utvärdera i den här ordningen. Först identitet: liknar motivet fortfarande fotot? Om inte, fixa källan eller sänk rörelsen innan du rör något annat. Sedan rörelsekvalitet: ser rörelsen fysiskt rimlig ut? För det tredje artefakter: skanna hela klippet efter warping, flimmer eller anatomibrott, särskilt i de två sista sekunderna där försämringen koncentreras.

För en enkel logg: använt foto, inställningar, motion-prompt, seed och en enradig dom. Efter tjugo genereringar har du din egen playbook — vilka motion strengths som fungerar för porträtt versus helfigursbilder, vilka av dina kamerors foton som animerar bäst, hur din plattforms modell hanterar hår och tyg. Den playbooken är värd mer än någon guide, eftersom den är trimmad till dina indata.

Och metaregeln: iterera billigt. Testa vid fem sekunder, låg kostnad, snabb turnaround. Använd först den långa, dyra genereringen när den billiga versionen har bevisat konceptet. De flesta bortkastade credits i AI-video kommer från tiosekundersklipp av otestade idéer.