Ile kosztuje rolka z AI? Obraz, wideo, muzyka i lektor

Koszt rolki z AI to w zdecydowanej większości koszt sekund wideo: długość gotowego materiału razy cena za sekundę modelu, razy liczba podejść, zanim ujęcie wyjdzie dobrze. Obrazy startowe, muzyka i scenariusz z modelu czatu to przy tym drobne dodatki. Poniżej rozpisuję trzy warianty rolki 9:16 (minimalny, standardowy i dopracowany) z cenami za jednostkę z aktualnego cennika, żebyś mógł podstawić swoje liczby.

Z czego składa się rolka AI

Typowa rolka, którą robię, ma pięć warstw:

Ceny wstawiają się automatycznie z cennika, więc tabela jest aktualna w dniu, w którym ją czytasz. W wersji polskiej to kwoty brutto w złotówkach, z VAT.

Wzór na koszt rolki

Liczę to tak:

koszt rolki = scenariusz
            + (liczba obrazów × cena obrazu)
            + (sekundy wideo × liczba podejść × cena za sekundę)
            + muzyka
            + lektor

Przy modelach rozliczanych za klip, jak Veo 3.1, zamiast sekund wstawiasz liczbę klipów: klipy × liczba podejść × cena za klip.

Najważniejsza zmienna, o której mało kto mówi, to liczba podejść. Rzadko pierwsza generacja ujęcia trafia do montażu. U mnie średnio na jedno użyte ujęcie przypadają dwie generacje, przy trudnych scenach (dłonie, kilka postaci, szybki ruch) trzy. Do budżetu przyjmuję mnożnik 2.

Nieudane generacje, zakończone statusem failed, są darmowe, bo blokada środków wraca w całości. Mnożnik dotyczy tylko wideo, które się wygenerowało, ale nie nadaje się do użycia.

Wariant 1: minimalny (jedno ujęcie, 15 sekund)

Jedno długie ujęcie z Seedance 2.5, dźwięk generowany przez model, bez obrazu startowego i bez osobnej muzyki. Tak robię rolki nastrojowe: krajobraz, proces w kuchni, ujęcie produktu.

Razem: 35 sekund wideo, czyli trzydzieści pięć razy od 1,51 zł za sekundę. To najtańszy sensowny wariant i od niego zaczynam z każdym nowym tematem.

Test na 5 sekundach wygląda na zbędny wydatek, ale oszczędza pieniądze. Jeśli prompt nie działa, dowiadujesz się tego za 5 sekund, a nie za 15.

Wariant 2: standardowy (3 ujęcia, 21 sekund, muzyka)

Rolka z trzech ujęć po 7 sekund, spójna wizualnie dzięki obrazom startowym, z podkładem muzycznym.

Scenariusz jest tu symboliczny: 5 tysięcy tokenów to pół procenta miliona, więc nawet przy droższym modelu to grosze. Jeśli chcesz jeszcze taniej, do promptów wystarczy gemini-3.8-flash ().

Obrazy startowe kosztują ułamek sekundy wideo, a dają kontrolę nad kadrem. To moja ulubiona oszczędność: kompozycję poprawiam na obrazach, które są tanie, a do modelu wideo idzie już pewny kadr. Mniej nietrafionych generacji wideo oznacza niższy mnożnik podejść.

Muzykę robię w Mureka V9, który generuje całą piosenkę z wokalem na podstawie tekstu. W polu lyrics wpisuję zwrotkę i refren oznaczone znacznikami [Verse] i [Chorus], a w prompt krótko opisuję styl: gatunek, tempo, instrumenty. Płacę za utwór, więc cena nie zależy od długości. Do rolki i tak wycinam w montażu jeden fragment, zwykle refren, z miejscem na wyciszenie.

Wariant 3: dopracowany (Veo 3.1, 4 ujęcia po 8 sekund)

Kiedy rolka jest reklamą albo idzie do klienta, biorę Veo 3.1 (Quality) na najważniejsze ujęcia. W Jantarisie Veo 3.1 generuje zawsze klip o stałej długości 8 sekund. Długości 4, 6 i 8 sekund, o których przeczytasz w dokumentacji Google, dotyczą cennika Google, nie rozliczenia w Jantarisie.

Veo 3.1 rozlicza się za klip 8 s, nie za sekundę, więc w tym wierszu mnożę liczbę klipów, a nie sekund. Krótszy klip nie jest tańszy: jeśli w montażu potrzebujesz 5 sekund, i tak płacisz za cały 8-sekundowy klip i przycinasz go.

To wariant kilka razy droższy od minimalnego, głównie przez wyższą cenę modelu i liczbę podejść. Czy warto? Dla rolki na własny profil zwykle nie. Dla reklamy produktu, za którą ktoś płaci, tak.

Jeśli rozdzielczość da się wybrać, pamiętaj, że cena może zależeć od niej. Dokładny koszt konkretnego zadania zawsze widzisz w estimated_cost (API) albo przed kliknięciem w Studio.

A lektor?

Tu uczciwie: lektor po polsku to najtrudniejsza część rolki AI.

• Mowa z modelu wideo. Seedance 2.5, Kling 3.0 i Veo 3.1 generują dźwięk razem z obrazem, także mowę. Z polskim wychodzi to nierówno, a Kling 3.0 oficjalnie nie ma polskiego na liście języków dialogów. Do krótkich angielskich kwestii to działa, do polskiego lektora nie polecam.
• Własny głos. Najtańsze i najbardziej wiarygodne. Mikrofon za kilkadziesiąt złotych i ciche pomieszczenie wystarczą do rolek. Koszt z AI: 0.
• Zewnętrzny syntezator mowy. Są narzędzia TTS z dobrymi polskimi głosami. Wtedy doliczasz ich cennik do rachunku.
• Bez lektora, z napisami. Rolki z samymi napisami i muzyką działają zaskakująco dobrze. Napisy dodaję w montażu, nie w prompcie, bo tekst generowany w wideo AI często ma błędy.

W swoich wyliczeniach zakładam własny głos albo napisy, więc lektor to u mnie 0 zł z salda.

Porównanie wariantów

Czas pracy dopisałem, bo to też koszt. Rolka minimalna jest tania w złotówkach i w godzinach. Przy dopracowanej więcej czasu zjada montaż niż samo generowanie.

Jak obniżam koszt rolki

1. Testy na 5 sekundach. Zanim puszczę 15 czy 20 sekund, sprawdzam prompt na krótkim klipie.
2. Szkic w Seedance 2.0 Mini 480p, finał w lepszym modelu. Ruch kamery i kompozycję sprawdzam w najtańszym modelu (od 0,212 zł za sekundę, najniższa stawka dotyczy 480p), a dopiero zatwierdzony prompt puszczam w Seedance 2.5 (od 1,51 zł za sekundę) albo Veo 3.1 (Quality) (od 14,64 zł za film, klip 8 s). Mini domyślnie generuje wideo bez dźwięku, co przy szkicu nie przeszkadza.
3. Kompozycja na obrazach. Obraz kosztuje ułamek sekundy wideo, więc poprawiam kadr na obrazach.
4. 720p na roboczo. Wyższą rozdzielczość biorę dopiero do finalnego ujęcia, jeśli model ją oferuje i cena za nią jest wyższa.
5. Jedno długie ujęcie zamiast trzech krótkich. Seedance 2.5 generuje do 30 sekund w jednym przebiegu, więc nie pilnuję ciągłości między ujęciami.
6. Tani model do tekstu. Prompty pisze u mnie szybki model czatu, drogi zostawiam do trudnych zadań.
7. Notatki z promptami. Zapisuję prompty, które zadziałały. Następna rolka w podobnym stylu wychodzi z mniejszą liczbą podejść.

Jak policzyć koszt przed wysłaniem

Nie musisz liczyć na kartce. Szybką wycenę kilku wariantów naraz zrobisz w kalkulatorze kosztów AI. W Jantaris Studio koszt zadania widzisz przed kliknięciem. W API pole estimated_cost przychodzi w odpowiedzi na POST /v1/generate, a cenę modelu za jednostkę zwraca publiczny endpoint:

curl https://jantaris.com/v1/models/seedance-2.5

Krótki skrypt w Pythonie, który pobiera aktualne dane wszystkich modeli z mojej rolki, żeby podstawić ceny do wzoru. Endpoint jest publiczny, klucz nie jest potrzebny, a opis pól odpowiedzi znajdziesz w dokumentacji modeli:

import json
import requests

API = "https://jantaris.com/v1"

for model_id in ["claude-sonnet-5", "nano-banana-pro", "seedance-2.5", "mureka-v9"]:
    info = requests.get(f"{API}/models/{model_id}", timeout=30).json()
    print(model_id)
    print(json.dumps(info, indent=2, ensure_ascii=False)[:800])

Automatyzację całego procesu, od tematu do gotowego pliku, pokazuję w tekście automatyczne rolki z n8n. A jeśli dopiero zaczynasz, przeczytaj pierwsze wideo w Studio krok po kroku.

FAQ

Ile kosztuje sekunda wideo AI?

Zależy od modelu. W Jantarisie Seedance 2.5 kosztuje od 1,51 zł za sekundę, a Kling 3.0 od 0,98 zł za sekundę. Rolka 15-sekundowa w tych modelach to piętnastokrotność ceny za sekundę plus poprawki. Veo 3.1 rozlicza się inaczej: płacisz za każdy klip 8 s (od 14,64 zł za film), więc 15 sekund to dwa klipy plus poprawki.

Co jest najdroższe w rolce z AI?

Sekundy wideo, zwłaszcza powtórki. Obrazy startowe, muzyka i scenariusz z modelu czatu to zwykle niewielka część rachunku.

Czy płacę za wideo, które się nie wygenerowało?

Nie. Generacje zakończone błędem kosztują 0, a zablokowana kwota wraca na saldo. Płacisz za wideo, które się wygenerowało, także jeśli nie trafi do montażu.

Czy da się zrobić polskiego lektora w modelu wideo?

Da się spróbować, ale wyniki po polsku są nierówne, a część modeli nie ma polskiego na liście języków. Do rolek polecam własny głos, osobny syntezator mowy albo napisy.

Jak obniżyć koszt jednej rolki?

Testuj prompty na 5-sekundowych klipach, poprawiaj kompozycję na tanich obrazach startowych i wybieraj jedno długie ujęcie zamiast kilku krótkich.