Jak zrobić film AI ze zdjęcia - ożywianie krok po kroku

Film AI ze zdjęcia robisz tak: wgrywasz zdjęcie jako pierwszą klatkę do modelu wideo (np. Kling 3.0, Seedance 2.5 albo MiniMax H3), w prompcie opisujesz tylko ruch, ustawiasz długość i po minucie lub kilku pobierasz plik MP4. W Jantaris Studio zrobisz to w przeglądarce bez kodu. Płacisz za sekundę materiału, np. Kling 3.0 kosztuje od 0,98 zł za sekundę, a nieudana generacja kosztuje 0 zł.

Poniżej opisuję trzy sposoby ożywiania zdjęć (pierwsza klatka, para klatek start-koniec, referencje), modele, które to potrafią, i dokładne kroki w Studio i przez API.

Trzy sposoby na film ze zdjęcia

Zanim wybierzesz model, ustal, czego chcesz od zdjęcia. Tryby wyglądają podobnie, ale dają inny efekt:

Na frazę "jak zrobić film ze zdjęć w AI" (w liczbie mnogiej) odpowiedź to zwykle referencje albo kilka klipów z pierwszą klatką sklejonych w montażu. Jedno zdjęcie daje jedno ujęcie.

Które modele ożywiają zdjęcia

Dane z katalogu Jantarisa, czyli tego, co faktycznie przyjmuje API i Studio:

Przy cenach z "od" stawka zależy od rozdzielczości, a "od" to najniższy próg. Veo 3.1 rozlicza się za cały 8-sekundowy klip, nie za sekundę.

Mój wybór na start: Kling 3.0, gdy zależy mi na wierności kadrowi i opcjonalnym dialogu, Seedance 2.5, gdy potrzebuję dłuższego ujęcia z dźwiękiem, MiniMax H3, gdy chcę materiał w 2K. W jednym z testów na promptowy.com ożywiłem w MiniMax H3 zdjęcie lisa wygenerowane wcześniej w Grok Imagine i ten przepływ (obraz z jednego modelu, ruch z drugiego) stosuję do dziś. Ceny modeli rozpisują osobne teksty: Kling 3.0 cena, Veo 3.1 cena i MiniMax H3 (Hailuo), a oceny wszystkich modeli z moich testów zebrałem w rankingu najlepszy generator wideo AI.

Jakie zdjęcie nadaje się do animacji

Model zaczyna dokładnie od tego, co mu dasz. Słabe zdjęcie daje słaby film, a poprawianie tego promptem nie działa. Zanim wydam pieniądze na sekundy wideo, sprawdzam:

• Ostrość i rozdzielczość. Co najmniej rozdzielczość docelowego filmu. Rozmazane zdjęcie z komunikatora model jeszcze bardziej rozmyje w ruchu.
• Proporcje. Zdjęcie pionowe daje film pionowy. W Klingu przy podanym zdjęciu parametr proporcji jest pomijany, a w MiniMax H3 trzeba go wtedy w ogóle nie wysyłać.
• Miejsce na ruch. Jeśli kamera ma się zbliżać, obiekt nie może być już przycięty krawędzią kadru.
• Bez napisów. Tekst na zdjęciu w ruchu często się rozjeżdża. Napisy dodaję w montażu.
• Prawa do zdjęcia. Ożywiasz tylko zdjęcia, do których masz prawa, a zdjęcia innych osób tylko za ich zgodą. Filtry treści u producentów potrafią też odrzucić zdjęcie z rozpoznawalną osobą. Taka nieudana generacja nic nie kosztuje.

Stare, porysowane albo wyblakłe zdjęcie rodzinne najpierw naprawiam i koloryzuję modelem obrazowym, a dopiero potem ożywiam. Cały ten proces opisałem w tekście odnawianie starych zdjęć AI.

Najtańszy sposób na dobry kadr startowy to model obrazowy. Ten kadr latarni wygenerowałem lokalnie w Z-Image Turbo, a potem użyłem go jako pierwszej klatki do Klinga (zrzut niżej):

Obraz z Z-Image Turbo kosztuje 0,09 zł za obraz, czyli ułamek sekundy wideo. Dlatego kompozycję poprawiam na obrazach, a do wideo idę z gotowym kadrem. Jak pisać prompty do takich kadrów, opisuje tekst jak pisać prompty do obrazów AI.

Krok po kroku w Jantaris Studio

1. Zaloguj się w Studio i wybierz zakładkę Wideo. Jeśli nie masz konta, załóż je i doładuj saldo BLIK-iem (od 40 zł).
2. Z listy Model wybierz model z tabeli wyżej, np. Kling 3.0.
3. Rozwiń pole Pierwsza klatka (URL). Wklej adres zdjęcia albo kliknij Wgraj plik (PNG, JPG lub WebP, do 25 MB).
4. W polu Prompt opisz ruch: co się porusza i jak porusza się kamera.
5. Ustaw długość. Na pierwszą próbę biorę minimum, w Klingu 3-5 sekund.
6. Zaznacz Generuj dźwięk, jeśli chcesz dźwięk z modelu. W Klingu jest domyślnie wyłączony.
7. Sprawdź Koszt pod formularzem i kliknij Generuj.

Gotowy film pojawia się w historii generacji na koncie. Pobierz MP4 od razu, bo linki do wyników działają ograniczony czas.

Jak pisać prompt do zdjęcia

Najczęstszy błąd: opisywanie w prompcie tego, co już jest na zdjęciu. Model widzi latarnię, nie musisz mu jej opisywać. Napisz, co ma się ruszyć.

Prompt ze zrzutu to dobry wzór:

Snop światła latarni powoli przesuwa się po mgle nad morzem,
fale rozbijają się o skały, kamera powoli się zbliża

Trzy elementy: ruch w scenie (snop światła, fale), tempo (powoli) i jeden ruch kamery (zbliżenie). Po angielsku to samo brzmi: the lighthouse beam slowly sweeps across the sea mist, waves crash on the rocks, camera slowly pushes in. Modele rozumieją polski, ale przy ruchach kamery angielskie terminy dają mi bardziej przewidywalny efekt. Cały słownik ruchów kamery jest w tekście prompty do wideo AI.

Przykład z produktem. Pionowe zdjęcie bursztynu, z którego chcę zrobić 5-sekundową rolkę 9:16:

Slow orbit around the amber pendant, the backlight slowly brightens
and the amber starts to glow, tiny water droplets glisten on the slate,
macro, shallow depth of field

Do ożywiania zdjęć dobrze sprawdzają się:

• ruch przyrody: wiatr we włosach, para nad kubkiem, fale, liście, dym,
• powolny ruch kamery: zbliżenie, oddalenie, obrót wokół obiektu,
• jedna prosta czynność postaci: odwraca głowę, uśmiecha się, podnosi filiżankę.

Gorzej wychodzą: szybki bieg, taniec, kilka osób robiących różne rzeczy naraz i obroty postaci o 180 stopni, bo model musi wtedy wymyślić tył, którego nie ma na zdjęciu.

Tak wygląda oficjalny przykład ByteDance dla Seedance 2.0 w trybie image-to-video: zdjęcie kobiety przy praniu i prompt opisujący tylko czynność.

Pierwsza i ostatnia klatka: przejścia i przemiany

Gdy podasz dwa zdjęcia, model wygeneruje drogę od jednego do drugiego. To najprostszy sposób na kontrolowane przemiany: dzień w noc, szkic w gotowy produkt, zamknięte pudełko w otwarte.

W Studio rozwijasz pole Ostatnia klatka (URL) pod pierwszą klatką. W API to pole end_image_url. Kling 3.0, Seedance 2.5 i 2.0, MiniMax H3 i Wan 3.0 mają je w schemacie.

Moje zasady przy parze klatek:

1. Oba zdjęcia w tych samych proporcjach i podobnym świetle. Inaczej model "przeskakuje" zamiast przechodzić.
2. W prompcie opisz przejście, nie zdjęcia: "the pumpkin cracks open, golden light, white mist".
3. Daj modelowi czas. Przemiana w 3 sekundach wygląda jak cięcie, w 6-8 sekundach jak efekt.

Przykład Alibaby dla Wan 2.7 w trybie pierwszej i ostatniej klatki: dynia na grządce pęka, wydobywa się z niej światło i mgła.

Referencje: ta sama postać w wielu ujęciach

Pierwsza klatka wiąże ci kadr. Referencje wiążą wygląd postaci albo produktu, a kadr zostawiają modelowi. Tak robię serię ujęć z tym samym bohaterem: generuję portret i zdjęcie całej postaci, a potem w każdym klipie podaję je w polu Obrazy referencyjne z innym opisem sceny.

Różnice między modelami:

• Seedance 2.5 przyjmuje do 30 zdjęć, 10 klipów i 10 nagrań audio jako referencje i dopuszcza na nich prawdziwe osoby.
• Seedance 2.0: 1-2 zdjęcia w image_urls model animuje, więcej traktuje jako referencje.
• Wan 3.0 przyjmuje do 10 zdjęć, a w prompcie odwołujesz się do nich jako "Image 1", "Image 2".
• MiniMax H3 pilnuje wyglądu, ruchu i głosu z referencji, pierwsze 5 zdjęć nie podnosi ceny.

Pierwszej klatki i referencji zwykle nie łączysz w jednym zadaniu. W Seedance 2.0 klatki start-koniec wykluczają klipy i audio referencyjne. Porównanie obu wersji Seedance jest w tekście Seedance 2.0 czy 2.5.

Film ze zdjęcia przez API

W API zdjęcie podajesz jako publiczny adres URL w polu image_url (pierwsza klatka) i opcjonalnie end_image_url (ostatnia). Pełny opis endpointu jest w dokumentacji generowania.

curl https://jantaris.com/v1/generate \
  -H "Authorization: Bearer $JANTARIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kling-3.0",
    "input": {
      "prompt": "The lighthouse beam slowly sweeps across the sea mist, waves crash on the rocks, camera slowly pushes in",
      "image_url": "https://twoja-domena.pl/kadry/latarnia.webp",
      "duration": 5,
      "resolution": "1080p"
    }
  }'

Odpowiedź przychodzi od razu (202) z id zadania i estimated_cost. Wynik odbierasz, odpytując zadanie. W Pythonie:

import os, time, requests

API = "https://jantaris.com/v1"
HEADERS = {"Authorization": f"Bearer {os.environ['JANTARIS_API_KEY']}"}

task = requests.post(
    f"{API}/generate",
    headers=HEADERS,
    json={
        "model": "kling-3.0",
        "input": {
            "prompt": "The lighthouse beam slowly sweeps across the sea mist, "
                      "waves crash on the rocks, camera slowly pushes in",
            "image_url": "https://twoja-domena.pl/kadry/latarnia.webp",
            # "end_image_url": "https://twoja-domena.pl/kadry/latarnia-noc.webp",
            "duration": 5,
            "resolution": "1080p",
        },
    },
    timeout=30,
).json()
print(task["id"], task["estimated_cost"])

delay = 2
while True:
    task = requests.get(f"{API}/tasks/{task['id']}", headers=HEADERS, timeout=30).json()
    if task["status"] in ("succeeded", "failed"):
        break
    time.sleep(delay)
    delay = min(delay * 1.5, 15)

if task["status"] == "succeeded":
    video = task["output"][0]
    with open("film.mp4", "wb") as f:
        f.write(requests.get(video["url"], timeout=120).content)
    print("zapisano film.mp4, koszt:", task["cost"])
else:
    print("nie udało się, koszt 0:", task["error"])

Różnice w nazwach pól między modelami, które warto znać:

• Veo 3.1 nie ma pola image_url. Zdjęcia podajesz w image_urls (lista, do 3), a długość jest stała: 8 s.
• MiniMax H3 w trybie ze zdjęciem odrzuca aspect_ratio, więc go nie wysyłaj.
• Kling 3.0 przy zdjęciu pomija aspect_ratio, proporcje bierze ze zdjęcia.
• Seedance 2.5 przy pierwszej i ostatniej klatce ustawia proporcje sam (adaptive).

Schemat każdego modelu pobierzesz z GET /v1/models/{id}. Przy dłuższych zadaniach zamiast pętli możesz użyć webhooka.

Ile kosztuje film ze zdjęcia

Koszt to cena za sekundę razy długość klipu. Zdjęcie jako pierwsza klatka nie podnosi ceny w Klingu, Seedance ani MiniMax H3. Dopłaty pojawiają się przy klipach wideo jako referencji (ich sekundy liczą się do rachunku) i w MiniMax H3 od szóstego zdjęcia referencyjnego.

Przykłady na 5-sekundowy klip:

Dokładną kwotę Studio pokazuje przy przycisku Generuj, a API w estimated_cost. Ceny w wersji polskiej są w złotówkach z VAT, a fakturę dostajesz automatycznie po doładowaniu. Pełny cennik ma stawki dla każdej rozdzielczości. Ile kosztuje cała rolka z kilkoma ujęciami i muzyką, policzyłem w tekście ile kosztuje rolka z AI. Dowolną kombinację modelu, rozdzielczości i długości sprawdzisz w kalkulatorze kosztów AI.

Najczęstsze błędy

• Opis zdjęcia zamiast ruchu. Model widzi zdjęcie. Prompt ma mówić, co się zmienia.
• Za dużo ruchu. Trzy czynności postaci i dwa ruchy kamery w 5 sekundach dają drgający obraz.
• Zła proporcja zdjęcia. Poziome zdjęcie nie zrobi dobrej rolki 9:16. Przytnij je przed wgraniem.
• Od razu 15 sekund. Pierwszą wersję robię najkrótszą. Gdy ruch się zgadza, generuję dłuższą.
• Brak kopii pliku. Pobieraj MP4 od razu po wygenerowaniu.

Najczęstsze pytania

Jak ożywić zdjęcie AI?

Wgraj zdjęcie jako pierwszą klatkę do modelu wideo (Kling 3.0, Seedance 2.5, MiniMax H3), w prompcie opisz ruch, np. "wiatr porusza włosami, kamera powoli się zbliża", ustaw 5 sekund i kliknij Generuj. W Jantaris Studio nie potrzebujesz do tego kodu.

Czy da się zrobić film AI ze zdjęcia za darmo?

W Jantarisie nie. Nie ma darmowego planu ani kredytów na start, płacisz od pierwszej generacji, a minimalne doładowanie to 40 zł. Saldo nie wygasa, a nieudane generacje kosztują 0 zł. Część producentów modeli ma we własnych aplikacjach darmowe próby z ograniczeniami, warto sprawdzić ich aktualne warunki.

Czy mogę ożywić stare zdjęcie rodzinne?

Technicznie tak. Zeskanuj je w jak najwyższej rozdzielczości i poproś o subtelny ruch: mrugnięcie, lekki uśmiech, delikatne zbliżenie kamery. Przy dużym ruchu model zaczyna zmieniać rysy twarzy, więc im mniej ruchu, tym wierniej.

Jakie pliki przyjmuje Studio?

Do pola pierwszej klatki wgrasz PNG, JPG albo WebP do 25 MB. Możesz też wkleić adres URL zdjęcia, które jest już w internecie.

Ile trwa generowanie filmu ze zdjęcia?

Zwykle od około minuty do kilku minut, zależnie od modelu, długości i rozdzielczości. Nie musisz trzymać otwartej karty, wynik trafi do historii generacji.

Czy film ze zdjęcia może mieć dźwięk?

Tak, w modelach z dźwiękiem: Kling 3.0 (po zaznaczeniu "Generuj dźwięk"), Seedance 2.5 i 2.0, MiniMax H3, Wan 3.0 i Grok Imagine Video 1.5. Dźwięk opisz w prompcie, np. "sound of waves and seagulls".