Miniatury YouTube z AI - kompozycja, napis i polskie znaki

Miniaturę na YouTube z AI robisz w trzech krokach: generujesz obraz 16:9 z jednym wyraźnym obiektem i krótkim napisem (2-3 słowa), sprawdzasz go w pomniejszeniu do rozmiaru z telefonu i skalujesz do 1280x720. Polski napis zamawiaj w modelu, który pisze po polsku bez błędów, np. Nano Banana Pro (od 0,439 zł za obraz) albo GPT Image 2.5 (0,254 zł za obraz). Niżej pokazuję wyniki mojego testu czytelności, prompty, edycję własnego zdjęcia i koszt całej serii.

Format: co YouTube przyjmuje

YouTube zaleca miniaturę 1280x720 pikseli, czyli proporcje 16:9, o szerokości co najmniej 640 px, w pliku JPG, PNG albo GIF. Limit wagi pliku i warunki dodawania własnych miniatur (np. zweryfikowane konto) sprawdź w aktualnej pomocy YouTube, bo te zasady się zmieniają.

Modele obrazu rzadko oddają dokładnie 1280x720, więc generuję w 16:9 i skaluję na końcu:

Przeskalowanie z przycięciem do dokładnych 1280x720 robię jedną komendą ffmpeg:

ffmpeg -i miniatura.png -vf "scale=1280:720:force_original_aspect_ratio=increase,crop=1280:720" -q:v 2 miniatura.jpg

Mój test: czytelność w telefonie

We wrześniu 2026 na promptowy.com wygenerowałem sześć miniatur 16:9 z polskimi napisami i oceniłem każdą po pomniejszeniu do 320 pikseli szerokości, czyli mniej więcej tyle, ile miniatura zajmuje na liście propozycji w telefonie. Użyłem narzędzia graficznego wbudowanego w czat, które nie ujawnia wersji modelu. Pełny opis jest w tekście Miniatury na YouTube z AI: sprawdziłem, które są czytelne w telefonie.

Wynik: trzy miniatury bardzo dobre, trzy dobre, żadnej nieczytelnej. Wnioski, które przenoszę do każdej kolejnej miniatury:

• Krótki napis wygrywa. Oceny "bardzo dobra" dostały napisy z dwóch-trzech słów. "SPRAWDZIŁEM WSZYSTKO" też było poprawne, ale pierwsze, dłuższe słowo zrobiło się najciaśniejsze.
• Tło ustępuje napisowi. Świecący monitor za literami w "ŚWIĘTY GRAAL AI" konkurował z tekstem i obniżył ocenę, mimo poprawnej typografii.
• Grafika nie może wchodzić na litery. W pierwszej wersji "NIE KUPUJ TEGO" znak zakazu nachodził na tekst. Po odsunięciu go na bok miniatura czytała się wyraźnie lepiej.
• Polskie znaki wyszły dobrze. Ł, Ś i Ę były poprawne we wszystkich miniaturach, w których wystąpiły.

To ocena wizualna sześciu obrazów z jednego przebiegu, a nie pomiar klikalności. Co faktycznie klikają Twoi widzowie, pokaże dopiero test A/B miniatur w YouTube Studio.

Kompozycja: jeden obiekt, jeden napis

Miniatura ma sekundę na to, żeby ktoś ją zauważył. Układ, który stosuję:

• Jeden główny obiekt w jednej połowie kadru: twarz, produkt albo symbol (znak, wykres, moneta).
• Napis w drugiej połowie, 2-3 słowa, grube bezszeryfowe litery, wysoki kontrast (biały na czerni, czarny na bieli, żółty na granacie).
• Prawy dolny róg pusty. YouTube kładzie tam czas trwania filmu.
• Proste tło: rozmyte, ciemne albo jednolite. Szczegóły w tle giną przy 320 px.

Twarz i napis

Twarz z wyraźną emocją to najczęstszy motyw miniatur. W moim teście twarzy nie było, więc nie mam własnych pomiarów, jak modele radzą sobie z twarzą i napisem w jednym kadrze. Z zasad, które sprawdziły się przy samych napisach, wynika jedno: twarz i tekst nie mogą się nakładać. Opisuj to wprost w prompcie, np. "the face on the right half, the text on the left half, nothing overlaps the letters".

Prompt, od którego zaczynam (tekst po angielsku, napis po polsku):

YouTube thumbnail, 16:9. Left half: bold white condensed sans-serif text,
exactly "TESTOWAŁEM 30 DNI", two lines, huge letters, thick black outline.
Right half: a large glossy red check mark. Plain white background, studio light.
Nothing overlaps the text. No other text, no logos. Keep the bottom right corner empty.

Zasady pisania samego napisu (cudzysłów, "exactly", długość, sprawdzanie ogonków) rozpisałem osobno w tekście napisy na grafikach AI.

Polskie znaki: który model

Polskie znaki to nadal najczęstsza wpadka w miniaturach z AI. Na promptowy.com prowadzę test typografii z polskimi znakami: szyld piekarni, plakat "WROCŁAW, Jazz nad Odrą" i neon z pangramem "Zażółć gęślą jaźń". W sierpniu 2026 GPT Image 2 i Nano Banana 2 przeszły wszystkie trzy zadania bez jednego błędnego znaku. Seedream 5.0 Pro i Qwen-Image-3 dosypywały ogonki tam, gdzie ich nie ma, a FLUX.2 [pro] gubił kreski i kropki.

Pełne porównanie tych modeli, z planszami i ocenami, jest w tekście GPT Image 2.5 vs Nano Banana Pro vs FLUX.2. Gotowe prompty do miniatur pisane pod Nano Banana 2 znajdziesz też w moim starszym poradniku o miniaturkach z Nano Banana 2.

Twoja twarz na miniaturze: edycja zdjęcia przez image_urls

Zamiast generować obcą twarz, możesz dać modelowi własne zdjęcie. W Jantarisie robi się to polem image_urls (w Studio: Obrazy referencyjne (URL), z przyciskiem Wgraj plik). Nano Banana Pro przyjmuje do 14 zdjęć, GPT Image 2.5 do 16.

Jak to robię:

1. Wybieram ostre zdjęcie twarzy, dobrze oświetlone, z emocją, jaką ma mieć miniatura. Model łatwiej zachowa minę ze zdjęcia, niż wymyśli nową.
2. Wgrywam je jako pierwszą referencję. Gdy chcę dodać produkt albo logo kanału, wgrywam je jako kolejne obrazy.
3. Ustawiam aspect_ratio: "16:9" wprost. Nano Banana Pro bez podanej proporcji przejmuje ją z pierwszej referencji, więc z pionowego selfie dostałbym pionową miniaturę.
4. W prompcie mówię, co zostaje bez zmian, a co ma być nowe.

curl "https://jantaris.com/v1/generate?wait=60" \
  -H "Authorization: Bearer $JANTARIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "nano-banana-pro",
    "input": {
      "prompt": "YouTube thumbnail. Use the person from the first image, keep the face, hair and glasses exactly the same, surprised expression. Person on the right half, looking at the camera. Left half: bold yellow text exactly \"ZA DARMO?\" on a dark navy background. Nothing overlaps the text.",
      "image_urls": ["https://example.com/moje-zdjecie.jpg"],
      "aspect_ratio": "16:9",
      "resolution": "1k"
    }
  }'

Co sprawdzam w wyniku: czy to nadal ja (oczy, nos i linia szczęki najszybciej "dryfują"), czy napis jest co do litery i czy nic nie zasłania tekstu. Jak utrzymać tę samą twarz w całej serii odcinków, opisuję w tekście spójna postać w AI. Zdjęcia innych osób używaj tylko za ich zgodą.

Ile kosztuje seria miniatur

W Jantarisie płacisz za każdy wygenerowany obraz, a nieudane generacje kosztują 0 zł. Przykładowa seria na 10 odcinków:

Wersja oszczędna to pominięcie szkiców i robienie wszystkiego w GPT Image 2.5: 10 odcinków po 3 próby to 30 × 0,254 zł za obraz, a cena nie rośnie z ustawieniem quality. "Od" przy cenie znaczy, że wyższa rozdzielczość kosztuje więcej, ale do miniatury wystarcza najniższa. Dokładne stawki są w cenniku, doładowanie od 40 zł BLIK-iem, z fakturą VAT.

Najczęstsze pytania

Jaki rozmiar ma miniatura na YouTube?

1280x720 pikseli, proporcje 16:9, co najmniej 640 px szerokości. Generuj w 16:9 i przeskaluj gotowy obraz do 1280x720, np. komendą ffmpeg z tego tekstu.

Który generator AI najlepiej pisze polskie napisy na miniaturach?

W moich testach bez błędu pisały Nano Banana Pro, Nano Banana 2, GPT Image 2 i GPT Image 2.5. FLUX.2 [pro] i Z-Image Turbo myliły ogonki, a Seedream 5.0 Pro w jednym z testów dopisywał je tam, gdzie ich nie ma.

Ile słów zmieści się na miniaturze?

W moim teście najlepiej wypadły napisy z dwóch-trzech słów. Dłuższy tekst wymusza mniejsze litery, które w telefonie przestają być czytelne.

Czy mogę wstawić na miniaturę własną twarz?

Tak. Wgraj zdjęcie w polu obrazów referencyjnych (image_urls) w Nano Banana Pro albo GPT Image 2.5, ustaw 16:9 i opisz w prompcie, że twarz ma zostać bez zmian. Wynik sprawdź uważnie, bo rysy potrafią się lekko zmienić.

Czy zrobię miniaturę AI za darmo?

W Jantarisie nie: nie ma darmowego planu ani kredytów na start, płacisz od pierwszego obrazu, minimalne doładowanie to 40 zł. Saldo nie wygasa, a nieudane generacje kosztują 0 zł. Darmowe generowanie z limitami dają aplikacje producentów, np. Gemini i ChatGPT.

Jak sprawdzić, czy miniatura jest czytelna?

Pomniejsz ją do 320 px szerokości i oceń z odległości ręki. Jeśli napis albo główny obiekt się zlewa, uprość tło albo skróć tekst.