Teledysk AI - jak zrobić klip do piosenki krok po kroku

Teledysk z AI robisz na dwa sposoby. Szybszy: wysyłasz piosenkę MP3 (10-300 sekund) i od 1 do 7 zdjęć postaci lub stylu do Music Video 1.0, a model oddaje klip zsynchronizowany z utworem, liczony od 0,636 zł za sekundę za każdą sekundę piosenki. Dokładniejszy: generujesz osobne ujęcia w modelach wideo, np. Seedance 2.5 albo Kling 3.0, i składasz je w montażu do rytmu. Piosenkę możesz mieć własną albo zrobić w Mureka V9 (0,727 zł za utwór). Niżej oba sposoby krok po kroku, koszt 3-minutowego klipu i ograniczenia, o których warto wiedzieć przed startem.

Dwie drogi do teledysku

Krok 1: piosenka

Własny utwór

Jeśli masz nagrany kawałek, potrzebujesz pliku MP3. Music Video 1.0 przyjmuje utwory od 10 do 300 sekund, więc pięciominutowa piosenka to górna granica. WAV zamienisz na MP3 jedną komendą:

ffmpeg -i utwor.wav -b:a 320k utwor.mp3

Do Jantaris Studio wgrasz MP3 i WAV do 25 MB przyciskiem Wgraj plik. Wgrane pliki znikają po 30 dniach, więc oryginał trzymaj u siebie.

Piosenka z Mureka V9

Gdy utworu nie masz, Mureka V9 zrobi piosenkę z wokalem z dwóch pól: opisu stylu i tekstu ze znacznikami sekcji. Płacisz za utwór, nie za sekundę.

Dwie rzeczy, które wpływają na teledysk:

• Polski wokal. Polskiego nie ma na liście języków śpiewu podawanej dla Mureka V9. Model zaśpiewa polski tekst, ale wymowa bywa nierówna. Szczegóły i obejścia opisałem w tekście piosenka AI w Mureka V9.
• Długość. Mureka nie ma parametru długości, czas wynika z tekstu. Do teledysku na YouTube celuj w 2-3 minuty, do rolki wystarczy fragment.

Zanim zaczniesz generować obraz, wybierz ostateczną wersję piosenki. Każda zmiana miksu albo długości po montażu to przesuwanie wszystkich cięć.

Krok 2: postać i styl

Teledysk rozpada się, gdy wokalista w każdym ujęciu ma inną twarz. Dlatego zanim zrobię pierwsze wideo, robię 3-5 obrazów referencyjnych w jednym modelu obrazu: postać z przodu, z profilu, w stroju scenicznym, plus jedno-dwa kadry z miejscem akcji i paletą kolorów. Te same obrazy idą potem do Music Video 1.0 albo jako pierwsze klatki do modeli wideo. Cały proces opisałem osobno w tekście spójna postać w AI.

Droga A: Music Video 1.0

Music Video 1.0 ma w Jantarisie takie pola:

• Plik audio (URL) - Twoja piosenka w MP3, 10-300 s,
• Obrazy referencyjne (URL) - od 1 do 7 zdjęć postaci lub stylu,
• Prompt - opcjonalny, do 3000 znaków: klimat, miejsca akcji, kolory,
• Tytuł - etykieta utworu,
• Proporcje - 1:1, 16:9, 9:16, 4:3 albo 3:4,
• Rozdzielczość - 540P, 720P albo 1080P.

Długość filmu jest równa długości piosenki, a koszt to stawka za sekundę razy liczba sekund utworu, mierzona przez serwer. Stawka zależy od rozdzielczości, tabela jest na stronie modelu.

Jak bym zaczął:

1. Wytnij z piosenki 15-20 sekund z refrenem (min. 10 s) i wygeneruj z niego klip w 540P. To najtańszy test stylu i referencji.
2. Sprawdź, czy postać trzyma wygląd, czy cięcia trafiają w rytm i czy w kadrze nie ma niechcianych napisów. W opisie modelu producent wymienia opcjonalne napisy z tekstem piosenki, więc zobacz, co pojawia się w Twoim wyniku.
3. Popraw prompt albo referencje i dopiero wtedy wygeneruj całość w docelowej rozdzielczości.

curl https://jantaris.com/v1/generate \
  -H "Authorization: Bearer $JANTARIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "music-video-1.0",
    "input": {
      "audio_url": "https://example.com/refren-20s.mp3",
      "image_urls": [
        "https://example.com/wokalistka-przod.png",
        "https://example.com/wokalistka-profil.png",
        "https://example.com/miasto-noc.png"
      ],
      "prompt": "Night city, neon reflections on wet streets, the singer walks through empty tram stops, warm amber and teal palette, cinematic.",
      "aspect_ratio": "16:9",
      "resolution": "540P"
    },
    "webhook_url": "https://twoj-serwer.example.com/jantaris-hook"
  }'

Uczciwie: nie mam jeszcze własnego teledysku z tego modelu, więc nie pokazuję wyniku ani nie oceniam, jak dokładnie trzyma rytm i ruch ust. Opis modelu nie wspomina o synchronizacji ust ze śpiewem. Jeśli w Twoim klipie wokalista ma śpiewać do kamery, zaplanuj ujęcia występu drogą B.

Droga B: ujęcia z modeli wideo i montaż

Rozpisz piosenkę na ujęcia

Zaczynam od listy ujęć pod strukturę utworu. Przy 120 BPM jeden takt 4/4 trwa 2 sekundy, więc cięcia co 2, 4 albo 8 sekund wypadają na rytm. Tempo utworu sprawdzisz w każdym programie do montażu albo w opisie stylu, który dałeś Murece.

Modele wideo mają minimalną długość klipu (Seedance 2.5 od 4 s, Kling 3.0 od 3 s, Wan 3.0 od 2 s), więc generuję 4-5 sekund i przycinam w montażu.

Które modele do czego

• Ujęcia fabularne: Seedance 2.5 (4-30 s, do 30 referencji), Kling 3.0 (3-15 s, tryb kilku ujęć w jednej generacji), Wan 3.0 (2-30 s, do 10 referencji). Pierwszą klatkę daj z obrazów z kroku 2.
• Występ do kamery: Kling 2.6 Motion Control albo Kling 3.0 Motion Control. Nagrywasz siebie, jak śpiewasz do utworu, a model przenosi ruch, mimikę i usta na postać ze zdjęcia. Płacisz za sekundę Twojego nagrania.
• Ruch z dźwięku: Wan 2.7 Video przyjmuje zdjęcie i plik audio (image_url + audio_url) i porusza postacią w rytm nagrania. Jak dokładnie trzyma usta przy śpiewie, nie testowałem.

Kuaishou pokazuje w materiałach Motion Control synchronizację ruchu, mimiki i ust z nagraniem referencyjnym:

Do dłuższych ujęć fabularnych Seedance 2.5 robi do 30 sekund w jednym ujęciu, co w teledysku przydaje się na intro albo most:

A gdy klip ma być stylizowany, np. w estetyce anime, szybkie cięcia i mocna grafika robią sporą część roboty:

Dźwięk modeli wyłącz

Modele wideo z dźwiękiem (Seedance, Kling, Wan) dogenerują własne tło i muzykę. W teledysku i tak położysz na ścieżkę swoją piosenkę, więc odznacz Generuj dźwięk albo dopisz w prompcie no music. W Klingu wyłączenie dźwięku obniża też stawkę.

Montaż

Do składania ujęć wystarczy darmowy DaVinci Resolve albo CapCut. Kolejność, która mi działa:

1. Kładę piosenkę na oś czasu i stawiam znaczniki na początku każdej sekcji.
2. Wstawiam ujęcia według listy, tnę na takty.
3. Zostawiam 2-3 zapasowe ujęcia na każdą sekcję, bo część generacji i tak odpadnie.
4. Wyrównuję kolory jednym filtrem na całość, żeby ujęcia z różnych modeli nie odstawały.
5. Gdy materiał jest w 720p, a teledysk ma iść w 1080p lub 4K, przepuszczam gotowe ujęcia przez Topaz Video Upscaler albo Enhance Video 1.0.

Ile kosztuje 3-minutowy teledysk

180 sekund muzyki. Przy drodze B zakładam 2 podejścia na ujęcie, bo tak wychodzi w praktyce.

Pozycje z "od" w cenie to najniższa rozdzielczość: 540P w Music Video i 480p w Seedance. Wyższa rozdzielczość podnosi stawkę za sekundę, aktualne kwoty są w cenniku. Droga A jest przewidywalna, bo płacisz raz za długość piosenki. Droga B kosztuje kilka razy więcej, ale każde ujęcie wygląda tak, jak je zaplanowałeś. Nieudane generacje w obu drogach kosztują 0 zł, a doładowanie zaczyna się od 40 zł przez BLIK, z fakturą VAT.

Ograniczenia, o których warto wiedzieć

• Spójność postaci. Najsłabsze ogniwo każdego teledysku z AI. Referencje i pierwsze klatki pomagają, ale twarz z profilu i w szybkim ruchu potrafi się zmienić.
• Śpiew i usta. Modele wideo z własnym dźwiękiem nie zaśpiewają Twojej piosenki. Występ do kamery zrób przez Motion Control z własnego nagrania.
• Tekst w kadrze. Napisy generowane w wideo często mają błędy. Tytuł i tekst piosenki dodaj w montażu.
• Prawa. Do teledysku potrzebujesz praw do piosenki i do zdjęć, z których robisz postać. Zanim wydasz utwór z AI, sprawdź zasady dystrybutora dotyczące muzyki generowanej. Filtry producentów często odrzucają też wizerunki znanych osób.
• Długie utwory. Music Video 1.0 kończy się na 300 sekundach. Dłuższy utwór trzeba podzielić i skleić, a na styku części postać może wyglądać inaczej.

Jak pisać prompty do pojedynczych ujęć, opisuję w tekście prompty do wideo AI, a pełny proces krótkiego filmu w poradniku jak zrobić film AI.

Najczęstsze pytania

Jak zrobić teledysk AI do własnej piosenki?

Najprościej: wgraj piosenkę w MP3 i 1-7 zdjęć postaci do Music Video 1.0, a model zrobi klip zsynchronizowany z utworem. Jeśli chcesz kontrolować każde ujęcie, wygeneruj ujęcia w Seedance 2.5 albo Kling 3.0 i złóż je do rytmu w DaVinci Resolve lub CapCut.

Ile kosztuje teledysk AI?

W Music Video 1.0 płacisz od 0,636 zł za sekundę piosenki, więc 3 minuty to 180 razy ta stawka plus piosenka i obrazy referencyjne. Teledysk z osobnych ujęć kosztuje więcej, bo płacisz za każdą sekundę każdego podejścia.

Czy AI zrobi teledysk, w którym postać śpiewa?

Do występu do kamery użyj Kling Motion Control: nagraj siebie śpiewającego do utworu i przenieś ruch, mimikę i usta na postać ze zdjęcia. Modele wideo generujące własny dźwięk nie zaśpiewają Twojej piosenki.

Jak długa może być piosenka w Music Video 1.0?

Od 10 do 300 sekund, w formacie MP3. Dłuższy utwór podziel na części.

Czy mogę zrobić teledysk AI za darmo?

W Jantarisie nie: nie ma darmowego planu ani kredytów na start, a minimalne doładowanie to 40 zł. Saldo nie wygasa, a nieudane generacje kosztują 0 zł, więc test na 20-sekundowym fragmencie w 540P kosztuje niewiele.

Czy mogę wydać teledysk AI na YouTube i Spotify?

Na YouTube tak, jeśli masz prawa do muzyki i obrazów. Przy dystrybucji piosenki z AI do serwisów streamingowych sprawdź warunki producenta modelu muzycznego i swojego dystrybutora, bo każdy ma własne zasady.