Film generowany przez AI nie zaczyna się od promptu. Zaczyna się od decyzji, co dokładnie widz ma zobaczyć, usłyszeć i zrozumieć w każdej sekundzie materiału. Jeżeli scenariusz zawiera jedynie hasła w rodzaju „dynamiczna reklama nowoczesnej aplikacji”, generator sam uzupełni brakujące informacje. Zwykle zrobi to efektownie, ale niekoniecznie zgodnie z celem filmu: zmieni wygląd bohatera, doda przypadkowe napisy, zgubi produkt albo wykona ruch kamery, który utrudni montaż.
Scenariusz przeznaczony do generowania wideo przypomina bardziej dokument produkcyjny i listę ujęć niż opowiadanie. Musi określać format, czas, kompozycję kadru, akcję, ruch kamery, dźwięk oraz elementy, których model nie może zmieniać. Trzeba też od razu uwzględnić ograniczenia wybranego narzędzia. Przykładowo Runway Gen-4 generuje klipy trwające 5 albo 10 sekund, a nowszy Gen-4.5 pozwala ustawić długość od 2 do 10 sekund. W Google Flow modele Veo 3.1 pracują najczęściej na ujęciach od 4 do 10 sekund, zależnie od wariantu i trybu generowania.
To oznacza, że minutowy film nie powinien być opisany jako jedna ciągła scena. Realnie jest to zwykle 8–15 osobnych generacji, które dopiero w montażu tworzą spójną historię.
Najpierw zamknij brief, zanim zaczniesz opisywać kadry
Najdroższy błąd pojawia się przed pierwszą generacją: autor pisze sceny, nie ustalając funkcji materiału. Film sprzedażowy, instruktaż, teaser wydarzenia i rolka wizerunkowa mogą dotyczyć tego samego produktu, ale wymagają zupełnie innego rytmu oraz sposobu prowadzenia narracji.
Przed scenariuszem zapisz sześć decyzji:
- Cel filmu: sprzedaż, prezentacja produktu, wyjaśnienie procesu, pozyskanie kontaktu, budowanie rozpoznawalności albo zatrzymanie uwagi.
- Odbiorca: konsument, klient B2B, pracownik techniczny, inwestor, użytkownik aplikacji czy osoba, która pierwszy raz spotyka się z marką.
- Kanał publikacji: TikTok, Instagram Reels i YouTube Shorts wymagają najczęściej pionowego formatu 9:16; klasyczny YouTube, strona internetowa i ekran konferencyjny zwykle korzystają z 16:9.
- Docelowy czas: około 6–15 sekund dla prostego klipu reklamowego, 20–40 sekund dla rozwiniętej rolki oraz 45–90 sekund dla krótkiego materiału objaśniającego.
- Jedno główne działanie widza: kliknięcie, zapisanie się, zapamiętanie marki, poznanie funkcji albo zrozumienie problemu.
- Elementy stałe: wygląd bohatera, kolor produktu, ubranie, rekwizyty, charakter światła, sposób filmowania i ton wypowiedzi.
Nie próbuj realizować pięciu celów naraz. Materiał trwający 20 sekund nie powinien jednocześnie opowiadać historii firmy, przedstawiać czterech funkcji aplikacji, budować emocji i kończyć się rozbudowaną instrukcją zakupu. Jedna krótka forma potrzebuje jednej głównej obietnicy.
Dobrym punktem wyjścia jest zdanie produkcyjne:
Takie zdanie od razu narzuca kolejność ujęć: problem, działanie, rezultat i wezwanie do reakcji. Hasło „film o łatwym fakturowaniu” nie daje tej kontroli.
Już na etapie briefu trzeba też zdecydować, czego nie generować. Czytelne logo, tekst oferty, ceny, regulamin promocji, ekran aplikacji i drobne elementy interfejsu najbezpieczniej dodać podczas montażu. Modele wideo nadal potrafią zniekształcać litery, zmieniać cyfry pomiędzy klatkami i tworzyć nieistniejące ikony. Zostaw więc w kadrze wolną przestrzeń na napis, zamiast żądać od generatora idealnej planszy sprzedażowej.
Każde ujęcie opisz jak polecenie dla operatora i montażysty
Scenariusz literacki mówi: „Mężczyzna jest przytłoczony liczbą obowiązków”. Scenariusz produkcyjny pokazuje, jak to przytłoczenie ma wyglądać na ekranie:
Drugą wersję da się sfilmować. Pierwsza wymaga zgadywania.
Każde ujęcie powinno zawierać przynajmniej:
- czas trwania;
- rodzaj planu, na przykład szeroki, średni, półzbliżenie albo detal;
- bohatera lub główny obiekt;
- jedną dominującą akcję;
- ruch kamery albo informację, że kadr ma być statyczny;
- lokację, porę dnia i światło;
- dźwięk, dialog lub tekst lektora;
- warunki ciągłości;
- elementy zabronione.
Praktyczny zapis może wyglądać tak:
Ujęcie 1 — 4 sekundy
Plan średni. Właściciel małej firmy siedzi wieczorem przy biurku. Na blacie leżą dokumenty, kubek kawy i zamknięty laptop. Mężczyzna przeciera oczy. Kamera nieruchoma. Ciepłe światło lampki, ciemne tło. Bez napisów i bez dodatkowych osób.
Ujęcie 2 — 5 sekund
Detal dłoni trzymającej smartfon. Na ekranie ma znajdować się neutralna, jasna makieta aplikacji bez czytelnego tekstu. Kciuk naciska jeden duży przycisk. Kamera wykonuje delikatny ruch w dół. Ten sam rękaw granatowej koszuli co w pierwszym ujęciu.
Ujęcie 3 — 5 sekund
Półzbliżenie tej samej postaci. Mężczyzna odkłada telefon, prostuje się i uśmiecha. Światło staje się nieco jaśniejsze. Kamera powoli odjeżdża. Lektor: „Faktura gotowa, zanim zdążysz otworzyć komputer”.
Ujęcie 4 — 4 sekundy
Czyste biurko, telefon po prawej stronie kadru, dużo wolnego miejsca po lewej. Statyczna kamera. Logo, nazwa usługi i wezwanie do działania zostaną dodane w montażu.
Jedno ujęcie powinno zawierać jedną główną zmianę. Model może sobie poradzić z postacią, która wstaje od stołu. Znacznie gorzej zrealizuje polecenie, w którym postać wstaje, zakłada kurtkę, wychodzi z mieszkania, przebiega przez ulicę, odbiera telefon i wsiada do samochodu. Tę sekwencję należy rozbić na co najmniej cztery klipy.
Runway zaleca budowanie dłuższych materiałów z osobnych kadrów storyboardu, z których każdy odpowiada zazwyczaj generacji trwającej około 5–10 sekund. Pozwala to ponownie wygenerować wadliwe ujęcie bez niszczenia pozostałej części filmu.
Podobna zasada dotyczy promptów. Gdy korzystasz z obrazu referencyjnego, nie powtarzaj w tekście całego wyglądu kadru. Skup się na ruchu postaci, zachowaniu obiektów i pracy kamery. W przypadku Runway Gen-4 obraz wejściowy wyznacza kompozycję, kolory i pierwszy kadr, dlatego prompt tekstowy powinien przede wszystkim opisywać animację sceny.
Dialog wymaga osobnej kontroli. Poza treścią wypowiedzi zapisz:
- kto mówi;
- do kogo mówi;
- czy postać patrzy w kamerę;
- tempo wypowiedzi;
- emocję widoczną w głosie i zachowaniu;
- miejsca na pauzy;
- planowaną długość kwestii.
W pięciosekundowym ujęciu nie umieszczaj czterdziestu słów. Naturalna polska wypowiedź lektorska mieści zwykle około 2–2,5 słowa na sekundę, zależnie od tempa, dykcji i liczby trudnych nazw. Dla pięciu sekund bezpieczny tekst ma więc około 8–12 słów. Dłuższe zdanie będzie wypowiadane zbyt szybko albo zostanie ucięte.
Zaplanuj ograniczenia, poprawki i montaż jeszcze przed generowaniem
Scenariusz pod AI powinien zawierać nie tylko oczekiwany efekt, ale również plan kontroli błędów. Przy każdym ujęciu zaznacz elementy nienegocjowalne. To one decydują, czy klip można zaakceptować.
Przykładowe warunki:
- bohater ma tę samą fryzurę, okulary i granatową koszulę;
- telefon zawsze znajduje się w prawej dłoni;
- produkt pozostaje biały i nie zmienia proporcji;
- w tle nie mogą pojawić się dodatkowe osoby;
- kamera nie wykonuje obrotu wokół postaci;
- model nie generuje napisów ani logotypów;
- twarz nie może być zasłonięta dłonią;
- kadr końcowy musi zostawiać miejsce na planszę tekstową.
Nie wpisuj kilkunastu zakazów bez priorytetów. Model może zacząć ignorować część instrukcji. Wyróżnij dwa lub trzy warunki krytyczne, a resztę traktuj jako preferencje.
Najwięcej problemów sprawiają zwykle:
- identyczny wygląd tej samej osoby w wielu ujęciach;
- precyzyjne ruchy palców;
- przekazywanie przedmiotów między postaciami;
- tłum i sceny z kilkoma bohaterami;
- długie dialogi;
- skomplikowana choreografia;
- czytelny tekst wewnątrz obrazu;
- wierne odwzorowanie interfejsu;
- dokładne logo i opakowanie produktu.
Gdy scena opiera się na jednym z tych elementów, trzeba zmienić metodę. Interfejs nagraj klasycznie, zamiast generować go od zera. Logo dodaj jako warstwę. Ruch dłoni pokaż krócej albo zastąp detalem produktu. Długą rozmowę podziel na zbliżenia pojedynczych postaci i sklej w montażu.
Narzędzie należy wybierać po napisaniu technicznego szkicu scen, nie przed nim. Runway Gen-4 wymaga obrazu wejściowego, generuje w 24 klatkach na sekundę i obsługuje między innymi formaty 16:9, 9:16 oraz 1:1. Pięciosekundowa generacja w standardowym Gen-4 kosztuje 60 kredytów, a dziesięciosekundowa 120; w wariancie Turbo odpowiednio 25 i 50 kredytów. Te wartości pokazują, dlaczego najpierw opłaca się testować prosty ruch i kompozycję, a dopiero później generować finalne warianty.
Załóż budżet na poprawki. Jedno zaakceptowane ujęcie rzadko oznacza jedną generację. Przy prostym kadrze produktowym rozsądnie jest przewidzieć 2–4 próby, a przy scenie z postacią, rekwizytem i ruchem kamery nawet 5–10 wariantów. Nie da się zagwarantować wyniku samym precyzyjnym promptem. Dobry scenariusz ogranicza liczbę przypadkowych błędów, ale nie usuwa losowości modelu.
Po pierwszym teście zmieniaj tylko jeden element naraz. Najpierw popraw ruch postaci, później kamerę, następnie tempo. Przepisanie całego promptu po każdym nieudanym wyniku uniemożliwia ustalenie, która zmiana faktycznie pomogła. Tę metodę iteracji zaleca również dokumentacja Runway: dodawanie pojedynczych modyfikacji ułatwia diagnozowanie nieoczekiwanych rezultatów.
Scenariusz powinien także przewidywać kwestie prawne i publikacyjne. Nie używaj wizerunku prawdziwej osoby bez odpowiedniej podstawy, nie imituj charakterystycznego głosu bez zgody i nie zakładaj, że wygenerowanie materiału automatycznie daje prawa do wszystkich widocznych znaków, postaci czy elementów marki. W produkcji komercyjnej sprawdź regulamin konkretnego planu, zasady wykorzystania wygenerowanych treści oraz prawa do materiałów referencyjnych.
Od 2 sierpnia 2026 roku zaczną być stosowane unijne obowiązki przejrzystości wynikające z art. 50 AI Act, obejmujące między innymi oznaczanie określonych treści wygenerowanych lub zmanipulowanych przez AI, szczególnie deepfake’ów oraz materiałów mogących wprowadzać odbiorców w błąd. Nie każdy zwykły film reklamowy będzie wymagał identycznego oznaczenia, ale sposób publikacji trzeba ocenić przed emisją, a nie po otrzymaniu skargi.
FAQ
Czy scenariusz i prompt to ten sam dokument?
Nie. Scenariusz opisuje cały film, kolejność ujęć, narrację, dźwięk i montaż. Prompt jest techniczną instrukcją używaną do wygenerowania konkretnego klipu.
Ile powinno trwać pojedyncze ujęcie?
Najczęściej 3–8 sekund. Dziesięć sekund ma sens przy spokojnym ruchu lub kilku następujących po sobie czynnościach. Dynamiczne sceny lepiej dzielić na krótsze fragmenty.
Czy każde ujęcie trzeba opisywać osobno?
Tak. Osobny opis ułatwia poprawki, zachowanie rytmu i ponowne wygenerowanie wyłącznie wadliwego fragmentu.
Czy należy wpisywać emocje bohatera?
Tak, ale trzeba przełożyć je na zachowanie. Zamiast „jest zdenerwowany” wpisz: „zaciska szczękę, ściska telefon i wykonuje krótkie, nerwowe spojrzenia w stronę drzwi”.
Czy napisy i logo warto generować razem z obrazem?
Nie. Dodaj je w programie montażowym. Generator może zniekształcić litery, zmienić nazwę lub przesunąć znak pomiędzy klatkami.
Jak utrzymać tę samą postać w kilku scenach?
Używaj jednego obrazu referencyjnego, identycznego opisu wyglądu i tych samych elementów garderoby. Ogranicz liczbę zmian lokacji, oświetlenia i perspektywy. Pełnej zgodności nadal nie da się zagwarantować.
Kiedy zrezygnować z generowania sceny?
Gdy jej sens zależy od idealnie czytelnego tekstu, dokładnego interfejsu, skomplikowanego ruchu dłoni, precyzyjnej instrukcji technicznej albo wiernego odwzorowania konkretnej osoby. Taką część lepiej nagrać, animować lub zbudować w montażu.
Pierwszą pracę wykonaj bez uruchamiania generatora: rozpisz film na osobne ujęcia i usuń z każdego więcej niż jedną główną akcję. Następnie sprawdź, czy każde ujęcie określa bohatera, ruch, kamerę, światło, czas oraz warunki ciągłości. Dopiero wtedy przygotuj obrazy referencyjne i prompty. Jeżeli scena nadal brzmi jak fragment opowiadania, a nie instrukcja możliwa do narysowania lub sfilmowania, popraw właśnie ją — to tam powstaną najdroższe błędy.
