Budżet rolki z AI - rozpisuję koszt sekunda po sekundzie

Kiedy liczę rolkę z AI, prawie cały rachunek to sekundy wideo. Długość materiału razy stawka modelu za sekundę razy liczba prób, zanim ujęcie się uda. Scenariusz z czatu, obrazy startowe i podkład muzyczny to przy tym drobne pozycje.

Rozpisuję trzy budżety rolki 9:16 - oszczędny, typowy i reklamowy - na stawkach z cennika, które podstawiają się same. Możesz w nie wstawić swoje liczby.

Wzór, którym się posługuję

rolka = scenariusz
      + obrazy x cena obrazu
      + sekundy x próby x cena sekundy
      + muzyka
      + lektor

Jeśli model ma jedną stawkę na cały klip (np. Veo 3.1), środkowy składnik zamieniasz na: klipy x próby x cena klipu.

Kluczowa i rzadko omawiana zmienna to liczba prób. Rzadko bywa tak, że już pierwszy wygenerowany klip nadaje się do użycia. U mnie na jedno użyte ujęcie wypadają średnio dwie generacje, a gdy w kadrze są dłonie, tłum albo gwałtowna akcja - nawet trzy. W budżecie przyjmuję mnożnik 2.

Mnożnik dotyczy wyłącznie klipów, które się wygenerowały, ale się nie nadają. Zadania ze statusem failed nic nie kosztują, bo zablokowana kwota wraca w całości.

Składniki i ich stawki

Kwoty w tabeli biorą się na żywo z cennika, więc nie zestarzeją się razem z tekstem. W polskiej wersji to złote brutto z VAT.

Budżet A: jedno ujęcie, 15 sekund

Pojedynczy długi klip w Seedance 2.5 z audio wygenerowanym przez model, bez obrazu na start i bez oddzielnego podkładu. Taki układ wybieram do rolek nastrojowych: pejzaż, gotowanie, produkt na stole.

W sumie 35 sekund generowania, czyli 35 x od 1,51 zł za sekundę. To najtańsza rozsądna wersja i od niej zaczynam każdy nowy temat.

Pięciosekundowa próba wygląda na zbędny wydatek, a w praktyce oszczędza. Gdy prompt nie działa, wiesz to po pięciu sekundach, a nie po piętnastu.

Budżet B: trzy ujęcia, 21 sekund, z muzyką

Trzy ujęcia po 7 sekund, spójne dzięki kadrom startowym, z podkładem.

Scenariusz to symbol: 5 tys. tokenów to pół procenta miliona. Kto chce zejść jeszcze niżej, do promptów spokojnie wystarczy Gemini 3.6 Flash (4,29 zł / 21,45 zł za 1 mln tokenów).

Obraz startowy jest wielokrotnie tańszy od sekundy wideo, a ustala kompozycję. To mój ulubiony sposób na oszczędność: kadr poprawiam na tanich obrazach, a do modelu wideo wysyłam już pewny punkt wyjścia. Mniej chybionych klipów to niższy mnożnik prób.

Podkład robię w Mureka V9, który tworzy całą piosenkę z wokalem z podanego tekstu. Tekst trafia do lyrics, podzielony znacznikami [Verse] i [Chorus], a prompt dostaje dwa-trzy słowa o gatunku, tempie i instrumentach. Płacę za utwór, więc długość nie zmienia ceny. Na potrzeby rolki biorę z utworu jeden fragment, najczęściej refren z wybrzmieniem.

Budżet C: reklama w Veo 3.1, 4 ujęcia po 8 sekund

Przy reklamie albo zleceniu od klienta najważniejsze ujęcia zlecam Veo 3.1 (Quality). Każdy klip z tego modelu trwa w Kadrarisie 8 sekund. Warianty 4, 6 i 8 s, o których pisze Google, odnoszą się do jego własnego cennika.

Tu liczę klipy, nie sekundy. Krótszy klip nie wychodzi taniej: jeśli w montażu potrzebujesz pięciu sekund, płacisz za całe osiem i przycinasz.

Przy stawkach z cennika ta wersja wychodzi mniej więcej tyle co budżet A w 720p i ok. dwa razy drożej niż A w 480p - różnicę robią stawka klipu Veo, dodatkowe obrazy i liczba prób. Na prywatny profil szkoda pieniędzy, przy płatnym zleceniu to się broni.

Jeśli model pozwala wybrać rozdzielczość, cena może od niej zależeć. Dokładny koszt zadania masz zawsze w estimated_cost w API albo na przycisku w Studio.

Głos lektora: najtrudniejszy element

Nie będę udawać, że to proste. Polski lektor to najsłabszy punkt rolek z AI.

• Mowa generowana przez model wideo. Seedance 2.5, Kling 3.0 i Veo 3.1 generują audio w tym samym przebiegu co obraz, łącznie z wypowiedziami. Po polsku wychodzi to nierówno, a Kling 3.0 nie ma polskiego na oficjalnej liście języków dialogu. Krótkie angielskie zdania - tak, polski lektor - raczej nie.
• Twój głos. Najtańszy i najbardziej wiarygodny. Tani mikrofon i pokój bez pogłosu w zupełności wystarczą. Koszt z salda: zero.
• Zewnętrzny syntezator mowy. Są programy TTS z porządnymi polskimi głosami, ale to osobny koszt poza saldem.
• Same napisy. Tekst na ekranie plus muzyka to sprawdzony format. Litery nakładam w programie do montażu, bo tekst generowany wewnątrz wideo AI często ma literówki.

Dlatego w budżetach powyżej głos jest za darmo: nagrywam go sam albo zastępuję tekstem.

Trzy budżety obok siebie

Czas pracy dopisuję celowo, bo to też koszt. A kosztuje mało pieniędzy i mało godzin. W C najwięcej czasu idzie na składanie materiału, nie na generację.

Siedem sposobów na tańszą rolkę

1. Próba na 5 sekundach przed każdym dłuższym klipem.
2. Brudnopis w Seedance 2.0 Mini. Kadr i pracę kamery weryfikuję na jednym z najtańszych modeli Seedance (od 0,453 zł za sekundę, najniższa stawka dotyczy 480p), a zatwierdzony prompt puszczam w Seedance 2.5 (od 1,51 zł za sekundę) albo Veo 3.1 (Quality) (od 14,61 zł za film, klip 8 s). Mini standardowo nie dodaje audio, ale w brudnopisie to bez znaczenia.
3. Kompozycja na obrazach, bo obraz kosztuje ułamek sekundy wideo.
4. Niższa rozdzielczość na roboczo, wyższa dopiero w finale, jeśli model ją ma i jest droższa.
5. Mniej cięć. Seedance 2.5 wygeneruje nawet 30 sekund naraz, więc odpada pilnowanie, by kolejne ujęcia do siebie pasowały.
6. Oszczędny czat. Opisy ujęć generuję lekkim modelem, a mocniejsze zostawiam na trudniejsze rzeczy.
7. Zeszyt promptów. Zapisuję te, które zadziałały. Kolejna rolka w tym stylu wymaga mniej prób.

Wycena przed wysłaniem

Nie trzeba liczyć na kartce. Porównanie kilku wersji budżetu zrobisz w kalkulatorze kosztów AI. W Kadraris Studio cena zadania jest na przycisku przed kliknięciem. W API estimated_cost przychodzi w odpowiedzi na POST /v1/generate, a cenę jednostkową modelu podaje otwarty adres:

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

Poniższy skrypt ściąga informacje o czterech modelach użytych w budżetach, żebyś mógł wpisać stawki do wzoru. Klucz nie jest potrzebny, a pola odpowiedzi opisuje dokumentacja modeli:

import json
import requests

API = "https://kadraris.com/v1"
MODELS = ["claude-sonnet-5", "nano-banana-pro",
          "seedance-2.5", "mureka-v9"]

for model_id in MODELS:
    info = requests.get(f"{API}/models/{model_id}",
                        timeout=30).json()
    print(model_id)
    # początek odpowiedzi wystarczy, żeby znaleźć cenę
    print(json.dumps(info, indent=2,
                     ensure_ascii=False)[:800])

Automatyzację od pomysłu po plik mp4 opisuję w poradniku automatyczne rolki z n8n. Na początek przyda się też pierwsze wideo w Kadraris Studio.

Pytania

Dlaczego w budżecie liczysz każde ujęcie dwa razy?

Bo pierwsza generacja rzadko nadaje się do montażu. Mnożnik 2 to moja średnia; przy dłoniach, kilku postaciach czy szybkim ruchu bliżej mi do 3. Klipy zakończone błędem się nie liczą, kosztują 0 zł.

Czy 5-sekundowy fragment w Veo 3.1 będzie tańszy?

Nie. W Kadrarisie Veo 3.1 rozlicza się za klip 8-sekundowy (od 14,61 zł za film), więc krótszy fragment wycinasz w montażu z pełnego klipu.

Czy muzyka z Mureka V9 kosztuje więcej, gdy utwór jest dłuższy?

Nie, płacisz za utwór: 0,88 zł za utwór. Do rolki i tak wycinasz zwykle jeden refren.

Co da największą oszczędność przy pierwszej rolce?

Próby na krótkich klipach i poprawianie kompozycji na tanich obrazach startowych. Obie rzeczy obniżają liczbę drogich generacji wideo, które lądują w koszu.