Zdjęcie, które się porusza - film AI z jednej fotki, dwóch klatek albo referencji

Schemat jest prosty: fotka otwiera klip w modelu wideo, w prompcie opisujesz wyłącznie ruch, ustawiasz długość, a po minucie albo kilku pobierasz MP4. Do wyboru masz m.in. Kling 3.0, Seedance 2.5 i MiniMax H3. Całość da się wyklikać w Kadraris Studio. Rozliczenie idzie od sekundy materiału - Kling 3.0 to od 0,546 zł za sekundę - a generacja zakończona błędem kosztuje 0 zł.

Niżej trzy tryby pracy ze zdjęciem, przegląd modeli, przygotowanie kadru, prompty i dokładne kroki w Studio oraz w API.

Najpierw zdecyduj, czego chcesz od zdjęcia

Na pierwszy rzut oka tryby są do siebie podobne, w praktyce prowadzą do różnych wyników:

A jeśli zdjęć masz kilka i chcesz z nich jeden film? Wtedy albo podajesz je jako referencje, albo z każdego robisz osobny klip i łączysz je w montażu - pojedyncza fotka daje pojedyncze ujęcie.

Przegląd modeli

Wejścia, które przyjmuje formularz i API w Kadrarisie:

Rozdzielczość i cena:

"Od" oznacza najniższy próg rozdzielczości. Veo 3.1 rozlicza cały 8-sekundowy klip, a nie sekundy.

Na początek wybieram tak: Kling 3.0, gdy liczy się wierność kadrowi i ewentualny dialog; Seedance 2.5 do długich ujęć z audio; MiniMax H3, kiedy zależy mi na 2K. Kiedyś na promptowy.com wziąłem lisa wygenerowanego przez Grok Imagine i ożywiłem go w MiniMax H3 - od tamtej pory często łączę dwa modele: jeden rysuje, drugi animuje. Szczegółowe cenniki znajdziesz w tekstach o Klingu 3.0, Veo 3.1 i MiniMax H3, a punktację wszystkich modeli w moim rankingu generatorów wideo.

Kadr startowy: co sprawdzić przed wysłaniem

Model rusza dokładnie od tego, co dostanie. Słabego zdjęcia prompt nie uratuje. Zanim zapłacę za sekundy wideo, przechodzę tę listę:

• Jakość. Rozdzielczość przynajmniej taka jak docelowego filmu. Rozmyta fotka z komunikatora w ruchu rozmyje się jeszcze bardziej.
• Format. Pionowe zdjęcie daje pionowy film. Kling wtedy po prostu ignoruje pole proporcji, a MiniMax H3 zgłasza błąd, jeśli je wyślesz.
• Zapas na ruch. Planujesz najazd kamery? Obiekt nie może już dotykać krawędzi.
• Bez tekstu. Napis na zdjęciu w ruchu zwykle się rozjeżdża, więc dodaję go w montażu.
• Prawa. Animuj wyłącznie materiał, którym możesz dysponować, a wizerunek innych osób dopiero po ich zgodzie. Bywa, że filtr producenta zablokuje fotkę ze znaną twarzą; zablokowane zadanie jest bezpłatne.

Pamiątkę z rodzinnego albumu, zniszczoną albo spłowiałą, najpierw odnawiam i koloruję w modelu obrazu, a ruch dodaję na końcu - kroki są w poradniku o odnawianiu starych zdjęć.

Dobry kadr startowy najtaniej zrobisz w generatorze obrazów. Tę latarnię zrobiłem lokalnie w Z-Image Turbo i użyłem jej jako pierwszej klatki dla Klinga (zrzut niżej):

Obraz z Z-Image Turbo kosztuje 0,09 zł za obraz, ułamek sekundy wideo. Poprawki kompozycji robię więc na grafice, a wideo zamawiam dopiero od zatwierdzonego kadru. Opisywanie takich obrazów omawiam w przewodniku po promptach do obrazów.

Prompt: ruch, nie opis zdjęcia

Najczęstszy błąd to opisywanie tego, co już widać. Model ma latarnię przed oczami - nie musisz mu jej przedstawiać. Napisz, co ma się poruszyć.

Prompt z mojego zrzutu:

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

Mamy tu to, co się rusza (promień, woda), jak szybko (wolno) i co robi kamera (najazd) - nic więcej. Angielska wersja: the lighthouse beam slowly sweeps across the sea mist, waves crash on the rocks, camera slowly pushes in. Modele rozumieją polski, ale przy kamerze angielskie terminy dają mi przewidywalniejszy efekt. Słownik ruchów kamery jest w poradniku prompty do wideo AI.

Drugi przykład, z produktem. Pionowy kadr bursztynu na 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

Co dobrze się animuje:

• żywioły i natura: rozwiane włosy, unosząca się para, woda, kołyszące się gałęzie, smuga dymu,
• spokojna praca kamery: przybliżenie, oddalenie, okrążenie,
• pojedynczy gest bohatera: spojrzenie w bok, uśmiech, sięgnięcie po kubek.

Słabiej wypadają: sprint, choreografia, grupa ludzi zajętych każdy czym innym oraz postać odwracająca się plecami - plecy trzeba wtedy zmyślić, bo na zdjęciu ich nie ma.

Pokaz producenta Seedance 2.0: wejściem było zdjęcie kobiety z praniem, a prompt mówił wyłącznie o tym, co ona robi.

Dwie klatki: kontrolowana przemiana

Z dwóch zdjęć model zrobi drogę od pierwszego do drugiego. Tak najprościej zapanować nad metamorfozą: poranek przechodzi w noc, rysunek w gotowy produkt, zapakowany prezent w rozpakowany.

W formularzu Studio pod polem startowym znajdziesz Ostatnia klatka (URL), a w API odpowiada mu end_image_url. Mają je Kling 3.0, Seedance 2.5 i 2.0, MiniMax H3 oraz Wan 3.0.

Moje reguły:

1. Oba zdjęcia w tym samym formacie i podobnym świetle, inaczej model zamiast przejścia robi skok.
2. Prompt dotyczy samej zmiany, a nie treści zdjęć, np. "the ice melts into a river, warm sunlight".
3. Daj czas. Przemiana w 3 sekundy wygląda jak cięcie, w 6-8 sekund jak efekt.

Pokaz Alibaby dla Wan 2.7 w tym trybie: dynia rozpada się, uwalniając blask i opar.

Referencje: jeden bohater, wiele ujęć

Klatka startowa przypina kompozycję. Referencja przypina wygląd - człowieka albo towaru - i pozwala modelowi dowolnie ustawić kamerę. Moja metoda na serię z jednym bohaterem: robię zbliżenie twarzy i ujęcie od stóp do głów, a następnie dołączam oba pliki w polu Obrazy referencyjne do każdego klipu, zmieniając tylko opis sytuacji.

Czym różnią się modele:

• Seedance 2.5 przyjmie do 30 zdjęć, 10 klipów i 10 nagrań, dopuszcza też prawdziwe osoby.
• Seedance 2.0: jedno lub dwa zdjęcia w image_urls stają się klatkami, kolejne służą za wzór.
• Wan 3.0 przyjmie 10 plików, do których w opisie odwołujesz się per "Image 1", "Image 2".
• MiniMax H3 przenosi z wzorców wygląd, sposób poruszania i barwę głosu; do pięciu zdjęć cena stoi w miejscu.

Klatki startowej i wzorców raczej nie łączy się w jednym zleceniu - Seedance 2.0 przy parze klatek nie przyjmie już klipów ani audio jako wzorca. Obie wersje Seedance porównuję w poradniku Seedance 2.0 czy 2.5.

Kroki w Studio

1. Otwórz Studio i przejdź do Wideo. Jeśli to twój pierwszy raz, zacznij od rejestracji i wpłaty BLIK-iem (minimum 40 zł).
2. Wybierz model z listy Model, np. Kling 3.0.
3. W polu Pierwsza klatka (URL) podaj link do zdjęcia lub użyj przycisku Wgraj plik - przyjmie PNG, JPG i WebP o wadze do 25 MB.
4. W Prompt opisz ruch w scenie i ruch kamery.
5. Ustaw długość. Pierwsza próba zawsze najkrótsza - w Klingu 3-5 sekund.
6. Chcesz dźwięk z modelu? Zaznacz Generuj dźwięk (w Klingu domyślnie wyłączone).
7. Zerknij na cenę i wyślij zadanie.

Film ląduje w historii generacji na koncie. Plik ściągnij od ręki - adres pobierania po jakimś czasie wygasa.

Przez API

Zdjęcie przekazujesz jako publiczny adres w image_url (pierwsza klatka) i opcjonalnie w end_image_url (ostatnia). Wszystkie pola opisuje dokumentacja generowania.

curl https://kadraris.com/v1/generate \
  -H "Authorization: Bearer $KADRARIS_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"
    }
  }'

Natychmiastowa odpowiedź to 202, numer zadania i estimated_cost. Na gotowy plik czekasz, sprawdzając stan zadania, np. tak:

import os
import time
import requests

API = "https://kadraris.com/v1"
KEY = os.environ["KADRARIS_API_KEY"]
HEADERS = {"Authorization": f"Bearer {KEY}"}

job = {
    "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",
        # opcjonalnie klatka końcowa:
        # "end_image_url": "https://.../latarnia-noc.webp",
        "duration": 5,
        "resolution": "1080p",
    },
}
task = requests.post(f"{API}/generate", headers=HEADERS,
                     json=job, timeout=30).json()
print(task["id"], task["estimated_cost"])

wait = 2
while task["status"] not in ("succeeded", "failed"):
    time.sleep(wait)
    wait = min(wait * 1.5, 15)
    task = requests.get(f"{API}/tasks/{task['id']}",
                        headers=HEADERS, timeout=30).json()

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

Pułapki w nazwach pól:

• Veo 3.1 nie zna image_url; obrazy podajesz jako listę image_urls (maksymalnie trzy), a klip ma zawsze 8 s.
• MiniMax H3 ze zdjęciem na wejściu zwróci błąd, jeśli dołączysz aspect_ratio.
• Kling 3.0 przy zdjęciu ignoruje aspect_ratio i bierze format ze zdjęcia.
• Seedance 2.5 przy parze klatek sam dobiera format (adaptive).

Schemat każdego modelu zwraca GET /v1/models/{id}. Przy dłuższych zadaniach pętlę zastąpisz webhookiem.

Koszt

Rachunek to długość klipu pomnożona przez stawkę. Klatka startowa sama w sobie nie zmienia ceny w Klingu, Seedance czy MiniMax H3. Więcej zapłacisz, gdy dodasz nagranie wideo jako wzorzec (jego długość też się liczy) albo gdy w MiniMax H3 przekroczysz pięć zdjęć wzorcowych.

Precyzyjną sumę podaje przycisk w Studio albo estimated_cost w odpowiedzi API. Konto polskie rozlicza się w złotych z VAT, faktura to jedno pole przy wpłacie, a progi rozdzielczości rozpisuje cennik. Budżet całej rolki z muzyką rozpisałem w tekście budżet rolki z AI, a dowolną kombinację sprawdzisz w kalkulatorze kosztów AI.

Pięć wpadek, które widuję najczęściej

• Opisywanie fotki. Model ją widzi; tekst ma dotyczyć zmian.
• Przeładowanie. Kilka czynności bohatera i do tego dwie jazdy kamery na pięć sekund kończą się trzęsącym obrazem.
• Zły format zdjęcia. Z poziomej fotki nie zrobisz dobrej rolki 9:16 - przytnij ją przed wgraniem.
• Od razu 15 sekund. Najpierw najkrótsza wersja, dłuższa dopiero, gdy ruch się zgadza.
• Brak kopii. MP4 pobieraj zaraz po wygenerowaniu.

Pytania

Czy mogę ożywić stare zdjęcie babci i dziadka?

Da się. Skan rób w maksymalnej jakości, uszkodzenia najpierw usuń, a ruch ogranicz do minimum - mrugnięcie, cień uśmiechu, powolny najazd. Im śmielszy ruch, tym bardziej twarz przestaje przypominać oryginał.

Jakie pliki wgram w Studio jako pierwszą klatkę?

Pliki PNG, JPG i WebP, każdy maksymalnie 25 MB, albo link do obrazu dostępnego online.

Da się dodać odgłosy do ożywionego zdjęcia?

W części modeli tak: Seedance 2.5 i 2.0, MiniMax H3, Wan 3.0, Grok Imagine Video 1.5, a w Klingu 3.0 po włączeniu przełącznika dźwięku. To, co ma być słychać, wpisz do promptu, np. "rain on the roof, distant thunder".

Ile czekam na gotowy klip?

Od mniej więcej minuty w górę, przy dłuższych i ostrzejszych klipach kilka minut. Możesz zamknąć kartę - plik i tak trafi do historii konta, a nieudane zadanie nie zostanie policzone.