Miniatura na YouTube z AI, która czyta się w telefonie

Dobra miniatura z AI ma jeden obiekt, dwa-trzy słowa i przechodzi test pomniejszenia: oglądasz ją w rozmiarze z listy propozycji w telefonie i dopiero wtedy decydujesz, czy idzie na kanał. Generuję w 16:9, a do 1280x720 skaluję na końcu. Polski napis zamawiam w modelu, który nie gubi ogonków - u mnie to Nano Banana Pro (od 0,411 zł za obraz) albo tańszy GPT Image 2.5 (0,293 zł za obraz). Niżej mój test czytelności, układ kadru, prompt, wersja z własną twarzą i rachunek za całą serię.

Najpierw układ: obiekt po jednej stronie, napis po drugiej

Na miniaturę ktoś patrzy ułamek sekundy, więc trzymam się prostego schematu:

• Jedna rzecz przyciąga wzrok. Twarz, produkt albo symbol (strzałka, znak, wykres) w jednej połowie kadru.
• Napis w drugiej połowie. Dwa-trzy słowa, grube litery bez szeryfów, mocny kontrast: biel na czerni, czerń na bieli, żółć na granacie.
• Pusty prawy dolny róg. Tam YouTube wstawia czas trwania filmu.
• Tło bez detali. Rozmyte, ciemne albo jednolite. Drobiazgi i tak znikną po pomniejszeniu.

Gdy na miniaturze ma być twarz

Twarz z wyraźną emocją to najpopularniejszy motyw. Twarzy w moich sześciu próbach akurat zabrakło, dlatego zestawu twarz plus napis nie mierzyłem. Z prób z samymi napisami wyciągam jedną zasadę: tekst i twarz nie mogą na siebie wchodzić. Piszę to w prompcie wprost, na przykład "face on the right side, text on the left side, the letters stay clear".

Mój prompt bazowy - opis 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.

Jak formułować sam napis (cudzysłów, słowo "exactly", długość, kontrola ogonków), jest osobny tekst: napisy na grafikach AI.

Co pokazał test w rozmiarze telefonu

We wrześniu 2026 przygotowałem na promptowy.com serię sześciu miniatur 16:9 z polskim tekstem i każdą oceniłem po zmniejszeniu do 320 px szerokości - mniej więcej tyle zajmuje miniatura na liście propozycji w telefonie. Generowałem narzędziem graficznym wbudowanym w czat, które nie mówi, jakiej wersji modelu używa. Pełna relacja z tej próby leży na promptowy.com.

Trzy wyszły bardzo dobrze, trzy dobrze, nieczytelnej nie było ani jednej. Co z tego zabrałem do kolejnych projektów:

• Mniej słów, większe litery. Najlepiej oceniłem hasła z dwóch-trzech słów. Dwuwyrazowe hasło z długim "SPRAWDZIŁEM" na początku przeszło, ale długie pierwsze słowo zrobiło się najciaśniejsze.
• Jasne tło za literami szkodzi. W "ŚWIĘTY GRAAL AI" świecący monitor za tekstem rywalizował z napisem i obniżył ocenę, choć sama typografia była poprawna.
• Grafika obok liter, nie na nich. Przy haśle o niekupowaniu czerwone koło z kreską przecinało litery. Odsunięty w bok - miniatura od razu czytała się lepiej.
• Ogonki bez zarzutu. Ł, Ś i Ę wyszły poprawnie w każdej miniaturze, w której się pojawiły.

Zastrzeżenie: to moja ocena wzrokowa sześciu obrazów z jednego podejścia, a nie pomiar kliknięć. Co klikają twoi widzowie, pokaże dopiero porównanie wariantów w YouTube Studio.

Który model nie psuje polskich liter

Ogonki to wciąż najczęstsza wpadka. Modele sprawdzam w moim teście typografii na promptowy.com. Są tam trzy zadania: napis na szyldzie piekarni, plakat jazzowy z Wrocławiem i neon z pangramem, w którym siedzą wszystkie polskie ogonki. W sierpniu 2026 komplet bez pomyłki zaliczyły GPT Image 2 i Nano Banana 2. Seedream 5.0 Pro i Qwen-Image-3 dopisywały kreski tam, gdzie nie powinno ich być, a FLUX.2 [pro] tracił część kropek nad literami.

Plansze z ocenami znajdziesz w porównaniu GPT Image 2.5, Nano Banana Pro i FLUX.2. Starsze prompty do miniatur pod Nano Banana 2 zebrałem też w poradniku na promptowy.com.

Format i skalowanie do 1280x720

YouTube zaleca 1280x720 px (16:9), szerokość co najmniej 640 px, format JPG, PNG lub GIF. Maksymalny rozmiar pliku i warunki dodawania własnej miniatury (np. weryfikację konta) sprawdź w bieżącej pomocy YouTube, bo potrafią się zmienić.

Modele rzadko oddają równe 1280x720, więc ustawiam 16:9 i skaluję gotowy plik:

Przycięcie i skalowanie 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

Wersja z twoją twarzą

Zamiast generować obcą osobę, podaj modelowi własne zdjęcie w polu image_urls (w Studio to "Obrazy referencyjne (URL)" z przyciskiem wgrywania pliku). Limit referencji: 14 zdjęć w Nano Banana Pro, 16 w GPT Image 2.5.

Moja kolejność:

1. Ostre, dobrze oświetlone zdjęcie z emocją docelową. Gotową minę model utrzyma łatwiej, niż wymyśli nową.
2. Twarz idzie jako pierwsza referencja. Produkt albo logo kanału dokładam jako kolejne obrazy.
3. aspect_ratio: "16:9" podaję zawsze. Bez tego Nano Banana Pro bierze proporcje z pierwszej referencji, więc pionowe selfie dałoby pionową miniaturę.
4. Prompt rozdziela dwie listy: rzeczy nietykalne i rzeczy do zmiany.

curl "https://kadraris.com/v1/generate?wait=60" \
  -H "Authorization: Bearer $KADRARIS_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"
    }
  }'

W wyniku patrzę na trzy rzeczy: czy to wciąż ja (oczy, nos i linia żuchwy uciekają najszybciej), czy każda litera napisu się zgadza i czy coś nie wchodzi na hasło. Jak trzymać tę samą twarz przez całą serię, opisuję w poradniku spójna postać w AI. Cudzych zdjęć używaj tylko za zgodą tej osoby.

Rachunek za 10 odcinków

Płacisz za każdy obraz, który powstał, nieudane generacje kosztują 0 zł. Przykład serii na dziesięć filmów:

Wariant oszczędny: bez szkiców, wszystko w GPT Image 2.5. Trzy próby na odcinek dają 30 × 0,293 zł za obraz, a cena nie zmienia się z ustawieniem quality. Dopisek "od" przy stawce znaczy, że za większą rozdzielczość płacisz więcej, ale miniaturze wystarcza najniższa. Aktualne stawki są w cenniku. Saldo zasilasz od 40 zł BLIK-iem albo kartą i możesz zaznaczyć fakturę VAT.

Pytania

Ile liter zmieści się na miniaturze, żeby dało się je przeczytać?

W moim teście najlepiej wypadły dwa-trzy słowa. Każde kolejne wymusza mniejszy krój, a ten w telefonie zlewa się z tłem.

Jak szybko sprawdzić czytelność bez publikowania?

Zmniejsz plik do 320 px szerokości i obejrzyj go z odległości wyciągniętej ręki. Gdy hasło lub bohater kadru zlewa się z resztą, uprość tło lub skróć tekst.

Mam pionowe selfie. Czy nada się na miniaturę 16:9?

Tak, jeśli w zapytaniu ustawisz aspect_ratio: "16:9". Bez tego Nano Banana Pro przejmie pionowy format zdjęcia. Po generacji porównaj rysy twarzy ze zdjęciem, bo potrafią się lekko przesunąć.

Czy w Kadrarisie zrobię kilka miniatur za darmo?

Darmowego pakietu tu nie znajdziesz - płacisz od pierwszego obrazu, a najmniejsza wpłata to 40 zł. Pieniądze na koncie nie wygasają, a za generację, która się nie udała, nie płacisz. Darmowe generowanie z limitami oferują aplikacje producentów, takie jak Gemini czy ChatGPT.