Kask na statywie zamiast robota:
kulisy spotu AI dla Igrzysk Wolności
6 października w hali EC1 Łódź aktor mówił do białego kasku zamocowanego na statywie. Na posadzce leżały dwie świetlówki LED, nad głowami latał dron. Dwa tygodnie później w tym samym kadrze stał robot, a świetlówki zamieniły się w świetlny owal, który biegnie przez całą halę. Ludzie, ruch kamery i światło zostały prawdziwe. Robota i arenę dołożyliśmy w postprodukcji, z pomocą AI.
Na skróty
Spot 13. Igrzysk Wolności nagraliśmy na prawdziwym planie w EC1 Łódź, z aktorami i kaskiem na statywie w miejscu robota. Robota i świetlną arenę dograliśmy w postprodukcji z pomocą AI, a kadry z AI oznaczyliśmy znacznikiem AI MODIFIED.
- Model AI generował wyłącznie robota, jako osobną warstwę z maską. Ludzie, ruch kamery i światło pochodzą z planu.
- Kask na statywie dał aktorom punkt, do którego mówią i na który patrzą.
- Maski ludzi liczyliśmy modelami SAM 2.1 i ViTMatte w 4K, część skryptów pisał agent AI Codex.
- Do 26 października, sześć dni po premierze, spot miał 70 443 wyświetlenia.
Tak powstał 30-sekundowy spot 13. Igrzysk Wolności pod hasłem „Tech for Humanity”. Kadry przed i po, z suwakiem, są w case study tej realizacji. Tutaj opisuję, jak to było zrobione i co z tego wynika dla kogoś, kto zastanawia się nad podobnym spotem.
Dlaczego nie wygenerowaliśmy całego spotu
Spot o technologii, która ma służyć ludziom, stoi na ludziach. Twarz, która się waha, dłoń, która gestykuluje, cień pod butem. Sprawdziliśmy wariant, w którym model wideo przerabia całe ujęcie razem z aktorami, z naszego materiału. Ruch wychodził efektowny, ale ludzie w kadrze przestawali wyglądać jak ludzie: drobne zmiany w mimice i dłoniach wystarczyły, żeby scena straciła wiarygodność.
Dlatego zasada była prosta. Model generuje wyłącznie robota, jako osobną warstwę z maską. Wszystko inne pochodzi z planu: aktorzy, ich gesty, ruch Sony FX3, ujęcia z drona DJI, światło i kolor. AI dokłada to, czego w hali nie było, i nic poza tym.
To podejście ma swoją cenę. Robot musi pasować do kadru, który już istnieje: do perspektywy, do światła, do momentu, w którym aktor podnosi wzrok. Dlatego plan zdjęciowy trzeba ustawić pod postprodukcję, a nie odwrotnie.
Plan zdjęciowy pod robota, którego nie ma
Kask na statywie to najtańszy dubler, jaki da się wymyślić, i robi trzy rzeczy naraz. Aktorzy mają punkt, do którego mówią i na który patrzą, więc kierunek spojrzenia zgadza się w każdym ujęciu. My znamy dokładne miejsce i wysokość głowy robota. A operator kadruje ujęcie z obiektem, który zajmuje miejsce w przestrzeni, zamiast z pustką.
Świetlówki LED na posadzce dawały czerwień i turkus na buty, spodnie i twarze. W gotowym spocie nie ma po nich śladu, ale ich światło zostało. Arena, która zastąpiła lampy, przejmuje ich kolor i jego zmiany w czasie, więc odbicia na ludziach zgadzają się z tym, co widać na podłodze.
Przed zdjęciami festiwal dostał storyboard spotu złożony z klatek wygenerowanych przez AI. Na nim ustaliliśmy postaci, owal i układ scen. To drugi, mniej widowiskowy sposób użycia AI w produkcji: zamiast rysować storyboard albo opisywać kadry słowami, klient ogląda coś bardzo bliskiego temu, co zobaczy w spocie, zanim ktokolwiek przyjedzie na plan.
Robot: od pierwszej do ostatniej klatki ujęcia
Wygląd robota ustaliliśmy wcześniej: biała obręcz wokół czarnej soczewki ucha, krzywizny kasku, podziały pancerza. Dla każdego ujęcia powstawały dwie klatki, pierwsza i ostatnia, z robotem wpasowanym w nagrany kadr. Model wideo liczył ruch pomiędzy nimi. Część ujęć policzyliśmy lokalnie w ComfyUI, na naszym MacBooku, część w chmurowych modelach wideo.
Najważniejsza lekcja z tego etapu: każda poprawka musi wracać do oryginału. Kiedy kolejną wersję generowaliśmy z poprzedniej poprawki, a nie z pierwotnego projektu, robot dryfował. Zmieniał się kształt kasku, ucho, podziały na pancerzu. Od tamtej pory każda edycja dostawała jako wzór oryginalną głowę i całą sylwetkę, a jako cel ostatni zaakceptowany kadr.
Wyświetlacz w wizjerze to osobna warstwa, zrobiona z kropek, prowadzona za ruchem głowy. Dzięki temu oczy, czerwona błyskawica, Statua Wolności i napis „Liberté!” mają ten sam charakter w każdym ujęciu i można je było poprawiać bez ponownego liczenia robota. Tak było ze Statuą: po uwadze klienta przerysowaliśmy jej twarz na węższą, z wyraźnym nosem, żeby dała się rozpoznać w ujęciu trwającym nieco ponad sekundę.
Arena na prawdziwej posadzce
Świetlówki, statyw i drzwi windy w tle zniknęły z kadrów dzięki czystym planom, czyli wersjom tła bez tych obiektów, wpasowanym w ruch kamery klatka po klatce. Pas areny osadziliśmy względem płytek posadzki EC1, a nie świetlówek, bo te leżały krzywo. Osoby, które stoją w scenie, mają obie stopy na pasie.
Najwięcej pracy poszło w maski. Arena biegnie pod ludźmi, więc każdy kontur buta, nogawki i dłoni musi być dokładny, inaczej światło wychodzi na człowieka albo pojawia się obwódka. Maski liczyliśmy modelami SAM 2.1 i ViTMatte w natywnej rozdzielczości 4K, z miękką krawędzią tam, gdzie but jest rozmyty ruchem. Część skryptów do masek, trackingu i kompozycji pisał i uruchamiał agent AI (Codex). Ocenę każdej wersji i decyzję, co trafia do kadru, zostawiliśmy sobie. Pierwsza wersja masek dostała ode mnie 6 na 10, kolejne 8 na 10, a potem jeszcze osobną poprawkę samych stóp w jednym ujęciu.
Kolor areny ma w spocie znaczenie. Czerwień należy do ludzi, turkus do maszyny. Kiedy aktorzy argumentują, czerwień przejmuje pas. Kiedy przewagę ma robot, pas robi się turkusowy. Te zmiany idą za prawdziwym światłem z planu, nie wbrew niemu, więc nie trzeba było przemalowywać twarzy.
Finał, kolor i formaty
Na końcu spotu owal z identyfikacji Igrzysk zamienia się w trzy pasy, a w tle pojawia się plansza z hasłem. Jej kolor to dokładnie kolor tła strony festiwalu, sprawdzony pomiarem na żywej stronie. Brzmi jak drobiazg, dopóki nie zobaczysz tej samej planszy w DaVinci Resolve i w Safari obok siebie. Resolve pokazywał ją jaśniej, bo inaczej interpretuje kolor niż przeglądarka. Po korekcie różnica wynosi najwyżej 1 na 255 poziomów jasności.
Z jednej osi montażowej powstały spot 16:9, pion 9:16, w którym szerokie ujęcia dostały podział kadru zamiast przycięcia, i wersja z planszami partnerów na ekrany w EC1. Wszystkie finalnie w 25 klatkach na sekundę. W trakcie samego festiwalu montowaliśmy już na bieżąco rolki oddawane tego samego dnia.
Oznaczenie AI MODIFIED
W rogu każdego kadru, w którym pracował model, widać znacznik AI MODIFIED z unijnego zestawu ikon do oznaczania treści AI. Wybrałem wariant „modified”, a nie „generated”, bo to nagranie zmienione przez AI, a nie obraz wygenerowany od zera. Od 2 sierpnia 2026 obowiązują przepisy art. 50 AI Act o przejrzystości treści tworzonych przez AI.
Kiedy hybryda ma sens, a kiedy nie
Hybryda działa, kiedy AI dokłada coś, czego nie ma i nie musi być w hali: postać z wyobraźni, scenografię, światło, którego nie dałoby się postawić. Robot w tym spocie jest fikcyjny, więc nikt nie porówna go z oryginałem. Gorzej, gdy w kadrze ma się pojawić Twój prawdziwy produkt, opakowanie albo konkretna osoba. Tam model wymyśla detale, a każdy detal ktoś zna z półki albo z życia. Taki produkt lepiej nagrać.
I nie chodzi o to, że to robota tylko dla festiwali. Ten sam układ, czyli prawdziwy plan i warstwa AI tam, gdzie fizyczna scenografia kosztowałaby za dużo, robimy dla marek, które chcą w spocie pokazać coś, czego nie da się postawić w studiu.
Spot wyszedł 20 października, trzy dni przed otwarciem Igrzysk. Do 26 października miał 70 443 wyświetlenia na YouTube, Instagramie i Facebooku.
Jeśli masz pomysł na spot, w którym AI ma dograć to, czego nie da się nakręcić, napisz, doradzę, co nagrać, a co dograć.
Hybryda działa, kiedy AI dokłada coś, czego nie ma i nie musi być w hali: postać z wyobraźni, scenografię, światło, którego nie dałoby się postawić.
Michał Liszczwłaściciel Motion PikczerCzy da się wstawić postać AI do prawdziwego nagrania?
Ile trwa produkcja spotu z elementami AI?
Czy treści z AI trzeba oznaczać?
Ile kosztuje spot z elementami AI?
Źródła
