Rolka na Instagram zrobiona z AI
Case study od nagrania do publikacji. Z liczbami i z tym, co poszło źle.

Nagrałem materiał kamerą. Wszystko inne - cięcie, grafiki, napisy, muzykę i wysyłkę na Instagram oraz LinkedIn - zrobiła AI. Rolka wyszła w środę o 9:03.

Ten wpis nie jest o tym, że „AI potrafi montować". Jest o tym, ile razy powiedziałem, że jest źle, jakie liczby wyszły po drodze i gdzie AI się pomyliła w sposób, którego nie dałoby się zauważyć bez sprawdzenia.

Jeśli robisz rolki sam, kilka liczb stąd oszczędzi Ci wieczoru.

Co dokładnie zrobiłem ja, a co AI

Ja: nagranie kamerą, głos, scenariusz, wszystkie decyzje o tym, co zostaje, a co wylatuje.

AI: wycięcie ciszy, zbudowanie grafik, animacja tekstu, napisy, podłożenie muzyki, dopasowanie do wymagań Instagrama, wgranie plików na mój serwer i publikacja przez API.

To jest różnica między czatem a systemem. Czat odpowiada na pytanie. System wykonuje robotę i pokazuje, co dokładnie zrobił - żeby dało się to sprawdzić.

Krok 1: w 95-sekundowym nagraniu było 6,46 sekundy ciszy

Zacząłem od rzeczy, o której się nie myśli: martwego powietrza.

W moim wstępnym montażu pierwsze słowo padało dopiero w 1,52 sekundy. Do tego w środku było jedenaście przerw dłuższych niż 0,3 sekundy - łącznie 7,32 sekundy. Największa, dwie sekundy, siedziała tuż przed słowem „Pierwszy", czyli dokładnie tam, gdzie widz miał dostać pierwszy konkret.

Po cięciu: 95,16 sekundy zamieniło się w 88,67.

Ważny szczegół: cięcie poszło po czasach poszczególnych słów, nie po progu głośności. Standardowe narzędzia tną wszystko, co jest ciszej niż ustawiona wartość - i regularnie ucinają końcówki cicho wymawianych wyrazów. Przy cięciu po słowach ten problem nie istnieje.

Krok 2: pierwsza wersja była poprawna i martwa

Grafiki wyszły ładne. Obejrzałem i przestało mi się chcieć po dwudziestu pięciu sekundach.

Powód okazał się mierzalny. Moje plansze stały na ekranie po pięć, siedem, dziewięć sekund. Tymczasem format oczekuje zmiany co dwie do trzech sekund, a wszystko, co trwa dłużej i nic się przy tym nie dzieje, jest w praktyce materiałem do wycięcia. Około 70 procent widzów odpada przed dziesiątą sekundą.

Przebudowa: dziesięć plansz zamieniło się w dwadzieścia siedem ujęć, średnio 2,36 sekundy każde.

Krok 3: „te zoomy są tragiczne"

Druga wersja miała powolny najazd na grafikach. Klasyczny efekt Kena Burnsa. Wyglądał jak wygaszacz ekranu.

Zamiast tego każda linia tekstu stała się osobną warstwą, która wjeżdża w kadr - raz z góry, raz z boku, z wyhamowaniem na końcu. Kolejne linie tego samego zdania wchodzą kaskadą co 0,12 sekundy.

Różnica jest zasadnicza. Zoom to ruch, który nic nie znaczy. Wjazd tekstu to ruch, który pokazuje, że pojawiła się nowa informacja.

Krok 4: na twarzy nie ma ani jednego cięcia

Trzecia wersja miała twarde cięcia na zbliżenie mojej twarzy co kilka sekund. Każde takie cięcie wybijało z rytmu.

Zastąpiłem je jednym powolnym, ciągłym najazdem przez cały fragment. Kamera jedzie sama, nic nie przeskakuje. Widz tego nie zauważa i o to chodzi.

Krok 5: strefa bezpieczna napisów, czyli sekcja, dla której warto zapisać ten wpis

W końcówce rolki napisy zaczęły wychodzić poza kadr. Obstawiałem, że winne jest przybliżenie obrazu. Nie było.

Winne były dwie rzeczy. Po pierwsze ustawienie „nie zawijaj wierszy" w pliku napisów - długie fragmenty zamiast łamać się na dwie linie, po prostu wyjeżdżały poza ekran. Po drugie marginesy boczne ustawione na 60 pikseli, przez co tekst wchodził pod kolumnę przycisków Instagrama.

Przy okazji policzyliśmy strefę bezpieczną na trzy platformy naraz. Zasada: bierzesz najostrzejszą wartość z każdej krawędzi i tego się trzymasz.

Przy kadrze 1080 na 1920 pikseli zostaje Ci pole szerokości 780 pikseli. Znacznie mniej, niż wygląda na monitorze.

Nie oceniaj tego okiem. Wyrenderuj same napisy na czarnym tle i zmierz skrajne piksele w całej długości filmu. Za pierwszym razem byłem 12 pikseli za daleko na trzech krawędziach naraz - bo obramowanie tła pod tekstem wystaje poza margines samego tekstu. Na oko wyglądało dobrze.

Krok 6: muzyka, która nie walczy z głosem

Podkład nie leży pod głosem na sztywno. Chowa się, kiedy mówię, i wraca w przerwach oraz na karcie końcowej.

Efekt w liczbach: w miejscach, gdzie mówię, muzyka dokłada 0,6 decybela. Czyli siedzi jakieś 8-9 decybeli pod głosem. Tam, gdzie już nie mówię, wychodzi na wierzch i gra sama.

Krok 7: rolka miała 90,7 sekundy przy limicie 90

To wyszło dopiero przy sprawdzaniu wymagań przed wysyłką. Instagram przyjmuje rolkę przez API do 90 sekund. Moja miała 90,7. Odbiłaby się.

Skrócenie karty końcowej z 2,4 do 1,6 sekundy załatwiło sprawę: 89,9 sekundy.

Gdzie AI się pomyliła

Trzy rzeczy, bo to jest najbardziej użyteczna część tego wpisu.

Wymyślone liczby w opisie badania

Na grafikę o badaniu nad winem trafiły ceny: 19 złotych i 149 złotych. Wyglądały wiarygodnie i pasowały do przykładu. W tym badaniu nie ma żadnych kwot.

Najgorsze jest to, że transkrypcja wystąpienia leżała w pliku obok. Źródło było pod ręką, a liczby i tak zostały dopisane - bo grafika z dwiema cenami wygląda lepiej niż grafika z napisem „tańsze" i „droższe".

Wyłapane przed renderem. Poszło „tańsze" i „droższe".

Miniaturka, która była kopią mojego własnego posta

Pierwsza okładka miała to samo tło, ten sam górny pasek, wielką liczbę i trzy małe zdjęcia w rzędzie - dokładnie jak karuzela, którą wrzuciłem tydzień wcześniej na ten sam temat. W siatce profilu wyglądałyby jak duplikat.

Przebudowana od zera. Sama zmiana tekstu by nie wystarczyła - różnica musiała siedzieć w układzie.

Nazwisko rozbite na kawałki

Transkrypcja rozłożyła nazwisko Ogilvy na trzy osobne fragmenty. Gdyby nikt tego nie sprawdził, na napisach pojawiłoby się „wiceprezes grupy .G. Ogilvy".

Publikacja: pierwsza próba wyglądała na sukces

To jest moment, który uważam za najważniejszy w całej historii.

Wysyłka poszła, narzędzie zwróciło status „publikuję". Sprawdziłem status - i okazało się, że publikacja padła. Instagram nie pobrał pliku z serwera.

Ale dowiedziałem się tego tylko dlatego, że komenda sprawdzająca została po drodze naprawiona. Wcześniej ucinała odpowiedź serwera w połowie, a informacja o statusie siedziała dalej. Czyli narzędzie nigdy nie odpowiadało na jedyne pytanie, dla którego istniało.

Druga próba przeszła bez żadnej zmiany w plikach. Rolka wyszła o 9:03.

Przy LinkedInie było jeszcze ciekawiej: połączenie przekroczyło czas oczekiwania i wyglądało na błąd. Post mimo to powstał i został opublikowany. Ponowienie w ciemno dałoby duplikat na profilu.

Jeśli automatyzujesz publikację: zawsze sprawdzaj status po wysyłce i nigdy nie ponawiaj bez sprawdzenia, co realnie powstało. „Wysłane" to nie to samo co „opublikowane", a „błąd połączenia" to nie to samo co „nie poszło".

Ile razy powiedziałem, że jest źle

Siedem. Zoomy, rytm, cięcia na twarzy, plakietki zasłaniające twarz, nazwiska na ekranie, miniaturka i kolorystyka.

Praca zajęła trzy podejścia w ciągu trzech dni. Nie dlatego, że AI jest wolna - montaż liczy się w minutach. Dlatego, że siedem razy trzeba było obejrzeć, nazwać, co nie gra, i poprawić.

Co z tego zostało poza samą rolką: gotowy silnik i procedura. Następna rolka tego typu to jeden plik do przepisania, a nie budowa od zera.

Co z tego wyniesiesz, jeśli robisz rolki sam

Trzy rzeczy, w tej kolejności ważności.

Wytnij ciszę. W typowym nagraniu mówionym jest jej więcej, niż myślisz, a każda martwa sekunda na początku kosztuje widzów.

Zmieniaj coś na ekranie co dwie, trzy sekundy. Nie musi to być cięcie. Może być nowa linia tekstu.

Trzymaj napisy w strefie bezpiecznej i sprawdź to pomiarem. 450 pikseli od dołu, 150 z boków, 260 od góry.

A jeśli pracujesz przy tym z AI - sprawdzaj każdą liczbę, nazwisko i datę. Nie dlatego, że AI kłamie. Dlatego, że uzupełnia luki tym, co pasuje.

Twoje nazwisko jest pod postem. Nie jej.