Un video din imagini AI se poate face într-o seară, fără cameră: din două imagini generate cu AI am obținut 29 de secunde cu personaje care vorbesc, folosind Claude și KIE.ai. Claude a scris și a rulat scripturile, iar KIE.ai a generat imaginile noi și cele două clipuri animate.
Costul total în KIE.ai a fost de 1,57 $. Prima variantă completă, cu sunet, a fost gata în mai puțin de o oră după ce am pus cele două imagini în dosar (fișierele mele arată 20:55 pentru imagini și 21:50 pentru video).
Pe scurt
- Din două imagini generate cu AI am ajuns la un video vertical de 29 de secunde, cu voci și efecte, fără să filmez nimic.
- Costul în KIE.ai a fost de 1,57 $: 1,23 $ pentru ce se vede în video și 0,34 $ pentru încercările care nu au mers.
- Cea mai mare greșeală a fost să cer unui model să corecteze imaginile deja generate: fața rămânea cea generică. Imaginile generate de la zero, cu pozele mele reale ca referință, au semănat.
- Clipurile Veo vin cu sunet propriu și cu vorbire sincronă cu gura, deci sunetul se verifică înainte de montaj.
Cum arată videoul final?
Videoul are 29 de secunde, format vertical 9:16, cu șase secvențe. Moise încearcă să-l pedepsească pe Faraon trimițând totul în SPV, dar Faraon folosește SimpluSPV, așa că Moise se întoarce la metodele vechi: șerpi, sânge și muște. Replica „Everything was already in order” este gluma videoului, nu o promisiune a produsului.
Cu ce imagini am pornit?
Cu două imagini generate cu AI, pe care le aveam deja. În prima, Moise și un negustor stau la un laptop cu SimpluSPV, în fața unui templu egiptean. În a doua, un negustor ține o tabletă SimpluSPV, iar în spate stă un tânăr egiptean, în fața unei piramide din circuite.


Imaginile au și defecte care nu pot intra într-un video: pe ecranul laptopului scrie „Românian e-Factura”, cu o literă în plus, textul de pe tableta lui Moise nu înseamnă nimic, iar în colțul din dreapta jos apare o steluță. Nu le-am corectat de mână. Am generat altele, de la zero.
Cum faci un video din imagini AI: cine face ce?
Munca s-a împărțit între Claude, care rulează scripturile, și serviciile pe care le cheamă scripturile:
| Pas | Cine | Ce face |
|---|---|---|
| Imagini noi | KIE.ai, modelul nano-banana-pro (0,09 $ pe imagine) | generează cadrele de la zero, cu trei poze ale mele ca referință |
| Clipuri cu mișcare și vorbire | KIE.ai, Veo 3.1 (0,30 $ pe clip de 8 secunde) | animă două cadre: deschiderea și replica cu tableta |
| Voce pentru Moise și pentru cardul final | ElevenLabs | vocile Bill și Eric, în engleză |
| Ștampile, cuvinte pe ecran, card final | Remotion | grafică animată, sincronizată pe cuvintele din voce |
| Scripturi, costuri, verificare, montaj | Claude | scrie și rulează scripturile, arată costul înainte de fiecare generare, transcrie clipurile ca să verifice ce se aude și montează cu ffmpeg |
Ce prompturi am folosit?
Prompturile sunt în engleză, iar replicile sunt scrise în limba în care vreau să fie rostite. Le las întregi, ca să le poți copia.
1. Imaginea de deschidere (nano-banana-pro). Se trimit trei poze ale mele ca referință (image_input), cu aspect_ratio: 9:16 și resolution: 2K. Prima frază spune modelului cine e omul din poze; în încercările mele, fără ea modelul inventa o față.
The reference images are real photos of ONE man (call him Costin): lean narrow face, defined cheekbones, short grey-black hair, thin rectangular glasses, light stubble. Costin in the scene must be unmistakably this exact man, same face, same glasses. He wears a simple beige linen Egyptian tunic. In an Egyptian pharaoh's temple courtyard with pyramids behind, Costin points at an open laptop with a clean modern web app: dark blue left sidebar, white main area, logo 'SimpluSPV', card 'e-Factura - PHARAOH', while Moses next to him looks wide-eyed and shocked. They stand behind a wooden table. Moses: a weathered bearded man in his 50s with long wavy grey-brown hair, brown wool robe, carrying a stone tablet (plain, no writing). Photorealistic cinematic photograph, golden hour light, shallow depth of field, vertical 9:16, no watermark, no text overlay.
2. Clipul de deschidere (Veo 3.1), din imaginea de mai sus. Aici nu am pus nicio replică, ceea ce a avut o consecință pe care o explic mai jos.
Cinematic photorealistic shot, golden hour. The man on the left (glasses, grey hair) speaks animatedly to camera and points at the laptop screen, his mouth moving as if talking; the bearded man on the right in the brown robe stares at the screen with wide shocked eyes, then slowly shakes his head, holding the stone tablet. Subtle handheld camera push-in, robes and palm leaves moving slightly in the wind. Keep both faces identical to the first frame. No music, only soft ambient courtyard sound.
3. Clipul cu tableta (Veo 3.1), cu replica scrisă în prompt.
Cinematic photorealistic shot, golden hour. The man with glasses in the foreground holds up the tablet and points his finger at the camera with a confident smile, and says in English with a calm, confident, slightly amused voice: "But Pharaoh was using SimpluSPV. Everything was already in order." His lips move in sync with the speech. The young pharaoh behind him exhales in relief and smiles. The glowing circuit pyramid pulses softly. Subtle camera push-in. Keep both faces identical to the first frame. No subtitles, no on-screen text, no music, only the spoken line and soft ambience.
4. Vocea lui Moise (ElevenLabs, vocea Bill). Eticheta dintre paranteze pătrate dă regia și nu se rostește. Rostirea a ieșit prea lentă, așa că am accelerat-o de 1,45 ori.
[smug] Rejected invoices! Validation errors! Five days to fix them!
De ce nu a mers prima variantă, cu imaginile corectate?
Prima idee a fost cea mai ieftină: am luat cele două imagini și am cerut modelului de editare (0,02 $ pe imagine) să curețe ecranul laptopului, să scoată textul fără sens și să schimbe scena. Au ieșit șapte cadre cu ecranul curat, dar cu un Costin generic: păr gri și ochelari, dar altă față.
Am încercat apoi să repar fața. Am dat modelului ieftin pozele mele reale, iar fața a rămas aceeași. Am dat modelului nano-banana-pro scena plus pozele mele și fața s-a apropiat, dar nu destul. Abia când am generat cadrele de la zero, cu pozele mele ca singură referință de identitate, omul din imagine a semănat cu mine.

Regula pe care o păstrez: un model care editează o imagine deja generată păstrează fața din ea. Dacă imaginea trebuie să semene cu un om real, se generează din nou, cu pozele lui ca referință. Încercările eșuate au costat 0,34 $ din cei 1,57 $.
Ce face Veo singur, fără să i-o ceri?
Veo 3.1 livrează clipul cu pistă audio proprie: 8 secunde, 720×1280, la 0,30 $ pe clip. În clipul de deschidere nu scrisesem nicio replică. Am transcris sunetul și am aflat că personajul vorbise oricum: „Look right here. The eFacture system instantly processes the Pharaoh’s accounts.” Veo a inventat un dialog și l-a sincronizat cu gura.
La clipul cu tableta, replica era scrisă în prompt, iar transcrierea a ieșit exact: „But Pharaoh was using Simplu SPV. Everything was already in order.” Concluzia: dacă vrei un anumit text, îl scrii în prompt, între ghilimele, iar sunetul îl verifici cu o transcriere, nu din ureche.

Poate Veo să vorbească în română?
Da. Am făcut o a doua versiune, cu Vlad Țepeș, și am cerut replicile în română. Replicile fără numele produsului au ieșit exact ca în prompt, de exemplu „Vlad Țepeș a intrat peste un negustor care avea de transmis facturi în SPV.” Greșeala a apărut la numele produsului, citit pe litere: Veo spunea „es pe pe ve”, cu un „pe” în plus. Am scos al doilea „pe” din înregistrare, în ambele clipuri afectate, iar transcrierea a ieșit corectă: „SPV”.
Videoul cu Vlad Țepeș, așa cum l-am publicat pe YouTube, cu cele două tăieturi de sunet incluse:
Cum am făcut plăgile, ștampilele și cardul final?
Cadrele cu ștampile („REJECTED”, „ERRORS”, „5 DAYS”), cele cu cele trei plăgi și cardul final nu sunt clipuri Veo. Sunt imagini cu mișcare de cameră, plus grafică făcută în Remotion. Fiecare cuvânt apare exact când e rostit, pentru că ElevenLabs îmi dă momentul fiecărui cuvânt din voce, iar scriptul îl pune în grafică.


Avantajul: aceste cadre costă zero în KIE.ai, iar un cuvânt greșit se corectează într-un fișier, fără să regenerezi un clip de 0,30 $. Pentru filmul de aproape șase minute din articolul despre scenariile de extincție prin AI am folosit un flux apropiat, cu un cost de 8,17 $ în KIE.ai.
Ce NU face acest flux?
- Nu garantează asemănarea. Chiar și cu pozele mele ca referință, fața din imagine seamănă, dar nu e identică, iar de la un cadru la altul mai apar mici diferențe.
- Nu dă o singură voce. Vocea lui Costin vine din trei surse: două clipuri Veo și o voce din ElevenLabs pe cardul final, deci pot suna diferit. Am montat varianta cu vocile din Veo, pentru că se potrivește cu mișcarea gurii.
- Nu sincronizează gura pe tot videoul. Doar clipurile Veo au buzele pe cuvinte. Celelalte cadre sunt imagini cu zoom lent.
- Nu scapă de eticheta AI. La postarea pe TikTok și pe Instagram am declarat că videoul e generat cu AI, pentru că personajele, scenele și vocile sunt generate.
- Nu explică e-Factura. E un video de promovare cu o glumă, nu un material despre cum se transmit facturile.
- Nu e gratuit de încercat. Fiecare generare se taxează, inclusiv cea greșită. De aceea scriptul meu arată costul înainte de fiecare generare și cere confirmare.
Ce dispare din munca ta, și cât costă?
Dispar filmarea, actorii și montajul clasic pentru un clip scurt de promovare. În locul lor rămân trei lucruri: două-trei imagini de pornire, prompturi scrise cu grijă și o verificare a sunetului înainte de montaj. Pentru videoul de mai sus au fost 1,57 $ în KIE.ai și mai puțin de o oră de lucru cu Claude.
Dacă vrei să înveți să lucrezi cu AI în firma ta, programul și prețul cursului de AI pentru firme sunt pe pagina cursului. SimpluSPV, produsul din videoclip, este folosit azi de firme și de contabili: simpluspv.ro.
Despre cum afli dacă o poză e făcută cu AI, citește articolul în care am testat acest lucru. Pentru un exemplu de animație 3D la care am pierdut două zile, vezi randarea animației 3D și regula 80/20.
Întrebări frecvente
Cât costă un video din imagini AI?
Videoul din acest articol a costat 1,57 $ în KIE.ai: 1,23 $ pentru ce se vede în el și 0,34 $ pentru încercările care nu au mers. Un clip Veo de 8 secunde costă 0,30 $, iar o imagine nano-banana-pro costă 0,09 $. Vocile din ElevenLabs se taxează separat, din abonamentul respectiv.
Pot pune propria față în imaginile generate?
Da, dacă generezi imaginea de la zero și dai modelului pozele tale ca referință. Documentația KIE.ai pentru nano-banana-pro acceptă până la 8 imagini de referință. Dacă editezi o imagine deja generată, fața din ea rămâne.
Generează Veo și sunet?
Da. Clipurile vin cu pistă audio, cu ambianță și cu replici sincronizate pe gură. Dacă nu scrii nicio replică în prompt, Veo poate inventa una. De aceea transcriu sunetul fiecărui clip înainte să-l montez.
Trebuie să declar că videoul e făcut cu AI?
TikTok și Instagram au câmp pentru declararea conținutului generat cu AI, iar eu l-am bifat la postare. Regulile platformelor se schimbă, deci le verifici înainte de publicare.
În ce limbă scriu prompturile?
Prompturile le-am scris în engleză, iar replicile în limba în care vreau să fie rostite. În testul cu Vlad Țepeș, Veo a rostit corect replicile în română.
Surse
- Documentația KIE.ai pentru nano-banana-pro, cu parametrul
image_input(până la 8 imagini de referință): docs.kie.ai/market/google/pro-image-to-image - Costurile sunt din jurnalul de cheltuieli al proiectului (fișierul
reel.jsonal reelului 34) și din prețurile măsurate la fiecare generare.



