Cum faci un video din imagini AI cu Claude și KIE.ai: prompturi și costuri reale

Două imagini generate cu AI puse una lângă alta: Moise și un negustor la un laptop cu SimpluSPV, și un negustor cu o tabletă în fața unei piramide din circuite

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

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.

Prima imagine de pornire: Moise și un negustor la un laptop cu SimpluSPV, în fața unui templu egiptean
A doua imagine de pornire: un negustor cu o tabletă SimpluSPV și 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.

Patru fețe alăturate: poza reală, editarea cu modelul ieftin, editarea cu modelul pro și imaginea generată de la zero, care seamănă cel mai mult

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.

Cinci cadre dintr-un clip Veo de 8 secunde: personajele vorbesc și își mișcă mâinile, cu fețele neschimbate

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.

Primul rând: ștampilele REJECTED, ERRORS și 5 DAYS apărând pe cuvintele lui Moise. Al doilea rând: cardul final, cu simpluspv.ro săpat literă cu literă în piatră
Cadrele plăgilor: Moise furios, apoi șerpii, Nilul roșu ca sângele și muștele

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?

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

#agenți AI #prompturi #video
Distribuie

Ți-a fost util? Trimite pagina mai departe.

Facebook X LinkedIn WhatsApp
Întreabă AI-ul

Nu mă crede pe cuvânt. Întreabă un AI despre acest articol.

Întrebarea e gata scrisă — o poți modifica. Apasă pe un asistent: se deschide cu întrebarea pregătită, citește pagina și îți răspunde cu surse.

Gemini nu primește întrebarea din adresă: la clic o copiem, tu o lipești. Răspunsul e al asistentului, nu al meu — compară-l cu ce scrie aici.

Costin Pietraru
Scris de

Costin Pietraru

Inginer cu 30+ ani în sisteme, fondator SimpluSPV. Livrează cursul de AI pentru firme și scrie despre automatizare aplicată — fără teorie, doar sisteme care lucrează.

Vezi profilul complet →

Vrei firma pregătită pentru AI, corect și legal?

4 ședințe aplicate, echipa pleacă cu sisteme reale și documentele de conformitate. Garanție bani înapoi după 2 ședințe.

Înscrie echipa la curs →