Tworzenie reklamy przy użyciu sztucznej inteligencji brzmi jak magia, dopóki nie spróbujesz sam.

Wtedy okazuje się, że magia ma limit 8 sekund, trzy referencje i potrafi się obrazić, jeśli powiesz jej, że źle dobrała kolorystykę.

Tak właśnie wyglądały kulisy powstawania filmu promocyjnego dla Taxi Rabka-Zdrój — projektu, w którym zamiast ekipy filmowej mieliśmy zestaw modeli językowych, graficznych i wideo, a zamiast kamery – Google Veo 3.1, Nano Banana, Runway, ChatGPT i Vertex AI i jeszcze kilka innych.

I choć nie było planu zdjęciowego, statystów ani budżetu na catering, to emocji i testów wystarczyło na cały serial.

Klient – Taxi Rabka-Zdrój – potrzebował krótkiego filmu promocyjnego na Social Media pokazującego markę w nowoczesny, lokalny sposób.

Otrzymaliśmy wiele potrzebnych zdjęć: kierowcy, pojazdów i lokalnych miejsc (Rabkoland, fontanna, dworzec, Zakopianka). Taki klient to złoto!

Nie mieliśmy natomiast:
kamerzysty,
aktorów, (no dobra właściciel użyczył twarzy, więc trochę był aktorem)

Więc pomyśleliśmy: „A może zrobimy to… z AI?”

Zamiast zlecać plan filmowy – postanowiliśmy zbudować go z pikseli i  promptów.

Tak narodził się pomysł, by całą reklamę wygenerować wideo po wideo – scena po scenie – przy użyciu narzędzi generatywnych.

Tryb „References to Video”, który pozwala tworzyć realistyczne ujęcia z referencji. Limit: 3 obrazy i 8 sekund filmu.
Brzmi jak nic, ale w praktyce – to potężne narzędzie, które potrafi z pojedynczej fotografii wyczarować ruch, głębię i kamerę w stylu „kinowy ruch łukowy”.

Pro tip: jeśli chcesz, żeby ludzie na filmie mieli realistyczny ruch, ale nie chcesz widzieć halucynacyjnych twarzy – napisz w prompcie, że są „odwróceni tyłem”. Magia działa.

Wizualny szwajcarski scyzoryk – idealny do modyfikacji zdjęć referencyjnych.

To tutaj „doklejaliśmy” samochód przed wejściem do Rabkolandu, zanim Veo dostał swoje 3 referencje.

Czasem działał jak Photoshop, a czasem jak artysta na kacu – tworzył kompletnie nowe budynki, których w Rabce nikt nigdy nie widział.

Świetny do testów – generuje do czterech wariantów tej samej sceny.
Pozwala wybrać:

• Modelu (różne wersje: Veo 2, Veo 3, Veo 3.1)

• Formatu obrazu (16:9 – poziomy, 9:16 – pionowy, idealny pod Reels/TikTok/Facebook)

• Długości klipu (4, 6 lub 8 sekund)

• Rozdzielczości (720p lub 1080p)

• Typu referencji

  • Subject – zachowuje cechy obiektów z referencji

  • Style – przenosi styl i klimat zdjęcia

• Ustawień bezpieczeństwa dotyczących generowania ludzi
  (możesz wybrać wszystkie grupy wiekowe, tylko dorosłych lub całkowicie wyłączyć generowanie osób — choć ta opcja bywa zawodna; nawet przy zaznaczeniu „wszystkie grupy wiekowe” model czasem odmawia wygenerowania postaci przy użyciu słowa „child”)

• Seed – bardzo istotny parametr zapewniający spójność wyników.
  Używając tego samego promptu i tej samej wartości seed, uzyskasz za każdym razem bardzo zbliżone rezultaty.

Platforma, która łączy Veo z Twoimi referencjami i promptami w bardziej wizualny sposób.

To tutaj powstał cyfrowy sobowtór kierowcy taxi – proces, który wymagał ośmiu różnych ujęć twarzy (z przodu, z profilu, od góry, z uśmiechem).

Połączenie ich w tzw. merged reference frame dało efekt realistycznej postaci, która „żyje” w wideo.

Alternatywa dla Veo – testowaliśmy te same prompty, by porównać, jak różne modele interpretują tę samą scenę.
Czasem Runway dawał lepsze światło, czasem Veo lepszy ruch.
To jak porównywanie dwóch operatorów filmowych – obaj mają talent, ale różne poczucie estetyki.

Brzmi banalnie, ale Canva była nieoceniona przy tworzeniu zestawów referencyjnych.
Na jednym obrazie umieszczaliśmy 3 perspektywy twarzy (front, ¾ z prawej, ¾ z lewej) z podpisami.

Pro tip: jeśli model pozwala tylko na 3 obrazy, zrób kolaż – w jednym pliku zmieścisz 6–9 kadrów referencyjnych.

Montaż końcowy. Tutaj składaliśmy wszystkie 8-sekundowe klipy w jedną całość, dopasowując kolory i dodając muzykę.

Bez CapCuta ten projekt wyglądałby jak zmontowany w Paintcie.

Głos narratora – AI lektor, który brzmi lepiej niż większość “voice-overów” z banków dźwięków.

Dzięki niemu reklama nabrała emocji – głos z naturalną intonacją, delikatnym podkreśleniem słów, bez „robotycznego” efektu.

Oba modele pomagały mi w dopracowaniu promptów, rozbijaniu scenariusza i opisie ruchów kamery.

Ciekawostka: Testowałem generowanie promptów w ChatGPT i Gemini. Odpowiedzi były różne.

• ChatGPT tworzył bardziej konkretne, precyzyjne instrukcje.
• Gemini natomiast był wyraźnie bardziej twórczy i „artystyczny” w swoich propozycjach.

Dlaczego tak się dzieje?
To kwestia tzw. temperatury modelu – parametru, który określa, jak „śmiały” ma być model w generowaniu odpowiedzi.

• Niższa temperatura = bardziej przewidywalne, logiczne i spójne treści (idealne do technicznych promptów, kroków procesu, checklist, skryptów).

• Wyższa temperatura = bardziej kreatywne, zaskakujące i nieszablonowe pomysły (świetne do storytellingu, scen kreatywnych, moodboardów, konceptów video).

W skrócie: ChatGPT przy tych zadaniach zachowywał się jak pragmatyczny reżyser-planista, a Gemini jak inspirujący art-director z głową pełną wizji.

Czy można ustawić  odpowiednią temperaturę?

Zła wiadomość: Jeśli chcesz ustawić dokładną temperaturę musisz wykorzystać interfejs programistyczny API.

Dobra wiadomość: Nie wiesz co to API? Nie szkodzi, możesz uzyskać określony styl odpowiedzi w inny sposób. Modele takie jak ChatGPT, czy Gemini mają opcję personalizacji. Możesz napisać modelowi wprost „Staraj się odpowiadać bardzo konkretnie.”

Wróćmy jednak do kulisów powstawania reklamy…

Z trzech referencji (wejście do parku, to samo z samochodem i auto w ruchu) powstała pierwsza scena – parkująca taksówka, jesienne światło, ciepłe barwy.

Kluczowy był kinowy ruch kamery – łagodny łuk, jak w reklamach dużych marek.

Tip: Model często crashował po słowie “child”. Zmieniliśmy na “family walking” – i nagle przestał się buntować.
Niektórzy mówią, że AI ma emocje. My mówimy – ma cenzor.

Tu z kolei model miał problem z… rzeczywistością.
Zamiast Restauracji „Zdrojowa”, pojawił się całkiem nowy budynek. Halucynacja, klasyka gatunku.
Po kilku podejściach udało się uzyskać wersję, gdzie przynajmniej słoń z fontanny był prawdziwy.

Tip: Jeśli zależy Ci na realnym miejscu – generuj kilka wersji i wybieraj tę, która ma najmniej „halucynacji”.
To nie bug, to probablistyczna natura modeli językowych.

Świetny przykład, jak AI potrafi zachować bryłę budynku i pojazdu, a przy okazji „usunąć” świętego Mikołaja z placu.
Prosimy o wybaczenie mieszkańców Rabki-Zdroju za tak drastyczną ingerencję w architekturę krajobrazu. 

W pełni fikcyjny krajobraz, który wyglądał bardziej realistycznie niż prawdziwa Zakopianka.
Tu Veo zaszalał z głębią ostrości – efekt jak z drona, którego nigdy nie użyliśmy.

Tutaj zadziałał nasz cyfrowy sobowtór.
Wirtualny kierowca jest zbliżonego wyglądu do prawdziwego.

Oprócz  tego model zachował w tej scenie kolor auta, detale kabiny i nawet odbicia w szybie.
Kiedy przyjrzysz się uważnie, zauważysz niebieskie refleksy – subtelne potwierdzenie, że to naprawdę ta niebieska Dacia.

Ostatnia scena generowana przez AI, symboliczna: srebrne taxi i startujący samolot – efektowna scena, która podkreśla jeden z głównych atutów firmy – atrakcyjne transfery taxi na lotniska Kraków-Balice, Katowice-Pyrzowice. 

Każdy projekt AI to gigantyczny test cierpliwości.
Zauważyliśmy kilka rzeczy, które mogą Ci uratować tokeny i nerwy:

1. Zmieniaj wątek, gdy model zaczyna głupieć.
   Po kilku iteracjach rozmowy model staje się zbyt „świadomy kontekstu” i zaczyna mieszać.
   Lepiej otworzyć nowy wątek – świeży model, świeży umysł.

2. Twórz prototypy.
   Nie generuj od razu całych 8 sekund – rób krótsze wersje, testuj ruch kamery i kolory.

3. Myśl jak reżyser, nie jak prompt engineer.
   Zamiast pisać „show a car”, opisz „kamerę powoli cofającą się, ciepłe światło, refleksy na szybie”.
   AI lepiej rozumie emocje niż suche fakty. Brak ci pomysłu? Poproś na początku rozmowy model o wcielenie się w rolę kreatywnego scenarzysty.

4. Zminimalizuj “odpady”.
   Każde nieudane wideo kosztuje. Lepiej dopracować referencje w Canvie, niż przepalać kolejne minuty generacji.

5. Nie usuwaj nieudanych prób.
   Model potrafi halucynować — taka już jego natura. Zamiast jednak frustrować się i usuwać kolejne nieidealne generacje wideo, obejrzyj je jeszcze raz i sprawdź, czy nie da się czegoś wyciąć, połączyć i wykorzystać. Ten materiał powstał właśnie w ten sposób. Uwierzcie — były momenty, kiedy śmiałem się do łez… i takie, kiedy miałem ochotę wyrzucić komputer przez okno.

W WEBDOO wierzymy w eksperymenty, które przesuwają granice między kreatywnością a kodem.

Bo dziś kamera to nie tylko obiektyw, tylko też prompt.
A plan filmowy to nie ulica w Rabce-Zdroju, tylko folder z referencjami w Nano Banana.

Ten projekt to nie tylko reklama Taxi Rabka-Zdrój.
To dowód, że lokalne marki mogą wyglądać jak globalne, jeśli tylko odważą się zaufać technologii.

Nie mieliśmy aktorów, ale mieliśmy AI.
Nie mieliśmy kamery, ale umiemy w prompty.
I to właśnie jest duch WEBDOO.

Na bazie ośmiu różnych ujęć twarzy – przód, profile, uśmiech, góra, dół – połączonych w Canvie.
Dzięki temu model zachował spójność rysów i realistyczne oświetlenie.

Nie. Każda scena wymagała dopracowania promptów, wyboru najlepszych kadrów i montażu w CapCut.
AI to narzędzie – nie zastępuje reżysera, tylko daje mu supermoce.

Korzystając z płatnych narzędzi deweloperskich Google — takich jak Vertex AI i Gemini API — możesz w panelu Google Cloud szczegółowo monitorować zużycie zasobów oraz koszty generowane przez poszczególne modele. Cena produkcji wideo zależy przede wszystkim od liczby wygenerowanych prototypów (testowych ujęć) oraz poziomu złożoności parametrów — m.in. jakości, liczby wariantów, długości materiału czy dodania ścieżki dźwiękowej.

W praktyce koszt może wynosić od kilkuset do nawet kilku tysięcy złotych przy bardziej dopracowanych, wielowarstwowych realizacjach.

Łączny koszt stworzenia takiej reklamy obejmuje dwa elementy:

1. opłaty za wykorzystanie modeli AI,

2. czas pracy – robocizna.

1. AI nie zrobi wszystkiego za Ciebie.
   Zrozumienie kompozycji, światła i emocji nadal leży po stronie człowieka.

2. Im lepsze referencje, tym lepszy efekt.
   Zrób kolaże, opisz dokładnie scenę, wskaż szczegóły – każdy piksel ma znaczenie.

3. Testuj różne modele.
   Veo, Runway i Vertex potrafią dać zupełnie inne interpretacje tego samego prompta.

Problem: Veo 3.1 dawał tylko 8 sekund filmu z 3 obrazów referencyjnych.

Rozwiązanie: Kolaże w Canvie (6–9 kadrów w 1 pliku) + precyzyjne frazy w promptach (np. „odwróceni tyłem”).

Problem: Model crashował po słowie „child”.

Rozwiązanie: Zmiana na „family walking” — testowanie semantyki promptów.

Problem: AI „wymyśliło” budynek zamiast kawiarni „Zdrojowa”.

Rozwiązanie: Traktujemy to jako styl — generujemy wiele wersji i wybieramy najmniej „halucynujące”.

Problem: Realistyczna postać kierowcy ze zdjęć.

Rozwiązanie: Flow + osiem ujęć twarzy w merged reference frame.

Audio generowane przez  AI (NotebookLM) – może zawierać błędy.

Artykuł Kulisy reklamy dla Taxi Rabka-Zdrój pochodzi z serwisu WEBDOO.