Zrobiłem cały teledysk AI z jednego obrazu — lokalnie, na MiniMax H3

O czym jest ten film

1. O modelu MiniMax H3 zrobiło się głośno, bo podobno to obecnie najlepszy model do generowania wideo lokalnie — na własnym komputerze i własnej karcie graficznej.
2. Muzyk postanowił sprawdzić to w praktyce: nagrał około półtoraminutowy utwór z pogranicza techno i wygenerował do niego cały klip.
3. Całe wideo powstało na bazie jednego obrazu wygenerowanego rok wcześniej w Midjourney — celowo „oczywiście AI-owego”, dziwnego i mrocznego.
4. Zamiast ręcznie walczyć ze skomplikowanym ComfyUI, autor połączył je przez protokół MCP z własnym agentem i sterował tworzeniem ujęć zwykłymi poleceniami.
5. Montaż odbył się w darmowym DaVinci Resolve (autor pracuje na Linuksie); najpierw na oś czasu trafiła muzyka nagrana na żywo, potem kolejne ujęcia.
6. Fabuła jest celowo luźna: ktoś biegnie przez oniryczny świat, po chwili okazuje się, że ucieka przed drugą postacią — jedna jest jaśniejsza, druga ciemniejsza, a na końcu próba ucieczki i pościg.
7. Kluczowe wnioski warsztatowe: pełnej kontroli nad modelem nie ma, ale nieplanowane wyniki często da się wpleść w fabułę; cięcia muszą wypadać w rytm muzyki, a żaden kadr nie może zostać na ekranie zbyt długo.
8. Lo-fi, artefakty generowania i jawna sztuczność obrazu to świadomy wybór — skontrastowany z organicznym, analogowym wykonaniem utworu na żywo.
9. Fotorealizm byłby pułapką: więcej pracy, gorszy efekt i widz rozproszony pytaniem „czy to naprawdę?”.
10. Półtoraminutowy eksperyment domknął się w jeden dzień; porządny, dłuższy klip to już dni pracy. Na koniec autor zaprasza do swojej społeczności twórców (m.in. poniedziałkowy Creative AI Video Lab na Discordzie).

10 najważniejszych takeaways — z kontekstem zastosowania

1.Jeden obraz może być fundamentem całego teledysku

Na czym polega: Wszystkie ujęcia klipu autor wygenerował na bazie pojedynczego obrazka z Midjourney, stworzonego rok wcześniej. Jeden spójny „świat” zamiast przypadkowych kadrów wystarczył do zbudowania kompletnego materiału.

Jak stosować: Zanim zaczniesz generować, wybierz jeden kadr, który definiuje klimat i paletę całości, i trzymaj się go jako punktu odniesienia przy każdym kolejnym ujęciu. To najprostsza droga do wizualnej spójności bez godzin planowania.

Na co uważać: Model odda mniej więcej tę jakość, którą w niego włożysz — z niewyraźnego obrazu źródłowego nie wyciśniesz ostrego wideo. Chyba że właśnie lo-fi jest Twoim celem (patrz punkt 10).

2.Graj z widzem w otwarte karty: jawne AI zamiast realizmu

Na czym polega: Autor celowo wybrał obraz jednoznacznie wygenerowany przez AI. Skoro widz od pierwszej sekundy wie, na co patrzy, przestaje się głowić „czy to prawda?” i po prostu ogląda. Zdaniem autora to klucz do całego przedsięwzięcia.

Jak stosować: Zamiast maskować sztuczność, zrób z niej język wizualny — artefakty, senną logikę, dziwne środowisko. Uwalnia to materiał od porównań z rzeczywistością i wyraźnie skraca produkcję.

Na co uważać: Mniej realizmu nie znaczy „byle jak”. Estetyka jawnej generacji też wymaga wyboru, selekcji i porządku — inaczej wyjdzie chaos, a nie styl.

3.Skomplikowane narzędzie obsłuż przez agenta (MCP + ComfyUI)

Na czym polega: ComfyUI — środowisko do uruchamiania modeli generujących obraz i wideo — jest potężne, ale skomplikowane. Autor wcale nie poznał go w pełni; zamiast tego połączył przez MCP własnego agenta i całe generowanie steruje zwykłymi poleceniami.

Jak stosować: Jeśli interfejs narzędzia Cię przerasta, wstaw między siebie a nie warstwę agentową: opisuj, czego potrzebujesz, a pozwól agentowi tłumaczyć to na konkretne operacje. To też szybki sposób na pracę z narzędziem, którego nie znasz.

Na co uważać: Agent zdejmuje z Ciebie obsługę interfejsu, ale nie decyzje artystyczne — koncepcję, dobór ujęć i selekcję wyników i tak musisz wziąć na siebie.

4.Dopasuj historię do wyników modelu, nie odwrotnie

Na czym polega: Autor chciał jednej postaci, a model dał mu dwie. Zamiast walczyć o pierwotny zamysł, przepisał fabułę: ucieczka jednej postaci i pościg drugiej. Taki „szczęśliwy traf” przyspieszył całą pracę.

Jak stosować: Patrz na wyniki generowania jak na materiał z planu zdjęciowego, na którym reżyser nie rządzi w pełni. Trzymaj szkielet historii na tyle luźny, by dało się go naginać do tego, co faktycznie wyszło.

Na co uważać: Nie każdą niespodziankę da się uratować. Odrzucaj bez żalu ujęcia, których nie da się wpleść, i generuj ich zapas.

5.Cięcia w rytm muzyki — to „sekret” muzycznego montażu

Na czym polega: Zmiany obrazu muszą wypadać w odpowiednich momentach utworu. Nie non stop — przesadnie „dogrywany” montaż męczy — ale właśnie to nadaje całości muzyczności.

Jak stosować: Najpierw nałóż muzykę na oś czasu, zaznacz akcenty i zmiany fraz, a dopiero potem dopasowuj do nich kadry. Cięcie na mocnym akcencie robi więcej niż dziesięć ozdobników.

Na co uważać: Rytmiczny montaż to nie cięcie przy każdym uderzeniu — zostaw przestrzeń i pozwól części ujęć oddychać.

6.Nie przesiaduj na jednym kadrze

Na czym polega: Recepta autora jest prosta: bieg, zbliżenie, kolejne ujęcie, następne, następne. Ciągła zmiana obrazu utrzymuje widza w zainteresowaniu przez cały materiał.

Jak stosować: Zaplanuj więcej ujęć, niż sugeruje długość utworu. Krótkie, zróżnicowane kadry łatwiej ułożyć w rytm i łatwiej czymś zastąpić, gdy któreś nie wyjdzie.

Na co uważać: Szybkie cięcie bez logiki robi chaos, nie dynamikę — zmiany obrazu muszą iść w parze z rytmem muzyki, a nie działać osobno.

7.Kontrast: żywe wykonanie i wygenerowany obraz

Na czym polega: Muzyka nagrana na żywo, na analogowym sprzęcie, bez montażu dźwięku — na tle lo-fi obrazów z AI. Organiczny rdzeń i sztuczna warstwa wzajemnie się podbijają.

Jak stosować: Jeśli używasz AI do obrazu, zostaw w materiale coś niepodrabialnie ludzkiego: żywe granie, głos, drobne błędy wykonania. Napięcie między „człowiekiem” a „maszyną” działa mocniej niż jednolita estetyka.

Na co uważać: To estetyka autorska, nie uniwersalny przepis — sam autor podkreśla, że nie każdy musi tak budować swój materiał.

8.Zacznij od krótkiego formatu i policz czas uczciwie

Na czym polega: Półtoraminutowy eksperyment dało się domknąć w jeden dzień: kilka godzin generowania (pracował komputer, nie człowiek), kilka nagrań utworu, szybki montaż. Dłuższe, bardziej złożone wideo to już dni pracy i znacznie więcej ujęć.

Jak stosować: Na pierwszy projekt weź utwór z przedziału 1–2 minut — wystarczająco długi, żeby przejść cały proces od początku do końca, i wystarczająco krótki, żeby go faktycznie dokończyć.

Na co uważać: „Kilka godzin generowania” to nie „kilka godzin pracy”. Nagrywanie, selekcja, montaż i poprawki nie znikają — dolicz je do planu.

9.To nie jest „wpisz prompt i gotowe”

Na czym polega: Autor mówi to wprost: nie istnieje droga „polecenie → gotowy materiał”. Bez osobistego zaangażowania na każdym etapie wychodzi bezkształtna papka, a nie teledysk.

Jak stosować: Traktuj AI jako narzędzie w rękach reżysera. Od pomysłu, przez dobór ujęć, po montaż — to Twoje decyzje spajają wygenerowane fragmenty w całość.

Na co uważać: Największym kosztem jest czas. Jeśli liczysz na materiał z jednego wieczoru bez wkładu własnego, efekt rozczaruje — a im dłuższy format, tym więcej pracy „ręcznej”.

10.Jakość wejścia decyduje o jakości wyjścia

Na czym polega: Lo-fi wygląd klipu nie wynika z ograniczeń modelu, lecz z niskiej rozdzielczości obrazu źródłowego. MiniMax H3 potrafi wytwarzać wideo wysokiej jakości — pod warunkiem, że dostanie wysokiej jakości obraz.

Jak stosować: Zanim uruchomisz generowanie, dopracuj obraz bazowy: rozdzielczość, światło, kompozycję. Lo-fi czy pełna ostrość — decyzja należy do Ciebie, ale podejmij ją świadomie na starcie.

Na co uważać: Jeśli lo-fi wychodzi „przypadkiem”, a nie z wyboru, materiał wygląda na zaniedbany. Świadoma estetyka to co innego niż tuszowanie niedoskonałości.

Redakcyjne tłumaczenie

Eksperyment: półtorej minuty techno i wideo z AI

O MiniMax H3 zrobiło się ostatnio naprawdę głośno — podobno to obecnie najlepszy model do generowania wideo lokalnie, czyli na własnym komputerze i własnej karcie graficznej. Jako muzyk pomyślałem: ciekawa sprawa. Może czas na teledysk? I tak zrobiłem.

To, co zaraz pokażę, jest eksperymentem. Skomponowałem krótki, około półtoraminutowy utwór z pogranicza techno, bo chciałem sprawdzić, czy da się stworzyć teledysk z pomocą AI — i po prostu wam go pokazać. Nie zamierzałem robić dziesięciominutowej kompozycji; półtorej minuty to format, który da się udostępnić. Najpierw kilka sekund mojego grania, żeby było widać, na czym pracuję. A potem całe wideo.

(w tym miejscu autor prezentuje krótki fragment swojego grania, a następnie cały teledysk)

Osobiście jestem zadowolony z wyniku. I tak to zrobiłem.

Jeden obraz z Midjourney jako fundament

Punktem wyjścia był obraz, który wygenerowałem rok temu w Midjourney — dokładnie 52 tygodnie temu. (Informacja dodatkowa: Midjourney to jeden z najpopularniejszych generatorów obrazów na podstawie opisu tekstowego.) Z niego powstało każde pojedyncze ujęcie klipu.

Podejście miałem z góry leniwe: wziąłem po prostu obrazek, który mi się podoba — i to obrazek jednoznacznie wygenerowany przez AI. Nie chciałem iluzji, nie chciałem, żeby ktokolwiek zastanawiał się, czy to nagranie prawdziwe, czy nie. Wręcz przeciwnie: zależało mi, żeby widz od razu wiedział — to AI. Żeby nikt nie musiał sobie łamać głowy, czy to dzieje się naprawdę. Nie dzieje się. To w całości wygenerowane wideo i moim zdaniem właśnie w tym leży klucz. Potrzebowałem też środowiska trochę dziwnego, mrocznego — i ten obraz idealnie się do tego nadawał.

Sterowanie generowaniem: agent, MCP i ComfyUI

Jak wyglądał sam proces? Użyłem własnego agenta i połączyłem go przez MCP z ComfyUI. (Informacja dodatkowa: MCP, Model Context Protocol, to otwarty standard łączenia modeli AI z zewnętrznymi narzędziami i aplikacjami.) ComfyUI to z kolei środowisko, w którym uruchamia się modele generujące wideo i obrazy. Kłopot w tym, że jest dość skomplikowane — sam nie znam go w pełni. Dlatego postanowiłem, że to mój agent będzie nim sterował. Dzięki MCP mam nad ComfyUI pełną kontrolę, a cała obsługa staje się o niebo prostsza: piszę prompty — czyli zwykłe polecenia — i zlecam agentowi stworzenie obrazów oraz potrzebnych mi ujęć.

Warto dodać, że moje wideo powstało w założeniu niskiej rozdzielczości — to świadome lo-fi. Sam MiniMax potrafi sobie poradzić z naprawdę wysoką jakością: jeśli podasz mu dobry, ostry obraz źródłowy, dostaniesz znakomity wynik. W moim przypadku obraz nie był w wysokiej definicji — i było mi z tym dobrze. Podoba mi się ta lo-fi estetyka, tym bardziej że wychodzi z AI. Nie przeszkadzają mi artefakty generowania, które wyłażą na wierzch.

Montaż w DaVinci Resolve

Całość montowałem w DaVinci Resolve — profesjonalnym programie do montażu wideo, który można zainstalować za darmo. Działa na Macu, Linuksie i komputerach z Windows; ja siedzę na Linuksie. Najpierw nałożyłem muzykę: nagrałem swoje wykonanie, a potem zacząłem importować kolejne ujęcia i układać je we własnej kolejności.

Fabuła celowo luźna

Jest w tym wszystkim mała historia. Mamy postać, która żyje w tym dziwnym świecie — i biegnie. Nie wiadomo, przed czym ucieka, aż w pewnym momencie okazuje się, że ucieka przed drugą postacią. Tak więc biegną już dwie: ta i tamta. Trochę to mylące — i dobrze. Nie chodzi o opowiedzenie precyzyjnej fabuły; to nie ma znaczenia. Punkt w tym, że dałem sobie jakąś historię do opowiedzenia i ruszyłem z nią do przodu.

Te postaci wyglądają podobnie, tylko jedna jest jaśniejsza, a druga ciemniejsza. Na końcu jedna próbuje się wydostać — w tę stronę — a druga próbuje ją dogonić. I to cała fabuła. Za to wizualnie jestem naprawdę zadowolony. Bardzo podoba mi się ten szafirowy statek kosmiczny — albo coś, co wygląda jak statek — i ujęła mnie ta łatka trawy w kadrze.

Czego nauczyła mnie praca z modelem

Robiąc ten teledysk, przekonałem się, że tworzenie wideo z pomocą AI jest jak najbardziej możliwe — ale trzeba obejść kilka przeszkód. Po pierwsze: trzeba zaakceptować, że pełnej kontroli nie ma. AI zrozumie Twoją intencję i coś stworzy, ale nigdy dokładnie to, co chciałeś. Zawsze zostaje niespodzianka. I tę niespodziankę można nazwać szczęśliwym trafem: wychodzi coś, czego się nie spodziewałeś, a Ty mówisz — OK, to potrafię wykorzystać.

Przykład? Chciałem jednej postaci. Wyszły dwie. Więc z dwóch postaci zrobiłem historię: dopasowałem fabułę do tego, co faktycznie udało mi się wygenerować. Dzięki temu skończyłem znacznie szybciej.

Z czego składał się czas pracy

Ile to wszystko zajęło? Kilka godzin na stworzenie ujęć: podawałem AI serię poleceń i doprowadziłem sprawę do końca. Ważne — te kilka godzin to nie ja siedziałem nad każdym kadrem; to pracował komputer. Dzień wcześniej nagrałem utwór kilka razy, bo chciałem zrozumieć jego strukturę i skrócić go przy jednoczesnej dużej liczbie wariacji — a to nie jest coś, co robi się w zwykłym utworze. Te półtorej minuty docelowo powinno się rozwinąć do co najmniej pięciu minut, żeby powstał porządny kawałek techno z budowaniem napięcia i całą resztą. Ale zależało mi na krótkiej formie z mnóstwem zmian — żeby poeksperymentować i mieć coś miłego do puszczenia.

Potem wziąłem utwór do DaVinci i zacząłem budować montaż. Od początku wiedziałem, że otworzę go tym fragmentem — tworzy niepokojący nastrój, a przy tym daje naprawdę mocne, wyraziste światło. I wtedy przyszedł pomysł na fabułę.

Sekrety muzycznego montażu

W teledysku muzycznym sekret jest jeden: cięcia muszą iść w takt muzyki. Zmiany wypadają we właściwych momentach — nie ciągle, bez przesadnego kombinowania — i właśnie to nadaje całości muzyczności. Druga rzecz: nie wolno zbyt długo trzymać tego samego obrazu. Obrazy muszą się nieustannie zmieniać: bieg, zbliżenie, kolejne ujęcie, następne, następne. Zawsze coś się dzieje — i to utrzymuje widza przy ekranie. Cięcie w rytm, szkielet historii — i teledysk gotowy.

Dlaczego nie realizm

Gdybym chciał, żeby to wyglądało realistycznie, efekt byłby słabszy. Zajęłoby to znacznie więcej czasu, a i tak nigdy nie wyglądałoby jak rzeczywistość — widz wciąż by się zastanawiał, czy to prawda, i sam obraz by go rozpraszał. Jawna estetyka AI rozwiązuje ten problem. Z kolei prawdziwa muzyka tworzy kontrast: analogowy sprzęt i to, że gram całość na żywo, bez montażu dźwięku, daje organiczność — a na tym leżą te lo-fi, wygenerowane obrazy. Taka jest moja estetyka. Nie twierdzę, że każdy musi tak pracować.

Chcę po prostu przekazać: przy dzisiejszej technologii, jeśli zainwestujesz czas i wysiłek w naukę oraz trochę eksperymentów, teledysk jest w zasięgu ręki. Musisz tylko wiedzieć, że to nie działa tak, iż wpisujesz polecenie, AI wypluwa gotową papkę i po sprawie. Jeśli chcesz, żeby materiał miał sens, musisz pracować osobiście — a to znaczy: dużo czasu. Mi udało się wszystko skończyć w jeden dzień, bo utwór trwał półtorej minuty i był eksperymentem; technika, której użyłem, pozwoliła zrobić wszystko naraz — szybki montaż i gotowe. Ale jeśli chcesz zrobić coś porządnie — dłuższe wideo, lepszą strukturę, większą złożoność — potrzebujesz znacznie więcej ujęć. To już dni pracy. Dobra wiadomość jest taka, że jeśli jesteś muzykiem albo twórcą wideo, ta możliwość jest teraz dla Ciebie. Model można uruchamiać lokalnie, ale jest też jego wersja chmurowa. Jestem pewien, że nie wykorzystałem nawet ułamka możliwości MiniMax H3 — do odkrycia zostało jeszcze bardzo dużo.

Spotkania społeczności

W każdy poniedziałek w mojej społeczności na Discordzie odbywa się godzinna rozmowa o wideo generowanym przez AI — to Creative AI Video Lab. Spotyka się tam grupka twórców: dyskutujemy, budujemy, tworzymy. Więcej informacji znajdziesz na resonantdao.com, w zakładce z wydarzeniami — tam jest lista spotkań. Godziny podane są w mojej strefie czasowej, ale po otwarciu strony zobaczysz je przeliczone na własną. Po tym spotkaniu odbywa się kwadrans dla nowych członków, a potem rozmowa o społeczności i projektach — Resonant Dao. Mamy sporo różnych wydarzeń, w tym Resonant Academy, AI Stack Call i Creative Labs. Na najbliższych Creative Labs — co środę — będziemy rozmawiać o muzyce: pokażę więcej o syntezatorze modułowym i o tym, jak z niego korzystam. To spotkania dla twórców. Oczywiście możesz wykorzystywać AI w swojej twórczości, ale drzwi są otwarte dla każdego artysty. Jeśli chcesz dołączyć, zacznij tutaj — wejdź na Discorda. Do zobaczenia.

Dzięki, że dotrwałeś do końca. Zostaw łapkę w górze, zasubskrybuj i obejrzyj kolejne wideo. Ciao.