Spot reklamowy za 0 zł na zwykłym komputerze. Tak robimy filmy AI lokalnie
Aktualizacja: październik 2026. Autor: Marcin Wawrzyniak, Devpartner.
Nasze filmy reklamowe AI powstają na jednym komputerze z kartą graficzną 8 GB, bez abonamentów i bez opłat za każdy wygenerowany plik. Poniżej pokazuję, jak to działa od kuchni i gdzie sztuczna inteligencja wciąż się myli.
Większość osób kojarzy wideo AI z drogimi usługami w chmurze: miesięczny abonament, limity, kredyty, które kończą się w połowie projektu. My poszliśmy inną drogą. Wszystkie modele działają lokalnie, a materiał klienta nie opuszcza naszego komputera.
Ekipa: reżyser i producent, który nie śpi
Na planie są dwie role. Ja jestem reżyserem. Producentem jest Alfred — agent AI, który czuwa nad wszystkimi modelami na naszym komputerze. (Skąd to imię, opisałem we wpisie o budowaniu aplikacji z AI.)
- Reżyser (Marcin) — pomysł i scenariusz, wybór stylu, decyzje o ruchu kamery i przejściach, akceptacja każdego ujęcia. Kiedy coś wygląda źle, mówię „jeszcze raz”.
- Producent (Alfred) — rozpisuje scenariusz na ujęcia, uruchamia modele w odpowiedniej kolejności, pilnuje spójności postaci i kierunku spojrzeń, montuje i miksuje dźwięk. Dopytuje, gdy czegoś nie wie.
To podział jak na prawdziwym planie: reżyser decyduje, co ma być na ekranie, producent sprawia, że to powstanie. Różnica jest taka, że mój producent pracuje też w nocy, kiedy karta graficzna generuje kolejne ujęcia.
Sprzęt i modele
Wszystko działa na komputerze z kartą RTX 4060 (8 GB pamięci graficznej) i 40 GB RAM. To sprzęt ze średniej półki, nie stacja robocza za kilkadziesiąt tysięcy złotych.
| Zadanie | Model (otwarty, lokalny) | Co robi |
|---|---|---|
| Klatki referencyjne | Z-Image Turbo, Flux 2 Klein | kadry startowe, karty postaci, poprawki tła |
| Wideo | LTX-2.5 (Lightricks) | ruch, kamera, dźwięk i ruch ust |
| Głos | Chatterbox (polski) | lektor i dialogi, jeden sklonowany głos na cały film |
| Muzyka | YuE2, ACE-Step | podkład i piosenki z tekstem |
| Montaż i miks | ffmpeg | cięcia, przejścia, napisy, głośność |
Duże modele nie mieszczą się w 8 GB, więc część danych przenosimy do zwykłej pamięci RAM. Działa to wolniej, ale działa.
Proces: od pomysłu do gotowego spotu
Każdy film przechodzi te same etapy. Reżyser zatwierdza wynik po każdym z nich, zanim Alfred przejdzie dalej.
- Brief — reżyser opisuje pomysł. Alfred najpierw pyta: reklama czy trailer, format (poziomy 16:9 czy pionowy 9:16), długość, ton.
- Scenariusz i lista ujęć — Alfred rozpisuje film na ujęcia do 10 sekund, z ruchem kamery, typem przejścia i kierunkiem spojrzenia każdej postaci. Reżyser poprawia.
- Karty postaci — wygląd bohaterów ustalony raz i używany w każdym ujęciu, żeby twarz i ubranie się nie zmieniały.
- Klatki referencyjne — pierwszy kadr każdego ujęcia jako obraz. Tu najłatwiej o poprawki, bo obraz powstaje dużo szybciej niż wideo.
- Głos — dialogi i lektor nagrane jednym sklonowanym głosem, z emocją dopasowaną do sytuacji: rozkaz brzmi inaczej niż narrator.
- Ujęcia wideo — model LTX ożywia klatki. Gdy postać mówi, model dostaje nagranie głosu i dopasowuje do niego ruch ust.
- Muzyka — podkład lub piosenka pod nastrój filmu.
- Montaż i miks — cięcia, przejścia, plansza końcowa, muzyka ściszana pod dialogiem.
- Wersje i opisy — drugi format (np. pion do mediów społecznościowych) i gotowe teksty na YouTube, LinkedIn, Facebook i TikTok.
Reżyser nie musi znać się na modelach AI. Wystarczy, że wie, co chce zobaczyć.
Co już wyprodukowaliśmy
Koszt generowania każdej z tych produkcji wyniósł 0 zł — płacimy tylko za prąd.
| Realizacja | Długość |
|---|---|
| Bajka edukacyjna dla dzieci (animacja 2D, lektor) | 48 s |
| Etiuda filmowa z dialogiem | 29 s |
| Teledysk z własną piosenką | 120 s |
| Trailer thrillera z kilkoma postaciami | 75 s |
| Reklama UGC w dwóch formatach (poziom i pion) | ok. 44 s |
Najwięcej pracy maszyny pochłania wideo. Drugi format tej samej reklamy jest tani, bo powtarzamy tylko generację ujęć z tymi samymi ustawieniami.
Gdzie AI się myli: historia podwójnego głosu
AI nie jest magiczną skrzynką i czasem to my jesteśmy przyczyną problemu. Dobry przykład z ostatniego tygodnia.
W kilku reklamach słyszeliśmy pod dialogiem drugi, lekko inny głos, jak echo. Byłem pewny, że to model wideo podkłada własną wersję kwestii. Napisaliśmy nawet w tej sprawie do twórców modelu LTX na forum Hugging Face.
Alfred przejrzał kod i zmierzył dźwięk z naszych ujęć. Wynik: model nie wymyślał żadnego głosu. Oddawał dokładnie nasze nagranie, tylko przesunięte o 20 milisekund. To my w montażu nakładaliśmy na siebie dwie kopie tej samej kwestii.
Prawdziwy problem był gdzie indziej. Gdy nagranie było krótsze niż ujęcie, model w ostatniej sekundzie dogrywał własne dźwięki. Rozwiązanie okazało się proste: dopełnić nagranie ciszą do długości ujęcia. Test potwierdził, że końcówka jest teraz czysta. Wnioski opisaliśmy twórcom w tym samym wątku.
Morał: lokalne AI wymaga kogoś, kto rozumie, co dzieje się pod spodem. Dlatego w naszej ekipie jest producent, który sprawdza, a nie tylko klika „generuj”.
Dla kogo to ma sens
Lokalna produkcja AI najlepiej sprawdza się tam, gdzie potrzeba wielu krótkich filmów i nie ma budżetu na plan zdjęciowy.
- Małe i średnie firmy — spoty do mediów społecznościowych w dwóch formatach (poziom i pion) z jednej produkcji.
- Deweloperzy i wykonawcy — wizualizacja inwestycji, której jeszcze nie ma.
- Firmy produkcyjne i usługowe — filmy instruktażowe krok po kroku.
- Twórcy i marki osobiste — teledyski, trailery, etiudy z własnym bohaterem.
Granice też są jasne. Najlepiej wychodzą spokojne ujęcia i zbliżenia twarzy. Szybka akcja z trzęsącą się kamerą i dokładny ruch ust w biegu to wciąż słabe strony modeli, więc planujemy scenariusz tak, żeby je omijać.
Potrzebujesz reklamy bądź filmu instruktażowego?
Napisz, co chcesz pokazać — ja wyreżyseruję, Alfred wyprodukuje. Przykłady i cennik znajdziesz na adfilmai.devpartner.pl.
Marcin Wawrzyniak — Devpartner. Pomagam małym i średnim firmom być widocznymi w internecie i automatyzuję to, co pochłania im czas. LinkedIn