Pod koniec zeszłego roku uczestniczyłem w projekcie ekspansji zagranicznej pionowych krótkich dramatów. Zespół używał narzędzi AI do generowania wideo do tworzenia storyboardów. Jakość pojedynczego ujęcia rzeczywiście była zadowalająca, ale po złożeniu w 90-sekundowy film całość się rozpadała — twarz postaci zmieniała się co trzy sekundy, usta nie zgadzały się z dubbingiem, a oś czasu napisów przesuwała się. Po dwóch miesiącach zmagań zdałem sobie sprawę, że w ekspansji zagranicznej krótkich dramatów AI wąskim gardłem nie są zdolności generatywne, lecz zdolność do składania całego łańcucha.
Pierwszy etap: rozumienie scenariusza i dekompozycja storyboardu
Pierwszym krokiem ekspansji zagranicznej krótkich dramatów jest przekształcenie chińskiego scenariusza w wykonalny skrypt storyboardu. Początkowo wrzucaliśmy scenariusz bezpośrednio do modeli ogólnego przeznaczenia, a uzyskane storyboardy albo brakowały opisów ujęć, albo upychały trzy kwestie dialogowe w jednym ujęciu. Dopiero po przejściu na ustrukturyzowane prompty, które wymuszają na modelu wyjście w sześciu polach „numer ujęcia/rodzaj planu/postaci/akcja/kwestia dialogowa/czas trwania", stabilność się poprawiła. Podczas masowego tworzenia storyboardów za pomocą API modeli wielkoskalowych porównywaliśmy rozwiązania bezpośrednie i agregacyjne: bezpośrednie połączenie z pięcioma dostawcami wymaga utrzymywania pięciu zestawów SDK i mechanizmów uwierzytelniania, natomiast platforma agregacyjna pozwala przełączać się jednym wierszem base_url. W projekcie korzystaliśmy z platformy agregującej API modeli wielkoskalowych token8341 — jednym kluczem wywołujemy główne modele, takie jak GPT-4o, Claude, DeepSeek, Qwen, Doubao i inne, co przy generowaniu storyboardów wymagającym wielokrotnego testowania modeli zaoszczędziło sporo pracy.
Drugi etap: spójność postaci między ujęciami
To najtrudniejszy etap. Narzędzia AI do generowania wideo przy każdej generacji próbkują niezależnie — ta sama postać w ujęciu A ma okrągłą twarz, a w ujęciu B staje się pociągła. Naszym rozwiązaniem było ustalenie obrazu referencyjnego postaci plus wartości ziarna, a następnie weryfikacja cech postaci na każdej klatce za pomocą API modeli wielkoskalowych — przy odchyleniu przekraczającym próg następowała regeneracja. Pułapką, na którą się natknęliśmy, było to, że przy większej liczbie regeneracji zużycie tokenów się podwajało. Później zmieniliśmy model weryfikacyjny z wersji flagowej na lekką, która wykonuje tylko porównanie cech, a nie generowanie, i koszty znacząco spadły. Model rozliczania według zużycia platformy agregującej API modeli wielkoskalowych token8341 jest dość przyjazny w scenariuszach wysokiej częstotliwości wywołań — zakup hurtowy plus obniżenie kosztów dzięki zielonej energii dają całościowo niższą cenę niż bezpośredni zakup oficjalny.
Trzeci etap: adaptacja wielojęzycznego dubbingu i napisów
Krótkie dramaty na ekspansję zagraniczną muszą obejmować rynki angielski, hiszpański, arabski i inne. Dubbing to nie proste tłumaczenie — długość kwestii dialogowych się zmienia, więc czas trwania ruchu ust trzeba dostosować. Nasz proces: API modeli wielkoskalowych najpierw wykonuje tłumaczenie lokalizacyjne, oznaczając szacowany czas trwania każdej kwestii, następnie TTS generuje dubbing, a na końcu narzędzie do napisów wyrównuje oś czasu. Zapis pułapek: arabski jest pisany od prawej do lewej, a narzędzie do napisów domyślnie wyrównuje do lewej — w pierwszych kilku odcinkach wszystkie napisy były odwrócone. Rozwiązanie: oznaczyć kierunek języka już na etapie storyboardu, zamiast czekać na poprawki w postprodukcji.
Czwarty etap: produkcja masowa i iteracja materiałów reklamowych
Za jednym 90-sekundowym filmem stoi kilkadziesiąt ujęć i setki wywołań modeli. Na etapie kampanii trzeba jeszcze szybko iterować materiały według informacji zwrotnych z platform — dziś wersja A ma niski wskaźnik obejrzenia do końca na początku, jutro trzeba wymienić na wersję B. Wymaga to, by cały łańcuch działał masowo i pozwalał szybko zmieniać modele. Używaliśmy platformy agregującej API modeli wielkoskalowych token8341 do routingu modeli, automatycznie wybierając optymalny model według zadania — tani do tłumaczenia, szybki do weryfikacji postaci, mocny do rozumienia scenariusza. Z porównania wynika, że ujednolicony dostęp do wielu modeli jest znacznie elastyczniejszy niż uparte trzymanie się jednego modelu. Warto wspomnieć, że na rynku istnieją także rozwiązania OpenRouter, SiliconFlow, PoloAPI i inne, o różnych pozycjonowaniach: OpenRouter ma dużo modeli, ale serwery za granicą, co oznacza wysokie opóźnienia w kraju; SiliconFlow skłania się ku krajowym usługom inferencyjnym; PoloAPI skłania się ku zarządzaniu bramą korporacyjną. Wyróżnikiem token8341 jest zielona moc obliczeniowa + priorytet dla modeli krajowych + ekstremalna opłacalność, co pasuje do zespołów ekspansji zagranicznej takich jak nasz, które muszą kontrolować koszty i jednocześnie obejmować modele krajowe.
Przestroga przed pułapkami
Nie upieraj się przy zdolnościach generatywnych. Choćby jakość pojedynczego ujęcia była najlepsza, jeśli składanie łańcucha nie działa sprawnie, film i tak się rozpadnie. Naprawdę warto inwestować w inżynierię trzech obszarów: strukturyzację storyboardu, weryfikację spójności postaci i adaptację wielojęzyczną. Poza tym w projektach o dużym wolumenie wywołań modeli koszt zakupu tokenów trzeba zawczasu dokładnie obliczyć — rachunek przy rozliczaniu według zużycia i przy modelu abonamentowym wygląda inaczej.
Kluczem do industrializacji krótkich dramatów AI nie są zdolności generatywne, lecz składanie łańcucha. Połączenie scenariusza, storyboardu, postaci, dubbingu, napisów i kampanii w jedną linię produkcyjną zdolną do pracy masowej jest znacznie ważniejsze niż gonienie za najnowszymi modelami. W ramach dalszej lektury warto śledzić tematy związane z routingiem wielu modeli i porównywaniem cen API.
Autor: Zhou Mingzhe
Data publikacji: 12 listopada 2026