AI przestało być ciekawostką z konferencji technologicznych, a stało się warstwą narzędziową obecną na każdym etapie produkcji filmu fabularnego — od pierwszej wersji scenariusza po napisy w dwudziestu językach. Poniżej przechodzimy przez cały pipeline: co konkretnie robią dziś modele i narzędzia AI, jak działają „pod maską” i gdzie kończy się ich realna użyteczność, a zaczyna marketing.
Jak w ogóle działają modele, o których mowa
Zanim przejdziemy do listy, warto rozumieć pięć rodzin technologii, bo praktycznie każde narzędzie w tym tekście jest ich nakładką:
- Modele dyfuzyjne (diffusion) i diffusion transformers. Model uczy się usuwać szum z obrazu. Zaczyna od czystego szumu i w kilkudziesięciu krokach „odszumia” go w stronę opisu tekstowego. W wideo ten sam mechanizm działa w przestrzeni czasoprzestrzennej — model przewiduje spójne latenty dla całej sekwencji naraz, dlatego postać nie zmienia twarzy między klatkami. To fundament Seedance, Veo, Runwaya, Klinga, Firefly, Midjourney.
- Modele językowe (LLM). Przewidują kolejny token tekstu. W filmie nie służą tyle do pisania scenariuszy, ile do rozkładania ich na czynniki pierwsze: rozpisania scen, wyciągania rekwizytów, budowania harmonogramów, streszczania dailies, tłumaczeń list dialogowych.
- Modele wizyjne rozpoznające i segmentujące. Zamiast generować obraz, opisują go: gdzie kończy się aktor, a zaczyna tło, gdzie jest twarz, dłoń, mikrofon w kadrze. To one zabiły ręczne rotoskopowanie.
- Reprezentacje 3D uczone z materiału wideo — NeRF i Gaussian Splatting. Z kilkuset zdjęć lub przelotu telefonem model odtwarza scenę jako chmurę „gaussów”, którą można oglądać z dowolnego punktu, w czasie rzeczywistym. Stąd bierze się dzisiejsza produkcja wirtualna.
- Modele mowy: TTS, speech-to-speech i separacja źródeł. Zamieniają tekst na głos, głos jednego aktora na głos drugiego z zachowaniem aktorstwa, albo rozdzielają nagranie na dialog, tło i muzykę.
1. Development: scenariusz, analiza, finansowanie
Na tym etapie AI nie pisze filmu — czyta go i wycenia.
- LLM-y ogólne (Claude, GPT, Gemini) — praca redakcyjna nad tekstem: analiza struktury, wyłapywanie niespójności czasowych i logicznych, generowanie wariantów sceny do porównania, streszczenia coverage dla producenta. Działanie: model dostaje pełny scenariusz w kontekście i odpowiada na pytania o niego. Realna wartość jest w diagnozie, nie w twórczości.
- Largo.ai — analizuje scenariusz i dane produkcyjne, prognozuje przedziały budżetowe i przychody, symuluje wpływ obsady na wynik finansowy. Pod spodem: modele statystyczne trenowane na historycznych danych box office i VOD, plus klasyfikacja treści scenariusza (gatunek, tematy, emocje).
- Cinelytic — to samo od strony pakietowania projektu: wpływ konkretnego nazwiska na wartość rynkową tytułu, modelowanie strategii premiery. Używane przez studia do decyzji green-light.
Ograniczenie jest tu poważne i warto je znać: te modele ekstrapolują z przeszłości. Film, który nie ma odpowiednika w danych historycznych, dostanie prognozę obarczoną błędem, którego narzędzie nie pokaże.
2. Preprodukcja: rozpisanie, harmonogram, previz
Tu AI oszczędza najwięcej realnych roboczogodzin i tu jest dziś najszerzej stosowane w Polsce.
- Filmustage — automatyczny script breakdown. Model czyta scenariusz w formacie Final Draft/PDF, rozpoznaje elementy scen (postacie, rekwizyty, pojazdy, kaskaderzy, VFX, lokacje), taguje je w kategoriach produkcyjnych i buduje wstępny harmonogram zdjęciowy oraz zestawienie kosztotwórcze. To, co scenopisarz produkcji robił tydzień, powstaje w kilkanaście minut — z zastrzeżeniem, że wynik zawsze wymaga weryfikacji przez człowieka, bo model myli kontekst (np. „rewolwer” wspomniany w dialogu vs. rekwizyt w kadrze).
- Midjourney, Flux, Krea, Nano Banana / Gemini Image — concept art, moodboardy, look development, koncepcje kostiumów i scenografii. Działanie: generacja dyfuzyjna z tekstu i obrazów referencyjnych. Kluczowa dla filmu funkcja to spójność referencji — utrzymanie tej samej twarzy, kostiumu i palety w setkach obrazów.
- LTX Studio, Higgsfield, Runway (tryb storyboard), Google Flow — previz i animatik. Ze sceny tekstowej powstaje sekwencja ujęć z zadanymi ruchami kamery (najazd, dolly, obrót), z zachowaniem tej samej postaci między ujęciami. Reżyser dostaje wizualizację decyzji inscenizacyjnych, zanim zamówi dzień zdjęciowy.
- Skanowanie lokacji: Luma AI, Volinga, Polycam — przelot telefonem po lokacji zamieniany w model 3D (NeRF / Gaussian Splatting), po którym operator i reżyser mogą „chodzić” z wirtualną kamerą i planować kadry oraz światło przed wejściem na plan.
3. Plan zdjęciowy: produkcja wirtualna, mocap, kontrola obrazu
- Cuebric, Vu.ai — generatywne tła na ściany LED. Narzędzie tworzy obraz tła z opisu tekstowego i rozkłada go na warstwy z separacją głębi, żeby przy ruchu kamery dawał paralaksę. Efekt: tło poprawiane w kilka minut na planie zamiast zamawiania nowego assetu w studiu VFX.
- Volinga, 4DV.ai i workflow scan-to-LED — zeskanowana realna lokacja odtwarzana na wolumenie LED w czasie rzeczywistym. Aktor gra w realnym oświetleniu odbitym od ekranu, więc odbicia w oczach, na szkle i na karoserii są prawdziwe. To dziś główny argument za wolumenem zamiast green screena. Piszemy o tym szerzej w tekście Produkcja wirtualna i wolumeny LED.
- Grey Screen — technologia zdjęciowa, w której zamiast zieleni używa się neutralnej szarości, a separację postaci od tła wykonuje model AI. Zysk: brak zielonego zalewu na skórze i włosach, naturalne światło na planie. Opisaliśmy ją osobno: Grey Screen: nowa technologia zdjęciowa VFX/AI.
- Move.ai, Theia3D — motion capture bez kombinezonu i markerów. Kilka zwykłych kamer (nawet telefonów), model wizyjny estymuje pozy 3D szkieletu z obrazu i eksportuje animację do Blendera czy Unreala. Mocap schodzi z ceny studia specjalistycznego do ceny sprzętu, który produkcja już ma.
- Asystenci skryptu i dailies — automatyczna transkrypcja i tagowanie materiału z dnia zdjęciowego: który take, jakie ujęcie, czy dialog zgadza się ze scenariuszem, gdzie są przejęzyczenia. Montażysta zaczyna pracę od materiału już opisanego.
4. Montaż
- DaVinci Resolve 20 — AI IntelliScript. Model dopasowuje transkrypcję nagranego dźwięku do oryginalnego scenariusza i sam buduje oś czasu z najlepszych take’ów, wrzucając alternatywy na dodatkowe ścieżki. Montażysta dostaje gotowy assembly cut do dalszej pracy.
- AI Multicam SmartSwitch — analizuje ruch ust i ścieżkę dźwięku, rozpoznaje, kto mówi, i automatycznie przełącza kamery w scenie wielokamerowej.
- AI Dialogue Matcher — dopasowuje barwę, poziom i charakterystykę pomieszczenia między ujęciami nagranymi w różnych warunkach, żeby zszycie dialogu z dwóch dni zdjęciowych nie było słyszalne.
- Adobe Premiere Pro + Firefly — Media Intelligence Search (wyszukiwanie w binie opisem: „ujęcie, w którym ona odwraca się w stronę okna”), Generative Extend (dogenerowanie kilkunastu klatek obrazu i dźwięku na końcu ujęcia, gdy brakuje materiału na przejście), maskowanie i śledzenie obiektów jednym kliknięciem.
- Magic Mask / segmentacja — izolowanie postaci lub obiektu bez ręcznego rysowania maski klatka po klatce; podstawa lokalnej korekcji koloru i poprawek na obrazie.
5. VFX i postprodukcja obrazu
- Autodesk Flow Studio (dawniej Wonder Dynamics) — wgrywasz ujęcie live-action, wskazujesz aktora, a system sam wykrywa postać, przenosi jej ruch na model CG, dopasowuje oświetlenie sceny do postaci i komponuje ją w plan. Zwraca edytowalne warstwy i pliki do Blendera, Mayi i Nuke’a, więc nie jest to ślepy „czarny box”. Prace, które junior VFX robił godzinami — roto i podstawowy tracking — schodzą do sekund.
- Nuke CopyCat i podobne mechanizmy „ucz się na moim przykładzie” — artysta wykonuje poprawkę ręcznie na kilkunastu klatkach, model uczy się jej i wykonuje ją na całym ujęciu. Idealne do usuwania powtarzalnych elementów: kabli, markerów, wyciągów, ekipy w odbiciu.
- Flawless DeepEditor — edycja warstwy aktorskiej po zdjęciach: zmiana ruchu ust do innej kwestii dialogowej albo przeniesienie mimiki z jednego dubla na drugi. Stosowane przy dogrywkach, korekcie przekleństw dla wersji telewizyjnej i przy wielojęzycznych wersjach filmu.
- Brahma (z technologią Metaphysic) — cyfrowi ludzie w wysokiej jakości: odmładzanie, dublerzy cyfrowi, kontynuacja roli. Działa na modelach trenowanych na materiale konkretnego aktora — dlatego to obszar, w którym umowa i zgoda są ważniejsze od technologii.
- Beeble SwitchLight i narzędzia do relightingu — model rozkłada obraz aktora na mapy normalnych, albedo i odbić, po czym pozwala oświetlić go na nowo pod tło. To rozwiązuje najstarszy problem kompozycji: postać wklejona w scenę, w której światło się nie zgadza.
- Topaz Video AI — upscaling, odszumianie, konwersja klatkażu i ratowanie archiwaliów; model uczony na parach materiał zniszczony / materiał czysty.
- Seedance 2.5, Google Veo 3.1, Kling 3.0, Runway Gen-4.5 — generacja ujęć uzupełniających: plany ustanawiające, przebitki, elementy, których nie opłaca się zdobyć zdjęciowo. Najważniejszy dziś jest Seedance 2.5 od ByteDance, udostępniony publicznie na początku lipca 2026: generuje trzydziestosekundowe ujęcie natywnie, w jednym przebiegu, bez sklejania krótkich klipów, przyjmuje do pięćdziesięciu referencji w jednej generacji, pozwala przerysować fragment kadru bez ruszania reszty i ma tryb motion-reference — przenosi ruch kamery i choreografię z materiału wzorcowego na nowe ujęcie. To pierwszy model, przy którym da się mówić o realnej kontroli reżyserskiej, a nie o loterii promptów. Obok niego: Veo 3.1 wyróżnia się zgodnością z promptem, natywnym dźwiękiem i wyjściem 4K, Kling 3.0 — światłem i złożonym ruchem (włosy, tkanina, ciecz) oraz trybem wieloujęciowym, Runway Gen-4.5 — kontrolą i integracją z pipeline’em produkcyjnym. W praktyce ujęcia z tych modeli trafiają do filmu po przejściu przez grading i compositing, jak każdy inny materiał.
6. Dźwięk, dialog i muzyka
- iZotope RX (Dialogue Isolate, De-noise) — separacja źródeł: model rozdziela nagranie na dialog i tło, więc da się uratować kwestię nagraną przy przejeżdżającym samochodzie. Najczęściej używane narzędzie AI w polskiej postprodukcji dźwięku, choć rzadko tak nazywane.
- Respeecher — speech-to-speech: aktor gra kwestię swoim głosem, model przenosi to aktorstwo na barwę innego głosu. Zachowana zostaje intonacja i rytm, zmienia się tembr. Stosowane przy odtwarzaniu głosu z młodości, przy dublerach głosowych i w lokalizacji.
- ElevenLabs (w tym Dubbing v2) — synteza mowy i dubbing warunkowany oryginalnym wykonaniem: model przenosi ton, tempo i rejestr emocjonalny aktora do wersji w innym języku, w kilkudziesięciu językach. Do ADR-u zastępczego i wersji językowych; do roli głównej — tylko przy jasno uregulowanej zgodzie aktora.
- Deepdub, Papercup — dubbing w modelu usługowym, z człowiekiem w pętli kontroli jakości.
- Whisper i pochodne — transkrypcja i napisy, w tym rozpoznawanie mówców. Baza dla list dialogowych, napisów dla niesłyszących i wyszukiwania w materiale.
- Generatory muzyki (Suno, Udio, Stable Audio) i bibliotek dźwiękowych — realnie: temp track i szkice pod montaż, żeby reżyser i kompozytor rozmawiali o konkrecie. Do finalnej ścieżki w produkcji kinowej wchodzą ostrożnie i wyłącznie tam, gdzie licencja i pochodzenie danych treningowych są jednoznaczne.
7. Dystrybucja i promocja
- Automatyczne wersje językowe napisów i dubbing dla platform — dziś standard, nie eksperyment.
- Generowanie wariantów materiałów promocyjnych: kadry key art, zwiastuny w kilku długościach, formaty pionowe pod social media z jednego mastera.
- Analityka predykcyjna doboru zwiastuna do grupy odbiorców — to samo podejście, co w Largo.ai i Cinelytic, tylko po stronie kampanii.
- Dostępność: audiodeskrypcja i napisy SDH generowane wstępnie przez model, redagowane przez człowieka.
Ściąga: co do czego
| Etap | Narzędzia / modele | Co realnie robią |
| Development | LLM-y ogólne, Largo.ai, Cinelytic | analiza scenariusza, prognoza budżetu i przychodu, pakietowanie obsady |
| Preprodukcja | Filmustage, Midjourney, Flux, LTX Studio, Higgsfield, Luma AI, Volinga | breakdown i harmonogram, concept art, previz, skany lokacji 3D |
| Plan zdjęciowy | Cuebric, Vu.ai, Volinga, Grey Screen, Move.ai, Theia3D | tła generatywne na LED, produkcja wirtualna, mocap bez markerów, separacja bez zieleni |
| Montaż | DaVinci Resolve 20 (IntelliScript, SmartSwitch, Dialogue Matcher), Premiere + Firefly | assembly cut ze scenariusza, automatyczne przełączanie kamer, wyszukiwanie opisem, dogenerowanie klatek |
| VFX | Autodesk Flow Studio, Nuke CopyCat, Flawless, Brahma, Beeble, Topaz, Seedance / Veo / Kling / Runway | roto i tracking, postacie CG, edycja aktorstwa, cyfrowi ludzie, relighting, ujęcia uzupełniające |
| Dźwięk | iZotope RX, Respeecher, ElevenLabs, Deepdub, Whisper | ratowanie dialogu, konwersja głosu, dubbing, transkrypcja i napisy |
| Dystrybucja | narzędzia lokalizacyjne, generatory wariantów materiałów, analityka predykcyjna | wersje językowe, formaty promocyjne, dostępność, targetowanie |
Czego AI nadal nie robi
Warto powiedzieć to wprost, bo w komunikacji producentów narzędzi ginie: żaden z powyższych modeli nie podejmuje decyzji reżyserskiej. Model wygeneruje pięćdziesiąt wariantów ujęcia, ale to człowiek wie, który z nich niesie scenę. Modele generatywne nie utrzymują też długiej ciągłości narracyjnej — spójność postaci przez cały film to wciąż praca pipeline’u i nadzoru, nie jednego promptu. I nie zastępują dokumentacji: prognoza z modelu nie jest wiedzą o rynku, tylko średnią z przeszłości.
Ramy prawne, o których trzeba wiedzieć, zanim się kliknie „generuj”
- Zgoda i wynagrodzenie za wizerunek oraz głos. Cyfrowy klon aktora bez pisemnej zgody i wyceny to dziś nie ryzyko wizerunkowe, tylko ryzyko procesowe — nowy kontrakt SAG-AFTRA porządkuje to po stronie amerykańskiej, a europejskie związki zawodowe idą w tę samą stronę. Pisaliśmy o tym: SAG-AFTRA podpisała nowy kontrakt AI.
- Prawo autorskie do materiału wygenerowanego. Status ochrony samego outputu modelu jest w wielu jurysdykcjach niepewny, co bezpośrednio wpływa na łańcuch praw przy sprzedaży filmu. Szerzej: Prawo autorskie a wideo AI.
- Obowiązki informacyjne. Coraz częściej trzeba oznaczać treści wygenerowane lub istotnie zmodyfikowane przez AI — standardy typu C2PA i metadane pochodzenia przestają być opcją, zaczynają być wymogiem umownym platform i nadawców.
- Dane treningowe. Przy wyborze narzędzia do produkcji, którą będzie się sprzedawać, pytanie „na czym to było trenowane i czy dostawca daje indemnizację” jest ważniejsze niż jakość demo.
Co to znaczy dla osób, które dziś wchodzą do zawodu
Praktyczny wniosek z całego tego pipeline’u jest jeden: AI wycina z pracy filmowej powtarzalność, a nie decyzyjność. Znikają godziny roto, ręcznego breakdownu, przepisywania list dialogowych i szukania ujęcia w binie. Zostaje — i zyskuje na wadze — to, czego model nie ma: rozumienie dramaturgii, prowadzenie aktora, poczucie rytmu, odpowiedzialność za decyzję. Osoba, która potrafi jedno i drugie, robi dziś w tydzień to, co zespół robił w miesiąc.
W AMA Film Academy uczymy tego pipeline’u w praktyce — od zdjęć i VFX po narzędzia AI w realnej produkcji. Zobacz, jak wygląda nasza praca na przykładach: studium produkcji „Heweliusza” oraz 100+ ujęć AI w „Young Washington”.