Kako sam napravio svog AI klona: cijeli postupak, korak po korak

Jedna fotografija i minut i po snimka glasa bili su dovoljni za video koji nisam snimio. Ovdje je cijeli postupak: alati, redoslijed rada, troškovi, greške koje možeš preskočiti i zaštita od prevara.

AI klon Vladimira Sukare i holografski prikaz istog lica, oba generisana uz pomoć vještačke inteligencije
Klon koji govori i holografski prikaz istog lica, oba kadra generisana uz pomoć vještačke inteligencije.
Sadržaj

Video u kojem objašnjavam AI klona nisam snimio ja. Lice, glas i pokreti su generisani, a za cijeli video bila mi je dovoljna jedna fotografija i minut i po snimka mog glasa, bez kamere, studija i snimanja teksta.

Ovdje je cijeli postupak onako kako sam ga radio, sa alatima koje sam koristio, redoslijedom rada, troškovima i greškama koje možeš da preskočiš. Vodič je pisan za ljude koji nisu tehničari, pa je svaki korak objašnjen od početka.

Šta ti treba prije početka

  • Jedna dobra fotografija lica, prema uputstvu iz prvog koraka.
  • Minut i po snimka tvog glasa, snimljenog telefonom u tihoj prostoriji.
  • Nalog na Higgsfieldu (higgsfield.ai) sa kreditima. Tamo sam napravio glas, video sa licem i B-roll kadrove.
  • Aplikacija za montažu, na primjer CapCut ili bilo koja koju već koristiš.
  • Dva do tri sata za prvi video. Svaki sljedeći ide mnogo brže, jer glas i fotografija ostaju isti.

Korak 1: Fotografija

Fotografija određuje sve što će se vidjeti u videu: lice, odjeću, svjetlo i prostor iza tebe. Zato je biraj kao kadar za ozbiljan poslovni snimak, jer će klon svaku grešku sa fotografije ponavljati u svakom kadru.

Fotografija koju je Vladimir koristio za AI klona i šest uslova za dobru fotografiju
Fotografija koju sam koristio i šest stvari koje dobra fotografija mora da ima.
  • Gledaš pravo u kameru, usta su zatvorena, a izraz lica je miran. Širok osmijeh na fotografiji model kasnije pretvori u neprirodan izraz.
  • Svjetlo je ravnomjerno i dolazi spreda, najbolje dnevno svjetlo sa prozora, bez jakih sjenki na licu.
  • Kadar je od grudi naviše, sa malo prostora iznad glave. Ako video ide na Instagram ili TikTok, fotografija treba da bude uspravna.
  • Na fotografiji nema sunčanih naočara, kape ni ruku ispred lica, a kosa ne pokriva oči.
  • Pozadina je mirna i odgovara tvom poslu, bez teksta i drugih ljudi.
  • Fotografija je oštra i u visokoj rezoluciji. Ako možeš, slikaj zadnjom kamerom telefona.

Korak 2: Snimak glasa

Glas se klonira iz kratkog snimka, a klon kopira sve što čuje, uključujući šum i odjek. Zato je kvalitet snimka važniji od opreme, a telefon je sasvim dovoljan.

  • Snimi 60 do 90 sekundi prirodnog govora, normalnim tempom, kao kad nešto objašnjavaš klijentu.
  • Snimaj u tihoj prostoriji sa namještajem i zavjesama, jer prazna prostorija pravi odjek. Telefon drži na 20 do 30 centimetara od usta.
  • U pozadini ne smije biti muzike, buke ni drugih glasova.
  • Pričaj o svom poslu i ubaci pitanje, nabrajanje i nekoliko brojeva, da model čuje različite intonacije.
  • Diktafon na telefonu je dovoljan, a snimak sačuvaj kao MP3 ili WAV fajl.

Korak 3: Kloniranje glasa

U Higgsfieldu otvori Audio, pa opciju za pravljenje sopstvenog glasa (Create Voice). Ubaci snimak iz drugog koraka i potvrdi da je glas tvoj, jer je potvrda saglasnosti obavezan dio postupka. Kloniranje me je koštalo 40 kredita i plaća se samo jednom, jer svaku sljedeću naraciju praviš istim glasom.

Kloniraj samo svoj glas ili glas osobe koja ti je dala pisanu saglasnost. Isto pravilo važi i za lice.

Korak 4: Scenario

Video od 40 do 45 sekundi ima oko 100 do 120 riječi. To je dovoljno za jednu jasnu poruku, a dovoljno kratko da ga ljudi pogledaju do kraja. Moj scenario je imao pet dijelova.

  1. Hook u prvoj rečenici. „Ovaj video nisam snimio ja.” Gledalac odmah dobija razlog da ostane.
  2. Recept. Šta je generisano i od čega, odnosno jedna fotografija i minut i po glasa.
  3. Tri primjene koje donose novac. Svaka primjena ima konkretan primjer iz posla.
  4. Upozorenje. Isti alat koriste i prevaranti, a gledalac saznaje šta tada treba da uradi.
  5. Poziv na akciju. Jedna riječ u komentar, u mom slučaju KLON.
Pet dijelova AI klon videa: hook, recept, primjene, upozorenje i poziv na akciju
Struktura mog videa od 44 sekunde, sa vremenom početka svakog dijela.

Kako da tekst zvuči prirodno

  • Piši kratke i jasne rečenice, onako kako inače pričaš.
  • Brojeve piši slovima, na primjer „minut i po”, a ne „1:30”.
  • Ako neka riječ zvuči čudno, zamijeni je drugom umjesto da se boriš sa modelom. Kod mene je „šaljem” zvučalo nejasno, pa sam napisao „dobićeš”.
  • Strane jezike napiši kao poseban blok. Ja sam ubacio po jednu rečenicu na njemačkom i engleskom, da pokažem da klon govori i druge jezike.

Korak 5: Naracija tvojim glasom

U alatu Higgsfield Audio izaberi pretvaranje teksta u govor (Text to Speech), zatim svoj klonirani glas, i zalijepi tekst. Probao sam više modela, a na srpskom mi je najbolje zvučao MiniMax, sa bojom glasa najsličnijom mojoj i najčistijim izgovorom. ElevenLabs je griješio na pojedinim riječima. Probaj oba na istoj rečenici, jer jedan pokušaj košta oko jednog kredita ili manje.

  • Generiši tekst u blokovima od jedne do dvije rečenice, a ne sve odjednom, pa ćeš popravljati samo blok sa greškom.
  • Preslušaj svaki blok sa slušalicama. Ako riječ zvuči pogrešno, promijeni je u tekstu i generiši blok ponovo.
  • Gotove blokove preuzmi kao MP3 ili WAV fajlove.

Korak 6: Video sa tvojim licem

Ovo je najvažniji korak, jer model od tvoje fotografije i gotove naracije pravi video u kojem izgovaraš tačno te riječi, sa pokretima usana usklađenim sa zvukom.

Ja sam koristio model Wan 2.7 u Higgsfieldu. Fotografiju sam ubacio kao početni kadar, a naraciju kao audio referencu, uz uspravan format (9:16) i rezoluciju 1080p. Svaki blok teksta dobio je svoj klip do 15 sekundi, a cijena je bila 2,5 kredita po sekundi videa.

Ako ti je to previše podešavanja, jednostavniji put je Lipsync Studio u meniju Video. Tamo ubaciš fotografiju, ubaciš svoj audio fajl i izabereš model. Za kratke klipove su tu Wan 2.5 Speak i Kling 2.6 Lipsync, a Kling Avatars 2.0 pravi i klipove do pet minuta. Te modele nisam testirao na srpskom, pa prvo probaj jedan kratak klip.

Kako da klon izgleda prirodno

Prva verzija mog klona se previše smijala, a široki osmijesi su odmah odavali da je video generisan. Problem je riješio opis scene u kojem sam tražio miran i prirodan izraz lica. Opis piši na engleskom, jer ga modeli bolje razumiju, a ovaj primjer možeš da kopiraš.

A person speaks directly to the camera with a calm, natural expression. Subtle head movements, natural blinking, no wide smile. Static camera, soft daylight, realistic skin texture.
  • Provjeri usne na glasovima O, U, M, B i P, jer se na njima najbolje vidi da li se usne poklapaju sa zvukom.
  • Ako jedan klip ne valja, generiši ponovo samo njega, a ne cijeli video.
  • Kraći klipovi su sigurniji, jer je kod dužih veća šansa da se usne i zvuk raziđu.

Korak 7: B-roll

B-roll čine kadrovi bez tebe koji ilustruju ono što govoriš. Oni drže pažnju, jer se slika mijenja svakih nekoliko sekundi. Pravio sam ih modelom Kling 3.0, a klip od pet sekundi bez zvuka koštao je 7,5 kredita. Ovo su opisi slični onima koje sam koristio, prilagođeni za kopiranje.

  • Bez kamere i studija: Empty film studio with a camera on a tripod and softbox lights, slow dolly-in, cinematic, moody lighting.
  • Prodaja: Smartphone on a dark desk next to a laptop, a video message notification lights up the screen, shallow depth of field.
  • Izvoz: Aerial view of a container port at dusk, cranes loading ships, slow drone movement.
  • Prevara: Smartphone on a desk with an incoming video call, red ambient light, tense mood.

Dok traje B-roll, tvoje lice može ostati u malom krugu u uglu ekrana, kao u mom videu, pa gledalac ne gubi osjećaj da mu se obraćaš ti.

Korak 8: Montaža

  1. Napravi uspravan projekat od 1080x1920 piksela i 30 frejmova u sekundi.
  2. Poredaj klipove sa licem redom i odsijeci tišinu na početku i kraju svakog klipa.
  3. Ubaci B-roll preko lica na mjestima gdje govoriš o primjerima.
  4. Dodaj krupne titlove sa jednom do tri riječi na ekranu i istakni ključnu riječ bojom. Ako aplikacija pravi titlove automatski, ispravi svaku riječ ručno.
  5. Dodaj blag zum na važnim riječima i diskretne zvučne efekte na prelazima.
  6. Na kraj stavi kratku završnu karticu sa imenom, pozivom na akciju i rečenicom da je video generisan uz pomoć vještačke inteligencije.
  7. Izvezi video u rezoluciji 1080p, sa 30 frejmova u sekundi.

Najvažnije pravilo montaže je da se na ekranu nešto promijeni svake dvije do tri sekunde, bilo da je to rez, zum, B-roll ili grafika. Titlovi traju do posljednje izgovorene riječi, a tek onda dolazi završna kartica.

Korak 9: Objava

  • Uključi AI oznaku. Na posljednjem ekranu prije objave otvori napredna podešavanja (Advanced settings) i uključi oznaku da je sadržaj napravljen uz pomoć vještačke inteligencije. Objava će dobiti oznaku „AI info”.
  • U opisu objave napiši otvoreno da je video generisan. Ljudi cijene iskrenost, a prikrivanje se prije ili kasnije otkrije.
  • Poziv na akciju sa jednom riječju u komentaru radi bolje od „link u biju”, jer komentari pomažu da objava stigne do više ljudi.

Koliko košta i koliko traje

Za moj video sam ukupno potrošio oko 420 kredita, jer sam uporedio tri modela za lice i jednom ponovio sve klipove da bih dobio miran izraz. Isti video bez testiranja i ponavljanja koštao bi oko 180 kredita.

  • Kloniranje glasa (jednokratno): 40 kredita
  • Naracija, svi blokovi: do 5 kredita
  • Video sa licem, Wan 2.7 u 1080p, 40 sekundi: 100 kredita
  • B-roll, pet klipova u modelu Kling 3.0: 37,5 kredita

Cijena kredita zavisi od plana na Higgsfieldu, a modeli se često mijenjaju, pa prije većeg projekta napravi jedan probni klip. Za prvi video računaj dva do tri sata rada.

Gdje ovo donosi novac

  1. Prodaja. Svaki klijent dobija ličnu video poruku sa svojim imenom, bilo da je to ponuda, čestitka ili podsjetnik. Pišeš jedan scenario, a klon pravi verziju za svakog klijenta.
  2. Izvoz. Isti video na njemačkom i engleskom, tvojim glasom. Prezentaciju firme ili ponudu za strane kupce praviš bez ponovnog snimanja na svakom jeziku.
  3. Obuka. Obuku napraviš jednom, a klon je ponavlja svakom novom radniku, od procedura do bezbjednosti na radu. Kad se procedura promijeni, mijenjaš tekst, a ne snimaš ponovo.

Klon ne zamjenjuje tebe u razgovorima sa ključnim klijentima, nego preuzima poruke koje bi ionako ponavljao iz dana u dan.

Sigurnost: isti alat koriste i prevaranti

Početkom 2024. godine zaposleni u hongkonškoj kancelariji britanske inženjerske firme Arup uplatio je prevarantima oko 25 miliona dolara, u 15 transakcija. Ubijedili su ga video pozivom na kojem su finansijski direktor i kolege izgledali i zvučali kao pravi, a zapravo su bili deepfake. Firma je slučaj javno potvrdila u maju iste godine.

Za ovakav napad dovoljni su jedna fotografija i minut i po glasa sa javnog snimka, dakle tačno ono što si upravo naučio da koristiš. Zato uvedi sljedeća pravila u firmu i u porodicu.

  • Nijedna hitna uplata ne ide na osnovu videa, glasovne poruke ili poziva, bez povratnog poziva na broj koji već imaš.
  • Dogovorite tajnu riječ za hitne zahtjeve, koju zna samo uzak krug ljudi.
  • Svaku neplaniranu uplatu odobravaju dvije osobe.
  • Ako ti šef pošalje video i traži hitnu uplatu, prvo ga nazovi.

Želiš ovo u svojoj firmi?

Ako želiš da AI klona koristiš za prodaju, izvoz ili obuku u svojoj firmi, piši mi u poruci na Instagramu, @vladimir.aibalkan. Za širu sliku o tome kako AI ulazi u svakodnevni rad firme, pročitaj i naš vodič za AI automatizaciju poslovanja.

Takođe možete kontaktirati na:

O nama, AI Balkan: Prvi portal za vijesti o AI na Balkanu
Saznajte više o AI Balkanu – prvom portalu koji spaja ljude i vještačku inteligenciju. Naša misija je učiniti AI znanje dostupnim svima na Balkanu.

Komentari su dostupni Premium članovima.

Besplatan nalog otključava vodiče za članove. Za komentarisanje izaberi AI Balkan Pro.

Već imaš nalog? Prijavi se

AI vijesti i praktični vodiči u tvom inboxu.

Prijavi se besplatno i izaberi newslettere koje želiš da pratiš u svom nalogu. Prijavom možeš upravljati i kasnije.

Provjerite svoj inboks i potvrdite. Nešto je pošlo po zlu. Pokušajte ponovo.