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.
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.

- 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.
- Hook u prvoj rečenici. „Ovaj video nisam snimio ja.” Gledalac odmah dobija razlog da ostane.
- Recept. Šta je generisano i od čega, odnosno jedna fotografija i minut i po glasa.
- Tri primjene koje donose novac. Svaka primjena ima konkretan primjer iz posla.
- Upozorenje. Isti alat koriste i prevaranti, a gledalac saznaje šta tada treba da uradi.
- Poziv na akciju. Jedna riječ u komentar, u mom slučaju KLON.

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
- Napravi uspravan projekat od 1080x1920 piksela i 30 frejmova u sekundi.
- Poredaj klipove sa licem redom i odsijeci tišinu na početku i kraju svakog klipa.
- Ubaci B-roll preko lica na mjestima gdje govoriš o primjerima.
- Dodaj krupne titlove sa jednom do tri riječi na ekranu i istakni ključnu riječ bojom. Ako aplikacija pravi titlove automatski, ispravi svaku riječ ručno.
- Dodaj blag zum na važnim riječima i diskretne zvučne efekte na prelazima.
- Na kraj stavi kratku završnu karticu sa imenom, pozivom na akciju i rečenicom da je video generisan uz pomoć vještačke inteligencije.
- 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
- 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.
- Izvoz. Isti video na njemačkom i engleskom, tvojim glasom. Prezentaciju firme ili ponudu za strane kupce praviš bez ponovnog snimanja na svakom jeziku.
- 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:

