L’AI ora genera video più in fretta di quanto ci metta a guardarli, e questo cambia un problema che avevo lasciato a metà
La settimana scorsa fal, una piattaforma che ospita modelli di intelligenza artificiale generativa per sviluppatori, ha rilasciato H3 Max, una versione del modello video MiniMax H3 ottimizzata per la velocità. Il numero che ha fatto girare la notizia è uno: cinque secondi di video generati in meno di tre secondi. È la prima volta che un’API pubblica produce un filmato più in fretta del tempo che serve a guardarlo, e la dimostrazione è arrivata subito: un ingegnere di fal ha collegato il modello a una diretta, e poco dopo Pieter Levels, uno sviluppatore noto per costruire prodotti in pubblico, ha messo in piedi Infinite Slop, una trasmissione potenzialmente infinita in cui sono gli spettatori a scrivere in chat cosa succede nella scena successiva.
Il risultato, per chi l’ha visto, è spesso assurdo. Ma quando la generazione costa pochi secondi e pochi centesimi, un intero pezzo di lavoro che prima si faceva a mano diventa una cosa che si può chiedere a uno script.
Il problema che avevo lasciato a metà
Da qualche mese lavoro, a intermittenza, a Beta Tester People, una sitcom italiana generata con l’AI: quattro sviluppatori di uno studio di videogiochi a Bologna, il bar sotto casa, una game designer che comunica solo via chat. Gli script dei primi tre episodi esistono, i personaggi hanno un volto (ritratti fotorealistici fatti con Midjourney) e una voce (profili descritti per ElevenLabs). Quello che mancava era il pezzo in mezzo: passare dallo script a un episodio guardabile.
Ad aprile avevo progettato un orchestratore che leggesse il copione, generasse l’audio delle battute e producesse i prompt per le immagini. Poi si fermava, perché il video andava fatto a mano con Runway e CapCut, e venti minuti di sitcom a mano sono un lavoro che nessuno fa nel tempo libero. Con un modello che genera clip da cinque a quindici secondi in tempo reale, quel buco si chiude: l’orchestratore può chiamare l’API, ottenere le clip, e uscire con una bozza montata invece che con una cartella di materiali.
Così ho fatto costruire il progetto da zero a Claude Code: parser dello script, sintesi vocale con cache, generazione video a blocchi, montaggio con ffmpeg. Tutto in Python, tutto testabile in modalità dry-run senza toccare nessuna API, cioè senza spendere.
Cosa ho scoperto provando, senza pagare
Non avevo crediti su nessuna delle due piattaforme, e non volevo caricarne prima di capire cosa funzionava. Tre cose, in ordine di scoperta.
La prima: le “cinque generazioni gratis al giorno” annunciate da fal esistono, ma non dove uno le cerca. Il playground dell’API, quello con i parametri e il pulsante Run, vuole crediti e si rifiuta di partire a saldo zero. Le generazioni gratuite vivono su una pagina separata, più semplice, che accetta un prompt e produce una clip a 480p. Da lì, con un prompt che descriveva il bar della serie, mattoni a vista, un cabinato di Pac-Man, una barista col grembiule, il modello ha prodotto in meno di un secondo una scena che somigliava molto a quella che avevo in testa.
La seconda scoperta è meno comoda: sulla pagina gratuita, ogni volta che allegavo il ritratto di un personaggio come immagine di partenza, la generazione falliva con un errore generico. Senza immagine funzionava; con l’immagine no, in qualsiasi formato. Non ho una conferma, ma il sospetto è un filtro sui volti fotorealistici in ingresso nel piano gratuito, una protezione contro i deepfake che sull’API a pagamento non c’è (la demo ufficiale del modello è proprio un volto umano animato). La conseguenza pratica è che la cosa che conta davvero per una serie, cioè che Chiara sia sempre Chiara da una scena all’altra, non si può testare gratis.
La terza riguarda le voci. Ho scelto cinque voci nella libreria di ElevenLabs, una per personaggio, e quattro su cinque si sono rivelate “premium”, accessibili solo con l’abbonamento da 22 dollari al mese. Ma il dettaglio più importante non era quello: il piano gratuito di ElevenLabs non concede diritti di uso commerciale. Una sitcom pubblicata su YouTube è contenuto pubblico e potenzialmente monetizzabile, quindi il piano gratuito era escluso a prescindere dalle voci. Il piano più economico con licenza commerciale costa sei dollari al mese; quello che sblocca anche le voci premium ventidue.
Quanto costa un episodio
Un episodio di venti minuti sono circa milleduecento secondi di video da generare. A 768p, con H3 Max a prezzo di lancio (quattro centesimi di dollaro al secondo, sconto valido fino al 7 settembre), sono 48 dollari puliti; a listino pieno il doppio. A questi vanno aggiunte le rigenerazioni, perché una parte delle clip non verrà bene al primo colpo, e nessuno sa in anticipo se quel fattore sarà 1,3 o 2,5. Le voci costano un ordine di grandezza in meno: l’intero copione sono dodicimila caratteri, che stanno dentro l’abbonamento più economico.
Con questi numeri, produrre una scena sola — due minuti, due personaggi, una decina di dollari — per vedere se lo stile tiene è ragionevole. Generare l’episodio intero in una notte per sfruttare lo sconto, senza sapere se il risultato è utilizzabile, no.
Cosa succede adesso
La pipeline esiste, gira in dry-run dall’inizio alla fine, e ha già dentro le cose imparate stasera: i tag di recitazione per Eleven v3, il modello vocale espressivo di ElevenLabs, ricavati dalle parentetiche del copione originale; la sostituzione dell’audio nativo delle clip con le voci dei personaggi; l’esportazione dei capitoli e dei formati verticali per YouTube, che ha preso il posto di Twitch come destinazione.
Il prossimo passo costa circa un dollaro: quattro clip della stessa scena, generate partendo dal ritratto di un personaggio, per vedere se il modello lo riconosce da una clip all’altra. Se sì, la scena del bar è la prima candidata a diventare un minuto di episodio finito. Se no, il problema è nei prompt e nelle immagini di riferimento, non nel codice, ed è un problema che si risolve con prove da venti centesimi l’una.
Comunque vada, la parte riutilizzabile è il metodo: quando una tecnologia diventa di colpo veloce ed economica, la domanda da farsi prima di usarla è quale pezzo del proprio processo ha smesso di essere un collo di bottiglia. Poi si riprogetta intorno a quello.