Cosa abbiamo creato, in numeri
Abbiamo realizzato un videoclip animato di 2 minuti per un brano originale, con Ava e Jordan presenti dall’inizio alla fine. La produzione è durata 7 giorni di calendario, dal 10 al 16 agosto 2026.
La parte più interessante è stata l’imbuto creativo: 205 generazioni, 20 minuti di girato e 1 minuto e 58 secondi nel montaggio finale. In pratica, un rapporto di circa 10:1.
È questo rapporto, più della qualità del singolo clip, che si tende a sottovalutare quando si prova a creare un ai music video. Un buon ai music video generator può produrre scene forti, ma il video finito nasce da selezione, ritmo, riuso e tagli.
| Fase | Risultato |
|---|---|
| Generazioni video avviate | 205 |
| Completate con successo | 203 |
| Materiale generato | 20 min 10 s |
| Clip tenute dopo la revisione | 152 |
| Clip usate nel montaggio finale | ~90 |
| Scene nel montaggio finale | 142 |
| Durata finale | 1 min 58 s |
| Tempo di calendario | 7 giorni |
Frame, movimento e lip sync per il tuo videoclip — in un unico studio.
Apri lo studioPrima lo stile: concept art, poi i frame
Non abbiamo animato nulla prima di avere uno stile solido in immagini statiche. La concept art ha fissato palette, guardaroba e volti dei due personaggi prima di passare alla produzione delle scene.
Da lì, ogni scena ha avuto il suo frame iniziale generato in Nano Banana 2 a partire dalla concept art. Una parte di quei frame è stata poi rifinita in un editor di immagini; in totale il progetto ha usato 151 frame.
L’ordine ha fatto la differenza: l’image-to-video eredita composizione, luce e identità del personaggio dall’immagine di partenza. Un frame debole non si salva con un buon prompt di movimento.
Abbiamo anche dato un nome ai personaggi, Ava e Jordan, e li abbiamo usati nei prompt. Ventidue prompt li citavano per nome: ha funzionato meglio che riscrivere ogni volta capelli e vestiti. È stata una delle lezioni più chiare sulla coerenza dei personaggi nei video AI.
Concept art realizzata prima di animare anche una sola scena. Ha fissato palette, abiti e volti: tutto ciò che veniva dopo aveva un riferimento da seguire.
Cosa è servito: motori, impostazioni e crediti
Per la generazione video, 204 run su 205 hanno usato Seedance 2.0 in modalità da immagine a video a 1080p. Dentro questo blocco, 155 erano clip da 5 secondi a 15 crediti l’una, e 35 erano clip da 10 secondi a 30 crediti l’una.
Il rendering medio ha richiesto 94 secondi, il più lungo 19 minuti, e il progetto ha consumato in totale 5,3 ore di tempo macchina. Per il registro video il dato è preciso: 3.613 crediti addebitati, 30 rimborsati per due run fallite, quindi 3.583 crediti netti.
L’intero progetto è arrivato a circa 4.500 crediti, ma le due metà del conto vengono da fonti diverse. Il dato video è stato misurato dal registro dell’account; frame e lip sync sono stati stimati dal listino pubblico, perché quegli strumenti non erano fatturati sull’account usato.
Le immagini di Nano Banana 2 costano 2 crediti da prompt o 4 tramite editor; noi abbiamo usato entrambe le strade, quindi 151 frame sono arrivati a circa 453 crediti. Il lip sync di Kling 2.6 costa 2 crediti al secondo di audio: le 27 clip con lip sync che abbiamo tenuto misuravano 209 secondi fatturati, pari a 402 crediti, mentre tutte le 33 run di lip sync hanno pesato circa 491 crediti.
Frame
- Motore
- Nano Banana 2
- Run
- 151 immagini
- Impostazioni
- Da testo a immagine e passaggi in editor partendo dalla concept art
- Crediti
- ~453
Movimento
- Motore
- Seedance 2.0
- Run
- 204 generazioni
- Impostazioni
- 5 s e 10 s a 1080p, da immagine a video
- Crediti
- 3,608
Una scena
- Motore
- Kling 2.6
- Run
- 1 generazione
- Impostazioni
- 5 s, primo frame + ultimo frame
- Crediti
- 5
Lip sync
- Motore
- Kling 2.6
- Run
- 33 run, 27 tenute
- Impostazioni
- 2 crediti per secondo di audio
- Crediti
- ~491
Musica
- Motore
- Suno
- Run
- 1 traccia
- Impostazioni
- 2 min 37 s, tagliata a 1:58
- Crediti
- abbonamento separato
Totale
- Motore
- —
- Run
- —
- Impostazioni
- Video misurato; frame e lip sync a listino
- Crediti
- ≈ 4,500
Prima difficoltà: l’emozione richiesta e quella che arriva
È stata la battaglia più ricorrente. Quando chiedevamo una performance da ritornello, il modello tendeva al suo registro predefinito: occhi spalancati, tono sincero e leggermente triste. Noi invece volevamo qualcosa di più freddo, consapevole, con un mezzo sorriso.
Descrivere in positivo non bastava. Ha funzionato meglio scrivere l’espressione come un arco interno alla scena: il volto cambiava nel tempo invece di restare fermo su un solo aggettivo per dieci secondi. Ventisei prompt hanno usato questo tipo di progressione.
L’altra soluzione è stata nominare il comportamento indesiderato e vietarlo esplicitamente. Abbiamo usato formule come “no deer eyes, no innocent wide-eyed expression, no ballad sadness”: 19 prompt contenevano un divieto simile. Quando un modello ha una tendenza forte, una negazione può essere più efficace di un aggettivo.
Qui lavorano due cose. L’espressione è scritta come un arco dentro una sola scena — prima giocosa, poi più sincera — non come un aggettivo da mantenere per dieci secondi. E l’ultima riga prepara il lip sync: la bocca deve restare rilassata perché verrà sostituita dopo. La take gemella è andata oltre e ha vietato esplicitamente il default (“no deer eyes, no innocent wide-eyed expression, no ballad sadness”): è quello che ha finalmente cambiato la resa emotiva.
Mostra il prompt
10-second 16:9 animated music-video shot. Preserve the exact girl, face, bright blue eyes, long straight blonde hair, silver hair clip, denim jacket, black top, proportions and illustrated visual style from the reference image. She performs the chorus while sitting at her school desk, looking directly toward camera. Start playful and self-confident: soft knowing smile, slightly raised eyebrow. Then her expression gradually becomes more sincere and vulnerable, like she suddenly means the words more than she expected. Small head tilts, subtle shoulder rhythm, fingers lightly tapping the desk to the beat. Gentle hair movement. Slow cinematic push-in from medium shot to medium close-up. Background students stay soft and secondary. Keep mouth movement subtle and relaxed for later lip sync. No exaggerated gestures, no camera shake, no text, no style change.
Quando l’emozione esce sbagliata, spesso la soluzione è dire con precisione cosa NON deve fare.
Seconda difficoltà: lo stesso set da un’altra angolazione
Una volta creato un luogo, tornarci da una seconda angolazione è diventato uno dei passaggi più costosi del workflow. Riscrivere il prompt cambiava troppe cose; spesso conveniva rigenerare lo stesso identico prompt.
In totale, 21 prompt sono stati inviati più di una volta, byte per byte, creando 29 generazioni extra. Abbiamo anche bloccato l’inizio e la fine di un movimento con un primo e un ultimo frame: a questo serviva l’unica generazione Kling 2.6 del progetto.
La profondità di campo ha aiutato a mascherare le differenze residue. Trentaquattro prompt chiedevano uno sfondo morbido e secondario, così un set rigenerato non doveva combaciare perfettamente in ogni dettaglio.
Questo prompt identico è stato inviato quattro volte in un’ora, senza modifiche. Il testo non aveva nulla che non andasse: serviva solo chiederlo più volte prima che il ragazzo si avvicinasse da dietro senza fondersi con lei. I re-roll, più delle riscritture, spiegano 29 delle nostre 205 generazioni.
Mostra il prompt
cinematic shot based on the reference image. The blonde girl stands beside the punch bowl, relaxed and confident, holding a plastic cup. She raises the cup and takes one large sip of the party punch. At the same time, the dark-haired boy quietly approaches her from behind, naturally closing the distance through the party crowd. Just as she finishes the sip, he gently places one hand on her shoulder to get her attention. She has not turned around yet. Background guests continue talking, drinking and moving naturally. Warm amber party lighting, subtle camera push-in, realistic body movement. Preserve both characters, outfits, room layout and anime-cinematic style. No sudden motion, no morphing, no extra limbs.
Abbiamo generato due versioni a 14 minuti di distanza: una in cui si baciano, una in cui si avvicinano e si fermano. Tenerle entrambe è costato 60 crediti e ha spostato la scelta finale al montaggio, non alla generazione: il punto più economico in cui cambiare idea.
Mostra il prompt
Animate the provided image, preserving the exact faces, hairstyles, clothing and anime style of both characters. They stand very close, hold soft eye contact, slowly lean in but don't kiss. At the exact moment the camera begins a smooth cinematic 360° orbit around them, keeping their faces and upper bodies centered and sharp. The couple stays almost still with subtle breathing, blinking and slight hair movement. As the camera circles them, the entire party background gradually becomes heavily blurred with warm golden bokeh from candles and string lights, as if the world disappears around them. Shallow depth of field, natural parallax, warm amber rim light, romantic pacing, stable camera, high character consistency. Avoid face morphing, anatomy errors, camera shake, fast motion, focus loss, or characters rotating instead of the camera. /
Tornare in un set già generato è una delle cose più care di tutto il processo.
Il lip sync si aggiunge alla fine
Il nostro ordine era semplice: prima si genera la scena, poi si applica il lip sync in Kling 2.6 usando la voce della traccia finita. Così abbiamo prodotto 33 clip con lip sync.
La parte meno intuitiva riguardava il prompt di movimento. Doveva mantenere bocca e mandibola morbide, perché la bocca sarebbe stata sostituita dopo; 10 prompt lo dicevano in modo esplicito, e le scene con articolazione troppo espressiva contrastavano con il lip sync applicato sopra.
Nota cosa NON chiede il prompt sorgente: mantiene il movimento sottile e la bocca rilassata, perché la bocca verrà sostituita dopo. Il lip sync arriva per ultimo, in Kling 2.6, guidato dalla voce della traccia finita. Questa scena è entrata nel montaggio finale quattro volte diverse.
Mostra il prompt
Animate this image into a subtle cinematic anime-style video. Preserve the blonde woman’s identity, face, blue eyes, freckles, hair, outfit, headphones, bedroom, lighting, colors, and composition. She lies on her stomach along the bed, hands gently supporting her face, looking into the camera and softly singing along to music in her headphones. Add natural lip-sync, small mouth and jaw movements, gentle blinking, slight eyebrow motion, soft breathing, head movements to the rhythm, and minimal hair motion. Keep her gaze mostly on the camera. Fairy lights softly flicker, candle flame moves naturally, neon heart glow subtly varies. Camera stays almost static with a very slow push-in. Keep motion smooth and restrained. No face changes, warped hands, extra fingers, body distortion, outfit changes, camera cuts, or exaggerated movement.
La parte di cui non parla nessuno: il montaggio
La lezione più forte del progetto è stata questa: saper generare senza saper montare produce uno showreel, non un videoclip. La traccia era a 130 BPM e il video finale contiene 142 scene in 118 secondi.
La durata mediana di una scena era 0,70 secondi, pari a una semiminima puntata. Ottantacinque scene duravano esattamente 1,5 battiti, 31 esattamente 2 battiti, e 117 tagli su 141 cadevano entro mezzo frame dalla griglia del mezzo battito.
La densità veniva anche da dove finivano i tagli. Ottanta tagli su 141 portavano in un luogo diverso: il video intrecciava scuola, caffè, camera da letto e festa, invece di mostrare ogni scena come un blocco separato.
Abbiamo riusato materiale intenzionalmente: 82 clip sorgente hanno coperto 123 scene, e alcune sono comparse fino a quattro volte. Il ritmo era costruito già in generazione, non solo in montaggio: 19 prompt citavano un BPM e 3 scandivano la coreografia battito per battito. Le due pause più lunghe intorno ai 77-84 secondi erano l’unico respiro, e sono state una scelta precisa.
La coreografia è scritta in battiti, allo stesso 130 BPM della traccia: “Beats 1-2: dancers step outward. 3-4: pom-poms rise in alternating diagonals.” Quando il movimento viene generato sulla griglia del tempo, si taglia bene sulla stessa griglia. Diciannove prompt citano un BPM proprio per questo.
Mostra il prompt
High-angle wide shot. Keep exactly the same five Westfield cheerleaders, uniforms and gym. Animate geometric synchronized choreography at 130 BPM. Beats 1-2: dancers step outward, expanding the formation. 3-4: pom-poms rise in alternating diagonals. 5-6: two quick steps inward while everyone rotates about 45°. 7-8: formation opens into a star-like shape and hits a strong final pose. Maintain precise spacing and synchronization. Camera slowly cranes downward and pushes toward center court. Floor reflections and pom-pom highlights move naturally. No added dancers, morphing, character drift or costume changes.
Nove scene in sei secondi, con audio. La durata mediana di una scena in questo video è 0,70 s — una semiminima puntata a 130 BPM — e 117 tagli su 141 cadono entro mezzo frame dalla griglia del mezzo battito. È questo che un volto deve reggere: 0,7 secondi alla volta, per 142 volte.
Genera sulla griglia, monta sulla griglia.
Cosa si rompe ancora
Due tipi di errore sono comunque passati. Nei piani lunghi e quasi statici, il modello poteva allucinare figure extra, con una seconda persona che compariva dal nulla; anche le scritte degradavano appena la camera si muoveva, così WESTFIELD sulle divise delle cheerleader diventava un miscuglio senza senso durante la scena.
Le contromisure pratiche non erano spettacolari, ma hanno aiutato. Abbiamo tenuto i piani brevi, cosa già favorita dal montaggio rapido, lasciato il testo leggibile fuori campo o fuori fuoco, e rigenerato invece di riscrivere quando una clip era quasi giusta.
Guarda sopra la sua spalla verso la fine: una seconda figura compare dal nulla. I piani lunghi su un frame quasi statico sono il punto in cui succede più spesso, ed è un altro motivo per cui il montaggio resta così rapido. Le scritte cedono allo stesso modo: WESTFIELD sulle divise delle cheerleader diventa confuso appena la camera si muove.
Il workflow che ha funzionato
Questa è la sequenza che ripeteremmo, nello stesso ordine.
- 1Chiudi prima la traccia. Il montaggio nasce dal suo tempo, quindi serve l’audio finale prima ancora di generare una scena.
- 2Progetta lo stile su carta. Una concept art che fissa palette, guardaroba e volti dà a ogni prompt successivo un riferimento concreto.
- 3Dai un nome ai personaggi e usalo in ogni prompt: “Ava” e “Jordan” hanno mantenuto l’identità meglio della sola descrizione fisica.
- 4Genera un frame per ogni scena in Nano Banana 2, partendo dalla concept art invece che da zero.
- 5Anima ogni frame in Seedance 2.0. I 5 secondi a 1080p sono il formato da lavoro; passa ai 10 solo quando l’azione lo richiede davvero.
- 6Scrivi il movimento sui battiti, al tempo della traccia, così l’azione generata cade sulla stessa griglia del montaggio.
- 7Dichiara cosa non vuoi. I default emotivi sbagliati sono il motivo più frequente per cui una scena tecnicamente corretta risulta fuori tono.
- 8Aggiungi il lip sync alla fine, in Kling 2.6, e solo sulle scene in cui la camera resta sul volto.
- 9Taglia sul beat e alterna i luoghi, invece di montare ogni scena come un blocco separato.