O czym jest ten film
- Nate Herk pokazuje, że samym językiem naturalnym można zamontować wideo na poziomie profesjonalnego motion designu — bez umiejętności montażu i bez doświadczenia z narzędziami deweloperskimi.
- Zestaw narzędzi: aplikacja desktopowa Codex, model GPT-6 Astra oraz HyperFrames — repozytorium z GitHuba, które generuje animacje jako kod HTML.
- Cały obieg pracy ma cztery kroki: transkrypcja (ElevenLabs albo lokalny Whisper), wycinanie błędów i ciszy, planowanie „beatów”, czyli scen, generowanie animacji — i pętla weryfikacji.
- Przykłady z praktyki autora: 14-minutowy materiał skrócony do 9 minut z tłem i cięciami; dwie dynamiczne rolki (o Claude i o Nvidii) ze scenami zmieniającymi się co sekundę–dwie; pionowa reklama wydarzenia AIS Live; wygenerowane od zera wezwanie do działania.
- Kluczowa praktyka: precyzyjne „reżyserowanie” zamiast ogólnych poleceń — opis stylu, strony ekranu, kolejności wejścia i wyjścia elementów oraz synchronizacji z wypowiedzią.
- Konfiguracja krok po kroku: lokalny projekt w Codexie, wklejenie adresu repozytorium HyperFrames z poleceniem instalacji zależności, plik
.envna klucz API ElevenLabs i reguły wagents.md. - Instrukcja „reżyserska” obejmuje styl animacji (estetyka Apple, „płynne szkło”), napisy z podświetlanymi słowami, okrągły kadr twarzy z cieniem, tło z 50-procentowym kryciem oraz wachlarz klipów z YouTube, które faktycznie się odtwarzają.
- Iteracja: pierwsza wersja (65 sekund → 28 sekund) powstała w około 18 minut, poprawiona w 10 minut; autor wskazuje typowe błędy pierwszych wersji — nałożone na siebie klipy, za mały tekst, słabe pierwsze dwie sekundy.
- HyperFrames uruchamia lokalne „Studio” w przeglądarce, gdzie można ręcznie przesuwać elementy i zmieniać rozmiary — wygodniejsze niż kolejne prompty przy drobnych poprawkach w długich materiałach.
- Autor udostępnia darmowy „student kit” z gotowymi umiejętnościami (skills) w swojej społeczności; do tego służy też pętla „udany wynik → zapisz jako umiejętność → używaj i doszlifuj”.
Redakcyjne tłumaczenie
Obietnica na start
Film otwierają trzy krótkie formy — rolka o Claude, rolka o Nvidii i pionowa reklama wydarzenia AIS Live — a potem Nate Herk przechodzi do sedna:
— Czy to nie szalone? Samym językiem naturalnym dostaję te wszystkie dopracowane animacje tutaj i te szalone ruchome grafiki tam. Mogę włączyć napisy na dole ekranu. Mogę przenieść swoją twarz w prawy dolny róg albo w lewy górny. Mogę wam nawet pokazać fragmenty mnóstwa moich filmów z YouTube — ułożone w ten trójwymiarowy, rozłożysty sposób. Na końcu tego materiału będziecie dokładnie wiedzieć, jak to zrobić — nawet jeśli nigdy nie mieliście do czynienia z Codexem ani z montażem wideo. Nie zamierzam marnować waszego czasu, więc zaczynamy od razu.
Czego potrzebujecie: aplikacji desktopowej Codex oraz zainstalowanych HyperFrames — ale wszystko pokażę po kolei. Zanim przejdziemy do instalacji, kilka przykładów tego, jak z tego korzystam, oraz umiejętności, które oddaję wam całkowicie za darmo.
(Informacja dodatkowa: Codex to agent pracujący z kodem i plikami lokalnymi użytkownika; Astra — model ze wspomnianego w tytule GPT-6 Astra — odpowiada w tym zestawie za rozumienie materiału i planowanie scen.)
Przykład pierwszy: obróbka długiego materiału
HyperFrames pomaga mi montować filmy na YouTube: transkrybuje dźwięk, a potem wycina potknięcia, jąkania, niezręczne ciszy — tego typu rzeczy. W tym przykładzie podałem na wejściu dwa nagrania: obraz z kamery oraz nagranie ekranu. Materiał miał 14 minut, po obróbce zostało 9 — z dodanym tłem i cięciami. Zobaczcie, o co chodzi.
Fragment gotowego filmu: „Dziś przechodzę przez 18 kluczowych pojęć związanych z Codexem, które naprawdę trzeba znać, żeby od razu zacząć pracę i wyciągać z niej wartość. Nieistotne, czy nie jesteście techniczni ani czy nigdy nie używaliście Codexa. Po tym filmie będziecie dokładnie rozumieć, jak to działa.”
Pierwsza animacja — te 18 kart wchodzących w kadr — to znowu HyperFrames. Podobnie Codex, który steruje całą edycją: cięciami, przycięciami, tłem, wszystkim. „W części pierwszej zaczynamy od podstaw, od pojęcia numer jeden: projekty. Zakładam zresztą, że wielu z was używało ChatGPT albo Claude’a.” Ta cała logika również pochodzi z HyperFrames. Narzędzie stworzyło kartę z napisem „numer jeden: projekty”, a potem z własnej inicjatywy zrobiło zbliżenie na mnie — bo rozumie, że przez najbliższe dziesięć–piętnaście sekund mogę mówić o czymś, czego nie pokazuję na ekranie. Wcześniej właśnie tak je wyreżyserowałem i przekazałem mu umiejętności, by wiedziało: kiedy na ekranie nic się nie dzieje, pokaż pełny kadr; kiedy nadchodzi czas na wyjaśnienia, wróć do szablonu. Przez cały film zasada pozostaje ta sama: przełączanie między pełnym ekranem a szablonową sceną, do tego budowanie kart, a między kolejnymi pojęciami — ekran przejściowy. To był szybki przykład.
Przykład drugi: krótkie formy — dwie rolki
Zerknijmy teraz na krótsze formy, które moim zdaniem wychodzą coraz lepiej. Narzędzie zrobiło dla mnie dwie rolki: o Claude i o Nvidii. Odtworzę obie, a potem je rozbierzemy na części.
Treść rolki o Claude: „Przestań po prostu promtować Claude’a. Andrej Karpathy uważa, że jest znacznie lepszy sposób pracy z AI, a jego metoda ma trzy warstwy. Warstwa pierwsza: specyfikacja. Zamiast zlecać Claude’owi zadanie i mieć nadzieję, że zrozumie, najpierw dopracowujesz razem z modelem szczegółową specyfikację. Pozwól Claude’owi przeprowadzić z tobą wywiad o to, czego naprawdę chcesz, a potem rozbij pracę na mniejsze punkty kontrolne, zanim model ruszy. Warstwa druga: weryfikator. Zanim Claude cokolwiek zrobi, określasz dokładnie, jak wygląda dobry rezultat, a potem dajesz mu sposoby sprawdzania własnej pracy — inny model AI, prawdziwe dane albo testy, które sam potrafi uruchomić. Warstwa trzecia: środowisko. Zbuduj warsztat, w którym przy każdym użyciu Claude ma już dostęp do twoich instrukcji, wiedzy, umiejętności i zasad. Zamiast doskonalić się w pisaniu promptów, budujesz wokół Claude’a cały system, który każdą kolejną pracę robi lepiej. Nagrałem cały film, w którym rozbieram tę metodę na części i pokazuję, jak zbudować ją samemu — wystarczy komentarz «metoda», a wyślę wam link.”
Treść rolki o Nvidii: „Nvidia w praktyce udostępniła darmowe budowanie z AI: deweloperzy dostają bezpłatny dostęp przez API do ponad osiemdziesięciu modeli. Jak z tego skorzystać? Wchodzicie na stronę, wybieracie model i generujecie klucz API — do wyboru m.in. Kimi, GLM, DeepSeek i wiele innych. Klucz podpinacie bezpośrednio w to, co akurat budujecie. Dzięki temu można eksperymentować z aplikacjami AI, automatyzacjami i innymi projektami bez natychmiastowego generowania wysokich rachunków. A ponieważ to interfejsy zgodne z OpenAI, wchodzą w mnóstwo istniejących procesów. Jeśli chcieliście zacząć budować z AI, ale bez przepalania pieniędzy na testowanie modeli — to mocno ułatwia sprawę. Komentarz «klucz», a prześlę wam całą konfigurację.”
Moja ocena: wyniki są naprawdę solidne. Rolka o Claude zaczyna się od wizualnego zaczepienia. Mamy „trzy brakujące elementy układanki”, a narzędzie buduje wokół nich niedomkniętą zagadkę — „Karpathy używa tego w ten sposób” — i już wiem, że muszę dotrwać do końca, żeby poznać te trzy rzeczy. W trakcie przechodzimy przez numer jeden, potem numer dwa (weryfikator), aż wreszcie numer trzy (środowisko). Plany zmieniają się mniej więcej co sekundę–dwie: raz materiał ilustracyjny u góry i ja na dole, raz animacja na cały ekran, raz sam jestem w kadrze. Wszystkie animacje mają papierowy charakter — jest faktura, jest 3D, wszystko nieustannie się rusza; żaden element nie stoi w miejscu. Narzędzie wyszło też poza podany materiał i samo zebrało ujęcia dodatkowe — część znalazło, część wygenerowało. Napisy zrobiły HyperFrames i Astra, a muzyka i efekty dźwiękowe są zgrane z treścią, żeby trzymać uwagę widza.
Z rolką o Nvidii jest podobnie, tylko krótsza. Ten sam styl, tyle że z zielonymi akcentami zamiast pomarańczowych — bo dotyczy Nvidii. Te same typy animacji i scen, ta sama szybka zmiana planów, muzyka, prawdziwy materiał ilustracyjny zebrany samodzielnie — plus dodatkowe ujęcia generowane od zera. Moim zdaniem to robi się naprawdę, naprawdę dobre, a ja zamieniłem to w umiejętność. Wszystkie umiejętności zgromadziłem w czymś, co nazywam „student kitem” — zestawem dla uczniów. Jeśli chcecie go mieć za darmo, wejdźcie do mojej bezpłatnej społeczności (link w opisie), potem do klasy, do sekcji umiejętności AI albo do zbioru materiałów z filmów. Linkuję to w wielu miejscach, więc łatwo znaleźć: szukajcie „Hyperframes student kit”.
Przykład trzeci: reklama w formacie pionowym
Jeszcze jeden przykład: rolka AIS, przygotowana w poziomie 16:9 i w pionie 9:16. Odtworzę wersję pionową — bo to w założeniu była reklama.
Treść: „Co, gdybyś mógł zbudować zespół, zanim kogokolwiek zatrudnisz? Chcesz założyć prawdziwą firmę, ale nie stać cię jeszcze na ludzi do contentu, marketingu, sprzedaży i całej reszty. Tymczasem dziś możesz za darmo zainstalować agentów AI: jednego do tworzenia treści, drugiego do pilnowania leadów, kolejnych do zadań, które normalnie wykonaliby twoi pierwsi pracownicy. To jak budowanie pierwszego zespołu napędzanego AI, zanim zatrudnisz pierwszego człowieka. Nie oznacza to, że nigdy nikogo nie zatrudnisz — daje ci możliwość startu, zanim będziesz musiał kogoś poszukać. Na AIS Live pokażę, jak zbudować własny AIOS — spersonalizowany system agentów, narzędzi i procesów, które pomagają prowadzić realną firmę. Poznacie najważniejsze agenty do startu i sposób ich darmowej instalacji, a zobaczycie też, jak AIOS wspiera content, marketing, sprzedaż, operacje, a nawet rekrutację, gdy firma rośnie. Jeśli chcecie prowadzić bardzo rentowny biznes bez wielkiego zespołu — kliknijcie po szczegóły AIS Live poniżej.”
(Informacja dodatkowa: AIS Live to autorskie wydarzenie Nate’a Herka poświęcone systemom agentowym.)
Elementy są podobne, ale zwróćcie uwagę na materiał ilustracyjny, który narzędzie zebrało o mnie. Wzięło moje filmy z YouTube, sięgnęło po fragmenty z poprzednich edycji AIS Live: tu jestem ja i Pat, tu sesja dla VIP-ów, tu nagranie, w którym opowiadam o moim AIOS i „drugim mózgu”. Potrafiło więc wykorzystać kontekst tego, czego reklama dotyczy — dzięki czemu nie wygląda to jak teoria, tylko jak coś, co naprawdę się wydarzyło. Na końcu animowało nawet logo, co bardzo mi się podobało, bo musiało samodzielnie wejść na mojego Dysku Google i odszukać plik z logo AIS Live. Wyszło naprawdę pięknie.
Przykład czwarty: wezwanie do działania wygenerowane od zera
Pokażę jeszcze jedno: prośbę o subskrypcję, którą zleciłem Codexowi.
Treść: „Chłopaki, krótko: jeśli podoba wam się ten film i sposób, w jaki tłumaczę, zastanówcie się nad subskrypcją i dołączeniem do mojej darmowej społeczności — link w opisie. Budujemy globalną społeczność twórców AI, przedsiębiorców i właścicieli firm. Mamy prawie 450 tysięcy członków — prawie pół miliona, co jest niesamowicie ekscytujące. Dużo by dla mnie znaczyło, gdybyście się dołączyli. Znajdziecie tu mnóstwo zasobów: umiejętności dla agentów, materiały z każdego mojego filmu — przewodniki, szablony, dokumenty, repozytoria na GitHubie — wszystko całkowicie za darmo. Jest też siedmiodniowe wyzwanie i kurs budowania własnego systemu operacyjnego AI. Działa się tu sporo: wydarzenia, programy certyfikacyjne i wiele fajnych rzeczy przed nami. Jeśli wam odpowiada mój styl — koniecznie zajrzyjcie. Do zobaczenia tam. A teraz wracamy do filmu.”
Co mi się podobało: wyszło spokojnie — bez przesadnego tempa i sztucznej energii, z łagodną muzyką. Ale ten fragment znowu dowodzi, że narzędzie potrafi robić zrzuty ekranu, je kadrować i — korzystając z kontekstu o mnie i moim biznesie — dobierać tak, żeby wszystko było adekwatne. Sięgnęło po moje umiejętności i dokumenty i ułożyło je naprawdę ładnie; zrobiło zrzuty z kursów w społeczności, wzięło materiały z wydarzeń, zdjęcia i filmy. Dzięki temu samo wezwanie do działania robi się dużo bardziej realne i ludzkie. Jeśli chcecie powtórzyć takie rezultaty — wejdźcie do społeczności i pobierzcie umiejętności.
Konfiguracja: projekt w Codexie
Dobra, budujemy. Jak to właściwie zrobić? Przejdziemy przez prawdziwy przykład — intro tego filmu zbudujemy na żywo. Pierwsza rzecz: nowy projekt. Załóżcie folder na pulpicie, u mnie nazwany „demo HyperFrames”. W aplikacji, po lewej stronie, otwieracie nowy projekt, wybieracie wariant lokalny, nadajecie nazwę i wskazujecie ten folder, żeby agent mógł w nim pracować. Gdy otworzycie nowy czat w takim projekcie, w plikach zastańcie pustkę — zapełnimy ją projektami wideo, renderami i różnymi plikami.
Krok pierwszy: wejdźcie na repozytorium HyperFrames na GitHubie (linkuję w opisie), skopiujcie adres, wklejcie w Codexie i powiedzcie w zasadzie: „Pociągnij to repozytorium, żebym mógł za jego pomocą montować wideo. Zadbaj o wszystkie zależności i dodaj do projektu wszystko, co potrzebne, żeby dało się z tego realnie korzystać”. To pierwszy krok — odpalamy.
Filozofia pracy: cztery kroki
Podczas gdy wszystko się instaluje, opowiem o samym pomyśle. W tym przykładzie podajemy gotowe nagranie do obróbki i animowania, ale narzędzie potrafi też tworzyć od zera — gdybyśmy dali mu tylko zarys i chcieli samą ruchomą grafikę, dynamiczne rolki albo demo produktu, zrobiłoby to bez mrugnięcia. Tym się teraz nie zajmujemy; w takim wypadku pierwszego kroku po prostu by nie było.
Krok pierwszy: mamy materiał i transkrybujemy go. Chodzi o wyciągnięcie całej wypowiadanej treści wraz z dokładnymi momentami — co do milisekundy — żeby dało się ją zsynchronizować z animacjami i napisami. Do transkrypcji nadaje się darmowy, lokalny program typu Whisper, ale ja wolę ElevenLabs — za chwilę pokażę konfigurację.
Krok drugi: cięcia. Wycinamy potknięcia, pięciosekundowe ciszy i temu podobne.
Krok trzeci: planowanie beatów. Beaty to po prostu sceny — w tej rolce slajd o opcjach instalacji to jeden beat, kolejny ekran to drugi, każdy plan to osobny beat. Pozwalamy Astrze, modelowi, przeczytać tekst, zrozumieć intencję i zaplanować beaty tego, co faktycznie znajdzie się w materiale. Potem model sięga po umiejętności, uruchamia HyperFrames i inne narzędzia, żeby wygenerować HTML. Tak, HTML — narzędzie dosłownie tworzy kod i go animuje, a stąd biorą się trójwymiarowe elementy, napisy i cała grafika, którą oglądamy. Częścią planowania jest też muzyka zgrana z obrazem oraz efekty dźwiękowe. I właśnie dlatego najpierw musimy mieć transkrypcję i cięcia — inaczej tego nie zrobimy dobrze.
Krok czwarty to, szczerze mówiąc, już pętla: weryfikacja. Agent ogląda całość od nowa, robi zrzuty ekranu, wraca do transkrypcji. Chodzi o koło: weryfikujemy, wracamy do umiejętności, poprawiamy, znowu weryfikujemy — i tak, dopóki agent nie uzna, że wszystko mieści się w ramach, wszystko jest zgrane i wszystko „czuje się” tak, jak powinno. Taka jest cała metoda.
Klucz API ElevenLabs i plik .env
Konfigurujemy. W projekcie instalacja nadal trwa. Transkrypcję zrobimy przez ElevenLabs: zakładacie konto — abonament za około pięć dolarów miesięcznie starczy na długo. Na dole po lewej: „developers”, potem „API keys”, tworzymy nowy klucz; nazwijcie go np. „demo Astra”. Można ustawić datę wygaśnięcia albo zostawić „nigdy”. Co do uprawnień: jeśli klucz ma służyć wyłącznie transkrypcji, dajcie dostęp tylko do „speech to text” — można oczywiście dołożyć efekty dźwiękowe, generowanie muzyki czy obrazów i wideo, ale na razie wystarczy transkrypcja, bo tylko jej potrzebujemy. Generujemy. Dostajecie w istocie hasło — nikomu go nie pokazujcie. Ten konkretny usunę, skończę nagrywać, więc nawet nie próbujcie. Kopiujecie klucz do schowka, wracacie do Codexa i otwieracie pliki po boku — zobaczycie, że foldery i pliki już się tworzą. Potrzebny jest plik .env, w którym trzyma się sekrety i hasła, na przykład klucz API ElevenLabs. Wystarczy wpisać wiadomość, kiedy agent pracuje.
A, patrzcie — otworzył się lokalny podgląd w przeglądarce. Tak oglądamy projekty wideo: testujemy, oglądamy, a nawet przesuwamy elementy. Bardzo fajne. Na razie zamykam, bo to był tylko pokaz.
Wpisuję więc: „Kiedy robisz transkrypcje, używaj ElevenLabs. Stwórz mi plik .env, żebym mógł tam wkleić klucz API ElevenLabs. I zapisz w agents.md regułę, że gdy Nate chce transkrypcję wideo, używasz do tego ElevenLabs”.
agents.md: pamięć projektu
agents.md to plik, który w gruncie rzeczy opisuje, jak projekt działa. Na razie niewiele tam jest — podstawy HyperFrames. Ale im więcej dowiadujecie się o tym, jak lubicie montować i porządkować projekty, tym częściej będziecie chcieli ten plik uzupełniać o konkretne zasady. Agent potwierdza: „dopiszę tę regułę”. W przyszłości dorzucę tam też ustawienie Whispera, tego lokalnego narzędzia, o którym wspominałem. Z Whisperem nie ma nic złego — jest po prostu wolniejszy. ElevenLabs jest płatny, ale znacznie szybszy, a ta szybkość jest warta kilku dolarów.
W pliku .env pojawiło się miejsce na klucz. Wklejacie go bezpośrednio. Gdyby nie dało się tu pisać — a powinno — klikacie „otwórz w domyślnej aplikacji”, u mnie wklejacie w notatkach, zapisujecie i, jak widzicie, plik odświeża się na żywo.
Reżyserowanie intr od zera: pełna instrukcja
Mamy już wystarczająco dużo, żeby realnie używać HyperFrames. Nie będę teraz sięgał po moje własne umiejętności z przykładów — chcę pokazać, jak to wygląda u samego fundamentu. Pamiętajcie tylko, że owe umiejętności można tu pobrać i zastosować, żeby wyniki były lepsze.
Można iść dwiema drogami: dać plik wideo i poprosić „zamontuj to, dodaj ruchomą grafikę, niech opowiada historię” — albo być bardzo szczegółowym, i tak zrobię teraz. Łapię plik „intro do montażu”. Otwieram, zobaczmy razem. [surowy materiał — te same kwestie co na początku filmu]. Jak widać, w praktyce planuję to, co ma się dziać, na bieżąco. Kopiuję ścieżkę do pliku, wracam i używam promptu /goal — ustawiam cel, a agent działa, dopóki go nie osiągnie. Wklejam ścieżkę i dyktuję, co ma się wydarzyć i kiedy. Najpierw agent ustawi pętlę: transkrypcja, cięcia, planowanie beatów — a potem rusza do pracy. Tyle że zamiast zostawiać mu planowanie beatów, sam je reżyseruję; to rodzaj „zaplanuj beaty i czekaj na zatwierdzenie”. Oto ta instrukcja:
„Wrzuciłem ci właśnie wideo — to będzie intro. Chcę, żebyś pomógł zamienić je w montaż na bardzo wysokim poziomie, dopracowany w każdym szczególe. Najpierw zrób transkrypcję, bo beaty i grafika muszą idealnie pasować do tego, co mówię. Potem wytnij wszystkie potknięcia i ciszy — w tym materiale nie powinno być ani sekundy, ani pół sekundy martwej ciszy. Ma być dynamicznie. Gdy to zrobisz, przechodzimy do animowania. Powiem ci dokładnie, czego szukam.
Otwieram to intro słowami: «Czy nie jest szalone, że samym językiem naturalnym dostaję te wszystkie grafiki tutaj i te animacje tam?». Cała atmosfera ma wyglądać jak motion design w stylu Apple’a: płynne szkło, czyste animacje, bardzo profesjonalne. Kiedy mówię «grafiki», moja ręka wskazuje lewą stronę ekranu — więc z lewej mają wjeżdżać z góry na dół, jakbym to moje dłonie je stwarzały. Wchodzą w kadr i osiadają na kartach z płynnego szkła, a na nich trzy rodzaje grafiki: może przesuwające się karty i dokumenty, ekrany laptopów, wykresy i animowane elementy. Po prostu zrób coś efektownego, co opowiada wizualną historię. Analogicznie, gdy mówię o «szalonych animacjach» — to prawa strona ekranu, ta sama zasada: wjeżdżają z góry, jakbym je dorysowywał, i mają być trójwymiarowe. Postaw je na subtelnym, ciemniejszym tle, żeby dobrze się wyodrębniały. Niech się obracają, niech mają cień i głębię — mogą to być litery 3D, animacje, poruszające się symbole. Stonowane i profesjonalne, ale z wyraźnym efektem «wow». Te dwa elementy zostają na ekranie, dopóki o nich mówię, a potem wychodzą albo znikają jednocześnie: najpierw grafiki z lewej, potem animacje z prawej — i razem znikają.
Dalej prosto: gdy mówię, że mogę włączyć napisy na dole, chcę eleganckiego paska z napisami w dolnej części ekranu — tak, żeby nie zasłaniał mojej twarzy. Jeśli dasz radę subtelnie podświetlać słowa — białe litery rozświetlające się na niebiesko w momencie wypowiedzi — zadbaj, żeby szły idealnie zgodnie z transkrypcją.
W kolejnym fragmencie mówię, że mogę przenieść swoją twarz w prawy dolny albo lewy górny róg. Zmniejsz wtedy obraz z kamery do pionowego, okrągłego okienka: ściągnij boki, żeby utrzymać mnie w centrum, dodaj okrągły wycinek z cieniem i osadź go na pełnoekranowym tle. Wklejam grafikę, której używam jako tła w niektórych filmach — ustaw ją na pięćdziesiąt procent krycia, żeby trochę przyciemnić obraz.
Potem mówię, że mogę pokazać wam fragmenty moich filmów. Wejdź w mój lokalny folder z nagraniami — podaję ścieżkę. Weź kilka najnowszych, cztery, może sześć, i rozłóż je wachlarzem; zanimm proces rozkładania, dodaj trzeci wymiar i delikatny cień, niech się kołyszą w przód i w tył. Ale mają przy tym naprawdę się odtwarzać — nie chcę statycznych miniatur, tylko realnie odtwarzane klipy, wszystkie naraz.
Na zakończenie: ustaw moją twarz na tle, które ci dałem, po lewej stronie ekranu, ale powiększ ją tak, żeby sięgała góry i dołu kadru — okrągły wycinek i cień zostają. Po prawej dodaj tekst i grafikę opowiadającą historię związaną z tym, co mówię: «nie musisz być techniczny, nie musisz znać Codexa ani montażu — wystarczy, że potrafisz zrobić małe ikonki i ładnie je animować». A kiedy na samym końcu mówię «nie chcę marnować czasu, zaczynajmy» — zrób dokładnie to samo. To mniej więcej koniec intr.
A kiedy skończysz, sprawdź, czy to dobrze wygląda. Zweryfikuj: zrób zrzuty ekranu i zobacz, czy beaty są zgrane z tekstem, czy wszystko mieści się w kadrze, wygląda profesjonalnie i ma jakość, jakiej byśmy chcieli. Nie szukam prototypu ani pierwszej wersji — szukam gotowego produktu.”
Uff, brakło mi tchu. To był potężny prompt, prawda? Bardzo, bardzo konkretny — i tak mniej więcej wygląda start. Wszystkie umiejętności, których dziś używam do filmów, lekcji, rolek i reklam, zebrałem właśnie dlatego, że robiłem to wiele razy. I teraz najważniejsze: jeśli dostaniecie wynik, który naprawdę wam się podoba, mówicie „świetnie, zrób z tego umiejętność”. Następnym razem nie musicie pisać takiego potwora — wystarczy „zamontuj ten film, użyj takiej a takiej umiejętności”. A gdy wynik wróci z czymś, co wam nie pasuje, mówicie „tego nie lubię, następnym razem zrób inaczej” — i aktualizujecie umiejętność. To, co właśnie zrobiłem, to najtrudniejsza wersja tego zadania, jaka kiedykolwiek będzie. Później to już tylko doszkalanie umiejętności.
Pierwsza wersja i ocena
Zostawiam agenta przy pracy; wrócę, gdy dostanę pierwszą wersję — mam nadzieję, że taką, którą widzieliście na początku filmu. Jeszcze jej nie oglądałem, ale widzę, że oryginał — minuta i pięć sekund — skrócił się do dwudziestu ośmiu sekund. Oglądamy. [odtwarzanie]
OK, niezłe. Niezłe jak na pierwsze podejście. Widać, jak bardzo pomogły mi konkretne instrukcje. Myślę, że wygląda to dobrze: mamy animacje 3D, ruchomą grafikę — podoba mi się, dobre otwarcie. Uważam jednak, że w pierwszych dwóch sekundach przydałoby się coś więcej, żeby mocniej przyciągnąć uwagę. Zauważyłem też co innego: klipy się odtwarzają — dobrze — ale nachodzą na siebie, a to psuje wrażenie realizmu. Trzeba to naprawić. Chcę też większy tekst, ten jest za mały. Reszta wygląda w porządku, ładna, prosta animacja. To w zasadzie cała moja uwaga. Wysyłamy prompt numer dwa, znowu jako /goal.
Prompt poprawkowy
Zeszło osiemnaście minut — bardzo dobry wynik jak na pierwsze podejście — ale zróbmy kolejną wersję. Po pierwsze: w pierwszych dwóch sekundach zaszalej. Zrób coś spójnego z marką, coś, co od razu mocniej wciągnie. Nie jestem pewien, czy chcę pełnokadrowe ujęcie, i nie chcę niczego nałożonego na moją twarz. Ale zaczynam od słów „czy nie jest szalone, że samym językiem naturalnym…” — więc ta animacja niech będzie bardziej emocjonalna. Zrób coś, co chwyci widza od pierwszej chwili. Poza tym jedyne zmiany dotyczą fragmentu z moimi filmami, tych czterech klipów. Podoba mi się, że są trójwymiarowe i mają głębię, ale zrobiłbyś to bardziej realistycznie? Najwyraźniej się przecinają, a to nie wygląda wiarygodnie — popraw wrażenie fizyki. Może zrób je grubsze i niech rozłożą się jedna za drugą, zamiast się przenikać. Byłoby świetnie. I tekst na tym ekranie — coś w stylu „twoje filmy” — proszę większy, był bardzo mały, ma być czytelny. Cała reszta wyglądała bardzo dobrze i świetnie zgadzała się z transkrypcją. Wprowadź poprawki i daj znać, gdy skończysz.
Studio HyperFrames na lokalnym podglądzie
To prompt numer dwa, wykonany jako kolejny cel. A tu — patrzcie — agent zbudował nam właściwe Studio HyperFrames, działające pod lokalnym adresem w przeglądarce (u mnie na porcie 107 — zresetujmy podgląd). Co fajne: mogę tu dosłownie przesuwać elementy. Biorę ten element i powiększam tekst — gdzieś przy czcionce — zmieniam na, dajmy na to, osiemdziesiąt i patrzę, jak to wygląda. Projekt się przeładowuje i od teraz mogę manipulować wszystkim stąd. Całkiem fajne. Widać nawet osobne elementy dla sceny 3D i samego wideo. Nie będę tego teraz ruszał — szczerze mówiąc, nie korzystam z tego interfejsu zbyt często. Ale jeśli montujecie naprawdę długi materiał, powiedzmy dziesięciominutowy, i chcecie poprawić jedną drobiazgową rzecz, łatwiej wejść tutaj, coś przesunąć i wyeksportować, niż przegenerowywać całą warstwę promptów. To miły dodatek, że HyperFrames daje też takie środowisko. Przy czymś prostym, jak dziś, wolałem po prostu wysłać kolejny prompt w języku naturalnym. Odezwę się, gdy będzie gotowe.
Wersja druga i eksperyment z pełnym ekranem
Zeszło dziesięć minut i wróciła wersja druga. Otwieram na pełnym ekranie i oglądamy. [odtwarzanie] OK, dużo lepiej. Tekst większy, obraz bardziej trójwymiarowy, po prostu lepiej. Został jeden fragment, w którym nie powiedziałem dokładnie, czego chcę — i to jest wynik. Szczerze: nie jestem fanem, ale na razie zostawiam, bo przecież mówiłem, że nie chcę pełnego ekranu, co oznaczałoby, że agent sam wymyśli animację na pełny kadr. Sprawdźmy jednak, jak by to wyglądało. Wysyłam szybko: „Świetnie. Zrób mi jeszcze jedną wersję, w której w pierwszych dwóch sekundach — zanim przejdziemy do grafik i reszty — użyjesz pełnego ekranu? Pełny kadr, animowany na tle spójnym z resztą intr, a może tekst wjeżdża animowanie: «Czy nie jest szalone?»”. To nie powinno długo potrwać — chcę wam po prostu pokazać, że narzędzie potrafi też takie rzeczy. Zaraz zobaczycie.
Jest, gotowe. Wraca z wrażeniem, że wyjdzie coś bardzo prostego. Odtwarzam z tego interfejsu: „Czy nie jest szalone, że samym językiem naturalnym dostaję te wszystkie grafiki i te wszystkie…”. Fajnie, dobrze wygląda. Widać, że po prostu dodał prosty animowany tekst wjeżdżający w kadr, z odrobiną warstwowości — te małe karty à la płynne szkło. I trzymał tło spójne z tym, co używamy później. Całkiem niezłe.
Podsumowanie
W tym momencie mamy skonfigurowany projekt, ustawioną transkrypcję — jeśli zdecydowaliście się na ElevenLabs — i rozumiecie już pętlę, przez którą przechodzi cała ta praca. Nie zagłębialiśmy się w interfejs Studia, ale gdy już tam wejdziecie, wszystko jest bardzo intuicyjne — to fajny dodatek HyperFrames. I nie zapomnijcie: jeśli chcecie student kit ze wszystkimi umiejętnościami potrzebnymi do takich rolek i filmów, pobierzecie go całkowicie za darmo w mojej społeczności — link w opisie. Wchodzicie do klasy, klikacie „umiejętności AI” i tam go znajdziecie. Na dziś to tyle. Mam nadzieję, że się podobało i że czegoś się nauczyliście — jeśli tak, zostawcie łapkę w górę, bardzo mi to pomaga. A jeśli chcecie zobaczyć, co jeszcze można robić z Codexem i GPT-6 Astra, zajrzyjcie na playlistę, którą podlinkuję. Do zobaczenia. Dzięki, że dotrwaliście do końca — do następnego. Dzięki, chłopaki.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Montaż z AI to czterystopniowa pętla, nie jedno polecenie
Na czym polega: Cały proces ma sztywną kolejność: transkrypcja z dokładnością do milisekund, potem wycinanie błędów i ciszy, dopiero potem planowanie scen (beatów) i generowanie animacji — a na końcu weryfikacja z poprawkami, aż wszystko będzie zgrane.
Jak stosować: Zanim poprosisz agenta o jakiekolwiek animacje, wymuś najpierw transkrypcję i cięcia — najlepiej wprost w pierwszym prompcie, jako osobne etapy do wykonania po kolei.
Na co uważać: Pominięcie transkrypcji lub cięć to najczęstsza przyczyna rozjechanych animacji: grafika nie trafia w moment wypowiedzi, a ciszy w materiale „zabijają” tempo.
2.Reżyseruj, zamiast prosić o „ładne wideo”
Na czym polega: Autor nie pisze „zrób to ładnie”, tylko opisuje styl (motion design à la Apple), stronę ekranu dla każdego elementu, kierunek wejścia, czas przez jaki element ma zostać, oraz moment wyjścia — z odniesieniem do konkretnych słów wypowiadanych w nagraniu.
Jak stosować: Przed pierwszym promptem obejrzyj surowy materiał i zanotuj: co mówisz, kiedy i co ma się w tym momencie dziać na ekranie. Prompt /goal (cel, nad którym agent pracuje do skutku) sprawdza się lepiej niż pojedyncze zadanie.
Na co uważać: Zbyt ogólne polecenie zmusza agenta do zgadywania — dostaniesz „pierwszą wersję”, nie produkt. Z drugiej strony: tam, gdzie nie masz precyzyjnej wizji (np. pierwsze dwie sekundy), zostaw agentowi pole do kreatywności i popraw iteracyjnie.
3.Udany wynik zamieniaj w umiejętność (skill)
Na człowie polega: Kluczowa mechanika długoterminowa: gdy rezultat ci się podoba, każ agentowi zapisać go jako powtarzalną umiejętność. Potem zamiast długiej instrukcji wystarczy „zamontuj ten film, użyj takiej a takiej umiejętności”.
Jak stosować: Po każdym udanym montażu dodaj polecenie „zrób z tego skill i zapisz w projekcie”. Uwagi do kolejnych wersji wpisuj nie tylko w bieżący prompt, ale też w treść skilla.
Na co uważać: Skill zamraża także wady pierwszej dobrej wersji — bez cyklicznych aktualizacji będzie powielał te same błędy. Pierwszy, ręczny montaż jest najtrudniejszy; każdy kolejny ma być coraz tańszy.
4.Wymuszaj pętlę weryfikacji i definiuj „produkt końcowy”
Na czym polega: Ostatni krok to nie „zrobione”, a weryfikacja: agent sam ogląda materiał, robi zrzuty ekranu, porównuje je z transkrypcją i poprawia — koło kręci się, dopóki wszystko nie będzie zsynchronizowane.
Jak stosować: W każdym prompcie zapisz wprost: „zweryfikuj zrzutami ekranu, czy beaty są zgrane z tekstem; nie akceptuj prototypu, tylko produkt końcowy”. To jawnie ustawia kryterium stopu.
Na co uważać: Bez wyraźnego kryterium agent zakończy na pierwszej wersji. Z drugiej strony pętla bez granic kosztuje czas i pieniądze — w przykładzie autora sama pierwsza wersja zajęła około 18 minut, poprawka kolejne 10.
5.Transkrypcja: szybciej z ElevenLabs, taniej z Whisperem
Na czym polega: Transkrypcję można zrobić darmowym, lokalnym Whisperem albo płatnym ElevenLabs (od ok. 5 dolarów miesięcznie). Autor wybiera ElevenLabs za szybkość.
Jak stosować: Klucz API twórz z uprawnieniami wyłącznie do „speech to text”, przechowuj go w pliku .env, a regułę „transkrypcje zawsze przez ElevenLabs” zapisz w agents.md, żeby agent stosował ją automatycznie.
Na co uważać: Klucz API to w praktyce hasło — nie udostępniaj go, ogranicz zakres uprawnień i rozważ datę wygaśnięcia. Whisper jest wolniejszy, więc przy dłuższych materiałach realnie spowalnia całą pętlę.
6.agents.md to pamięć projektu — żywa, nie statyczna
Na czym polega: Plik agents.md opisuje agentowi, jak projekt działa i jakie są twoje zasady. Autor od pierwszych minut dopisuje tam reguły (np. narzędzie transkrypcji), a z czasem uzupełnia o preferencje montażowe.
Jak stosować: Po każdej ważnej decyzji — narzędzie, struktura folderów, styl animacji, miejsce na rendery — dopisz jedną krótką regułę do agents.md.
Na co uważać: Pusty albo nieaktualny plik oznacza, że agent przy każdym uruchomieniu odkrywa wszystko od nowa i pyta o rzeczy, które już raz ustaliłeś.
7.Krótkie formy żyją niedomkniętą zagadką i mocnym otwarciem
Na czym polega: Rolki generowane przez narzędzie otwierają się wizualnym zaczepieniem i obietnicą „trzech elementów”, które są ujawniane jeden po drugim — widz zostaje do końca. Sceny zmieniają się co sekundę–dwie i żaden element nie stoi w miejscu.
Jak stosować: W instrukcji dla agenta zaplanuj strukturę „obietnica na starcie → odsłonięcie punktów po kolei → rozstrzygnięcie na końcu” oraz częstą zmianę planów: materiał ilustracyjny na górze, pełnoekranowe animacje, kadr z mówcą.
Na co uważać: Pierwsza wersja niemal zawsze ma słabe pierwsze dwie sekundy — to typowy punkt poprawkowy. Dbaj też o rozmiar tekstu: za mały tekst na pionowym formacie jest nieczytelny na telefonie.
8.Fizyka kompozycji: elementy nie mogą się przenikać
Na człowie polega: Największy błąd pierwszej wersji intr to klipy „przecinające się” nawzajem. Poprawka autorstwa autora: grubsze karty, rozłożenie jedna za drugą (wachlarz w głębi), cienie i głębia — czyli wiarygodna fizyka.
Jak stosować: Przy_feedbacku opisuj nie tylko „co”, ale „dlaczego” („przecinają się, więc wygląda nierzeczywiście; niech ułożą się jedna za drugą”). Krótki, punktowy prompt poprawkowy działa szybciej niż przeformułowanie całej instrukcji.
Na co uważać: Klipy mają się naprawdę odtwarzać, a nie być statycznymi miniaturami — to częsty „tani” efekt, na który agent łata kompozycję.
9.Lokalne archiwum jako materiał na autentyczny kontekst
Na czym polega: Agent potrafi sięgnąć po twoje pliki: foldery z nagraniami, zrzuty z kursów, materiały z wydarzeń, a nawet logo z Dysku Google — i wpleść je w montaż, przez co reklama czy wezwanie do działania „czuje się” realne, a nie teoretyczne.
Jak stosować: Wskaż agentowi konkretne ścieżki do folderów z materiałami i pozwól mu samodzielnie wybierać ujęcia pasujące do kontekstu wypowiedzi.
Na co uważać: Dając dostęp do dysku, ogranicz go do wybranego katalogu — nie do całej biblioteki prywatnych plików. Sprawdzaj, czy wybrane fragmenty faktycznie pasują do treści, bo agent dobiera jeheurystycznie.
10.Studio na localhost do drobnych poprawek w długich materiałach
Na czym polega: HyperFrames uruchamia lokalne „Studio” w przeglądarce, w którym można ręcznie przesuwać elementy i zmieniać parametry (np. rozmiar czcionki) — bez ponownego generowania całego montażu.
Jak stosować: Przy dziesięciominutowym materiale i jednej drobnej zmianie (przesunięcie elementu, powiększenie tekstu) wejdź do Studia, popraw, wyeksportuj — zamiast puszczać kolejny prompt na całość.
Na co uważać: Ręczne zmiany mogą rozjechać się z zapisanymi umiejętnościami — jeśli później wywołasz skill, agent nie będzie wiedział o twoich ręcznych korektach. Przy powtarzalnych poprawkach lepiej aktualizować skill niż majsterkować w interfejsie.