Da się dziś nagrać kilkuminutowe wideo z własną twarzą i głosem, nie siadając ani razu przed kamerą. Wystarczy gotowy scenariusz, cyfrowy klon i kilka narzędzi, które ktoś za ciebie połączy. Poniżej rozkład tego, jak taki proces wygląda w praktyce — i ile realnie kosztuje.
Zacznę od prostej obserwacji: postać, którą widzisz w takim wideo, to nie człowiek, tylko jego cyfrowy klon. Wykonany w jakieś dziesięć minut. Scenariusz pozostaje własny — to wciąż prawdziwe myśli mówiącego — ale twarz na ekranie wygenerowała maszyna.
Trzy narzędzia i jeden dyrygent
Cały układ opiera się na trzech elementach. HeyGen to narzędzie, które tworzy awatar — cyfrowego sobowtóra mówiącego twoim głosem na nagraniu. ElevenLabs (zapisywane też jako 11 Labs) odpowiada za klon głosu, czyli wierne odtworzenie barwy i sposobu mówienia. Remotion skleja wszystko w całość i dokłada grafikę ruchomą — napisy i animowane elementy, które pojawiają się we właściwym momencie.
Spoiwem jest Claude Code — narzędzie, w którym Claude pracuje jak operator: czyta pliki, wykonuje kroki, łączy się z innymi programami. To on pełni rolę dyrygenta. Bez niego trzeba by ręcznie przeklejać fragmenty scenariusza, pobierać nagrania, wgrywać je z powrotem i zszywać — żmudnie, kawałek po kawałku. Claude Code spina te kroki w jeden ciąg: ty mówisz, czego chcesz, a on to wykonuje.
Krok pierwszy — klon twarzy
Awatar powstaje w HeyGen. Najszybsza droga to nagranie z kamery internetowej: narzędzie wyświetla krótki tekst do przeczytania, nagranie trwa około piętnastu sekund, a po chwili masz gotowy klon. Druga droga to wgranie własnego materiału — przy mniej więcej dziesięciu gigabajtach nagrań model ma więcej danych do nauki i lepiej oddaje mimikę.
Tu wchodzi nowa wersja, Avatar 5. Wcześniejsze (Avatar 3 i 4) działały znośnie, ale zdradzały się sztucznym ruchem ust i mechanicznymi gestami. Piątka uczy się z ponad dziesięciu milionów punktów danych o mimice i z piętnastosekundowego nagrania buduje cyfrowego sobowtóra. Efekt jest na tyle naturalny, że trudno go odróżnić od prawdziwego ujęcia — postać porusza głową, mruga, przełyka. Różnica między starą a nową wersją jest wyraźna: na Avatar 3 ktoś, kto cię zna, od razu wychwyci, że „coś jest nie tak” z ustami.
Krok drugi — klon głosu
Domyślny głos z HeyGen brzmi słabo, więc głos bierze się osobno, z ElevenLabs. To kluczowy etap — głos waży w odbiorze najwięcej. Są dwie opcje. Instant voice clone jest szybki i prosty, ale mniej wierny. Professional voice clone wymaga materiału: narzędzie prosi o co najmniej trzydzieści minut nagrań, a im więcej go dasz, tym lepiej — okolice dwóch godzin dają najlepszy efekt.
W panelu można regulować tempo, stabilność, podobieństwo i nasilenie stylu. Dojście do ustawień, które brzmią naturalnie, wymaga prób — zanim trafisz w swój sposób mówienia, przejdziesz przez wiele iteracji. Gotowe nagranie pobiera się jako plik dźwiękowy i wgrywa do HeyGen w sekcji AI Studio, gdzie zostaje zsynchronizowane z awatarem. Warto wiedzieć: import tego samego głosu wprost do HeyGen brzmi gorzej niż w ElevenLabs — dlatego ten etap robi się osobno.
Dlaczego scenariusz trzeba ciąć na kawałki
Są dwa techniczne ograniczenia. HeyGen pozwala generować w Avatar 5 materiały do trzech minut. ElevenLabs ma swój limit: po przekroczeniu mniej więcej minuty głos zaczyna się psuć i coraz mniej przypomina oryginał. Praktyczny złoty środek to fragmenty po czterdzieści pięć do sześćdziesięciu sekund — wtedy głos brzmi spójnie przez całość.
Dlatego dziesięciominutowy scenariusz trzeba podzielić. Robi to Claude Code: bierze tekst z dysku, tnie go na części po mniej więcej minucie i przekazuje do HeyGen. Jest tu jeden warunek — cięcie zawsze wypada na końcu zdania, nigdy w jego środku. Dzięki temu po sklejeniu nie słychać szwów między fragmentami.
Jest jeszcze jeden szczegół, który wymaga obejścia. Avatar 5 na razie nie działa przez API, czyli przez interfejs, którym programy łączą się ze sobą automatycznie. Dostępne są tylko Avatar 3 i 4. Rozwiązanie: Claude Code generuje materiały w Avatar 4 przez API, a osobny skrypt (oparty na narzędziu Playwright, które klika w przeglądarce jak człowiek) otwiera panel HeyGen i przełącza wersję na piątkę. To obejście tymczasowe — gdy Avatar 5 trafi do API, zniknie.
Co robi Remotion
Ostatni etap to montaż. Remotion dostaje tło i styl grafiki, po czym sam składa nagrania, transkrybuje je (zamienia mowę na tekst z dokładnymi czasami) i na tej podstawie wstawia napisy oraz animacje w odpowiednich sekundach. Skoro wie, że dane słowo padło w czterdziestej czwartej sekundzie, dokładnie tam uruchamia animację. Tak dźwięk zgrywa się z grafiką.
Cały ten ciąg — od scenariusza po gotowe wideo — można uruchomić wieczorem i odebrać rano. Proces, który dawniej wymagał operatora kamery, montażysty i lektora, zamienia się w zadanie wykonywane przez noc.
Co się realnie zmienia
Z tego układu płyną trzy wnioski. Pierwszy: awatar przekroczył tzw. dolinę niesamowitości — punkt, w którym sztuczna postać wygląda już na tyle wiarygodnie, że nie razi. Drugi: jeden agent potrafi poprowadzić całą produkcję — pobrać głos, pociąć dźwięk, zlecić HeyGen, skleić w Remotion. Trzeci, najważniejszy: wąskie gardło przesunęło się z nagrywania i montażu na to, czego maszyna nie zrobi — pomysł, scenariusz i strategię. Człowiek zostaje tam, gdzie liczy się najbardziej.
Warto policzyć koszty, bo nie są niskie. Plan HeyGen to około 30 dolarów miesięcznie, ElevenLabs około 22 dolarów (mniej więcej sto minut materiału), Claude Code od 20 do 200 dolarów. Osobno liczy się HeyGen przez API: każdy minutowy fragment to około czterech dolarów, więc dziesięciominutowe wideo wychodzi blisko pięćdziesięciu. Dla porównania: montażysta-freelancer kosztuje 35–75 dolarów za godzinę, dziesięciominutowy materiał potrafi pochłonąć do 300 dolarów, a studio i profesjonalny lektor podnoszą rachunek do tysięcy. (Kwoty są orientacyjne; ceny narzędzi się zmieniają — warto sprawdzić aktualne.)
Trzy uczciwe zastrzeżenia
Na koniec trzy wątpliwości, które same się nasuwają. „To sztuczne, nieautentyczne” — częściowo słusznie, ale gdy scenariusz, głos i twarz są twoje, jedyne, czego brakuje, to fizyczna obecność przed kamerą. „To zaleje sieć tandetą” — tandety i tak przybywa, a usunięcie wąskiego gardła produkcji tylko zaostrza konkurencję: wygrywa lepszy pomysł, bo słaba treść z dobrym awatarem dalej jest słabą treścią. „To zabierze pracę montażystom” — raczej ją zmienia; przewagę zyskuje ten, kto dołoży do narzędzia własną wiedzę o temacie.
I jedna trzeźwa uwaga na zakończenie: to nie jest układ, który działa „od pierwszego kliknięcia”. Za gotowym efektem stoi ponad sto, może dwieście wygenerowanych klipów i sporo prób z ustawieniami. Narzędzia skracają produkcję, ale dojście do dobrego rezultatu wciąż wymaga cierpliwości i kilku rund poprawek.