הכנתי סרטון אנימציה של 23 שניות בלי לצאת מחלון אחד

עשיתי ברכת שנה טובה מונפשת. הדמות, המטבח, החלל, המשפחה, הציפור, הקריינות, העריכה, המיקס, סימן המים והכתובית — הכל. לא פתחתי תוכנת עריכה, לא פתחתי ממשק של כלי וידאו, לא הורדתי ולא העליתי קבצים בין מערכות. הכל קרה בשיחה אחת. זה הסיפור האמיתי כאן, יותר מהסרטון עצמו.

מה יצא בסוף

סרטון אנכי של 23 שניות. ילדה בת שבע עומדת על שרפרף ומנסה להחזיק מכסה של סיר שעומד לגלוש. היא מפסידה. המכסה משגר אותה דרך הגג, לשמיים, לחלל — שם היא פוגשת חייזר שמנופף לה — ואז בחזרה למטה, ישר לתוך צלוחית הדבש של שולחן ראש השנה של משפחה אחרת. כולם קופאים. היא מחייכת. המכסה נוחת לה על הראש. ציפור נוחתת על המכסה. כולם צוחקים.

החלק שמעניין אותי באמת: הכל קרה בחלון אחד

אני עובד היום מתוך ממשק אחד. הכלים מחוברים אליו, לא אני אליהם. בפועל, מה שקרה בתוך אותה שיחה:

• תכנון ותסריט — שוט אחרי שוט, כולל הפאנץ'
• יצירת תמונת דמות מקובעת שממנה נגזרו כל השוטים
• הרצת וידאו על ארבעה מודלים שונים, כולל השוואת מחירים בפועל לפני ההרצה
• חילוץ פריימים מסוף שוט כדי לשרשר ממנו את השוט הבא
• חיתוך, חיבור, שדרוג רזולוציה וניתוח של הקליפים
• הפקת קריינות בעברית בקול של ילדה
• מיקס אודיו עם הנמכה אוטומטית של הפסקול מתחת לקריינות
• סימן מים לאורך הסרטון
• כתובית סיום מעוצבת בעברית — כולל טיפול ב-RTL וגופן
• כתיבת הטקסטים ליוטיוב, פייסבוק ואינסטגרם
• שמירת הקובץ הסופי ישירות לתיקייה במחשב שלי

בלי לפתוח אף ממשק אחר. בלי גרירת קבצים. בלי "עכשיו תוריד ותעלה לשם".

זה לא אומר שהכלים לא היו שם — הם היו, ומודלי הווידאו עשו את העבודה הכבדה. זה אומר שאני לא הייתי צריך להיות מתאם התנועה ביניהם. ההבדל הזה הוא כל ההבדל בזמן שזה לוקח.

הטעות הראשונה: התחלתי לייצר לפני שידעתי איך זה נגמר

הגרסה הראשונה שבניתי הייתה 33 שניות והיא הייתה בסדר. לא יותר מזה. כשצפיתי בה הבנתי שאין בה פאנץ'.

הסיבה לא הייתה שחסר שוט. הסיבה הייתה שבניתי אותה שוט אחרי שוט קדימה, בלי שכתבתי את הסוף מראש. כשמייצרים ככה, מגיעים לנקודת עצירה — לא לסיום.

הכלל הראשון, והוא החשוב ביותר: כותבים את כל הסרטון, כולל הפאנץ', לפני שמייצרים פריים אחד.

יש לזה גם נגזרת פחות ברורה: כל מה שהסוף חושף חייב להופיע כבר מההתחלה, גם אם מחוץ לפוקוס. בגרסה מוקדמת הסוף חשף שולחן ערוך בצורה מושלמת — אבל בשוט הקודם נראה שולחן די ריק. צופה קורא את זה כטעות רציפות, לא כבדיחה. ברגע שהשולחן הערוך נמצא ברקע מטושטש כבר בשנייה הראשונה, אותו גילוי בדיוק עובד.

הכישלון החוזר: הרגע שאף מודל לא יודע לייצר

הביט המרכזי בסרטון הוא רגע השיגור — המכסה מתפוצץ החוצה והילדה עפה איתו.

ניסיתי אותו בארבעה מודלים שונים, בשש גנרציות. כולם נכשלו באותה שנייה בדיוק.

שינוי הפרומפט לא עזר. כתבתי חמש פעמים בפירוש "היא לא עפה, רק המכסה עף" — והיא עפה.

המסקנה: זו לא בעיית פרומפט ולא בעיית מודל. זה גבול יכולת.

מודלי וידאו מייצרים תנועה רציפה מצוין, ומתפרקים ברגע של העברת כוח פתאומית — פיצוץ, שיגור, הדיפה. אין להם מספיק חומר אמיתי ללמוד ממנו, אז הם ממציאים, והמצאה תמיד נראית מזויפת.

הפתרון הוא בימויי ולא טכני: לא מצלמים את הרגע. חותכים לפניו, חותכים אחריו, והצופה משלים אותו לבד. בדיוק כך עבדה קומדיה פיזית בקולנוע לפני שהיו אפקטים — הרגע הכי מצחיק תמיד היה מחוץ לפריים.

בגרסה הסופית השוט מסתיים כשהיא עדיין נאבקת במכסה, והשוט הבא נפתח כשהיא כבר באוויר. השיגור קורה בחיתוך. הצופה לא מרגיש שחסר לו משהו — להיפך, זה נקרא כקאט אקשן מכוון.

ושימו לב מה אפשר את זה: שש גנרציות על אותו רגע, בארבעה מודלים, כולל השוואת מחירים והחלטה איזה מודל מצדיק ניסיון נוסף — הכל ברצף אחד, בלי לצאת החוצה. בעבודה מסורתית, שש איטרציות כאלה זה יום שלם של ניהול קבצים. כאן זה היה רצף החלטות.

לרשימה המלאה של המודלים המובילים ומה כל אחד מהם עושה טוב יותר — ראו את המדריך המלא ליצירת וידאו AI ב-2026.

שלושה כללים טכניים שהתגלו תוך כדי

המודלים מתפרקים בסוף. בארבעה מתוך חמישה שוטים כושלים, הקפיצה הייתה בשנייה-שתיים האחרונות. הפתרון פשוט: מייצרים 8 שניות, מתכננים להשתמש ב-6.5, ולעולם לא שמים ביט קריטי בסוף השוט.

פער גדול בין פריים ההתחלה לפריים הסיום גורם לטלפורט. זה נכון לא רק לתנועת מצלמה אלא גם לשינוי בגוף הדמות. "עומדת על שרפרף" ל"מרחפת באוויר" הוא פער שהמודל לא מגשר עליו — הוא פשוט קופץ לשם. מפצלים לשני שוטים עם פער קטן בכל אחד.

לפעמים פריים הסיום הוא הבעיה, לא הפתרון. פריים סיום מכריח את המודל להגיע לפוזה מוגדרת. אם אין מסלול תנועה טבעי אליה, הוא קופץ לשם — ולפעמים גם חוזר. בשוטים עם פיזיקה מורכבת עדיף פריים התחלה בלבד, רשימת ביטים מתוזמנת בפרומפט, ושרשור השוט הבא מאיפה שהוא נחת בפועל.

הדיבור: תמיד VO, אף פעם לא במודל

ניסיתי לתת למודל לייצר את המשפט של הדמות. קיבלתי שני דברים לא רצויים: כתוביות צרובות על המסך (למרות "no subtitles" מפורש בפרומפט) וליפסינק לא משכנע — הפה נפתח ל-O ונשאר קפוא.

זה קרה גם ב-Veo וגם במודל אחר. המסקנה: מייצרים בלי דיבור, ומוסיפים VO בעריכה.

יש לזה בונוס גדול בעברית. ברגע שאין ליפסינק, אין שום אילוץ שפה. הקריינות בסרטון היא ארבע שורות קצרות שנוצרו בנפרד, מתוזמנות בעריכה:

בין השורה השלישית לרביעית יש שמונה שניות בלי קול. זה מכוון — השקט בונה את הפאנץ'.

עלות כל הקריינות: 26 קרדיטים. לא טעות הקלדה.

המחירים האמיתיים

זו אולי הנקודה השימושית ביותר. מדדתי מחירים אמיתיים לאותו שוט בדיוק — 8 שניות, אנכי, 1080p:

פער של פי 20 על אותה משימה. מי שלא בודק, משלם.

אבל — וזה חשוב — המחיר לא מספר את כל הסיפור. Minimax H3 Max עלה 400 קרדיטים ל-10 שניות, פי 11 זול מ-Seedance 2.5, והוא באמת טוב בשוטים פשוטים עם תנועה אחת. ברגע שנדרשה תנועה מורכבת עם ריבוי ביטים, הפער באיכות היה גלוי מיד.

הכלל שהתגבש: המודל הזול לשוטים פשוטים, המודל היקר רק לשוטים עם פיזיקה או ריבוי ביטים. ואם שוט נכשל — משדרגים רק אותו, לא את כל הסרטון.

עוד נקודה על תקציב: מודל שמוציא 1080p מקורי עדיף על מודל זול יותר ב-720p, כי שדרוג רזולוציה בדיעבד עולה 2,300-4,300 קרדיטים לקליפ ומוחק את החיסכון.

הלקח שסותר את כל השאר

אחרי כל מה שכתבתי למעלה על פיצול שוטים, קרה משהו מעניין.

הגרסה שבה כל ביט קיבל שוט משלו הייתה משעממת. החלטתי שכל ההתרחשות צריכה להיכנס לעשר שניות אחת. הייתי בטוח שזה ייצא מונטאז' מטושטש — שמונה ביטים בעשר שניות זה שנייה ורבע לביט.

יצא הפוך. הצפיפות היא בדיוק מה שהופך את זה לכיף. ביט קומי לא צריך זמן לנשום, הוא צריך לפגוע ולהתחלף.

וגם טכנית זה עבד טוב יותר: כשהתוכן צפוף ומהיר, שוט אחד ארוך עדיף על פיצול. הפיצול נועד לפתור מודלים שנשברים ברגעי מעבר — אבל כשהכל רץ מהר, אין רגע מעבר להישבר בו. הכל מעבר אחד ארוך, והמודל רוכב עליו.

שמונת הביטים שנכנסו לעשר שניות אחת: פריצת גג, שמיים, מטוס, חלל, חייזר, צניחה, נחיתה, פאנץ'. כולם קריאים.

הסרטון לא מושלם — וזה בדיוק העניין

אני לא הולך למכור לכם שיצא מושלם. יש בו דברים שאני רואה:

• פריט לבוש על הדמות משתנה קלות בין חלקי הסרטון
• יש "קפיצת שיער" קטנה בנקודת חיבור
• המודל הוסיף מוזיקה תזמורתית למרות שביקשתי בלי
• ברגע אחד תקשורת בין המערכות לא עברה חלק ונאלצתי להתערב ידנית

כל אחד מהפגמים האלה הוא פגם של ריצה ראשונה בלי שיטה, לא פגם של הטכנולוגיה. כשעובדים בפעם הראשונה על משהו — מגלים את הכללים תוך כדי. ברגע שהכללים כתובים, אותה עבודה הופכת לשרשרת צעדים ידועה מראש:

נועלים דמות בתמונה אחת. תמונת מפתח מוצלחת שממנה נגזר הכל. בלי זה כל שוט מייצר דמות מעט אחרת — וזה בדיוק מה שהופך סרטון AI ל"נראה כמו AI".

כותבים את כל הסרטון, כולל הסוף, לפני שנוגעים במודל.

מסמנים מראש את רגעי האימפולס ומחליטים שלא מצלמים אותם. כל פיצוץ, שיגור, נפילה או התנגשות — חותכים סביבם מלכתחילה.

מגדירים את כללי המודלים כרשימת בדיקה: 8 שניות מיוצרות, 6.5 בשימוש. אין ביט קריטי בסוף שוט. אין דיבור במודל. פער קטן בין פריימי מפתח. מודל זול לשוט פשוט, יקר רק לפיזיקה.

הרשימה הזו היא מה שהופך את התהליך מניסוי לתהליך. ומרגע שיש תהליך, אפשר להריץ אותו שוב — וגם לתת למערכת להריץ חלקים ממנו לבד.

שורה תחתונה

שני דברים שאני לוקח מהיום הזה.

הראשון: הפער בין "סרטון AI מרשים" ל"סרטון AI שנראה כמו AI" הוא כמעט כולו החלטות בימוי, לא בחירת מודל. המודלים כבר מספיק טובים. מה שחסר לרוב האנשים זה לא כלי חזק יותר — זה תסריט כתוב מראש, דמות נעולה, וידיעה מתי לא לצלם את הרגע.

השני, והוא הגדול יותר: הימים שבהם עבדנו בין עשרה ממשקים נגמרים. כשהכלים מחוברים לשיחה שאני מנהל, ההחלטה הופכת מ"באיזו תוכנה אני עושה את זה" ל"מה אני רוצה שיקרה". זה שינוי בסדר גודל אחר מאשר עוד מודל טוב יותר.

שנה טובה ומלאת יצירה.

שאלות ותשובות

איך מפיקים סרטון וידאו AI בלי לצאת מחלון אחת?

באמצעות ממשק סוכן AI שמחובר למודלי וידאו, תמונה, קול ועריכה כקונקטורים — כך שהתכנון, היצירה, החיתוך, הקריינות והמיקס קורים כולם בתוך אותה שיחה, בלי להוריד ולהעלות קבצים בין תוכנות נפרדות.

למה סרטוני AI נראים "מזויפים" ברגעי פיצוץ או קפיצה?

מודלי וידאו לומדים מתנועה רציפה, ואין להם מספיק דוגמאות אמיתיות של רגעי העברת כוח פתאומית (פיצוץ, שיגור, הדיפה). כשמתבקשים לייצר רגע כזה הם ממציאים תנועה, וההמצאה נראית לא טבעית. הפתרון הוא לא לצלם את הרגע — לחתוך לפניו ואחריו ולתת לצופה להשלים אותו.

כמה עולה לייצר קליפ וידאו AI של 8 שניות?

בהשוואת מחירים בפועל בין ששה מודלים מובילים לאותו שוט (8 שניות, אנכי, 1080p), הטווח נע בין 320 קרדיטים (Veo 3.1 Lite) ל-6,320 קרדיטים (Seedance 2.5) — פער של פי 20 על אותה משימה בדיוק. הכלל המעשי: מודל זול לשוטים פשוטים, מודל יקר רק לשוטים עם פיזיקה מורכבת או ריבוי ביטים.

עדיף להזרים דיבור מהמודל או להוסיף קריינות בנפרד?

עדיף תמיד להוסיף קריינות (VO) בנפרד בעריכה. כשמודלים מייצרים דיבור בתוך הווידאו מתקבלות כתוביות צרובות לא רצויות וליפסינק לא משכנע. הפקת קריינות נפרדת גם מאפשרת שליטה מלאה בתזמון, ובעברית מבטלת כל אילוץ שפה שמגיע מסנכרון שפתיים.

מה עדיף — לפצל סרטון לשוטים קצרים או להשתמש בשוט אחד ארוך?

תלוי בקצב התוכן. פיצול לשוטים קצרים פותר מודלים שנשברים ברגעי מעבר (למשל רגע שיגור או פיצוץ). אבל כשהתוכן צפוף ומהיר עם הרבה ביטים קומיים ברצף, שוט אחד ארוך עובד טוב יותר — כי אין רגע מעבר יחיד שהמודל צריך "לשבור" עליו.

---

רוצים סרטון אנימציה או וידאו שיווקי שמופק מקצועית — בין אם באנימציה קלאסית ובין אם בעזרת AI? אנחנו מפיקים סרטוני אנימציה ווידאו לעסקים, ובונים גם סוכני AI ואוטומציות שמקצרות תהליכי יצירה כאלה בדיוק. צרו קשר לשיחת ייעוץ חינמית.