Tekoäly muuttaa videokuvan nyt suorana: ihminen voi vaihtua toiseksi hahmoksi kesken lähetyksen

Generatiivisen videon seuraava kilpailu käydään nopeudesta ja hallittavuudesta. Decartin Lucy 2.5 pystyy yhtiön mukaan muuttamaan kamerakuvaa, vaihtamaan esiintyjän hahmon ja lisäämään tehosteita lähes viiveettä videon jatkuessa. Samalla vuotaneet Seedance 2.5 -näytteet, virtuaaliset kameraliikkeet ja tekoälyllä tehty 13-minuuttinen elokuva osoittavat, mihin ala on etenemässä ja mitä se ei vieläkään hallitse.

Verkkokameran edessä istuva ihminen muuttuu piirroshahmoksi, hänen hiuksensa syttyvät tuleen ja taustalla näkyvä huone vaihtaa tyyliä. Muutos ei valmistu minuuttien odottelun jälkeen erillisenä videotiedostona, vaan näkyy kamerakuvassa lähes saman tien.

Kyse on Decartin 16. heinäkuuta 2026 esittelemästä Lucy 2.5 -mallista. Yhtiö kuvailee sitä reaaliaikaiseksi videon ja visuaalisen maailman muokkausmalliksi, joka tuottaa 1080p-kuvaa 30 kuvan sekuntinopeudella. Jokainen ruutu muodostetaan videovirran edetessä ilman etukäteen renderöityä lopputulosta.

Theoretically Media -kanavan Tim Simmons kokeilee videollaan mallia käytännössä. Hän vaihtaa oman kuvansa viitekuvasta tuotuun hahmoon, lisää liekkitehosteen ja tarkkailee samalla virheitä, joita näyttävä esittelyvideo ei välttämättä paljasta. Esimerkiksi mikrofonin ympärille syntyy epämääräistä sumentumista, kun järjestelmä yrittää sovittaa uuden hahmon oikeaan kuvamateriaaliin.

Uutuuden kiinnostavin puoli ei ole yksittäinen hauska filtteri. Reaaliaikainen generointi voi muuttaa suorat lähetykset, videopuhelut, virtuaalisovittamisen, mainokset ja pelit ympäristöiksi, joiden ulkonäkö reagoi katsojaan tai käyttäjän kirjoittamaan ohjeeseen kesken tapahtuman.

Lucy 2.5 ei editoi videota perinteisessä merkityksessä

Sana videoeditointi voi antaa Lucy 2.5:stä väärän kuvan. Tavallisessa editointiohjelmassa tekijä valitsee otoksia, leikkaa niiden pituutta, rakentaa kohtausten järjestyksen, käsittelee ääntä ja viimeistelee kokonaisen teoksen. Lucy ei tee näitä päätöksiä suorassa lähetyksessä tekijän puolesta.

Malli muistuttaa pikemminkin reaaliaikaista video videoon -muunnosta, visuaalisia tehosteita ja kompositointia. Se säilyttää alkuperäisen kamerakuvan liikkeen ja rakenteen mutta yrittää piirtää pyydetyn muutoksen jokaisen ruudun päälle. Ohjeena voi olla henkilön, vaatteen, esineen, ympäristön tai koko visuaalisen tyylin vaihtaminen.

Tekstiohjeen lisäksi Lucy 2.5 voi käyttää viitekuvaa. Tällöin kamerassa näkyvä henkilö voidaan yrittää korvata viitekuvan hahmolla siten, että alkuperäisen esiintyjän liikkeet, pään asento ja ilmeet siirtyvät uuteen ulkoasuun.

Decart kertoo parantaneensa myös veden, tulen, hiekan ja liman kaltaisia tehosteita. Yhtiön mukaan malli pyrkii sovittamaan lisätyn elementin kohtauksen valaistukseen, liikkeeseen, kosketuspintoihin ja tilaan. Tämä on valmistajan kuvaus mallin kyvyistä, eikä jokainen tilanne onnistu yhtä vakuuttavasti.

Oman tuotoksen käyttäminen ankkurina vähentää kuvan hajoamista

Generatiivisen livevideon suuri ongelma on ajallinen jatkuvuus. Yksittäinen ruutu voi näyttää hyvältä, mutta seuraavassa kuvassa kasvot, vaatteet tai esineiden muodot muuttuvat. Pitkän videon aikana pienet virheet voivat kasautua, kun malli käyttää aikaisempia ruutuja uuden kuvan perustana.

Lucy 2.5:n Self-Anchoring-menetelmä yrittää estää tämän. Pian videovirran alkamisen jälkeen järjestelmä ottaa oman jo muokatun tuotoksensa uudeksi viitepisteeksi. Uusi ankkuri sisältää halutun hahmon tai tyylin siinä valaistuksessa, kuvakulmassa ja liikkeessä, jossa se todellisuudessa näkyy.

Decartin mukaan ratkaisu auttaa muutosta säilymään, vaikka henkilö kääntyisi, poistuisi hetkeksi kuvasta ja palaisi takaisin. Tavoitteena on, ettei hahmon identiteetti liukene vähitellen toiseksi tai kohtaus muutu jokaisen sekunnin aikana yhä oudommaksi.

Menetelmä ei silti takaa virheetöntä kuvaa. Jos alkuperäisessä videossa on kasvojen edessä mikrofoni, nopeasti liikkuvia käsiä, hiuksia, heijastuksia tai muita osittain peittäviä elementtejä, mallin on pääteltävä niiden sijainti ja järjestys ruutu ruudulta. Juuri näissä rajoissa syntyvät helposti sumentumat, ylimääräiset muodot ja hetkelliset muodonmuutokset.

Hinta riippuu palvelusta ja käyttötavasta

Videolla Lucy 2.5:n 720p-käsittelyn hinnaksi mainitaan kaksi senttiä sekunnilta. Tämä tarkoittaisi noin 1,20 dollaria minuutilta aktiivista generointia, mikä on huomattavasti vähemmän kuin monien lyhyitä valmiita klippejä tuottavien videomallien kustannus.

Hinnoittelussa on kuitenkin syytä olla tarkkana. Fal.ai listaa Lucy 2.5:n reaaliaikaisen rajapinnan hinnaksi tätä kirjoitettaessa neljä senttiä sekunnilta eli noin 2,40 dollaria minuutilta. Decartin omissa hinnoitteluohjeissa kahden sentin reaaliaikainen hinta on puolestaan näkyvissä Lucy 2.1 -mallille, kun erillinen videotiedoston käsittely maksaa enemmän.

Ero voi johtua palveluntarjoajasta, malliversiosta, resoluutiosta tai siitä, käsitelläänkö suoraa virtaa vai valmista videotiedostoa. Tarkan hinnan lisäksi on tarkistettava, laskutetaanko koko yhteydestä vai vain aktiivisen generoinnin ajasta. Tekoälypalvelujen hinnat ja mallivalikoimat vaihtuvat tällä hetkellä nopeasti.

Halpeneminen on joka tapauksessa olennainen kehitys. Reaaliaikainen video ei voi yleistyä videopuheluissa, peleissä tai pitkissä lähetyksissä, jos muutaman minuutin kokeilu maksaa kymmeniä euroja. Suuren käyttäjämäärän palvelussa pienikin sekuntihinta kasvaa silti merkittäväksi infrastruktuurikuluksi.

Ensimmäiset käyttökohteet löytyvät suorista lähetyksistä ja esituotannosta

Ilmeisin käyttötapa on livestriimaus. Esiintyjä voisi lähettää videota omilla liikkeillään mutta esiintyä animaatiohahmona tai ympäristössä, jonka yleisö vaihtaa kommenteilla. Nykyisiä virtuaalisten sisällöntuottajien hahmoja ei tarvitsisi liikuttaa erillisellä valmiiksi rakennetulla 3D-mallilla.

Verkkokaupassa käyttäjä voisi sovittaa vaatteita tai tarkastella tuotetta omassa huoneessaan suorassa kamerakuvassa. Mainoksessa sama otos voitaisiin mukauttaa eri tuotteille, ympäristöille tai yleisöille. Pelaamisessa oikea huone ja pelaajan liikkeet voisivat muuttua osaksi generoitua maailmaa.

Simmons nostaa esiin myös esivisualisoinnin eli previs-työn. Ohjaaja voisi kuvata puhelimella karkean kohtauksen ja nähdä heti, miltä sama liike näyttäisi toisessa ympäristössä tai toisenlaisella hahmolla. Reaaliaikainen versio auttaisi valitsemaan kuvakulman ja toiminnan ennen kalliimpaa viimeistelyä.

Halpa luonnosteluvaihe ja laadukas lopullinen renderöinti voivat muodostaa toimivan parin. Lucylla tehty liveversio ei välttämättä päädy julkaistavaan elokuvaan, mutta sen päälle voidaan ajaa myöhemmin hitaampi ja yksityiskohtaisempi video videoon -malli.

Tekniikka tuo mukanaan myös ilmeisen väärinkäytön vaaran. Kun ihmisen kasvot ja keho voidaan vaihtaa lähetyksessä toiseksi, suora videokuva ei enää yksin todista henkilöllisyyttä tai tapahtuman aitoutta. Käyttö tarvitsee suostumusta, selkeitä merkintöjä sekä palvelujen omia keinoja estää esiintyminen toisena ihmisenä ilman lupaa.

Seedance 2.5 näyttää lupaavalta, mutta sitä ei ole vielä julkistettu

Videon toinen suuri aihe on ByteDancen Seedance 2.5. Verkossa kiertää näytteitä, joissa malli tuottaa pitkiä ja elokuvallisia toimintakohtauksia. Theoretically Media tarkastelee esimerkiksi 1970- ja 1980-lukujen toimintaelokuvia muistuttavaa takaa-ajoa ja autojen törmäystä.

Näyte näyttää ensisilmäyksellä vaikuttavalta. Ajoneuvojen liike, kameratyö, värimaailma ja törmäyksen energia muodostavat poikkeuksellisen yhtenäisen kohtauksen. Tarkemmassa katselussa kuvaan ilmestyy kuitenkin tyhjästä vettä ja ylimääräinen auto, eikä muiden ajoneuvojen liike noudata täysin törmäyksen seurauksia.

ByteDance ei ole tätä kirjoitettaessa ilmoittanut Seedance 2.5:n virallista julkaisupäivää. Yhtiön virallisesti helmikuussa 2026 julkaisema versio on Seedance 2.0, joka hyväksyy tekstin lisäksi kuva-, video- ja ääniviitteitä sekä tuottaa kuvaa ja ääntä yhdessä.

Seedance 2.5:stä kiertävää materiaalia pitää siksi käsitellä ennakkonäytteinä eikä valmiin kuluttajatuotteen lupauksena. Näytteiden tarkkoja asetuksia, epäonnistuneiden yritysten määrää, jälkikäsittelyä ja lopullista saatavuutta ei aina tunneta.

Vuotaneet klipit kertovat silti alan seuraavasta tavoitteesta. Pelkkä terävä yksittäinen kuva ei enää riitä, vaan mallien pitää hallita useiden toimijoiden liike, syy-seuraussuhteet, leikkaukset, esineiden pysyvyys ja kohtauksen fyysinen logiikka.

District 9 -ohjaaja teki Seedance 2.0:lla 13-minuuttisen elokuvan

Seedance 2.0:n nykyistä tasoa voi arvioida tavallista pidemmästä kokeesta. District 9-, Elysium- ja Chappie-elokuvista tunnettu Neill Blomkamp julkaisi heinäkuussa 2026 noin 13-minuuttisen Nightborne-lyhytelokuvan, jonka kaikki otokset tehtiin Seedance 2.0:lla.

Tekoäly ei tehnyt elokuvaa ilman ihmisiä. Tuotannossa käytettiin 32 oikean ihmisen luvallisesti toimitettuja kasvoja ja ääniä, ja mukana työskenteli ihmisiä muun muassa konseptitaiteen, tuotannon ja leikkauksen parissa. Blomkamp ohjasi generoitavia kuvia tekstiohjeilla.

Nightborne osoittaa, että tekoälyklippejä voidaan jo yhdistää yli kymmenen minuutin kertomukseksi kokeneen elokuvantekijän johdolla. Samalla se paljastaa lyhyitä esittelyvideoita paremmin mallien heikkoudet: taustojen teksti muuttuu sekavaksi, yksityiskohdat vaihtavat paikkaa ja henkilöhahmojen ilmaisusta puuttuu ajoittain aidon suorituksen hienovaraisuus.

Blomkamp pitää elokuvaa ensimmäisenä testinä ja on kertonut haluavansa kokeilla samalla menetelmällä täyspitkää teosta. Nightborne on myös hänen uuden tekoälytuotantoon keskittyvän Barley Studios -yhtiönsä ensimmäinen julkaisu.

Lyhytelokuvan merkittävin opetus ei ehkä ole se, että tekoäly olisi valmis korvaamaan perinteisen kuvauksen. Se osoittaa, että ammattiohjaaja voi jo rakentaa mallien hajanaisista tuotoksista tunnistettavan audiovisuaalisen kokonaisuuden, mutta ohjaajan ja muun työryhmän taidot eivät poista työkalun teknisiä rajoja.

Virtuaalisen kameran suunnittelu tuo tekoälyvideoon kaivattua hallintaa

Videon sponsoroidussa osuudessa esitellään Martini-palvelun Camera Motion -toimintoa. Sen avulla käyttäjä voi avata lähtökuvan eräänlaiseksi kolmiulotteiseksi esikatseluksi, siirtää virtuaalista kameraa, vaihtaa polttoväliä ja asettaa liikkeelle avainkuvia aikajanalle.

Ajatus muistuttaa 3D-ohjelman kameratyöskentelyä. Tekijä päättää ensin, mistä pisteestä kamera lähtee, mihin se liikkuu ja miten nopeasti muutos tapahtuu. Tämän jälkeen suunniteltu liike annetaan varsinaiselle videomallille yhdessä lähtökuvan, hahmoviitteiden ja tekstiohjeen kanssa.

Hallittu kamera on tärkeä askel pois pelkästä arpapelistä. Tekstiohje, kuten kamera kiertää henkilön ympäri, voi tuottaa jokaisella yrityksellä erilaisen liikkeen. Avainkuviin perustuva reitti kertoo tarkemmin, mitä kuvassa pitäisi tapahtua ja millä hetkellä.

Martini on lisännyt myös mediakirjaston, johon samoihin hahmoihin, paikkoihin ja esineisiin liittyvät kuvat voidaan tallentaa eri projekteja varten. Johdonmukaisen sarjan tai elokuvan tekemisessä aineiston hallinta on lähes yhtä tärkeää kuin yksittäisen mallin kuvanlaatu.

Palvelu esittelee lisäksi mahdollisuutta käyttää kirjastoa tekoälyavustajan kautta. MCP-yhteyden avulla avustajaa voidaan pyytää etsimään tietyn hahmon kuva ja sijoittamaan se uuden projektin työskentelypohjalle. Toiminnon arvo kasvaa vasta, kun aineistoa on paljon ja sen käsin etsiminen alkaa hidastaa työtä.

Syvyyskartta voi auttaa sommittelussa, mutta tekoälyn piirtämä kartta ei aina ole oikea

Videon lopussa kokeillaan työnkulkua, jossa kohtauksen sommittelua ohjataan syvyyskartoilla. Syvyyskartta kuvaa tavallisesti sävyillä sitä, kuinka kaukana kuvan eri kohdat ovat kamerasta. Sen avulla malli voi erottaa etualan henkilöt, keskialueen esineet ja taustan toisistaan.

Kokeessa ensin käytetyt kuvat vain näyttävät syvyyskartoilta. Ne ovat kuvageneraattorin tulkintoja siitä, millainen syvyyskartan pitäisi olla, eivät mitattuun tai erillisellä syvyysmallilla laskettuun etäisyystietoon perustuvia karttoja.

Tämä ero on olennainen. Ihmissilmälle vakuuttava mustavalkoinen kuva voi sisältää syvyydestä virheellistä tietoa, jota seuraava malli tulkitsee kirjaimellisesti. Todellinen syvyysarvio voi erottaa hahmon taustasta tarkemmin ja tuottaa vahvemman tilan tunnun.

Simmonsin vertailussa ero jää melko hienovaraiseksi. Oikeaan syvyysarvioon perustuvassa versiossa etualan hahmot erottuvat hieman selvemmin taustasta ja värimaailma muuttuu, mutta koko kohtaus ei vaihdu dramaattisesti. Yksi onnistunut testi ei vielä osoita, että sama menetelmä parantaisi kaikkia videoita.

Kilpailu siirtyy kuvanlaadusta jatkuvuuteen ja ohjattavuuteen

Tekoälyvideon ensimmäinen kehitysvaihe keskittyi siihen, pystyykö järjestelmä tuottamaan muutaman sekunnin uskottavaa liikkuvaa kuvaa. Nyt mallit osaavat jo luoda näyttäviä yksittäisiä otoksia, joten huomio siirtyy tuotannon kannalta vaikeampiin ominaisuuksiin.

Hahmon pitää säilyä samana otoksesta toiseen. Kameran täytyy liikkua tekijän suunnittelemalla tavalla. Äänen, puheen ja liikkeen pitää osua samaan hetkeen. Esineiden on pysyttävä oikeilla paikoillaan, ja fyysisen tapahtuman seurausten täytyy jatkua seuraavissa kuvissa.

Reaaliaikaisuus lisää vielä uuden vaatimuksen. Järjestelmä ei voi käyttää minuutteja jokaisen ruudun korjaamiseen, jos lopputuloksen pitää reagoida ihmisen liikkeeseen ja uuteen tekstiohjeeseen välittömästi. Nopeus, vakaus ja laatu joutuvat kilpailemaan samasta laskentatehosta.

Lucy 2.5, Seedance-kehitys, virtuaaliset kamerareitit ja syvyyskartat lähestyvät ongelmaa eri suunnista. Yksi tekee muutoksen suorana, toinen tavoittelee elokuvallista kokonaisuutta ja kolmas antaa tekijälle enemmän määräysvaltaa kuvan tilasta.

Nykyiset työkalut eivät vielä tee valmista elokuvaa yhdellä kehotteella. Ne voivat kuitenkin muuttaa esituotantoa, tehosteiden luonnostelua ja pienten tuotantojen mahdollisuuksia jo ennen kuin niiden kuva on täysin virheetöntä. Käytännössä tärkein edistysaskel ei ehkä ole kauniimpi demo, vaan se, että tekijä pystyy yhä tarkemmin päättämään, mitä kuvassa tapahtuu ja milloin.