képből videó (I2V)

angolul: image-to-video

alapterjedő

Olyan MI-eljárás, amely egyetlen állóképből néhány másodperces mozgóképet készít: kitalálja, hogyan mozdulna meg a képen látható jelenet.

Érthetően

Képzeld el, hogy egy fényképet odaadsz egy rajzfilmesnek, és megkéred: rajzolja meg, mi történik a következő öt másodpercben. A képből videó ugyanezt csinálja géppel: a feltöltött kép lesz a kiindulópont, a folytatást pedig a modell találja ki hozzá.

Többnyire szöveggel is megmondhatod, mit szeretnél látni, például „a kamera lassan közelít, a lány elmosolyodik, a haját fújja a szél”. Ha nem írsz semmit, a modell maga dönt arról, mi mozduljon meg.

A szövegből videóhoz képest az a fő különbség, hogy itt te adod meg a látványt. A szereplő, a termék, a színek és a stílus a te képedről származnak, ezért az eredmény kiszámíthatóbb. Emiatt kedvelik a reklámosok és a filmesek: előbb megtervezik a tökéletes állóképet, és csak utána mozgatják meg.

Hogyan működik

Feltöltesz egy képet (fotót, rajzot vagy MI-vel generált képet), és ha akarod, szövegben leírod a kívánt mozgást vagy kameramozgást.
A modell egy tömörített belső formára alakítja a képet, és ezt használja kiindulópontként, többnyire a videó első kockájaként. Egyes eszközökben az utolsó kockát is megadhatod.
A videó kockái véletlenszerű képzajként indulnak, és a modell ezt lépésről lépésre tisztítja ki. Ezt hívják diffúziós eljárásnak. Közben a kockák egymáshoz és a kiinduló képhez is igazodnak.
A modell rengeteg videón tanulta meg, hogyan szokott mozogni a víz, a haj, az arc vagy egy autó. Ebből a tapasztalatból becsüli meg a valószínű folytatást, a jelenetet nem „érti”.
A végén a rendszer a belső formából valódi képkockákat állít elő. Az eredmény jellemzően néhány másodperces klip, újabb eszközöknél hanggal együtt.

Példa a mindennapokból

Előveszed a nagymamád régi, fekete-fehér esküvői fotóját, feltöltöd egy alkalmazásba, és néhány perc múlva a kép megelevenedik: a nagymama pislog, elmosolyodik, a fátyla meglibben. Ugyanezzel a technikával készül sok közösségimédia-hirdetés is, ahol egy termékfotó hirtelen forogni vagy gőzölögni kezd.

Kit érint

marketingesEgy meglévő termékfotóból forgatás nélkül, percek alatt készíthetsz rövid hirdetésvideót, több változatban is. → Marketing

vállalkozó, vezetőKis költségvetéssel is jut mozgóképes tartalom a webshopodba vagy a közösségi oldaladra, de a jogi és hitelességi kockázat a tiéd.

szülő, diák, tanárEgy gyerekről vagy osztálytársról készült ártatlan fotóból is lehet megtévesztő vagy megalázó videót gyártani, ezért érdemes beszélni róla otthon és az iskolában. → Oktatás és család

mindenkiBármelyik nyilvános fényképedből készülhet olyan videó, amelyen olyat teszel, amit soha nem tettél. Egy videó ezért önmagában már nem megbízható bizonyíték.

Gyakori félreértés

TévhitA gép megmutatja, mi történt valójában a fénykép elkészülte előtt vagy után.

ValójábanA modell nem tudja, mi történt, csak egy hihető folytatást talál ki a tanult minták alapján. A megelevenített dédnagypapa mosolya kitaláció, nem emlék.

Korlátok és kockázatok

A klipek rövidek, és minél hosszabb a videó, annál könnyebben „elcsúszik”: megváltozik az arc, eltűnik egy tárgy, torzul a kéz vagy a felirat.
A fizika nem mindig stimmel: a folyadékok, az ütközések és a bonyolult mozgások gyakran természetellenesek, ezért több próbálkozásra is szükség lehet.
Más ember fotójának megmozgatása az engedélye nélkül személyiségi jogot, például a képmáshoz való jogot sértheti, és deepfake-ként csalásra vagy zaklatásra is használható.
A generált videót az EU MI-rendelete szerint bizonyos esetekben jelölni kell. Egy felismerhető márka vagy műalkotás megmozgatása védjegyjogi és szerzői jogi kérdéseket is felvet.

Hasonló, de nem ugyanaz

szövegből videó – Ott csak leírást adsz, és a látványt is a modell találja ki, itt a kiinduló képet te hozod, a modell csak a mozgást adja hozzá.
deepfake – A deepfake valós személyt megtévesztően ábrázoló hamisítvány, vagyis felhasználási mód, a képből videó pedig egy technika, amellyel ártalmatlan animáció és deepfake egyaránt készíthető.
hagyományos animáció – Az animátor minden mozdulatot maga tervez meg és irányít, itt viszont a modell találja ki a mozgást és a képkockákat, és a végeredmény csak részben irányítható.

Kapcsolódó fogalmak

Tágabb

generatív mesterséges intelligencia, videógenerálás, szintetikus média

Szűkebb

fotóanimálás, beszélő avatár, kezdő- és zárókocka-vezérlés

Rokon

szövegből videó, szövegből kép, diffúziós modell, deepfake, vízjelezés

Röviden a története

Állóképek gépi megmozgatásával a kutatók régóta kísérleteznek, de a széles közönséghez a diffúziós modellekkel jutott el. 2023-ban jelentek meg az első, bárki által kipróbálható eszközök, köztük a Runway Gen-2 és a Stability AI Stable Video Diffusion modellje.

Hol tart most

2026 végén a nagy videógenerátorok alapfunkciója, telefonos alkalmazásokban is elérhető, és a reklám- és tartalomgyártásban napi eszköz. A hosszabb, következetes és pontosan irányítható jelenetek viszont még nem megbízhatók.

Állapot: 2026. november

Más nevei

image-to-video · image to video · I2V · img2vid · kép-videó generálás · képből videó generálás · fotóanimálás · képanimálás

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.