Kısa bir film serisinin görüntülerini yapay zekayla üretirken her sahnenin promptunu tek tek yazmak yerine bu işi otomatikleştirdim. Artık dış ses metnini veriyorum; metin sahnelere ve çekimlere bölünüyor, her çekim için prompt, ses tarifi, risk notu ve hazır görüntü araması yazılıyor. Küçük bir program listeyi denetleyip eksikleri yakalıyor, süreleri hesaplıyor ve kopyala düğmeli tek sayfalık bir çekim listesi çıkarıyor. Bir değişiklik istediğimde yalnızca ilgili çekim güncelleniyor.
Bu yolu seçmemin nedeni basit: dört filmlik bir seride tutarlılık hafızayla değil, yazılı kurallarla sağlanır. Üretimde öğrendiğim her ders kurallara işleniyor, böylece bilgi tek kişide kalmıyor. Benim için asıl beceri iyi bir klip değil, iyi klipleri tekrar tekrar üreten bir sistem kurmak.
Son birkaç haftadır, sanayide nitelikli eleman bulma meselesini anlatan kısa bir film serisinin görüntü üretimini üstleniyorum. Görüntülerin büyük kısmını kamera kullanmadan, yapay zeka video modelleriyle üretiyorum. Klasik bir çekim; mekân, oyuncu, ekip ve çalışan bir üretim alanını günlerce meşgul etmek demekti. Aşağıda bu sistemin nasıl çalıştığını ve neden böyle kurduğumu biraz daha ayrıntılı anlatıyorum.
Yapay zekayla video üretmek denince çoğu insanın aklına tek cümlelik bir komut (prompt) yazıp sonucu beklemek geliyor. Bir film için durum farklı. İlk versiyonumuz otuz plandan, yani otuz ayrı çekimden oluşuyordu. Her plan için ayrıntılı bir prompt, sahnede duyulacak seslerin tarifi, istemediğim şeylerin listesi ve bir üretim notu gerekiyordu. Hepsinin aynı ışıkta, aynı yüzlerle ve aynı dille yazılması lazımdı. Elle yazınca iş yavaş ilerliyor, her yeni plan bir öncekinden biraz farklı çıkıyor ve küçük ama önemli kurallar unutuluyordu. Seri dört filme çıkınca bunun böyle gitmeyeceği belliydi.
Bu yüzden bir yapay zeka asistanıyla birlikte, dış ses metnini alıp kullanıma hazır bir çekim listesine çeviren bir sistem kurdum. Sisteme yalnızca metni veriyorum. Metin önce sahnelere, sonra planlara bölünüyor. Temel kural, her cümlenin en az bir görüntüyle karşılanması. Somut cümleler doğrudan gösteriliyor, soyut cümleler ise onları taşıyan tek bir nesneye bağlanıyor. Örneğin "Yetkinlik envanterimiz yok" cümlesi, dolu bir çekmecenin hemen altındaki bomboş çekmeceyle anlatılıyor.
Ardından her plan için prompt hep aynı sırayla yazılıyor: çekimin ne kadar yakın olduğu, sahnede kimin nerede durduğu, baştan sona tek bir eylem, ışık, kameranın hareketi ve sesler. Proje boyunca hiç değişmeyen bir stil paragrafı her prompta otomatik olarak ekleniyor, istenmeyenler listesi de tek bir yerde sabit duruyor. Böylece ayrı ayrı üretilen klipler tek bir filmden çıkmış gibi duruyor. Filmde tekrar eden dokuz karakterin her biri için tek bir referans portre var ve sistem hangi planda hangi portrenin kullanılacağını kendisi listeliyor.
Sistem her plana bir de risk grubu atıyor. Bunu belirleyen soru şu: bu karedeki hatayı ilk kim görür? Cevap filmin izleyicisiyse, o kare yapay zekaya bırakılmıyor. Fabrikada çalışan biri, ölçü aletinin yanlış tutulduğunu ya da talaşın tuhaf kıvrıldığını bir saniyede fark eder. Bu yüzden planlar dört gruba ayrılıyor: yapay zekaya uygun olanlar, orta riskli olanlar, gerçek görüntü gerektirenler ve tamamen kurguda yapılacaklar. Her plan için hazır görüntü kütüphanelerinde ne aranacağı da yazılıyor; gerçek görüntü gereken planlarda öncelik bu oluyor. Okunması gereken her yazı ise sonradan kurguda ekleniyor.
Son adımda küçük bir program devreye giriyor ve listeyi denetliyor: kameranın ne yapacağı yazılmış mı, yüzü görünen birinin konuşmaması gerektiği belirtilmiş mi, prompta Türkçe karakter kaçmış mı? Sorun yoksa her planın filmin hangi saniyesine denk geldiğini hesaplıyor ve tek sayfalık bir çekim listesi oluşturuyor. Bu sayfada her promptun yanında bir kopyala düğmesi, her planın yanında da "üretildi" işareti var. Bir değişiklik istediğimde sadece o plan yeniden yazılıyor, onaylanmış promptlara dokunulmuyor.
Sistemin en değerli kısmı, kuralların nereden geldiği. Başlangıç noktası, denenip işe yaradığı görülmüş otuz planlık ilk liste. Üretim sırasında modelin yanıldığı her yer yeni bir kurala dönüşüyor. Örneğin prompta "tereddütlü" yazınca model abartılı bir oyunculuk üretiyordu. Artık duygu kelimesi yerine küçük hareketler yazılıyor: havada kalan bir parmak, tuşlar arasında düzensiz duraklamalar. Başlangıç karesinde olmayan bir nesneden bahsedince o nesne birden adamın elinde beliriyordu. Artık hareket sadece karede zaten olan nesnelerle tarif ediliyor. Model ekranda okunur Türkçe yazı üretemediği için de iş ilanı formunu basit bir web sayfası olarak hazırladım, ekran görüntüsünden bir başlangıç karesi ürettim ve videoyu o kareden başlattım. Her ders kurallara geri işlendiğinde, bir sonraki liste aynı hatayı tekrarlamıyor.
Bu yaklaşımın faydasını proje yön değiştirdiğinde gördüm. İki dakikayı biraz aşan ilk versiyonun konsepti beğenildi ama film uzun bulundu ve dört kısa filme bölünmesine karar verildi. Elimde bir sistem olduğu için baştan başlamam gerekmedi. Yeni metinler aynı kurallardan geçiyor, ortak sahnelerde birebir aynı promptlar kullanılıyor ve önceden üretilmiş klipler doğrudan yeni filmlere taşınabiliyor.
Baştaki üç nedeni biraz açayım. İlk sebep tutarlılık. Dört filmlik bir seride aynı ışığı ve aynı yüzleri hafızaya güvenerek korumak mümkün değil. İkinci sebep, bilginin tek bir kişinin kafasında kalmaması. Burada hoş bir tesadüf var, çünkü filmlerden biri tam olarak bunu anlatıyor. Bir işin tanımı insan kaynaklarının klasöründe, talimatı müdürün masasında, nasıl yapıldığı ise ustanın deneyiminde duruyor ve bu parçalar hiçbir yerde bir araya gelmiyor. Kendi üretim bilgimi tek bir sistemde toplamak, filmin önerdiği şeyi kendi işime uygulamak gibiydi. Üçüncü sebep daha kişisel. İyi bir klip bazen şanstır. İyi klipleri tekrar tekrar üretebilen bir yöntem kurmak ise beceridir ve kendimi geliştirmek istediğim alan tam olarak bu.
Elbette otomasyon her şeyi çözmüyor. Her prompttan dört farklı sonuç çıkıyor ve doğrusunu seçmek hâlâ insan işi. Uzmanlık isteyen görüntülerde gerçek çekim hâlâ en iyi seçenek. Dış ses de gerçek bir insan sesi olacak, çünkü güvenilirlik üzerine kurulu bir filmde yapay bir ses en çok göze batan şey olurdu. Otomasyon tekrarlanan işi üstleniyor, karar vermek ise hâlâ bizde kalıyor.
Görüşmek üzere... :)