Text-to-video: come funziona la generazione video con l'AI

I video generati dall'AI sono passati in pochi anni da curiosità sfocate a clip che a un primo sguardo reggono. Restano però limiti precisi, che non sono difetti temporanei ma conseguenze di come la tecnologia funziona. In questo articolo ti spiego cosa succede davvero quando chiedi un video a un modello, perché costa così tanto e cosa puoi realisticamente aspettarti oggi.

Il problema in più rispetto alle immagini

Generare un video non è generare tante immagini: è generare immagini che devono restare coerenti tra loro nel tempo. Il volto, i vestiti, la luce e la posizione degli oggetti devono rimanere gli stessi mentre tutto si muove in modo fisicamente credibile.

È qui la difficoltà. Se generi 120 fotogrammi indipendenti con un modello di immagini ottieni una sequenza sfarfallante in cui il soggetto cambia a ogni frame. Il problema centrale del text-to-video si chiama coerenza temporale, e non si risolve generando meglio i singoli fotogrammi.

Se non hai presente come nasce un'immagine generata, conviene partire da cosa sono i modelli diffusion: il video ne è l'estensione.

Come funziona

L'impianto è quello della diffusion, con due differenze sostanziali.

Si lavora sull'intera sequenza insieme. Il modello non produce un fotogramma dopo l'altro: parte da un blocco di rumore che rappresenta tutto il video e lo ripulisce progressivamente nella sua interezza. Ogni passaggio raffina simultaneamente tutti i fotogrammi, ed è così che la coerenza emerge — non viene imposta a posteriori.

L'attention lavora anche nel tempo. Oltre a mettere in relazione le zone di una stessa immagine, il modello mette in relazione lo stesso punto attraverso i fotogrammi. È il meccanismo dei Transformer applicato a una dimensione in più.

Anche qui il lavoro avviene in uno spazio latente compresso: sui pixel grezzi sarebbe impraticabile. E anche così resta pesante, per un motivo che vale la pena capire.

Perché costa così tanto

Un'immagine è una griglia di pixel. Un video di 5 secondi a 24 fotogrammi al secondo sono 120 immagini che devono restare coerenti — e il costo non cresce di 120 volte, cresce di più.

Il motivo è lo stesso che rende costoso il contesto lungo negli LLM: con l'attention, ogni elemento si rapporta a tutti gli altri, quindi il lavoro cresce col quadrato della lunghezza. Raddoppiare la durata di una clip più che raddoppia il calcolo necessario.

Da qui discendono tre cose che si osservano in tutti gli strumenti:

• Le clip sono corte — pochi secondi per generazione
• I video lunghi si montano, unendo più clip brevi
• Costa molto più delle immagini, e i piani sono a consumo

Non è una limitazione commerciale arbitraria: è il conto del calcolo.

Le modalità di lavoro

Nella pratica si usano tre approcci, e sapere quale scegliere conta più della scelta dello strumento.

Text-to-video. Dalla frase al video. Massima libertà, minimo controllo: non sai che aspetto avrà il soggetto finché non lo vedi.

Image-to-video. Parti da un'immagine fissa e la metti in movimento. È l'approccio che nella pratica dà i risultati migliori, perché separa i due problemi: prima definisci con calma l'immagine giusta — inquadratura, luce, soggetto — poi chiedi solo il movimento. Se ti serve un risultato affidabile, questa è la strada.

Video-to-video. Trasformi un video esistente cambiandone stile o aspetto, mantenendo il movimento originale. È il modo più controllabile in assoluto, perché la coerenza temporale te la porta il filmato di partenza.

I limiti reali da conoscere

Sono la parte che conta se devi decidere se usarli per lavoro.

La durata. Poche secondi per clip. Una narrazione più lunga si costruisce montando, ed è lì che emerge il problema successivo.

La coerenza tra clip diverse. Lo stesso personaggio in due generazioni separate non sarà davvero lo stesso: cambieranno un dettaglio del volto, una piega dell'abito, una tonalità. Per una sequenza narrativa con un protagonista riconoscibile è oggi l'ostacolo principale. Alcuni strumenti offrono riferimenti di personaggio, ma la tenuta è parziale.

La fisica è plausibile, non corretta. Il modello ha imparato l'aspetto del movimento, non le sue leggi. Liquidi, tessuti, oggetti che si urtano o si spezzano vengono resi in modo verosimile a colpo d'occhio e sbagliato se guardi bene. Vale lo stesso principio per cui i modelli di immagini sbagliano le mani: plausibilità statistica, non comprensione.

Mani, volti in movimento e testo. I punti deboli delle immagini si amplificano nel tempo, perché ora l'errore si muove.

Il controllo fine è scarso. Chiedere un movimento di camera preciso, un'azione con tempi definiti o un'espressione specifica in un momento preciso è ancora largamente fuori portata.

L'audio. Alcuni modelli generano audio insieme al video, ma per un risultato professionale il sonoro si lavora comunque a parte.

Dove funziona davvero, oggi

Vale la pena essere concreti su cosa è già utilizzabile:

• B-roll e riempitivi visivi — panoramiche, dettagli, atmosfere
• Sfondi e ambienti in composizioni più ampie
• Concept e storyboard animati — comunicare un'idea prima di produrla davvero
• Clip brevi per i social, dove il formato tollera l'imperfezione
• Animazione di immagini fisse — dare un movimento leggero a una foto o a un'illustrazione
• Effetti e transizioni difficili da girare

Dove non funziona ancora: narrazioni lunghe con personaggi ricorrenti, dialoghi con sincronizzazione labiale credibile, qualunque cosa richieda precisione fisica, e in generale tutto ciò in cui il controllo del dettaglio è il requisito.

Come ottenere risultati migliori

Descrivi il movimento, non solo la scena. È l'errore più comune: si scrive un prompt da immagine e ci si stupisce che non succeda nulla. "La camera arretra lentamente mentre lei si volta" dice al modello cosa deve accadere nel tempo.

Un'azione per clip. Due o tre azioni in cinque secondi producono confusione. Meglio più clip brevi e pulite.

Parti da un'immagine quando puoi. Il controllo che guadagni è sostanziale.

Prevedi molti tentativi. La resa è variabile: ottenere una clip usabile su quattro o cinque generazioni è normale. Va messo nel preventivo, in tempo e in costo.

Monta. Il risultato professionale nasce nell'editing — selezione, tagli, correzione colore, audio — non dalla generazione grezza.

Un punto pratico da non trascurare

Le questioni di licenza e diritti valgono per il video esattamente come per le immagini, con l'aggravante che un volto in movimento è ancora più riconoscibile. Se il materiale ti serve per lavoro, i criteri sono gli stessi che ho messo in fila in immagini AI e uso commerciale: verifica il piano, evita persone reali e marchi, tieni traccia di come hai prodotto il materiale.

In sintesi

Il text-to-video estende i modelli diffusion a una dimensione in più: si genera l'intera sequenza insieme, e la coerenza tra fotogrammi emerge dal processo invece di essere applicata dopo.

Da questo discendono sia i costi — che crescono più che proporzionalmente con la durata — sia i limiti: clip brevi, coerenza fragile tra generazioni diverse, fisica plausibile ma non corretta, controllo fine ancora scarso.

Per B-roll, sfondi, concept e clip social è già uno strumento di lavoro concreto. Per una narrazione con personaggi riconoscibili non lo è ancora. L'approccio che rende di più oggi è partire da un'immagine e chiedere solo il movimento, perché separa un problema difficile in due problemi gestibili.

Se vuoi orientarti tra gli strumenti disponibili, li ho messi a confronto in migliori tool AI per video.