Kandinsky 6 ve Wan 2.2 ile konuşan yapay zekâ influencer videosu

👁 114 okunma

Fotoğraflardan 5 yapay zekâ influencerı oluşturdum (plastik görünmeyen yapay zekâ influencerı testindeki ayrıntılar) ve şimdi onları canlandırdım. Her karakter için telefona Lehçe tek bir cümle söylediği, 5 saniyelik dikey bir hikâye videosu ürettim. Üç modeli RTX 4090 üzerinde yerel olarak çalıştırdım: Kandinsky 6.0 Lite ve Pro (görüntü ve ses birlikte) ile Wan 2.2 5B (yalnızca görüntü). Hareketler ve yüzler, telefondan çekilmiş gerçek hikâye videolarını andırıyor. Lehçe konuşma hâlâ zayıf nokta: en iyi modelde Whisper kelimelerin ortalama %65’ini tanıdı.

Testi nasıl yaptım?

1. Her karakterin selfie’sini FLUX.2 Klein 4B ile oluşturdum; fotoğraf testinde en doğal görünen model buydu ve Apache 2.0 lisansına sahip.
2. Her karakter için 7-10 kelimelik bir cümle ile ne yaptığı ve arka planda ne duyulduğuna ilişkin kısa bir açıklama yazdım.
3. Kandinsky’ye fotoğrafı ilk kare olarak verdim; sahne açıklamasına konuşmayı <S>...<E> etiketleri arasında ekledim ve ses için ayrı bir açıklama girdim. Wan aynı açıklamayı ses olmadan aldı.
4. Biçim: Kandinsky için 480×864, Wan için 544×960; 121 kare, yani 5 saniye.
5. Her klibin konuşmasını Whisper large-v3 ile analiz ettim ve söylenen kelimelerin sayısını ölçtüm.

Video komutu şöyleydi (Zakopane’den rehber örneği). Aşağıdaki metin, Lehçe test komutunun Türkçe çevirisidir; Türkçe olarak yeniden test edilmemiştir:

Dikey bir akıllı telefon selfie videosu: referans görseldeki kadın, aynı yüz ve kıyafetler, aynı yer. Saç tutamları yüzünün önünde uçuşurken gülümseyerek telefona bakıyor ve Lehçe şöyle diyor: <S>Çok sert rüzgâr esiyor ama Morskie Oko bizi bekliyor. Hadi gidelim!<E> Doğal, elde tutulan telefon hareketi; gerçekçi, filtresiz.

Ses: kuvvetli dağ rüzgârı, enerjik kadın sesi

5 karakter, 3 model: video örnekleri

Her karakter için klipler şu sırada: Kandinsky Pro, Kandinsky Lite, Wan 2.2. Kandinsky kliplerinde modelin ürettiği ses var; Wan klipleri sessiz.

Kasia, Gdańsk’tan koşucu: “Kahvaltıdan önce on kilometre. Yarın benimle kim koşuyor?”

Amara, Wrocław’dan yemek blog yazarı: “Bugün jollof pilavlı pierogi var. Kulağa tuhaf geliyor ama tadı harika!”

Halina, Łódź’dan hobi bahçıvanı: “Bu yıl havuçlar çok iyi yetişti. Bahçeme beklerim!”

Mei, Kraków’dan teknoloji inceleme yazarı: “Yeni kulaklıkları test ediyorum. İnceleme yarın kanalda.”

Zofia, Zakopane’den rehber: “Çok sert rüzgâr esiyor ama Morskie Oko bizi bekliyor. Hadi gidelim!”

Lehçe konuşma: sonuçlar

Testte Lehçe kullanıldı; aşağıdaki cümlelerin Türkçe karşılıkları test komutlarının çevirisidir, Türkçe test sonuçları değildir.

Pro, Lehçe cümleleri Lite’tan ortalama daha iyi söylüyor; ancak her klipte değil: Zakopane rehberinin videosunda Lite %88, Pro ise %38 aldı. Hiçbir model hatasız değil. En çok Lehçeye özgü yazım ve ses özellikleriyle alışılmadık adlar (“jollof rice”) sorun çıkarıyor. Kısa ve basit cümleler en iyi sonucu veriyor: “Çok sert rüzgâr esiyor ama Morskie Oko bizi bekliyor. Hadi gidelim!” Lite bu cümleyi neredeyse hatasız söyledi. Zaten altyazı eklenen Instagram hikâyeleri için Pro yeterli. Daha uzun konuşmalarda yapay zekâ seslendirmesini ayrıca kaydedip videonun üzerine eklemek daha iyi.

Modellerin karşılaştırması

* Bir Pro klibinin üretimi 40 dakika sürdü; bu sırada ekran kartını başka bir program kullanıyordu. Tüm süreleri ekran kartı kısmen meşgulken ölçtüm. Kart boşken önceki Kandinsky Lite klipleri yaklaşık 2 dakikada, Pro klipleri yaklaşık 6,5 dakikada üretilmişti (Kandinsky 6.0 yerel testine bakın).

İyi ve kötü sonuçlar

• Yüz, fotoğrafa benzerliğini koruyor. Üç model de ilk karedeki çilleri, gözlükleri, saç modellerini ve kıyafetleri korudu. Yalnızca Wan klibindeki koşucu sona doğru biraz daha genç görünüyor.
• Telefon kamerası gibi hareket. Hafif kamera sallantısı, saçı düzeltmek için kalkan el, güneşte kısılan gözler… Kimse reklam çekimindeki gibi poz vermiyor.
• Tuhaf jestler. Wan klibinde yemek blog yazarı pierogili kaşığı neredeyse burnuna kadar kaldırıyor. Teknoloji inceleme yazarı ise aynanın karşısında neredeyse hiç hareket etmiyor.
• Lehçe kelimeler. Lite klibinde “pierogi” küfür içeren başka bir kelimeye dönüştü. Klipi paylaşmadan önce sonuna kadar dinleyin.

Kendi bilgisayarınızda nasıl denersiniz?

1. Plastik görünmeyen yapay zekâ influencerı testindeki yönergeleri izleyerek karakterin fotoğrafını oluşturun.
2. ComfyUI’ye Kandinsky 6’yı yükleyin (Kandinsky 6.0 yerel testi içindeki yönergeye bakın) ve “Image to Video+Audio” şablonunu açın.
3. Fotoğrafı “Load Image” bölümüne yükleyin, genişliği 480 ve yüksekliği 864 olarak ayarlayın. “Beautify Prompt” içindeki enabled değerini false yapın ve konuşmanın <S>...<E> etiketleri arasında olduğu açıklamayı girin.
4. Cümleleri kısa tutun: 6-10 kelime, yabancı özel adlar olmadan. 2-3 sürüm üretin ve tüm kelimelerin duyulduğu sürümü seçin.
5. Klipte konuşma olmayacaksa, örneğin müzik kullanılacaksa Wan 2.2 5B’yi (“Wan 2.2 5B ti2v” şablonu) tercih edin.

İçeriğin yapay zekâyla üretildiğini belirtmeyi unutmayın. Bu konudaki ayrıntıları fotoğraf testindeki etiketleme bölümünde anlattım.

Sık sorulan sorular

Konuşan bir yapay zekâ influencerını ücretsiz yapmak mümkün mü?

Evet, yerel olarak. Kandinsky 6.0 (MIT) ve Wan 2.2 (Apache 2.0) ücretsizdir ve ticari kullanıma izin verir. 24 GB VRAM’e sahip bir NVIDIA ekran kartı gerekir. Kandinsky Pro ayrıca 64 GB RAM ister.

Lehçe konuşmada en iyi model hangisi?

Kandinsky 6.0 Pro: 5 klibimde kelimelerin ortalama %65’i duyuldu. Lite’ta bu oran %57. Wan 2.2 ses üretmiyor.

Ne kadar uzun klipler oluşturulabilir?

Modeller 5 saniyelik videolar için eğitilmiş. Daha uzun bir hikâye için birkaç klibi birleştirebilir, önceki klibin son karesini bir sonrakinin başlangıcı olarak kullanabilirsiniz.

Üretim ne kadar sürüyor?

RTX 4090’da 5 saniyelik bir klip yaklaşık 1,5 dakika (Lite, Wan) ile 7 dakika (Pro) arasında sürüyor.

Kaynaklar

• Hugging Face’te Kandinsky 6.0 (MIT lisansı)
• Hugging Face’te Wan 2.2 TI2V 5B (Apache 2.0 lisansı)
• RTX 4090 üzerinde kişisel test, 17 Ekim 2026: 15 klip, Whisper large-v3.

// okumaya devamYapay zeka araçları: ihtiyaca göre seçim rehberiRehberlerGLM-5.3 yazma testi: 13 görev, sağlayıcılar ve fiyatlarKarşılaştırmalarElevenLabs Dubbing testi: v1 ve v2 nasıl sonuç veriyor?Karşılaştırmalar