המחוללים סוף סוף שומרים על אותה דמות, והעבודה עברה למקום אחר

מי שניסה בשנה האחרונה להרכיב פרסומת קצרה במחולל וידאו מכיר את הרגע שבו הכול מתפרק. השוט הראשון יוצא נהדר, המוצר נראה בדיוק כמו על המדף, ובשוט השלישי התווית מחליפה גוון, הידית עוברת צד, ולאישה שהחזיקה את הקופסה יש פנים של מישהי אחרת. הדרכים לעקוף את זה היו כולן ויתורים: שוט יחיד ארוך במקום רצף, סיפור שנבנה סביב המגבלה במקום סביב הרעיון, או פשוט יום צילום.

בעשרת החודשים האחרונים שלוש חברות שחררו מנגנון שמטפל בבעיה ישירות, במקום דרך טריקים של ניסוח. Vidu פתחה באוקטובר, Kling הצטרפה בפברואר, ו-MiniMax השלימה את השלישייה בסוף יולי. כל אחת קוראת לזה בשם אחר, והעיקרון זהה בכולן: אתם מעלים תמונות של מי או מה שחייב להישאר קבוע, מצביעים עליהן מתוך הפרומפט, והמודל נושא אותן לאורך הקליפ. זה עובד מספיק טוב כדי להפסיק לדבר על זה כהבטחה. ברגע שהחלק הזה נפתר מתברר שהחלק היקר בהפקה כזאת מעולם לא היה המודל.

רגע, מה זה בכלל רפרנס בווידאו

רפרנס הוא תמונה שאתם מזינים למחולל כדי לקבע משהו בפריים. במקום לתאר במילים איך המוצר נראה, אתם מראים לו אותו. בפרומפט מצביעים על כל תמונה לפי מיקומה, @Element1 או @Image2, וכותבים מה היא עושה בסצנה.

דף ה-API של Kling בגרסת 4K מחלק את הרפרנסים לשני סוגים. יש Elements, שהם דמויות או אובייקטים, ואותם מעלים כסט תמונות שכולל מבט חזיתי ומבטים נוספים. ויש תמונות סגנון, שלא מייצגות מושא ספציפי אלא קובעות פלטה, תאורה וכיוון אמנותי. התיעוד מנסח יבש ומדויק מה המודל שואב מהן: זהות, צללית, לבוש וסטיילינג.

מה בדיוק נכנס למוצרים

Vidu Q2 הייתה הראשונה שהפכה את זה לפיצ׳ר מרכזי. ההשקה ב-21 באוקטובר 2025 הציגה מצב עבודה בשם Reference to Video, שמקבל עד שבע תמונות רפרנס של פנים, תנועות ידיים, סצנות או אביזרים ומרכיב מהן סרטון אחד. החברה קוראת לזה Multiple Entity Consistency, כלומר שמירה בו זמנית על כמה ישויות נפרדות שלא היו קשורות זו לזו קודם. יהאנג לואו (Yihang Luo), מנכ״ל שנגשו (ShengShu) שמפתחת את Vidu, אמר בהודעה ש״אנחנו נכנסים לתקופה שבה AI יכול לחקות מראה אנושי ולהביע רגשות בסגנון קולנועי״.

Kling 3.0 הגיע ב-5 בפברואר 2026 עם ארבעה מודלים בבת אחת, וביניהם Video 3.0 Omni שמטפל ברפרנסים. ההודעה של קוואישואו (Kuaishou) מדברת על קליפים של עד 15 שניות, פלט ב-2K וב-4K, ואודיו מובנה באנגלית, סינית, יפנית, קוריאנית וספרדית. באותה הודעה מופיעים גם מספרי השימוש שהחברה מדווחת עליהם: 60 מיליון יוצרים, יותר מ-600 מיליון סרטונים ומעל 30 אלף לקוחות ארגוניים. ויקיפדיה מתעדת את 3.0 כגרסה יציבה מ-7 בפברואר. המודל מקבל עד שבעה רפרנסים בסך הכול, משני הסוגים יחד.

MiniMax H3 יצא ב-31 ביולי 2026, והוא הרחב מבין השלושה מבחינת סוגי הקלט. הבלוג של החברה מדבר על עד 15 שניות ב-2K עם סאונד סטריאו מובנה. דף ה-API מפרט תקרה של תשע תמונות לזהות ולסגנון, שלושה קטעי וידאו לתנועה ושלושה קטעי אודיו. אתם יכולים להזין גם איך הדמות נראית, גם איך היא זזה וגם איך היא נשמעת, ולתת למודל להרכיב מזה שוט חדש.

הקצב כאן חשוב לא פחות מהמספרים. הגרסה הראשונה של המנגנון אצל MiniMax, מודל S2V-01 מינואר 2025, קיבלה תמונת רפרנס אחת בלבד, וכך זה מתועד עד היום ב-API הישן. שנה וחצי אחר כך התקרה עומדת על תשע תמונות ועוד שישה קטעי מדיה. זה ההפרש שבין גימיק לבין משהו שאפשר לתכנן סביבו הפקה.

כמה זה עולה, ומה לא מופיע בחשבונית

הייצור עצמו זול באופן שמפתיע אנשים שלא בדקו מזמן. אלה המחירים כפי שהם מופיעים בדפי ה-API:

• MiniMax H3: 13 סנט לשנייה ב-2K, 6 סנט ב-768p. חמש תמונות הרפרנס הראשונות חינם, כל תמונה נוספת 8 סנט.
• Kling ב-4K נייטיב: 42 סנט לשנייה, כלומר 2.10 דולר לקליפ של חמש שניות.
• וריאנט הווידאו לווידאו של Kling: 16.8 סנט לשנייה. הוא מקבל סרטון קיים כרפרנס ומייצר ממנו שוט חדש עם אותה דמות.
• Vidu Q2: כעשרה סנט לשנייה בתחתית וכשלושים סנט ב-720p, בקליפים של שנייה עד שמונה שניות.

MiniMax טוענת בבלוג שלה שהמחיר לשנייה ב-2K הוא פחות משליש מהמחיר של מודלים מקבילים בשוק. זו כמובן טענה של החברה על עצמה, אבל המספרים בדף התמחור תואמים לה.

כדי שהמספרים יהיו קונקרטיים, העמידו אותם מול פרסומת אמיתית. סרטון של שלושים שניות מורכב בערך משישה שוטים של חמש שניות, שב-2K אצל MiniMax עולים פחות מארבעה דולר. גם אם תפסלו תשעה מכל עשרה טייקים ותגיעו לשישים ניסיונות, החשבון נעצר בארבעים דולר. אפילו ב-4K של Kling, הקצה היקר של הטווח, הפקה עם אותו יחס פסילה תיעצר סביב שש מאות דולר. זה פחות ממה שעולה להזיז ציוד מנקודה לנקודה ביום צילום ממוצע.

מה שלא זז במחירון הוא כל מה שקורה לפני שנוגעים במחולל. שבע תמונות רפרנס לא נופלות מהשמיים, ומודל שמבקש במפורש מבט חזיתי ומבטים נוספים לכל אלמנט מבקש למעשה בריף צילום. מישהו צריך לצלם את המוצר בזוויות עקביות, על רקע נקי, בתאורה שלא תילחם בתאורה שהמודל ייצר.

מישהו אחר צריך לשבת מול שישים טייקים ולפסול חמישים ותשעה מהם. את החלק הזה אף אחד לא מתמחר, כי הוא לא מופיע על שום חשבונית. וכשהמוצר משתנה, כשהאריזה מתחדשת או כשהדוגמנית לא ממשיכה איתכם, כל חבילת הרפרנסים הופכת ללא רלוונטית וצריך להרכיב אותה מחדש מאפס.

איפה זה עדיין נשבר

השקיפות של החברות עצמן בנקודה הזאת מפתיעה לטובה. MiniMax כתבה כבר בהשקת S2V-01 שהמודל ״עלול לפעמים לעקוב אחרי הפרומפט בפחות דיוק ממודלי טקסט לווידאו או תמונה לווידאו, עם מידה של עיוות סביבתי״. זה תיאור מדויק של הפשרה שהמודל עושה בפנים: ככל שהוא עובד קשה יותר לשמור על הזהות שהזנתם, כך הוא קשוב פחות להוראות הבימוי שלכם. בפועל, השוטים שבהם הדמות עושה משהו מורכב יבלעו את מרבית הטייקים. בהודעה על H3 החברה מוסיפה שיש עוד לאן להשתפר בפירוט הוויזואלי בחלק מהתרחישים.

מגבלת האורך היא הדבר שהכי קל לשכוח כשקוראים הודעות לעיתונות. 15 שניות הן התקרה של Kling ושל MiniMax, ו-Vidu Q2 עוצר בשמונה. סרטון של ארבעים שניות הוא בהכרח כמה קליפים נפרדים שמישהו יחבר בטיימליין, יתאים ביניהם בצבע ויסנכרן לפסקול. המחולל לא מייתר את חדר העריכה, הוא בעיקר מאכיל אותו בחומר גלם זול יותר.

יש גם פער בין מה שהמודל מבטיח לבין מה שהעין תופסת. עקביות של זהות ועקביות של המשכיות הן שתי בעיות שונות לגמרי, ורק אחת מהן נפתרה. תקבלו את אותן פנים ואותו לבוש לאורך כל הרצף, אבל הכוס על השולחן תעבור צד, הצל ייפול מזווית אחרת, וכמות הנוזל בבקבוק תשתנה בין שוט לשוט בלי היגיון. הצופה כמעט אף פעם לא יידע לנסח מה הפריע לו, הוא פשוט ירגיש שמשהו בסרטון לא מדויק. זאת בדיוק ההרגשה ששולחת מפיקים לפסול עוד עשרה טייקים.

מה עסק ישראלי צריך להכין מראש

עסק שמתחיל לעבוד ככה מגלה שנוצר לו נכס חדש שלא היה קיים קודם. עד עכשיו היו לוגו, ספר מותג, ואולי בנק תמונות מיום צילום ישן שאף אחד כבר לא זוכר מתי היה. עכשיו צריך חבילת רפרנסים מתוחזקת: המוצר מצולם בזוויות קבועות על רקע ניטרלי, דמות מותג מקובעת אם יש כזאת, ולוח סגנון שקובע פלטה ותאורה. זה שווה כמה שעות של צלם, פעם אחת, והתוצר מחזיק לעשרות סרטונים. מי שמדלג על השלב הזה ומעלה צילומי טלפון מהמחסן יגלה שהמודל משכפל בנאמנות מרשימה בדיוק את התאורה הגרועה שקיבל.

מעל זה יש מגבלה שנוגעת ספציפית לקהל ישראלי, ואי אפשר לעקוף אותה בניסוח. עברית לא מופיעה ברשימת השפות שהוכרזו לאודיו המובנה של Kling, ואין שום הבטחה שטקסט עברי יעבור נכון בתוך הפריים. בפועל, סרטון שיווקי לקהל ישראלי מופק בכלים האלה כווידאו בלבד. הקריינות, הכתוביות והמלל על המסך נוספים אחר כך בעריכה. אפשר לעבוד ככה בלי בעיה, בתנאי שמתכננים הפוך מהסדר הרגיל: כתבו קודם את הטקסט העברי, מדדו כמה זמן הוא לוקח בקול רם, ורק אז הזמינו שוטים באורך שמתאים לו.

מעל שני אלה יושבת שאלה של מי מחזיק את ההחלטות. ההוזלה בייצור לא הופכת מנהל שיווק לבמאי, והיא בהחלט לא מייתרת את מי שיודע להסתכל על טייק ולהגיד למה הוא לא עובד. מה שהיא כן מאפשרת זה לבדוק חמש גרסאות של אותה פרסומת במקום להתחייב לאחת מראש, ולהחליף קריאייטיב באמצע קמפיין בלי לפתוח שיחה על תקציב. עסק עם תהליך עבודה מסודר, חבילת רפרנסים מתוחזקת ותור בקרה ברור, מרוויח מהמעבר הזה הרבה יותר מעסק שמייצר סרטון בכל פעם שמישהו נזכר שצריך אחד.

מה לעשות עם זה עכשיו

במשך שנתיים כל דיון על וידאו AI נגמר באותו משפט, שהטכנולוגיה עוד לא שם וכדאי לחכות לגרסה הבאה. שלוש ההשקות האחרונות מוציאות את התירוץ הזה מהשולחן. מה שנשאר במקומו לא ייפתר בגרסה הבאה, מפני שהוא כבר לא נמצא אצל המודל אלא אצלכם, בחומר שאתם מזינים פנימה.

הצעד המעשי הבא קטן. הקצו כמה שעות צילום לחבילת רפרנסים אחת של מוצר אחד, הריצו איתה שלושה שוטים באחד הכלים, וספרו כמה טייקים נדרשו עד ששוט אחד עבר. המספר הזה, ולא המחיר לשנייה, יגיד לכם כמה הפקה כזאת עולה אצלכם באמת. מי שידלג על ההכנה ויעלה צילומי טלפון מהמחסן יקבל שישים טייקים עקביים להפליא, כולם באותה תאורה גרועה בדיוק.