Jeg lavede 8 YouTube-thumbnails med AI: mål, komposition og de fire jeg smed ud

Om en video bliver klikket på afhænger mere af dens thumbnail, end de fleste går og tror. Jeg brugte en eftermiddag på at producere et komplet sæt af 8 YouTube-thumbnails med AI-billedgenerering. Fire røg ud undervejs, ét resultat modsagde et råd jeg tog for givet, og jeg begik en mere grundlæggende fejl, der fortjener sit eget afsnit.

Mål specifikationerne, før du genererer noget

Den anbefalede størrelse på en YouTube-thumbnail er 1280×720, altså 16:9. Det tal kender mange. To andre ting betyder mere for, hvordan det færdige billede virker.

For det første bliver nederste højre hjørne dækket af mærket med videoens længde. Omregnet til 1280×720 fylder det omkring 132×36, og alt hvad man lægger der, mister halvdelen af sig selv.

For det andet, og det er nemmere at glemme: thumbnails vises aldrig i fuld størrelse i et feed. Forsiden på computeren viser dem omkring 360px brede, og anbefalingsfeedet på mobilen nøjes ofte med cirka 168px. Jeg skalerede den samme YouTube-thumbnail ned til alle tre størrelser og lagde dem ved siden af hinanden. Ved 360px kan man stadig læse rekvisitter og ansigtsudtryk. Ved 168px overlever kun en farveklat og en menneskesilhuet.

Så jeg satte to regler op, før jeg genererede noget. Hold motivet og alt væsentligt inden for en central sikker zone med 6% margen hele vejen rundt, og lad nederste højre hjørne stå tomt. Og reservér ét rent felt i billedet, hvor en overskrift kan lægges på bagefter.

Start med et castingfoto — det er hele sættets fundament

Det sværeste ved hele opgaven er, at personen på alle otte thumbnails skal være den samme.

Min fremgangsmåde var først at lave ét rent referencebillede med AI-billedgenerering: forfra, i øjenhøjde, uden makeup, uden mimik, grå baggrund, fladt og jævnt lys, som et castingfoto. Det billede er ikke kønt og var aldrig tænkt til udgivelse. Dets eneste opgave er at være reference for hvert efterfølgende billede.

Og så kommer fejlen.

I første omgang havde jeg også sømmet kompositionen fast. Motivet i venstre tredjedel, hvid udklipskontur omkring hende, en strålekrans bag hovedet, et fladt farvefelt der fylder højre halvdel. Kun hendes udtryk og baggrundsfarven måtte ændre sig. Otte billeder senere var hendes ansigt ikke drevet en tøddel, og sættet lignede et følelsesskema snarere end otte thumbnails. Andet ansigt, anden farve, ikke mere.

Grunden er enkel. En rigtig thumbnail designes omkring det, videoen handler om, og den eneste variabel jeg havde givet modellen, var et ansigtsudtryk. Der var intet at designe, så den gentog min skabelon otte gange.

Løsningen var at give designet tilbage. Den faste blok låser nu kun det, der skal låses: den samme person, ansigtet belyst og ikke dækket, overkroppen i billedet. Location, rekvisitter, grafiske elementer, palet, lys, dybde og beskæring er modellens valg. Den variable blok blev til én sætning — hvad denne video handler om.

De otte variabler var: at sige kontorjobbet op, en mikrofon til to hundrede kroner der slår en til to tusind, at sidde fast på to hundrede visninger, at klippe hundrede videoer på en uge, at uploade klokken tre om natten en måned i træk, et komplet optagesetup der koster mindre end en telefon, fem farvepresets man bør holde op med at bruge, og at skrive et manuskript på tolv minutter.

Det der kom tilbage, spiller ikke i samme liga som første omgang. En gul pil mellem en rød håndmikrofon og en kondensatormikrofon. En rød kurve der styrtdykker hen over en skærm, med et rødt kryds ved siden af. En række preset-miniaturer streget ud én for én. Et vægur mod en natlig skyline klokken tre. Intet af det grafiske sprog stod i min prompt — AI-billedmodellen fandt på det hele selv.

Jeg troede ikke den kunne sætte tekst. Det kan den.

Om AI-billedgenerering går et råd igen og igen: modeller kan ikke sætte læselig tekst, så enhver skrift i outputtet bliver forvansket. Jeg fulgte det, og hver prompt sluttede med en instruks om at holde tekst ude af billedet.

Til sidst testede jeg det og bad modellen skrive overskriften direkte i det frie felt.

Den fik det rigtigt. Ikke ét forkert bogstav, rene former, fornuftig vægt, fornuftige linjeskift over tre linjer. Den gamle regel holder ikke rigtigt længere med nutidens AI-billedmodeller.

Jeg skiftede alligevel ikke mening, for den anden test blottede det egentlige problem. Jeg ændrede 200 til 500 i overskriften, rørte ikke ved et eneste andet ord og kørte igen. Teksten var stadig korrekt, men hele billedet var iscenesat forfra: hun går fra at sidde i profil til at være i midten forfra, skærmen flytter fra yderste venstre til lige bag hende, og typografien skifter størrelse og placering med. Sat ved siden af hinanden hører de to ikke til samme sæt.

Konklusionen holder altså, men begrundelsen skifter. Problemet er ikke, at den ikke kan skrive. Problemet er, at layoutet ikke kan reproduceres. Laver du et helt sæt YouTube-thumbnails og regner med at skifte overskrifter eller A/B-teste senere, så hold teksten ude af billedet og læg den på separat. Til et enkeltstående billede, du aldrig rører igen, sparer du et trin ved at lade modellen skrive.

De fire jeg smed ud

At give designet fra sig til en AI-billedmodel koster noget: den putter beredvilligt ting i billedet, du aldrig har bedt om. Fire genkørsler, tre forskellige fejl.

Rigtige varemærker. I billedet om at sige jobbet op gav den hende en mikrofon i hånden med en virkelig producents navn trykt på siden. I billedet med de hundrede klip stod der to øjeblikkeligt genkendelige energidrikdåser på skrivebordet. Ingen af delene hører hjemme i et billede, der skal udgives.

Et dubleret motiv. Jeg tilføjede en klausul mod varemærker og kørte jobbilledet igen — og fik hende i to eksemplarer: én der taster ved et skrivebord, én der står ved siden af med en papkasse i armene. Modellen havde læst "at forlade kontoret" som en scene, der kræver to skuespillere.

Tekst på rekvisitter. I billedet med det billige setup skrev den pænt to engelske ord på papkassen. Det vejer tungest her: billederne deles på tværs af 21 sprog, så tekst på ét sprog bliver støj for læserne af de tyve andre.

Alle tre blev til klausuler i den faste blok, og de skal være konkrete. "Ingen tekst" er ikke nok — der skal stå ingen skrift på skærme, emballage, etiketter, udstyr eller skilte. "Én person" er heller ikke nok; man må også udelukke en anden udgave af hende, en spejling og et portræt af hende i baggrunden.

En promptstruktur du kan kopiere

Den faste blok indsættes uændret i hver prompt og lyder omtrent sådan.

Brug den samme person som på referencebilledet, samme frisure. Hun skal øjeblikkeligt kunne genkendes som den samme person, med ansigtet belyst, udækket og nogenlunde vendt mod kameraet, overkroppen i billedet. Du er art director og designer en YouTube-thumbnail, der skal fortjene et klik ved 168 pixels bredde — alt andet end hendes identitet bestemmer du: location, rekvisitter, grafiske elementer, palet, lys, dybde og beskæring. Gør det modigt, kontrastrigt og specifikt for dette emne, ikke et portræt på en farvet baggrund. Lad ét rent felt stå frit i billedet til en overskrift, der tilføjes senere. Ingen tekst, bogstaver eller tal nogen steder, heller ikke på skærme, emballage, etiketter, udstyr eller skilte. Ingen varemærkelogoer eller genkendelige varemærker; alle rekvisitter uden mærkning. Præcis én person i billedet.

Den variable blok er én sætning — hvad denne video handler om.

De sidste tre forbud blev alle tilføjet efter en genkørsel, én klausul per fejl. Strukturen kan flyttes uændret til andre AI-billedmodeller; kun formuleringsvanerne er forskellige.

Én thumbnail, brugt to gange

Da de otte lå fast, havde AI-billederne stadig en opgave tilbage. Jeg tog billedet fra klokken tre om natten som startframe og brugte video ud fra første og sidste frame til at lave en fem sekunders intro.

Også her er der en reel faldgrube. Det genererede klip beskar scenen på ny, og det rene felt, jeg omhyggeligt havde reserveret til overskriften, blev stort set ædt. Til en intro betyder det ikke noget. Til et slutkort skulle man layoute forfra.

Vil du køre et helt hold på én gang, er det rarere at sprede de otte AI-billedopgaver ud på det generative lærred end at gå frem én ad gangen — du ser med ét blik, hvad der bliver, og hvad der skal om igen. Vil du helst ikke skrive prompterne fra bunden, ligger der portrætlooks klar til brug under skabeloner.

Otte færdige billeder på en eftermiddag

Hele sættet af YouTube-thumbnails tog en eftermiddag fra første kørsel til otte fastlagte billeder, med fire kasseret. Det langsomme var hverken generering eller retouchering, men at finde ud af, hvad man overlader til modellen — jeg holdt for stramt til at begynde med, sømmede kompositionen fast og fik otte billeder, der alle lignede hinanden.

Vil du gøre det efter, er rækkefølgen: mål den sikre zone og de tre reelle visningsstørrelser, generér ét ukønt men rent referencebillede, skær den faste blok ned til personen plus de få forbud, og behandl hvert billedes emne som den eneste variabel. Hvad tekst angår: tilføj den bagefter til et sæt, lad modellen skrive den til et enkeltstående billede.

Hele sættet af YouTube-thumbnails brugte præcis to AI-billedværktøjer, AI-billedgenerering og AI-billedredigering.