Saya membuat 8 thumbnail YouTube dengan AI: ukuran, komposisi, dan empat yang saya buang

Diklik atau tidaknya sebuah video lebih ditentukan oleh thumbnail-nya daripada yang kebanyakan orang kira. Saya menghabiskan satu sore memproduksi satu set lengkap 8 thumbnail YouTube dengan pembuatan gambar AI. Empat di antaranya terbuang di tengah jalan, satu hasil membantah saran yang selama ini saya anggap benar, dan saya membuat kesalahan yang lebih mendasar sehingga layak mendapat bagiannya sendiri.

Ukur dulu spesifikasinya sebelum menghasilkan apa pun

Ukuran thumbnail YouTube yang disarankan adalah 1280×720, alias 16:9. Angka itu sudah banyak yang tahu. Dua hal lain justru lebih menentukan hasil akhirnya.

Pertama, sudut kanan bawah tertutup lencana durasi video. Dikonversi ke 1280×720, ukurannya sekitar 132×36, dan apa pun yang ditaruh di situ kehilangan separuh dirinya.

Kedua, dan ini lebih mudah terlupakan: thumbnail tidak pernah ditampilkan seukuran aslinya di dalam feed. Halaman depan di komputer menampilkannya sekitar 360px, dan feed rekomendasi di ponsel sering hanya sekitar 168px. Saya mengecilkan thumbnail YouTube yang sama ke ketiga ukuran itu lalu menyandingkannya. Pada 360px, properti dan ekspresi wajah masih terbaca. Pada 168px yang tersisa hanya bercak warna dan siluet manusia.

Maka saya menetapkan dua aturan sebelum menghasilkan apa pun. Jaga subjek dan segala yang penting di dalam area aman tengah dengan margin 6% di keempat sisi, dan biarkan sudut kanan bawah kosong. Lalu sisakan satu area bersih di dalam bingkai untuk menaruh judul belakangan.

Mulai dari foto casting — itulah fondasi seluruh set

Bagian tersulit dari seluruh pekerjaan ini adalah orang di kedelapan thumbnail harus orang yang sama.

Cara saya adalah membuat satu bingkai referensi yang bersih lebih dulu dengan pembuatan gambar AI: menghadap depan, setinggi mata, tanpa riasan, tanpa ekspresi, latar abu-abu, cahaya rata dan datar, seperti foto casting. Gambar itu sama sekali tidak menarik dan memang tidak pernah dimaksudkan untuk dipublikasikan. Satu-satunya tugasnya adalah menjadi acuan bagi setiap bingkai berikutnya.

Dan di sinilah kesalahannya.

Pada putaran pertama saya ikut memaku komposisinya. Subjek di sepertiga kiri, garis tepi putih memotong di sekelilingnya, pancaran sinar di belakang kepalanya, blok warna datar mengisi separuh kanan. Yang boleh berubah hanya ekspresi dan warna latarnya. Delapan gambar kemudian wajahnya sama sekali tidak melenceng, tetapi setnya terlihat seperti tabel emosi, bukan delapan thumbnail. Ganti wajah, ganti warna, sudah.

Alasannya sederhana. Thumbnail sungguhan dirancang seputar isi videonya, sedangkan satu-satunya variabel yang saya berikan ke model adalah ekspresi wajah. Tidak ada yang bisa dirancang, jadi ia mengulang templat saya delapan kali.

Perbaikannya adalah mengembalikan urusan desain ke model. Blok tetap kini hanya mengunci yang memang harus dikunci: orang yang sama, wajahnya terang dan tidak terhalang, badan bagian atas masuk bingkai. Latar, properti, elemen grafis, palet, cahaya, kedalaman, dan pembingkaian jadi keputusan model. Blok variabel berubah menjadi satu kalimat: video ini tentang apa.

Delapan variabelnya adalah: keluar dari pekerjaan kantor, mikrofon tiga ratus ribu yang mengalahkan yang tiga juta, mentok di dua ratus penayangan, mengedit seratus video dalam sepekan, mengunggah pukul tiga pagi selama sebulan, satu set perlengkapan syuting yang lebih murah daripada sebuah ponsel, lima preset warna yang sebaiknya ditinggalkan, dan menulis naskah dalam dua belas menit.

Yang kembali sama sekali bukan selevel putaran pertama. Panah kuning di antara mikrofon genggam merah dan sebuah mikrofon kondensor. Garis merah yang terjun bebas di layar monitor dengan tanda silang merah di sebelahnya. Sederet pratinjau preset yang dicoret satu per satu. Jam dinding dengan latar siluet kota pada pukul tiga pagi. Tidak satu pun bahasa visual itu ada dalam perintah saya — model gambar AI yang mengarang semuanya.

Saya kira ia tak bisa menulis teks. Ternyata bisa.

Ada satu saran yang sangat sering diulang soal pembuatan gambar AI: model tidak bisa menulis teks yang terbaca, jadi huruf apa pun pada hasilnya pasti berantakan. Saya mengikutinya, dan setiap perintah selalu diakhiri instruksi agar tidak ada teks di dalam bingkai.

Di akhir saya mengujinya dan meminta model menuliskan judul langsung di area kosong itu.

Hasilnya benar. Tidak ada satu huruf pun yang salah, bentuknya bersih, ketebalannya pas, pemenggalan barisnya masuk akal di tiga baris. Aturan lama itu sudah tidak benar-benar berlaku pada model gambar AI masa kini.

Meski begitu saya tidak berubah pikiran, karena pengujian kedua membongkar masalah yang sebenarnya. Saya mengubah 200 menjadi 500 pada judul, tanpa menyentuh satu kata pun yang lain, lalu menjalankannya ulang. Teksnya tetap benar, tetapi seluruh bingkai ditata ulang: dari duduk menyamping ia berubah menghadap kamera di tengah, monitornya berpindah dari ujung kiri ke tepat di belakangnya, dan ukuran serta posisi hurufnya ikut berubah. Disandingkan, keduanya tidak terasa berasal dari satu set.

Jadi kesimpulannya bertahan, tetapi alasannya berganti. Masalahnya bukan ia tidak bisa menulis, melainkan tata letaknya tidak bisa direproduksi. Kalau Anda membuat satu set penuh thumbnail YouTube dan berencana mengganti judul atau menguji A/B nanti, jauhkan teks dari gambar dan tumpuk terpisah. Untuk gambar tunggal yang tidak akan disentuh lagi, membiarkan model menuliskannya justru menghemat satu langkah.

Empat yang saya buang

Menyerahkan keputusan desain ke model gambar AI ada harganya: ia dengan senang hati memasukkan hal-hal yang tidak pernah Anda minta. Empat kali ulang, tiga jenis kesalahan.

Merek sungguhan. Pada gambar tentang keluar dari pekerjaan, ia menaruh mikrofon dengan nama produsen sungguhan tercetak di sisinya. Pada gambar seratus editan, ia meletakkan dua kaleng minuman energi yang langsung dikenali di atas meja. Keduanya tidak boleh ada di gambar yang akan dipublikasikan.

Subjek terduplikasi. Saya menambahkan klausul larangan merek lalu menjalankan ulang gambar keluar kerja — dan mendapat dua versi dirinya: satu mengetik di meja, satu berdiri di sampingnya memeluk kardus. Model membaca "meninggalkan kantor" sebagai adegan yang butuh dua pemeran.

Teks muncul di properti. Pada gambar perlengkapan murah, ia menulis dua kata bahasa Inggris dengan rapi di kardus. Ini yang paling berat di sini: gambar-gambar ini dipakai bersama untuk 21 bahasa, sehingga teks dalam satu bahasa menjadi gangguan bagi pembaca dua puluh bahasa lainnya.

Ketiganya kemudian masuk ke blok tetap, dan harus ditulis spesifik. "Tanpa teks" tidak cukup — harus disebut tidak ada huruf di layar, kemasan, label, peralatan, atau papan nama. "Satu orang" juga tidak cukup; harus turut mengecualikan versi kedua dirinya, pantulannya, dan potret dirinya di latar belakang.

Struktur perintah yang bisa Anda salin

Blok tetap ditempel tanpa perubahan di setiap perintah, kurang lebih berbunyi begini.

Gunakan orang yang sama seperti di gambar acuan, rambut yang sama. Ia harus langsung dikenali sebagai orang yang sama, wajahnya terang, tidak terhalang, dan kira-kira menghadap kamera, badan bagian atas masuk bingkai. Anda adalah pengarah artistik yang merancang thumbnail YouTube yang harus memenangkan klik pada lebar 168 piksel — semua selain identitasnya Anda yang tentukan: latar, properti, elemen grafis, palet, cahaya, kedalaman, dan pembingkaian. Buat berani, berkontras tinggi, dan spesifik untuk topik ini, bukan potret di atas latar berwarna. Sisakan satu area bersih di dalam bingkai untuk judul yang ditambahkan belakangan. Tidak boleh ada teks, huruf, atau angka di mana pun, termasuk di layar, kemasan, label, peralatan, dan papan nama. Tidak boleh ada logo merek atau merek dagang yang dikenali; semua properti tanpa merek. Tepat satu orang di dalam bingkai.

Blok variabelnya satu kalimat: video ini tentang apa.

Tiga larangan terakhir itu semuanya ditambahkan setelah pengulangan, satu klausul untuk satu kesalahan. Strukturnya bisa dipindahkan apa adanya ke model gambar AI lain; yang berbeda hanya kebiasaan penulisannya.

Satu thumbnail, dipakai dua kali

Setelah kedelapan gambar final, gambar-gambar AI itu masih punya satu tugas lagi. Saya mengambil gambar pukul tiga pagi sebagai bingkai awal lalu memakai pembuatan video dari bingkai awal dan akhir untuk membuat intro lima detik.

Di sini pun ada jebakan nyata. Klip yang dihasilkan membingkai ulang adegannya, dan area bersih yang susah payah saya sisakan untuk judul nyaris habis termakan. Untuk intro itu tidak masalah. Untuk kartu penutup, tata letaknya harus dibuat ulang.

Untuk menjalankan satu batch sekaligus, menyebar kedelapan pekerjaan gambar AI di kanvas generatif lebih enak daripada satu per satu — sekali lihat langsung tahu mana yang disimpan dan mana yang diulang. Kalau tidak ingin menulis perintah dari nol, di template tersedia gaya potret yang bisa langsung dipakai.

Delapan gambar final dalam satu sore

Seluruh set thumbnail YouTube ini memakan satu sore dari eksekusi pertama sampai delapan bingkai final, dengan empat yang dibuang. Yang lambat bukan menghasilkan gambar ataupun meretusnya, melainkan memahami apa yang harus diserahkan ke model — awalnya saya menggenggam terlalu erat, memaku komposisinya, lalu mendapat delapan gambar yang semuanya mirip.

Kalau ingin menirunya, urutannya: ukur area aman dan tiga ukuran tampil sesungguhnya, hasilkan satu bingkai acuan yang tidak menarik tapi bersih, pangkas blok tetap hingga tinggal sosoknya plus beberapa larangan itu, lalu perlakukan topik tiap gambar sebagai satu-satunya variabel. Soal teks — tambahkan belakangan kalau membuat satu set, biarkan model menulisnya kalau hanya satu gambar.

Seluruh set thumbnail YouTube ini hanya memakai dua alat gambar AI, pembuatan gambar AI dan penyuntingan gambar AI.