Jeg laget 8 YouTube-miniatyrbilder med KI: mål, komposisjon og de fire jeg kastet

Om en video blir klikket på, avhenger av miniatyrbildet mer enn de fleste tror. Jeg brukte en ettermiddag på å produsere et komplett sett med 8 YouTube-miniatyrbilder ved hjelp av KI-bildegenerering. Fire ble kastet underveis, ett resultat motsa et råd jeg tok for gitt, og jeg gjorde en mer grunnleggende feil som fortjener sitt eget avsnitt.

Mål spesifikasjonene før du genererer noe

Anbefalt størrelse på et YouTube-miniatyrbilde er 1280×720, altså 16:9. Det tallet kjenner mange til. To andre ting betyr mer for hvordan det ferdige bildet fungerer.

For det første dekkes nederste høyre hjørne av merket med videolengden. Omregnet til 1280×720 dekker det rundt 132×36, og alt du legger der, mister halvparten av seg selv.

For det andre, og dette glemmes lettere: miniatyrbilder vises aldri i full størrelse i en feed. Forsiden på PC viser dem rundt 360px brede, og anbefalingsfeeden på mobil nøyer seg ofte med omtrent 168px. Jeg skalerte det samme YouTube-miniatyrbildet ned til alle tre størrelsene og la dem ved siden av hverandre. På 360px er rekvisitter og ansiktsuttrykk fortsatt lesbare. På 168px overlever bare en fargeflekk og en menneskelig silhuett.

Så jeg satte to regler før jeg genererte noe. Hold motivet og alt som betyr noe innenfor en sentral trygg sone med 6% marg på alle kanter, og la nederste høyre hjørne stå tomt. Og sett av ett rent felt i bildet der en tittel kan legges på senere.

Start med et castingbilde — det er fundamentet for hele settet

Det vanskeligste med hele jobben er at personen på alle åtte miniatyrbildene må være den samme.

Framgangsmåten min var å lage ett rent referansebilde først med KI-bildegenerering: forfra, i øyehøyde, uten sminke, uten mimikk, grå bakgrunn, flatt og jevnt lys, som et castingbilde. Det bildet er ikke pent og var aldri ment for publisering. Eneste oppgave er å være referanse for alle bildene som følger.

Og så kommer feilen.

I første runde spikret jeg også fast komposisjonen. Motivet i venstre tredjedel, hvit utklippskontur rundt henne, en strålekrans bak hodet, et flatt fargefelt som fyller høyre halvdel. Bare uttrykket og bakgrunnsfargen fikk endre seg. Åtte bilder senere hadde ansiktet hennes ikke driftet en tøddel, og settet så ut som et følelsesskjema snarere enn åtte miniatyrbilder. Annet ansikt, annen farge, ikke mer.

Grunnen er enkel. Et ekte miniatyrbilde designes rundt det videoen handler om, og den eneste variabelen jeg hadde gitt modellen, var et ansiktsuttrykk. Det fantes ingenting å designe, så den gjentok malen min åtte ganger.

Løsningen var å gi designet tilbake. Den faste blokken låser nå bare det som må låses: samme person, ansiktet belyst og udekket, overkroppen i bildet. Location, rekvisitter, grafiske elementer, palett, lys, dybde og utsnitt er modellens valg. Den variable blokken ble til én setning — hva denne videoen handler om.

De åtte variablene var: å si opp kontorjobben, en mikrofon til tre hundre kroner som slår en til tre tusen, å stå fast på to hundre visninger, å klippe hundre videoer på en uke, å publisere klokka tre om natta i en måned, et komplett opptaksoppsett som koster mindre enn en telefon, fem fargeforvalg man bør slutte å bruke, og å skrive et manus på tolv minutter.

Det som kom tilbake, spiller ikke i samme divisjon som første runde. En gul pil mellom en rød håndmikrofon og en kondensatormikrofon. En rød kurve som stuper over en skjerm, med et rødt kryss ved siden av. En rad med forvalgsminiatyrer strøket ut én for én. En veggklokke mot en nattlig skyline klokka tre. Ingenting av dette grafiske språket sto i prompten min — KI-bildemodellen fant på alt sammen selv.

Jeg trodde den ikke kunne sette tekst. Det kan den.

Om KI-bildegenerering går et råd igjen og igjen: modeller kan ikke sette lesbar tekst, så all skrift i resultatet blir forvrengt. Jeg fulgte det, og hver prompt endte med en instruks om å holde tekst utenfor bildet.

Til slutt testet jeg det og ba modellen skrive tittelen rett inn i det ledige feltet.

Den fikk det riktig. Ikke én feil bokstav, rene former, fornuftig vekt, fornuftige linjeskift over tre linjer. Den gamle regelen holder ikke helt lenger med dagens KI-bildemodeller.

Jeg ombestemte meg likevel ikke, for den andre testen avdekket det egentlige problemet. Jeg endret 200 til 500 i tittelen, rørte ikke et eneste annet ord, og kjørte på nytt. Teksten var fortsatt riktig, men hele bildet var iscenesatt på nytt: hun går fra å sitte i profil til å stå frontalt i midten, skjermen flytter fra ytterst til venstre til rett bak henne, og typografien endrer størrelse og plassering med. Satt ved siden av hverandre hører de to ikke til samme sett.

Konklusjonen står altså, men begrunnelsen endres. Problemet er ikke at den ikke kan skrive. Problemet er at layouten ikke lar seg reprodusere. Lager du et helt sett YouTube-miniatyrbilder og regner med å bytte titler eller A/B-teste senere, så hold teksten utenfor bildet og legg den på separat. For et enkeltstående bilde du aldri rører igjen, sparer du et steg på å la modellen skrive.

De fire jeg kastet

Å gi fra seg designet til en KI-bildemodell koster noe: den setter villig ting i bildet du aldri har bedt om. Fire omkjøringer, tre ulike feil.

Ekte varemerker. I bildet om å si opp jobben ga den henne en mikrofon i hånden med navnet til en virkelig produsent trykt på siden. I bildet med hundre klipp sto det to umiddelbart gjenkjennelige energidrikkbokser på pulten. Ingen av delene hører hjemme i et bilde som skal publiseres.

Duplisert motiv. Jeg la til en klausul mot varemerker og kjørte jobbbildet på nytt — og fikk henne i to eksemplarer: én som taster ved en pult, én som står ved siden av med en pappeske i armene. Modellen hadde lest "å forlate kontoret" som en scene som krever to skuespillere.

Tekst på rekvisitter. I bildet med det billige oppsettet skrev den pent to engelske ord på pappesken. Det veier tyngst her: bildene deles på tvers av 21 språk, så tekst på ett språk blir støy for leserne av de tjue andre.

Alle tre ble klausuler i den faste blokken, og de må være konkrete. "Ingen tekst" holder ikke — det må stå ingen skrift på skjermer, emballasje, etiketter, utstyr eller skilt. "Én person" holder heller ikke; man må i tillegg utelukke en annen utgave av henne, en speiling og et portrett av henne i bakgrunnen.

En promptstruktur du kan kopiere

Den faste blokken limes uendret inn i hver prompt, og lyder omtrent slik.

Bruk den samme personen som på referansebildet, samme frisyre. Hun må umiddelbart gjenkjennes som den samme personen, med ansiktet belyst, udekket og omtrent vendt mot kameraet, overkroppen i bildet. Du er art director og designer et YouTube-miniatyrbilde som må fortjene et klikk ved 168 piksler bredde — alt annet enn identiteten hennes bestemmer du: location, rekvisitter, grafiske elementer, palett, lys, dybde og utsnitt. Gjør det dristig, kontrastrikt og spesifikt for dette temaet, ikke et portrett på farget bakgrunn. La ett rent felt stå ledig i bildet til en tittel som legges på senere. Ingen tekst, bokstaver eller tall noe sted, heller ikke på skjermer, emballasje, etiketter, utstyr eller skilt. Ingen varemerkelogoer eller gjenkjennelige varemerker; alle rekvisitter umerket. Nøyaktig én person i bildet.

Den variable blokken er én setning — hva denne videoen handler om.

De siste tre forbudene ble alle lagt til etter en omkjøring, én klausul per feil. Strukturen lar seg flytte uendret til andre KI-bildemodeller; bare formuleringsvanene skiller seg.

Ett miniatyrbilde, brukt to ganger

Da de åtte lå fast, hadde KI-bildene fortsatt én jobb igjen. Jeg tok bildet fra klokka tre om natta som startframe og brukte video fra første og siste frame til å lage en fem sekunders intro.

Også her finnes en reell felle. Klippet som ble generert, beskar scenen på nytt, og det rene feltet jeg omhyggelig hadde satt av til tittelen, ble stort sett spist opp. For en intro spiller det ingen rolle. For et sluttkort måtte man gjøre layouten på nytt.

Skal du kjøre en hel bunke på én gang, er det greiere å spre de åtte KI-bildejobbene utover Generative Canvas enn å ta én om gangen — du ser med ett blikk hva som blir stående og hva som må gjøres om. Vil du helst slippe å skrive prompter fra bunnen, ligger det portrettuttrykk klare til bruk under templater.

Åtte ferdige bilder på en ettermiddag

Hele settet med YouTube-miniatyrbilder tok en ettermiddag fra første kjøring til åtte fastlagte bilder, med fire kassert. Det trege var verken generering eller retusjering, men å finne ut hva man overlater til modellen — i starten holdt jeg for hardt, spikret komposisjonen og satt igjen med åtte bilder som lignet på hverandre.

Vil du gjøre det etter, er rekkefølgen: mål den trygge sonen og de tre reelle visningsstørrelsene, generer ett lite fristende men rent referansebilde, skjær den faste blokken ned til personen pluss de få forbudene, og behandle temaet for hvert bilde som eneste variabel. Når det gjelder tekst: legg den på etterpå for et sett, la modellen skrive den for et enkeltstående bilde.

Hele settet med YouTube-miniatyrbilder brukte nøyaktig to KI-bildeverktøy, KI-bildegenerering og KI-bilderedigering.