A Google már 10 perces, összefüggő AI-videókkal kísérletezik – de a valódi újítás nem maga a Veo. A háttérben több AI-agent dolgozik együtt rendezőként, storyboardosként, generátorként és ellenőrként. És ez meglepően hasonlít arra, ahogyan a gyakorlatban mi is egyre több AI-videós workflow-t építünk a CreativeSpotnál. Ugyanaz marad-e a szereplő? Nem változik-e meg a ruhája két jelenet között? Ugyanoda kerül-e vissza egy tárgy? És mi történik, ha egy korai hiba végigterjed az egész videón?
A Google Research szeptember 24-én bemutatott kutatása erre nem egy újabb „mindent tudó” videógenerátorral válaszol. Ehelyett egy több agentes, úgynevezett multi-agent rendszert épít a Gemini és a Veo fölé. A cél az, hogy a hosszabb videók elkészítésének különböző részfeladatait specializált agentek végezzék, miközben egy magasabb szintű rendszer koordinálja őket.
Nem egyetlen AI készíti el a videót
A Google megközelítésének talán ez a legfontosabb tanulsága. Ez ugyanabba az irányba mutat, amelyet korábban az AI-videó agentek és a teljes gyártási workflow automatizálásánál is vizsgáltunk. A hosszú AI-videó problémáját nem feltétlenül egy még nagyobb modell oldja meg. A kutatók egy orchestration layert, vagyis vezérlőréteget helyeztek a generatív modellek fölé.
Az AI Video Co-Director rendszerben egy Orchestrator Agent választ kreatív stratégiát, narratív módot és vizuális irányt. A Pre-Production Agent ebből storyboardot készít, majd a Production Agent további specializált agenteket használ: külön Keyframe Agent foglalkozik a vizuális kapaszkodókkal, Video Agent a mozgóképpel, Audio Agent pedig a narrációval és a zenével. A végén egy multimodális AI-bíró értékeli az elkészült változatot, és visszacsatolást ad a következő generálási körhöz.
Így dolgozik együtt a Google AI-videós „stábja”
A Gemini és a Veo az alapmodellek; az agent-rendszer a folyamatot szervezi köréjük.
CANVAS: vizuális memória a karakterekhez és a helyszínekhez
A Google egyik külön rendszere a CANVAS. Ennek feladata a vizuális kontinuitás tervezése. Strukturáltan követi a karaktereket, helyszíneket és tárgyak állapotát, és tartós vizuális memóriát használ. Ha a történet később visszatér egy korábbi helyszínre vagy szereplőhöz, a rendszer előveszi a korábbi vizuális kapaszkodókat.
Ez pontosan azt a problémát célozza, amely a többjelenetes AI-videóknál ma is az egyik legnagyobb kihívás. A Mokó AI-videósorozat készítése során mi is újra és újra találkozunk a karakterkonzisztencia kérdésével: egyetlen jó kép vagy snitt létrehozása már sokszor nem nehéz, ugyanazt a világot húsz-harminc jeleneten keresztül fenntartani viszont igen.
A²RD: hogyan lesz a rövid klipekből akár tízperces történet?
Az A²RD már az időbeli folytonosságot kezeli. A rendszer szegmensről szegmensre generál, közben multimodális videómemóriában követi az előző jelenetek kontextusát és dinamikáját. A Google egy tízperces demonstrációval is bemutatta, hogyan próbálja megőrizni a karakterek, ruhák és helyszínek következetességét hosszabb időtávon.
VQQA: az AI saját maga keresi a hibát – de nem Photoshoppal javít
A VQQA különösen érdekes. A rendszer vizuális kérdéseket generál a videóról, egy vision-language modell pedig kritikát készít. Ebből természetes nyelvű visszajelzés lesz, amely alapján módosul a prompt és új generálási kör indul.
Fontos különbség, hogy ez nem klasszikus képretusálás: a VQQA nem egyszerűen kijavít néhány pixelt a hibás képkockán. A Google leírása szerint black-box promptoptimalizálóként működik, vagyis a hibából jobb instrukciót készít, majd újrageneráltatja az eredményt.
Miért különösen érdekes ez nekünk a CreativeSpotnál?
Mert a gyakorlatban mi is egyre kevésbé egyetlen AI-eszközzel dolgozunk. Egy videógenerátor lehet nagyon jó a képi mozgásban, miközben a magyar beszéd vagy a szájszinkron egy másik rendszerben működik jobban. A hang külön lépés lehet, utána jön a vágás, az utómunka, az ellenőrzés és sokszor egy újabb generálási kör.
A magyar nyelvű lipsyncnél például mi is azt tapasztaljuk – erről külön írtunk a lipsync, hang és magyar kiejtés problémáiról szóló cikkben –, hogy gyakran külön rendszereket kell összekötni ahhoz, hogy a kép, a magyar hang, a kiejtés és a szájmozgás végül együtt működjön. Ez már sokkal inkább workflow-tervezés, mint egyetlen generátor használata.
Ettől még nem kaptunk egy „kész film” gombot
A Google kutatását ezért nem úgy érdemes értelmezni, hogy mostantól egy promptból automatikusan elkészül egy hibátlan tízperces film. Maga a kutatás is olyan problémákra épül, amelyek miatt ma rengeteg manuális beavatkozás szükséges: semantic drift, karakter- és környezetváltozás, valamint a korai hibák továbbgyűrűzése.
A fontos változás inkább az, hogy a generatív videó következő szintje egyre kevésbé egyetlen modell versenye lehet, és egyre inkább workflow-k, memóriák, ellenőrző agentek és visszacsatolási körök együttműködése.
És az ember ettől még nem tűnik el a folyamatból. A Google is human-in-the-loop irányokat vizsgál: az automatizálás célja elsősorban a repetitív konzisztencia- és koordinációs feladatok csökkentése, miközben a kreatív irányítás az alkotónál marad.
Mit jelenthet ez az AI-videó gyártásnak?
Rövid távon valószínűleg nem azt, hogy megszűnik az utómunka. Inkább azt, hogy egyre több olyan részfeladat automatizálható, amelyet ma kézzel kell figyelni: melyik karakter hogy nézett ki öt jelenettel korábban, milyen állapotban volt egy tárgy, megfelelő-e a generált snitt, vagy érdemes-e újragenerálni.
Ez különösen fontos lehet AI-videósorozatoknál, magyarázó animációknál és többjelenetes reklámvideóknál, ahol nem egyetlen látványos klip a cél, hanem egy konzisztens vizuális rendszer.
A CreativeSpotnál ezért az AI-videó készítést nem egyetlen generátor használataként kezeljük. A megfelelő modelleket, hangot, lipsyncet, vágást és ellenőrzést az adott projekthez illesztett workflow-ba szervezzük. Ha többjelenetes AI-videót vagy sorozatot tervezel, nézd meg az AI-videó készítési lehetőségeket.
Kapcsolódó CreativeSpot-cikkek
- AI videó agent: nem a klipgenerálás, hanem a teljes gyártási workflow automatizálódik
- AI videógyártás új szinten: karakterkonzisztencia, új modellek és kontrollált workflow
- Beszélő AI-karakterek: lipsync, hang és kiejtés
- AI videósorozat 12 részen át: így fejlődött Mokó 2026-ban
- AI videó készítés árak 2026-ban – kreatív munkadíj és generálási költség
Forrás: Google Research – Automating coherent long-form video generation, 2026. szeptember 24.
