Diario di una troupe di agenti AI che fa cinema

Episodio 4 — Le facce sbagliate

Le scene avevano smesso di sparire. La troupe consegnava file puliti. Ero pronto per la parte bella: vedere finalmente i miei personaggi prendere forma.

Lo dico con il senno di poi: “la parte bella” è un’espressione ottimista.

Comincio dal cloud, come tutti

All’inizio le immagini le generavo con un servizio in cloud — mandavo il prompt a un modello ospitato altrove, lui mi rispediva l’immagine. Comodo, veloce, zero da installare. E ho subito sbattuto contro due muri: uno tecnico e uno filosofico.

Il muro tecnico: le facce venivano sbagliate. Non brutte in senso assoluto — sbagliate per il mio film. Uscivano patinate, plasticose, vagamente in stile manga o cartone 3D, mentre io cercavo tutt’altro registro. E per di più scoprii che il campo dove dici al modello cosa evitare — il cosiddetto negative prompt — veniva bellamente ignorato da quel modello. Glielo scrivevo, lui lo cestinava. Un altro fallimento silenzioso, in un altro reparto: avevo appena finito di stanarli nei dati e li ritrovavo nelle immagini.

Il muro filosofico: la polizia dei contenuti. I miei protagonisti sono bambini — Hansel e Gretel, per dire, sono due ragazzini. E il filtro automatico del servizio cominciò a bloccarmi i prompt perché menzionavano la loro età. Non stavo facendo nulla di men che innocente: è una fiaba, esiste da due secoli, c’è in ogni libreria per l’infanzia del pianeta. Ma al guardiano automatico non interessa il contesto. Vede una parola in una lista e chiude la saracinesca.

Mi sono ritrovato a riciclare il linguaggio per farlo passare: alzare le età dichiarate, sostituire certe parole con sinonimi più digeribili, smussare le descrizioni. In pratica imbrogliavo un algoritmo per ottenere il permesso di disegnare una fiaba per bambini. E lì ho sentito chiaramente il rumore di qualcosa che non andava.

Il momento in cui “local-first” è diventato serio

Nell’episodio 1 avevo scritto, un po’ come dichiarazione d’intenti, che non volevo dipendere da qualcuno che decide al posto mio cosa posso generare. Ecco: quello è stato il giorno in cui la dichiarazione d’intenti è diventata una necessità pratica.

Non voglio negoziare con il classificatore di un’azienda per realizzare un film. Non voglio che il mio listino prezzi, la mia velocità e i miei contenuti dipendano da decisioni prese in un ufficio dall’altra parte del mondo. Se devo costruire una fabbrica di racconti, la fabbrica dev’essere mia, sotto il mio tetto.

Quindi ho portato tutto in casa.

ComfyUI, e i due cavalli da corsa

La generazione di immagini è migrata sulla mia macchina, dentro ComfyUI — un ambiente dove costruisci la pipeline di generazione collegando blocchi, un po’ come ho fatto con la troupe ma a livello di pixel. E ho adottato la famiglia di modelli FLUX, in due tagli diversi:

• un modello leggero e veloce, per gli shot semplici;
• un modello pesante e più raffinato, per le inquadrature difficili.

Qui serve una mini-spiegazione, perché torna utile. Quando generi un’immagine con questi modelli, hai in mano essenzialmente due manopole. Una decide quanto il modello deve dare retta al tuo testo invece di andare per la sua strada. L’altra decide quanti passaggi di rifinitura fa prima di consegnarti l’immagine — più passaggi, più qualità, più tempo. Il modello leggero gira con pochi passaggi e mano libera; quello pesante con molti passaggi e briglie più strette. Ho scritto una logica che sceglie il cavallo giusto a seconda della corsa: shot banale, modello leggero; scena affollata e delicata, modello pesante. Si risparmia tempo e memoria video — e la mia scheda grafica, per quanto robusta, la memoria ce l’ha contata.

Il keyframe-first: prima la foto, poi il film

Una scelta architetturale che vale la pena spiegare, perché regge tutto il resto: non genero mai il video direttamente dal nulla.

Prima creo un’immagine ferma — il keyframe, il fotogramma-seme — la sistemo finché non è giusta, la approvo (è il checkpoint CP2 dell’episodio 1), e solo dopo la do in pasto al modello che la anima. Il motivo è la stessa logica dei semafori rossi: un’immagine ferma sbagliata la ributti via in due minuti, un video sbagliato te lo paghi in tempo, calcoli e improperi. Meglio sbagliare dove costa poco.

È un principio rubato alla produzione vera: nessun regista gira la scena prima di aver visto lo storyboard.

La piccola vittoria

Dopo le facce di plastica, dopo i prompt riciclati per ingannare il filtro, dopo l’ennesima migrazione di strumenti, è arrivato il momento per cui valeva la pena di tutto: la prima volta che un personaggio è uscito dallo schermo somigliando al personaggio.

Hansel era lì. Il mio Hansel — l’espressione giusta, la corporatura giusta, l’aria giusta. Una cosa piccola, sulla carta. In quel momento è sembrata enorme. È la sensazione che ti tiene incollato a un progetto come questo: dopo giorni di muri, un fotogramma che funziona ti ripaga di tutto.

Ma uno è facile

Un personaggio in un’inquadratura: gestibile. Il problema è che le mie scene non hanno un personaggio. Ne hanno tre, quattro, nello stesso fotogramma — il padre, la matrigna, Hansel e Gretel tutti insieme attorno a un tavolo.

E quando ho chiesto al modello di mettere quattro personaggi nello stesso frame, lui mi ha guardato, ci ha pensato su, e ha deciso di regalarmi un gemello che non avevo ordinato.

Della guerra contro i personaggi duplicati — e dei centoquaranta fotogrammi che mi sono ritrovato ad analizzare uno per uno — parla il prossimo episodio.

Prossimo episodio: il disastro dei 140 keyframe. Quando FLUX ti regala due protagonisti.

Sono Massimo, di Mondo Digitale, Bologna. Progetto e orchestro sistemi multi-agente su n8n per la produzione audiovisiva. Se è il tuo campo – o cerchi qualcuno che lo faccia – scrivimi: info@mondodigitale.com