Miért tűnnek műnek az AI-hirdetések (és a 7 javítás, amitől használhatók lesznek)

Az AI-hirdetések egy konkrét, javítható okcsoport miatt tűnnek műnek: viaszos, túlsimított bőr, mézes „glamour” színkorrekció, zagyva szöveg a címkén, fizika, aminek egyetlen tárgy sem engedelmeskedik, a hanggal nem egyező szájmozgás, és olyan stockfotós tökéletesség, amilyet még egy telefon sem rögzített soha. Egyik sem az AI-videó velejárója. Ezek alapbeállítások, amikből tudatos promptolással és jó munkafolyamattal kell kijutnod.

A Hermosónál minden nap a Seedance 2.5, a Veo 3.1, a Kling 3.0 és a Google legújabb, bármilyen bemenetet fogadó videómodellje között osztjuk el a munkát, és a használhatatlan render meg az olyan között, ami mögé tényleg pénzt tennél, szinte soha nem a modell a különbség. Hanem hét szakmai döntés, amit a modell futása előtt és után hozol meg.

Ez a cikk őszintén megnevezi az árulkodó jeleket, aztán végigmegy azon a hét javításon, amit a gyakorló szakemberek tényleg használnak. Ugyanezeket építettük be a saját munkafolyamatunkba is.

Mitől tűnik műnek egy AI-hirdetés?

Hét árulkodó jel felel szinte minden AI-hirdetésért, amit az első másodpercben lebuktatnak. Ha már megégetted magad fényes, kísérteties eredménnyel, akkor ezek valamilyen kombinációja volt a ludas:

• Viaszos bőr. A modelleket nagyrészt retusált, beauty-fényben készült képeken tanítják, ezért alapból pórusmentes, lágyan ragyogó arcokat adnak, amilyet egy telefonkamera sem készít.
• Az aranyló glamour-színvilág. Meleg, mézes, filmes fény mindenen. Képzelj el egy kombucha-hirdetést, ami úgy van bevilágítva, mint egy parfümreklám.
• Zagyva címkeszöveg. A termék neve majdnem-betűkké olvad. A feliratokból betűleves lesz. Ez a leggyorsabb lebuktató jel.
• Lehetetlen fizika. A termékek egy pillanattal tovább lebegnek a kelleténél, a kiöntött folyadék dacol a gravitációval, a feldobott üveg súlytalanul a levegőben marad. A tömeg és a lendület még mindig nehéz ezeknek a modelleknek.
• Szinkronizált száj. Ha generált szájra rakod rá a TTS-hangot, abból az a kísérteties szájmozgás lesz, amit mindenki ismer a rosszul szinkronizált filmekből.
• A modell által festett feliratok. Amikor a modellel akarod megrajzoltatni a képen belül a feliratsávot vagy a CTA gombot. Nem megy neki, és az elkenődött eredmény egy egyébként jó felvételt is tönkretesz.
• Stockfotós tökéletesség. Tökéletesen középre komponált kép, tökéletesen mozdulatlan kezek, senki nem pislog, semmi nem csúszik el egy kicsit. A valódi tartalomban mindenhol van egy kis hiba.

Mindegyikre van konkrét ellenszer. Íme a hét, aszerint sorba rakva, mennyire számítanak.

1. javítás: Promptolj matt bőrre és lapos, telefonkamerás felvételre

A fényesség elleni javítás az, hogy a promptban kifejezetten eltereled a modellt a beauty-fényes alapbeállításától: matt bőr látható textúrával, semleges fény, és egy lapos SDR képprofillal forgató telefonkamera karaktere egy színkorrigált mozis felszerelés helyett. Ha nem promptolod, minden nagy videómodell a ragyogás felé csúszik.

A gyakorlatban ez azt jelenti, hogy minden UGC-stílusú promptba beleírod a realizmusréteget: retusálatlan bőr, nincs kontúrfény, nincs bloom, kézből tartott kamera, egy előlapi kamera enyhe zaja és dinamikatartomány-korlátai. Az eredmény már nem reklámnak tűnik, hanem olyasminek, amit egy ember vett fel, és pont ez a UGC formátum lényege. Ennél a javításnál a legjobb a ráfordítás és a hatás aránya, mert a nézők a bőrön veszik észre a legélesebben, ha valami mű.

2. javítás: Minden szöveget, logót és feliratot utómunkában tegyél rá, soha ne a modell fesse meg

Minden szöveget, amit a nézőnek el kell olvasnia (logó, címke, felirat, CTA, zárókép), a kész felvételre kell ráilleszteni ahelyett, hogy a modell generálná bele. A diffúziós modellek olyan pixeleket állítanak elő, amik statisztikailag hasonlítanak a szövegre, de nem írnak betűket. Az eredmény megolvadt betűk és kitalált majdnem-szavak, és egy zagyva címke egy egyébként hibátlan rendert is elront.

A működő munkafolyamat: rendereld le tisztán a jelenetet, aztán egy kompozitáló lépésben tedd rá a valódi márkaelemeket: a tényleges logófájlt, a tényleges betűtípust, pixelpontos feliratokat. Így kapsz éles logós és olvasható CTA-s záróképet is. Ez több munka, mint beírni a promptba, hogy „tedd rá a logót”, és pont ezért hagyja ki a legtöbb műnek tűnő AI-hirdetés. Egy jó AI-hirdetésgenerátor ezt a lépést elvégzi helyetted.

3. javítás: Minden rendert alapozz egy valódi termékfotóra

Ha a modellnek nincs referenciaként a tényleges termékfotód, kitalálja a terméked egy hihetőnek tűnő rokonát: jó kategória, rossz üvegforma, kitalált címke, kicsit elcsúszott szín. A terméket ismerő vásárlók azonnal észreveszik, és te is.

A javítás az, hogy minden generáláshoz valódi termékfotót adsz be, és a valódi terméket illeszted be a jelenetbe ahelyett, hogy szavakkal írnád le. A szöveges prompt kategóriát ír le, a referenciakép az identitást rögzíti. A 2. javítással (ráillesztett címkeszöveg) együtt ettől lesz a hirdetésben szereplő termék ugyanaz, mint ami a polcon van. Ez a különbség egy életképi fotó és egy kész hirdetés között, amit tényleg futtatni tudsz.

4. javítás: Írj apró gesztusokat és egy tökéletlen pillanatot minden előadásba

A műnek tűnő AI-előadások általában nem rosszul vannak renderelve, hanem alul vannak rendezve. Egy „a nő a kezében tartja a terméket és mosolyog” típusú promptból próbababa lesz: merev tekintet, megfagyott fogás, szimmetrikus mosoly. A valódi emberek fészkelődnek.

Rendezd az előadást a gesztusok szintjén: mondat közben lepillant a címkére, igazít a fogásán, a füle mögé tűr egy hajtincset, félig elneveti magát a saját megfogalmazásán. Aztán tegyél bele pontosan egy tökéletlen pillanatot: a kamera megrándul, egy szótag erejéig belebeszél saját magába, elcsúszik a képkivágás. Egy hiba hitelesnek hat, öt káosznak. Ez forgatókönyvírás, nem modellhangolás, és ez az a javítás, ami a legtöbb csapatnak eszébe sem jut, mert épp a modellt hibáztatják.

5. javítás: Látható szájhoz a modell saját beszéde, TTS csak a narrált vágásokhoz

A szabály egyszerű: ha a száj a képen van, a beszédet a videómodellnek kell natívan, ugyanabban a menetben generálnia, hogy a száj és a hang egy folyamatból jöjjön. Ha a felvétel termékes B-roll narrációval, a TTS rendben van, hiszen nincs száj, ami lebuktatná.

Ott rontják el a csapatok, hogy néma felvételt generálnak egy beszélő emberről, aztán ráteszik a TTS-hangot. Az általános szájmozgás és a konkrét hangok közötti eltérést az emberi érzékelés kíméletlenül jól kiszúrja. Ez a szinkronizált-film hatás, és semmilyen színkorrekció nem rejti el. A mai modellek valóban szájszinkronos beszédet generálnak, ha hagyod őket; a mű hatás abból jön, hogy a hangot utólag csavarozzák rá.

6. javítás: A nehéz tárgyakat ne küldd szabadrepülésbe

Ne kérd a modelltől, hogy bármit, aminek tömege van, feldobjon, leejtsen, megpörgessen vagy elkapjon. A ballisztikus mozgásnál (egy tárgy szabadon repül a gravitáció hatására) törik meg még mindig láthatóan a videómodellek fizikája: az üveg egy pillanattal tovább lóg a levegőben, egyenletes sebességgel bukfencezik, súly nélkül ér földet.

Koreografálj körülötte. A termékeket kézben tartják, megfordítják, leteszik, felveszik, beleöntik valamibe: olyan mozdulatok ezek, ahol egy kéz viszi a tárgyat, és a modellnek soha nem kell egyedül megoldania a gravitációt. Az öntés és a fröccsenés kockázatosabb, mint a tartás, de sokkal biztonságosabb, mint a dobás. Ha a koncepcióhoz tényleg kell, hogy a termék a levegőben legyen, azt a felvételt vágással kell megoldani, nem generálni. A legtöbb „lehetetlen fizika” hiba, amit látunk, saját kezűleg okozott: a storyboard olyan látványos dobást kért, amit a modell soha nem tudott volna jól megcsinálni.

7. javítás: Hűvös, semleges fény a mézes színvilág helyett

Promptolj semleges vagy enyhén hűvös fehéregyensúlyra és egyenletes, nem csillogó fényre (borult nappali fény, egy konyha délben, irodai neoncső), ahelyett, hogy elfogadnád a meleg, aranyló színvilágot, amihez a modellek alapból nyúlnak. Ez a mézes hatás 2026-ban az „AI-hirdetés” vizuális kézjegye, és a nézők már megtanulták felismerni.

A semleges fény két dolgot végez el egyszerre: eltünteti a glamour-jelet, és felerősíti az 1. és a 3. javítást, mert a matt bőr és a valódi, ráillesztett termék is a hétköznapi fényben a leghihetőbb. A teljesítményalapú kreatívnak hiteles felvétel kell inkább, mint gyönyörű. Az aranyórát tartsd meg azokra a felvételekre, ahol a márka tényleg ezt kívánja, tudatosan választva, nem a modell alapbeállításaiból örökölve.

Hogyan építi be a Hermoso ezeket a javításokat a munkafolyamatába

A lista legnehezebb javításai közvetlenül be vannak építve a Hermoso munkafolyamatába, így egy olyan csapat eredményét kapod, amelyik ezt nap mint nap csinálja, anélkül, hogy neked kellene a munkafolyamaton dolgoznod:

• Egy fényesség elleni realizmusréteg matt bőrt, semleges fényt és telefonkamerás karaktert ír a UGC-renderekbe (1. és 7. javítás).
• Minden szöveg, logó és felirat utómunkában kerül rá, soha nem a modell festi meg, a valódi logódat és CTA-dat tartalmazó záróképpel együtt (2. javítás).
• A renderek a valódi termékfotódra épülnek, beillesztve a jelenetbe, a márkád színpalettájával (3. javítás).
• Ha száj van a képen, mindig a modell natív beszédét használjuk, a TTS csak a kizárólag narrált vágásoké (5. javítás).

A háttérben minden feladatot elosztunk a Seedance 2.5, a Veo 3.1, a Kling 3.0 és a Google legújabb, bármilyen bemenetet fogadó videómodellje között, az állóképekhez pedig a Flux, a GPT Image és a Google legújabb képmodelljei között, feladatonként választva, hogy neked soha ne kelljen. És mivel azzal kezdi, hogy a Meta, a Google és a LinkedIn hirdetéstáraiban, valamint a TikTok organikus tartalmaiban kutatja, mi nyer már most a piacodon, a koncepciók azon alapulnak, ami már bevált, még mielőtt egyetlen pixel elkészülne. Az ingyenes csomagban 250+ megszerezhető ingyenes kredit van, kártya nélkül; a pontos költséget minden render előtt mutatja az app. Próbáld ki a saját termékeden. Ennek a cikknek az állítását úgy tesztelheted a leggyorsabban, ha megnézed, átmegy-e az eredmény a saját mű-detektorodon.

Gyakori kérdések

Miért zagyva az AI által generált szöveg és logó?

A videó- és képmodellek olyan pixeleket generálnak, amik statisztikailag hasonlítanak a szövegre, nem valódi betűket, ezért a címkék és feliratok megolvadt betűkkel, felesleges vonásokkal és majdnem-szavakkal jönnek ki. A megbízható javítás az, hogy a jelenetet szöveg nélkül rendereled, a valódi logót, feliratokat és CTA-t pedig utómunkában illeszted a felvételre.

Tud az AI-videó hihető szájszinkront?

Igen, de csak akkor, ha a beszédet a videómodell natívan, a felvétellel egy menetben generálja. A kísérteties szájmozgás onnan jön, hogy külön generált TTS-hangot szinkronizálnak rá egy renderelt szájra, ezért a TTS-t tartsd meg azokra a vágásokra, ahol nem látszik száj.

Melyik AI-videómodell a legjobb hirdetésekhez?

Nincs egyetlen legjobb. A Seedance 2.5, a Veo 3.1 és a Kling 3.0 a felvételtől függően más-más dologban erős, és a sorrend minden új modellkiadással változik. A Hermoso minden feladatot a hozzá legjobban illő modellhez irányít, így a felhasználóknak soha nem kell választaniuk.

Beletehetem a valódi termékemet egy AI-generált hirdetésbe?

Igen, és érdemes is. Ha minden rendert valódi termékfotóra alapozol, az a lista egyik legnagyobb hatású javítása. A Hermoso a tényleges termékfotódat illeszti be a generált jelenetekbe, ahelyett, hogy hagyná a modellt kitalálni egy hasonmást.

Mennyivel olcsóbb az AI-hirdetéskreatív egy forgatásnál?

Az ügynökségek egyetlen leforgatott hirdetésért gyakran négy-öt számjegyű összeget kérnek, a kreátorpiacokon pedig a UGC-videók darabja jellemzően néhány száz dollártól indul. A Hermosón az app minden render pontos költségét mutatja, a fizetős csomagok havi $29, $69 és $149.

Elutasítják a nézők a hirdetést csak azért, mert AI generálta?

A tapasztalatunk szerint az árulkodó jeleket utasítják el, nem az eredetet. A matt bőrű, semleges fényű, valódi címkeszöveggel és egy tökéletlen emberi pillanattal készült felvétel hétköznapi tartalomnak hat; a viaszos bőrű, aranyló fényű felvétel műnek, akárhogy is készült.