Automatizzare la produzione video con agenti IA: un setup che funziona

Un breve video di prodotto significava un brief, un freelance, due giri di correzioni e una settimana. Oggi un agente di coding può prendere un brief di un paragrafo, scrivere lo script, generare ogni inquadratura, registrare la voce fuori campo e renderizzare un MP4 mentre voi rivedete altro. Tutti i pezzi esistono. Quello che manca alla maggior parte dei team è il collegamento: quale fase gira su quale modello, quanto costa ciascuna e dove una persona deve guardare prima che qualcosa vada online.

Questo è il setup che costruiremmo oggi. Sette passaggi, un foglio dei costi che potete ricalcolare per il vostro lotto, due punti di approvazione e le dichiarazioni richieste dalle piattaforme, che la maggior parte delle pipeline automatiche dimentica finché un video non viene etichettato o rimosso.

La pipeline, fase per fase

I resoconti pubblicati sui flussi video con agenti convergono sulla stessa struttura. MindStudio descrive cinque agenti: script, storyboard, generazione di immagini o video, voce e montaggio. Un secondo articolo di MindStudio sul content marketing li ordina così: script e shot list, voce fuori campo con tempi parola per parola, generazione video, poi montaggio, sottotitoli ed esportazione. Usiamo lo stesso scheletro con un'aggiunta, una fase di revisione esplicita, perché è lì che si risparmia.

Dal brief allo script e alla shot list. Un LLM trasforma il brief in uno script parlato e in un elenco numerato di inquadrature, ciascuna con durata, prompt visivo e la riga di voce fuori campo che accompagna.
Immagini di storyboard. Una immagine fissa economica per inquadratura, per giudicare la composizione prima di pagare il movimento.
Controllo uno: approvazione umana di script e immagini.
Generazione delle inquadrature. Ogni immagine o prompt approvato diventa una clip video sul modello adatto a quella inquadratura.
Voce fuori campo. Sintesi vocale dallo script approvato, divisa per inquadratura o per paragrafo.
Montaggio e sottotitoli. Clip, voce, sottotitoli e schermata finale vengono assemblati via codice nel file definitivo.
Controllo due: revisione umana del montato, poi dichiarazione e pubblicazione.

Fase 1: il brief e la shot list che l'agente deve restituire

La leva di qualità più grande dell'intera pipeline è costringere la fase di script a restituire una shot list in un formato fisso, perché ogni fase successiva la legge. Questo è il formato che chiediamo. Incollatelo così com'è nelle istruzioni del vostro agente.

Da copiare e incollare: il contratto della shot list

shot_id: s01, s02 e così via, in ordine.
duration_s: un numero intero di secondi per la clip.
vo_line: le parole esatte pronunciate su questa inquadratura, oppure vuoto per un momento silenzioso.
visual: una frase che descrive soggetto, azione, ambiente e movimento di camera. Niente marchi che il modello non sa rendere.
needs_audio: true solo se l'inquadratura richiede audio nativo (dialogo, suoni ambientali legati all'azione).
model_hint: fast, premium o audio, scelto con le regole della sezione sul routing più sotto.
on_screen_text: il sottotitolo o la sovrimpressione, abbastanza breve da leggersi su uno smartphone.

Aggiungete poi tre regole rigide al brief: durata totale entro l'obiettivo della piattaforma, un'idea per inquadratura e un'ultima inquadratura riservata alla call to action.

Questa è la fase più economica della pipeline. MindStudio stima il passaggio di script per un video esplicativo di cinque minuti in $0.05-$0.20.

Fasi 2 e 4: instradare ogni inquadratura sul modello giusto

L'errore che vediamo più spesso è scegliere un solo modello video e mandargli tutte le inquadrature. Le inquadrature sono diverse. Una lenta rotazione di prodotto, una scena parlata con suono ambientale e un rapido campo lungo hanno requisiti diversi, e i prezzi si allargano molto. Al momento della scrittura, i prezzi video al secondo su Aitachyon vanno da Hailuo 02 a $0.085/s fino a Seedance 2.5 a $0.44/s a 720p, con Kling v3 a $0.16/s senza audio o $0.32/s con audio nativo, Veo 3.1 Fast da $0.19/s e Wan 2.7 a $0.19/s. Il listino completo è sulla pagina dei modelli con il prezzo di ogni chiamata.

Regole di decisione per il campo model_hint

Immagini di storyboard: usate il modello di immagini più economico che regga la vostra composizione. Seedream 4.0 a $0.057 per immagine o FLUX.2 [pro] da $0.057 a $0.086 sono le scelte predefinite al momento della scrittura. Riservate Nano Banana ($0.13) o gpt-image-2 ($0.10-$0.40) alle immagini che vanno direttamente nel montato finale. Il nostro confronto tra Nano Banana e FLUX.2 Pro spiega dove ciascuno regge sulle foto di prodotto.
Fast: inquadrature di riempimento, campi lunghi e B-roll sotto la voce. Hailuo 02 fissa il prezzo minimo.
Audio: solo le inquadrature in cui needs_audio è true. Kling v3 con audio nativo costa il doppio della tariffa senza audio, quindi l'agente non dovrebbe mai richiedere audio per un'inquadratura che finirà comunque sotto una voce fuori campo.
Premium: l'inquadratura principale e i primi due secondi, dove lo spettatore decide se continuare a guardare. È qui che Seedance 2.5 o Veo 3.1 Fast si guadagnano il prezzo. Abbiamo confrontato i due migliori in Kling v3 contro Seedance 2.5.

Una nota sui prezzi, per onestà. Comprare direttamente dal fornitore può costare meno per unità. Google indica Veo 3.1 Fast a $0.10 al secondo a 720p, $0.12 a 1080p e $0.30 a 4K, con Veo 3.1 Lite a $0.05 al secondo a 720p. Se la vostra pipeline usa sempre e solo un modello, andare diretti ha senso. Il caso per un unico account è il routing: una chiave, un saldo e una sola traccia di fatturazione su una dozzina di modelli, che è ciò di cui le regole sopra hanno bisogno.

Fase 5: voce fuori campo, tempi e costi

La voce è la fase in cui l'automazione fa risparmiare più tempo di calendario e meno denaro, perché costa già poco. Il listino API di ElevenLabs indica la sintesi vocale a $0.08 per 1.000 caratteri per v3 e Multilingual v2, e $0.04 per Flash e Turbo, con una tariffa v4 scontata di $0.022 per 1.000 caratteri mostrata fino al 12 ottobre. Tramite Aitachyon, la voce fuori campo ElevenLabs costa da $0.043 a $0.086 ogni 450 caratteri al momento della scrittura. Il dettaglio dei costi è nella nostra analisi dei costi della voce fuori campo ElevenLabs.

Due decisioni sui tempi da prendere subito

La voce guida il montaggio, oppure il montaggio guida la voce. Per i video esplicativi, generate prima la voce e tagliate le inquadrature sui suoi tempi. Il flusso di content marketing citato sopra prevede proprio una voce fuori campo con tempi parola per parola prima della generazione video, così l'agente può fissare la durata di ogni clip sull'audio reale.
Un file o un file per inquadratura. I file per inquadratura rendono le modifiche economiche: cambiate una riga e rigenerate poche centinaia di caratteri invece dell'intera lettura.

Fase 6: montaggio senza editor a timeline

Il montaggio è il punto in cui molte pipeline "automatiche" ricadono in silenzio su una persona che trascina clip in un editor. Due approcci lo tengono nel codice.

FFmpeg per i tagli semplici

Se il video è una sequenza di clip sopra una traccia vocale con sottotitoli incorporati, FFmpeg se ne occupa. MindStudio osserva che il montaggio si può fare via codice con FFmpeg.

Remotion per tutto ciò che ha motion design

Per testo animato, sottopancia, evidenziazioni di prezzo o schermate finali basate su template, Remotion è la scelta migliore: il video è un componente React e lo scrive l'agente. Remotion offre skill ufficiali per agenti, che si installano con npx skills add remotion-dev/skills, coprono markup, rendering, sottotitoli e altro, e sono pensate per assistenti di coding come Claude Code e Cursor. La skill /remotion-best-practices è quella onnicomprensiva che include le altre, quindi installate prima quella.

Qualunque strada scegliate, i sottotitoli appartengono a questa fase, generati dal testo dello script anziché ritrascritti dall'audio. La nostra nota su perché i sottotitoli non sono più facoltativi tratta il posizionamento nei formati verticali.

Il foglio dei costi: quanto costa un lotto reale

Ecco l'aritmetica, con i prezzi di Aitachyon al momento della scrittura. Sostituite le vostre durate e la formula regge.

Formula

Costo del lotto = (immagini x prezzo immagine) + (secondi di video x prezzo al secondo, per gruppo di modelli) + (caratteri di voce / 450 x prezzo voce) + margine per i rifacimenti. Il montaggio con FFmpeg o Remotion gira sulla vostra macchina e aggiunge calcolo, non costi per chiamata.

Esempi svolti

20 varianti di hook, 5 secondi ciascuna, su Hailuo 02: 20 x 5 s x $0.085 = $8.50.
50 immagini di prodotto: su Seedream 4.0, 50 x $0.057 = $2.85. Su FLUX.2 [pro], da $2.85 a $4.30. Su Nano Banana, 50 x $0.13 = $6.50.
Una settimana di short (7 video, 6 inquadrature da 5 secondi ciascuno, 210 secondi di girato): tutto su Hailuo 02, 210 x $0.085 = $17.85. Tutto su Veo 3.1 Fast da $0.19/s, $39.90. Tutto su Kling v3 con audio, $67.20. Aggiungete 7 storyboard da 6 immagini Seedream (42 x $0.057 = $2.39) e due blocchi di voce da 450 caratteri per video (14 x $0.043-$0.086 = $0.60-$1.20).
La versione instradata di quella settimana: la prima inquadratura di ogni video su Veo 3.1 Fast (7 x 5 s x $0.19 = $6.65) e gli altri 175 secondi su Hailuo 02 (175 x $0.085 = $14.88). Totale video $21.53, contro $39.90 con tutto su Veo.

Prevedete un margine per i rifacimenti. Se pensate di rigenerare una volta metà delle inquadrature, moltiplicate la riga video per 1,5. Quel margine è l'argomento a favore del controllo sullo storyboard: rifare un'immagine costa centesimi, rifare un video costa dollari.

Per avere un ordine di grandezza, MindStudio stima un video esplicativo di cinque minuti in $2-$7 in totale, e $10-$20 con modelli premium come Veo e le voci premium di ElevenLabs. Lo stesso fornitore mette a confronto uno spot di marca tradizionale da 60 secondi a $2,000-$20,000 con $5-$50 generati. Considerate entrambe come stime del fornitore. La nostra guida ai prezzi API modello per modello contiene il resto del listino.

Dove le persone restano nel processo

Ogni resoconto serio tiene una persona nel processo. MindStudio raccomanda un passaggio di revisione umana per tutto ciò che è pubblico, e il suo flusso di marketing prevede revisione manuale dell'output, segnalazioni automatiche per le clip sotto soglie di durata o di confidenza e un'approvazione umana prima del montaggio finale. Noi mettiamo i controlli nei due punti in cui una scelta sbagliata costa di più.

Checklist del controllo uno: prima di generare qualsiasi video

Lo script dice una cosa sola, e la prima frase si guadagna la seconda.
Ogni affermazione della voce fuori campo è difendibile davanti a un revisore della piattaforma.
Ogni immagine mostra il prodotto giusto, senza loghi inventati né testo confuso sulla confezione.
Solo le inquadrature che richiedono audio nativo hanno needs_audio su true.
Il routing premium è limitato all'hook e all'inquadratura principale.
Il costo previsto dalla formula qui sopra è sotto il budget del lotto.

Checklist del controllo due: prima di pubblicare

Guardate il montato completo con l'audio, poi una volta senza, per verificare che i sottotitoli reggano da soli.
Controllate mani, volti e testo a schermo fotogramma per fotogramma nell'hook.
Decidete la risposta sulla dichiarazione (sezione successiva) e registratela insieme al file.
Allineate la schermata finale alla landing page verso cui il video manderà le persone.

Automatizzate le segnalazioni, così il revisore guarda solo dove serve: una clip più corta del suo duration_s, un rendering fallito, un file vocale più lungo della sua inquadratura.

La dichiarazione fa parte della pipeline

Le piattaforme si aspettano ormai che indichiate quando è stato generato girato realistico, e una pipeline automatica dovrebbe registrare questa risposta per ogni video.

YouTube richiede la dichiarazione per i contenuti realistici che fanno dire o fare a una persona reale qualcosa che non ha detto o fatto, alterano immagini di un evento o luogo reale, oppure generano una scena realistica che non è mai avvenuta. I contenuti chiaramente irrealistici e gli aiuti alla produzione come script, sottotitoli o correzione colore non la richiedono. La risposta si imposta in YouTube Studio al caricamento. Ai creator che omettono ripetutamente di dichiarare può essere applicata un'etichetta d'ufficio, il contenuto può essere rimosso o la partecipazione al Programma partner di YouTube sospesa, e YouTube afferma che una dichiarazione corretta non limita né la portata né l'idoneità alla monetizzazione.
TikTok richiede ai creator di etichettare i contenuti realistici generati con l'IA ed è stata la prima piattaforma video a implementare le Content Credentials C2PA, leggendole dal 9 maggio 2024 per etichettare in automatico i contenuti creati su altre piattaforme. TechCrunch ha riportato che i contenuti IA non etichettati possono essere rimossi, e che C2PA è una coalizione guidata da Adobe con Google, Meta, OpenAI, Microsoft e Intel tra i membri.

La regola pratica: aggiungete un campo disclose a ogni record video, impostatelo a true per default per qualsiasi girato realistico generato e fate rifiutare l'esecuzione al passaggio di pubblicazione finché è vuoto. Per gli account pubblicitari, si aggiungono le trappole di policy descritte in come far approvare gli annunci video su Meta e TikTok.

Farla girare da Claude Code o Cursor

L'intera pipeline può girare dentro una sola sessione di agente. L'agente legge il brief, scrive la shot list in un file, chiama i modelli di immagini e video, interroga lo stato finché ogni rendering è pronto, scrive il comando FFmpeg o la composizione Remotion e renderizza. Ciò che la tiene insieme è che ogni file generato ha un riferimento stabile a cui l'agente può tornare, e che ogni chiamata riporta quanto è costata. Su Aitachyon ogni output riceve un riferimento come img_, scn_ o vo_ che il codice può recuperare con GET /api/generations/{ref}, e ogni job è dettagliato con modello e prezzo, così l'agente può scrivere un costo reale accanto a ogni inquadratura invece di una stima. Collegare Claude Code al server MCP ospitato richiede un solo comando: claude mcp add --transport http aitachyon https://aitachyon.com/api/mcp --header "Authorization: Bearer ait_...". La stessa chiave funziona con la normale API HTTP se preferite eseguire la pipeline come script.

Un brief da consegnare all'agente

Crea un video verticale di 30 secondi per [prodotto]. Restituisci prima la shot list nel formato del contratto e fermati per la mia approvazione. Dopo l'approvazione, genera una immagine per inquadratura sul modello di immagini più economico, poi fermati di nuovo. Dopo la mia seconda approvazione, genera il video secondo le regole di routing, genera la voce fuori campo per inquadratura, monta con Remotion con i sottotitoli presi dallo script e scrivi una tabella dei costi con riferimento, modello e prezzo di ogni elemento. Imposta disclose su true.

I due arresti espliciti sono i controlli umani. Senza di essi, l'agente spenderà volentieri l'intero budget sulla prima versione dello script. Per i passaggi di configurazione, vedete generare video IA da Claude Code con un server MCP.

FAQ

L'IA può automatizzare completamente la produzione video da capo a fondo?

Tecnicamente sì: script, inquadrature, voce e montaggio possono girare tutti da un solo agente. In pratica, ogni flusso pubblicato che abbiamo trovato mantiene una revisione umana prima di qualsiasi pubblicazione, e le regole di dichiarazione delle piattaforme rendono comunque una persona responsabile del file finale. Lasciate produrre all'agente e tenete il giudizio finale a una persona.

Quanto costa automatizzare un breve video con l'IA?

Dipende dai secondi di girato e dal modello che li renderizza. Al momento della scrittura su Aitachyon, 30 secondi costano $2.55 su Hailuo 02, da $5.70 su Veo 3.1 Fast e $9.60 su Kling v3 con audio, più pochi centesimi per immagini e voce. La stima di MindStudio per un video esplicativo di cinque minuti è di $2-$7, o $10-$20 con modelli premium.

Quanto tempo richiede produrre un video IA automatizzato?

MindStudio riporta da 5 a 15 minuti dal prompt all'esportazione per una clip social di 60 secondi e da 20 a 40 minuti per un video esplicativo di 2-3 minuti, e da 30 a 60 minuti per un video di 3-5 minuti costruito con clip generate.

Devo usare FFmpeg o Remotion per assemblare video IA?

FFmpeg per i tagli semplici sopra una traccia vocale con sottotitoli incorporati. Remotion quando servono testo animato, template o qualsiasi cosa costruireste altrimenti in uno strumento di motion design, dato che l'agente può scrivere la composizione React e renderizzarla in MP4.

Devo etichettare i video generati con l'IA su YouTube e TikTok?

Per il girato realistico generato, sì su entrambi. YouTube lo chiede al caricamento in YouTube Studio, e TikTok richiede un'etichetta e può rilevare da sé le Content Credentials C2PA. I contenuti fantastici o chiaramente irrealistici, e l'IA usata solo per script o sottotitoli, non richiedono una dichiarazione su YouTube.

Fonti

Se volete far girare questa pipeline senza cinque account presso altrettanti fornitori, Aitachyon mette i modelli di immagini, video e voce qui sopra dietro un unico saldo prepagato e una sola chiave, utilizzabile dallo studio web, dall'API HTTP o da un server MCP ospitato a cui Claude Code si collega con un solo comando. I rendering falliti vengono rimborsati automaticamente, ogni chiave ha il proprio avviso di spesa e la guida rapida ad API e MCP richiede pochi minuti.

Automatizzare la produzione video con agenti IA: un setup che funziona