1. lépés: Fotó-előkészítés — itt dől el minden
Az AI avatar minősége 70%-ban a beküldött fotók minőségén múlik. Egy rossz fotóból a legjobb stúdió is csak közepes avatart tud építeni. 2026-ban a követelmények az alábbiak: 3-6 db éles, magas felbontású portré (legalább 1080p, ideális 4K), természetes fényben, semleges háttér előtt, egyenesen szemből, semleges arckifejezéssel.
- Természetes fény (ablak felé fordulva, déli órán)
- Semleges, egyszínű háttér (fal, függöny, festett hátlap)
- Szemből, az arc fent és lent ne legyen levágva
- Semleges, természetes arckifejezés (nem extrém mosoly, nem szigorú)
- Smink: minimális, természetes — a stúdiós smink "ráég" az avatarra
- 3-6 fotó: 2-3 db pontosan szemből, 1-2 db enyhén bal, 1-2 db enyhén jobb
- Saját telefonkamera (2020 utáni iPhone, Samsung S20+) is jó — nem kell DSLR
2. lépés: Avatar variációk legenerálása és kiválasztása
A fotók beérkezése után a stúdió legenerálja az AI avatar 3-5 variációját. Ezek között apró különbségek vannak: enyhén más bőrtónus, eltérő gesztus-tendencia, kicsit más hajbeállítás. Te választod ki a számodra legjobban tetszőt — innentől ez lesz a "te avatarod" minden további videóra.
Ezt a lépést NE rohanjátok: a kiválasztott avatar lesz a brand-arcod a következő 1-2 évben, érdemes több embernek megmutatni és megnézni, melyik adja vissza legjobban a "saját identitásod".
3. lépés: Hang — saját klónozott vagy felkínált
Három opció van a videók hangjához. (A) Saját klónozott hang: küldesz egy 60-90 másodperces tiszta hangfelvételt (telefonon felvéve, csendes szobában), és ebből az AI legenerálja a hang-klónodat. 2026-ban ez gyakorlatilag megkülönböztethetetlen az eredetitől. (B) Felkínált hang: a stúdió hangminta-könyvtárából választasz egyet, ami illik a brandedhez. (C) Te bízod a választást a stúdióra a profilod alapján.
A legtöbb professzionális ügyfél a saját klónozott hangját választja — a brand-konzisztencia ezzel a maximális. Vannak azonban esetek (különösen, ha a saját hangod gyenge minőségben vagy bizonytalanul hangzik), ahol egy felkínált, profibb hang többet ér.
4. lépés: Script — saját vagy stúdió-írt
A script határozza meg a videó értékét. A leghosszabb tartalmi munka itt zajlik. Két opció: (A) Te küldöd a scriptet — egy 60 másodperces videóhoz 130-150 szó az ideális. (B) A stúdió írja meg a brand-hangodra, te küldesz csak témákat (akár hangüzenetben).
A jó AI avatar videó-script három elemből áll: HOOK (első 3 másodperc, ami megállítja a scroll-t), ÉRTÉK (a mondanivaló, amiért megnézik), és CTA (egyértelmű következő lépés). Ezt minden videóra alkalmazni kell — a stúdió scriptjei ennek figyelembevételével készülnek.
5. lépés: Render és utómunka
A render-folyamat ma 2026-ban 30-60 perc per videó perc, de a stúdió-utómunka (color grading, audio mixing, felirat, formátum-konverzió, minőség-ellenőrzés) plusz 1-2 munkanapot vesz igénybe. A teljes átfutási idő egy videótól a kész MP4-ig 3-5 munkanap a script-jóváhagyástól számítva.
A kész videót MP4 formátumban kapod meg, alapból 9:16 portrait (Instagram Reels, TikTok, YouTube Shorts), kérésre 16:9 fektetve (YouTube, weboldal, hirdetés). Felirat alapból rajta, brand-színekkel.
Tipikus buktatók — mit ne csinálj
A legtöbb sikertelen AI avatar projekt 1-2 alapvető hibából fakad:
- Rossz fotó beküldése (alacsony fény, ferde szög, mozgásos elmosódás) — 1-2 hét csúszás
- Túl hosszú script (60 másodperces videóhoz 200+ szó) — nem fér bele
- Nincs CTA a végén — a néző elnézi, de nem cselekszik
- Hookless videó — az első 3 másodpercben nem áll meg a néző
- Inkonzisztens témák — heti random tartalmak nem építenek brandet, kell egy narratív szál
- Túl gyakori reklám-jellegű videó — 70-30 érték-akció arány a working