Passa al contenuto principale

Media generativi: AI per immagini, audio e video

Principiante

Gran parte di AILmanac riguarda l'AI che scrive e ragiona — modelli testuali come Claude. Ma un intero altro ramo dell'AI crea media: immagini, video, voci e musica da un prompt. Questa pagina è una mappa neutrale rispetto ai provider di quel panorama: gli archetipi, gli strumenti degni di nota (ciascuno verificato come esistente), come differiscono dagli LLM testuali, le competenze che si trasferiscono, e le regole di diritti-ed-etica che non puoi saltare.

What you'll learn
  • Conoscere i principali archetipi dei media generativi — immagine, video, voce/musica, speech-to-text — e uno strumento reale in ciascuno
  • Capire come i modelli di media differiscono da un modello di chat testuale come Claude
  • Imparare le competenze durature: prompting per i media, iterazione, e input di riferimento
  • Rispettare i punti non negoziabili: diritti d'uso, provenienza/watermarking, ed etica su deepfake/consenso

Come i modelli di media differiscono da un LLM testuale​

Se hai usato solo un modello di chat, quattro differenze contano:

  • Output diverso, "corretto" diverso. Un modello testuale restituisce una migliore risposta perlopiù deterministica. Un modello di media restituisce un artefatto (un'immagine, una clip, una take vocale) dove non c'è un'unica risposta giusta — solo quelle che ti piacciono più o meno. Ne generi diverse e scegli.
  • Di solito non puoi modificare l'output modificando solo il prompt. Cambiare una parola può cambiare tutta l'immagine. Il controllo reale viene dagli input di riferimento (un'immagine di partenza, un'immagine di stile, una voce di riferimento) più i controlli specifici dello strumento, non solo le parole.
  • Seed e variazione fanno parte del workflow. Molti strumenti ti lasciano ri-lanciare, variare o bloccare un "seed" per la riproducibilità. L'iterazione è la norma, non un fallimento.
  • L'unità di costo è diversa. Il testo si fattura a token; i media si fatturano per immagine, secondo di video, o carattere/minuto di audio — e il video in particolare può diventare costoso in fretta.
Pro tip
  • Modello mentale: un modello testuale è uno scrittore che ti dà la risposta; un modello di media è una slot machine con un volante — tiri la leva, poi sterzi con riferimenti e ri-lanci finché è giusto.
  • Genera un lotto e cura. Il tuo gusto — sapere quale di 4 output è il migliore — è metà della competenza.

La mappa: archetipi e strumenti degni di nota​

Pensa per archetipi — gli schieramenti si rimescolano costantemente, le categorie sono stabili. Ogni strumento nominato sotto è stato verificato come esistente con un URL reale (in Fonti); le versioni specifiche sono lasciate volutamente vaghe perché cambiano.

Generazione di immagini (text-to-image)​

Trasforma un prompt testuale — e opzionalmente immagini di riferimento — in un'immagine fissa.

  • Midjourney — chiuso, ospitato; noto per una forte estetica di default e controlli di stile/riferimento.
  • OpenAI image generation (la linea DALL·E / GPT Image) — chiuso, ospitato; strettamente integrato in ChatGPT e nell'API.
  • La generazione di immagini di Gemini di Google ("Nano Banana") e Imagen — chiusi, ospitati; cablati in Gemini e Google Cloud.
  • Adobe Firefly — chiuso, ospitato; costruito per workflow creativi e addestrato con l'uso commerciale in mente (vedi diritti, sotto).
  • Stable Diffusion (Stability AI) e FLUX (Black Forest Labs) — famiglie di modelli a pesi aperti che puoi scaricare ed eseguire tu stesso, la spina dorsale dell'ecosistema di immagini locale/aperto.

Generazione di video (text/image-to-video)​

Genera brevi clip — sempre più con audio sincronizzato — da un prompt o un'immagine di partenza.

  • OpenAI Sora — un modello video di frontiera (nota: l'app consumer standalone è stata dismessa; il modello è continuato tramite API — un esempio da manuale del perché versioni/disponibilità diventano obsolete).
  • Google Veo — video di frontiera, con audio nativo nelle versioni recenti.
  • Runway — una suite creativa costruita attorno ai suoi modelli video della serie Gen.
  • Kling (di Kuaishou) e Pika — strumenti video in rapido movimento popolari per contenuti social/short-form.

Voce, parlato e musica (audio)​

  • ElevenLabs — chiuso, ospitato; text-to-speech realistico e strumenti vocali (la clonazione vocale ha implicazioni reali sul consenso — vedi etica).
  • Suno e Udio — generano canzoni intere (voce + strumentazione) da un prompt testuale.
  • OpenAI Whisper — la direzione opposta: speech-to-text (trascrizione). È a pesi aperti (licenza MIT), quindi puoi eseguirlo tu stesso o chiamare un'API ospitata. Lo speech-to-text è il cavallo di battaglia silenzioso dietro sottotitoli, note vocali e trascrizioni di riunioni.
Pro tip
  • Il più grande bivio (come per i modelli testuali): strumenti CHIUSI ospitati (spesso la migliore qualità, minima configurazione) contro modelli a PESI APERTI come Stable Diffusion, FLUX e Whisper che puoi self-hostare per privacy, controllo e costo inferiore su scala.
  • Non scegliere per classifica. Per il tuo aspetto/suono reale, genera qualche esempio reale in 2-3 strumenti e giudica con i tuoi occhi e le tue orecchie.

Come ottenere un buon risultato da un modello di media​

Il workflow è più simile a un servizio fotografico che a una ricerca Google. Questi passi sono agnostici rispetto allo strumento:

Guided walkthrough1 of 6
  1. Guida con il soggetto principale, poi aggiungi ambientazione, azione e atmosfera. 'Una volpe rossa' è debole; 'una volpe rossa acciambellata addormentata nella neve fresca, morbida luce mattutina' dà al modello qualcosa con cui lavorare.

Esempio di prompt di generazione immagini (medium → soggetto → stile → dettagli)

A cinematic wide-angle photograph of a lighthouse on a rocky cliff
at golden hour, waves crashing below, dramatic storm clouds parting.
Style: moody, high dynamic range, shot on a 24mm lens, shallow depth of field.
Mood: hopeful, epic. Aspect ratio 16:9.

Tip: if the result is close, change ONE element next pass
(e.g. "blue hour" instead of "golden hour") and re-roll —
or add a reference image to lock the look.

Diritti, provenienza ed etica — i non negoziabili​

L'AI dei media solleva questioni che la chat testuale di solito non pone. Trattali come parte del lavoro, non come un ripensamento.

Diritti d'uso e commerciali. Ogni strumento ha la propria licenza, e differiscono molto. Alcuni limitano l'uso commerciale, alcuni lo concedono solo su piani a pagamento, e gli output possono somigliare a opere protette da copyright o marchio. Adobe Firefly, per esempio, si appoggia su dati di addestramento scelti con la sicurezza commerciale in mente — ma dovresti comunque leggere la licenza reale per lo strumento e il piano su cui sei invece di presumere.

Provenienza e watermarking. Uno standard in crescita, C2PA / Content Credentials, allega metadati "etichetta nutrizionale" a prova di manomissione che registrano come un asset è stato creato e modificato. Molti strumenti principali di immagini e video ora lo incorporano. Mantieni intatta quella provenienza, e preferisci strumenti che la supportano — sta diventando la norma per media affidabili.

Deepfake, voci e consenso. La generazione realistica di volti e voci può impersonare persone reali. Non clonare una voce o una fisionomia senza consenso esplicito, non usare mai media generati per ingannare, e rispetta la legge nella tua giurisdizione. Il consenso alla clonazione vocale e la dichiarazione di contenuti generati dall'AI non sono solo etichetta — sempre più sono requisiti legali.

Watch out
  • I media generati possono portare limiti sui diritti d'uso e rischi di deepfake/consenso — controlla la licenza di ciascuno strumento e dichiara i contenuti generati dall'AI.

Cosa si trasferisce dalle tue competenze di AI testuale​

Buona notizia: molto di ciò che già sai si trasferisce.

  • Prompting chiaro e specifico — essere concreti su ciò che vuoi batte i desideri vaghi, in ogni modalità.
  • Iterazione invece di one-shot — lo stesso ciclo "bozza, critica, raffina" che useresti con Claude si applica, solo con ri-lanci e immagini di riferimento invece di messaggi di follow-up. Vedi Basi del prompting.
  • Scegliere lo strumento giusto per il compito — il framework da Scegliere un modello (prima i vincoli, poi un piccolo test nel mondo reale) funziona altrettanto bene per i media.
  • Capire cosa è davvero il modello — sapere che questi sono apprenditori di pattern, non magia, tiene dritte le tue aspettative e la tua etica. Vedi Fondamenti.

Mettiti alla prova​

Mettiti alla prova

0/4
  1. Qual è il modo più affidabile per controllare l'aspetto dell'output di un modello di media — oltre le parole?
  2. Quale di questi è uno strumento a PESI APERTI che puoi scaricare ed eseguire tu stesso?
  3. Cos'è C2PA / Content Credentials?
  4. Prima di usare media generati dall'AI commercialmente, la mossa più sicura è:

Flashcards​

Premi Invio o Spazio per girare la carta. Usa le frecce sinistra e destra per spostarti tra le carte.Termine mostrato.
1 / 6
Key takeaways
  • I media generativi sono un ramo dell'AI separato dalla chat testuale: crea immagini, video, voce e musica, e li guidi con riferimenti e ri-lanci, non solo parole.
  • Pensa per archetipi — immagine, video, voce/musica, speech-to-text — e ricorda il bivio chiuso-vs-pesi-aperti (es. Midjourney vs Stable Diffusion/FLUX; TTS ospitato vs Whisper aperto).
  • Le competenze durature si trasferiscono dall'AI testuale: prompting specifico, iterazione, e scegliere lo strumento giusto per il compito.
  • Diritti ed etica sono parte del lavoro: controlla la licenza per il tuo strumento e piano, mantieni la provenienza (C2PA/Content Credentials), ottieni consenso per voci/fisionomie, e dichiara i media generati dall'AI.
  • Le specifiche marciscono in fretta — verifica versioni, prezzi e capacità contro la pagina di ciascuno strumento prima di farci affidamento.

Fonti e approfondimenti​