Rolka z AI po polsku krok po kroku: scenariusz, kadry, animacja, lektor i napisy w 9:16

Rolkę z AI po polsku da się zrobić bez kamery i bez własnego głosu w jedno popołudnie. Mój przepis: scenariusz w czacie, 4-6 pionowych kadrów z generatora obrazów, animacja każdego kadru (zdjęcie -> wideo), polski lektor AI, napisy i montaż w CapCut. Poniżej cały proces z promptami, które naprawdę użyłem, i uczciwe porównanie narzędzi.

Co będzie potrzebne

Zanim odpalisz jakikolwiek generator, ustal trzy rzeczy. To one decydują, czy rolka wyjdzie spójna, czy będzie zlepkiem przypadkowych klipów.

1. Jeden temat i jeden hook. Pierwsze 2 sekundy muszą powiedzieć, o co chodzi. Mój przykład: „Ta piekarnia otwiera się o 5:00 i nikt tego nie widzi”.
2. Jeden styl wizualny. Ten sam opis światła i kliszy w każdym prompcie (u mnie: „35mm film look, muted teal and amber”).
3. Długość lektora. Polski lektor mówi mniej więcej 2-2,5 słowa na sekundę. Na 30 sekund to ok. 60-70 słów, nie więcej.

Krok 1: scenariusz w czacie

Proszę czat (ChatGPT, Gemini, Claude - obojętne) o scenariusz w tabeli: numer ujęcia, czas, co widać, tekst lektora. Prompt, który u mnie działa:

Napisz scenariusz rolki 9:16 na 30 sekund po polsku. Temat: poranek w małej osiedlowej piekarni. 
Format: tabela z kolumnami: ujęcie, czas (s), co widać w kadrze (po angielsku, jako prompt do generatora obrazów, styl "35mm film look, muted teal and amber, no text"), tekst lektora (po polsku, max 15 słów na ujęcie).
Zasady: 4 ujęcia, hook w pierwszych 2 sekundach, bez twarzy na pierwszym planie, ostatnie ujęcie z call to action w głosie, nie na ekranie.

Kolumnę „co widać” dostaję od razu po angielsku, więc wklejam ją prosto do generatora. Tekst lektora czytam na głos ze stoperem. Jeśli nie mieszczę się w czasie - tnę słowa, nie przyspieszam głosu.

Krok 2: kadry 9:16 (storyboard)

Każde ujęcie to najpierw obraz w pionie. Wygenerowałem cztery kadry lokalnie w Z-Image Turbo (ComfyUI na RTX 4090, 768x1344, ok. 15 sekund na kadr, 0 zł). Postaci nie pokazuję z twarzą - dłonie piekarza wystarczą, a omija to problem „inna twarz w każdym ujęciu”.

Prompt pierwszego kadru, w całości:

vertical cinematic frame, early morning in an old Polish tenement courtyard, steam rising from a cup of coffee on a windowsill, soft fog, 35mm film look, muted teal and amber, no people, no text

Co mi wyszło, a co nie:

• Kadr 1 (kawa w oknie) - najlepszy, idealny pod animację pary.
• Kadr 2 (dłonie i ciasto) - dłonie wyszły poprawnie za pierwszym razem, co przy Z-Image nie jest regułą.
• Kadr 3 (pieczywo w witrynie) - model dorzucił dziwne posypki na bułkach. Na rolce przez 4 sekundy tego nie widać, w poście bym poprawił.
• Kadr 4 (rower) - zamiast polskiego bochenka wyszła bagietka, a tramwaje mają nieczytelne „napisy”. Rozmycie tła ratuje sprawę.

Jak pisać takie prompty od zera, rozpisałem w tekście prompt do zdjęć AI - jak pisać, a który darmowy generator daje najlepsze kadry - w teście darmowych generatorów obrazów.

Krok 3: animacja kadrów (zdjęcie -> wideo)

Teraz każdy kadr wrzucam do narzędzia image-to-video z krótkim promptem ruchu. Wideo w tym tekście nie pokazuję (nie generowałem go na potrzeby tego artykułu), ale prompty poniżej to te, których używam. Więcej o samej animacji i promptach ruchu kamery piszę w poradniku o animacji zdjęć AI.

Slow push-in towards the coffee cup, steam rising and curling gently, light fog drifting in the courtyard behind the glass, static camera otherwise, no new objects, 5 seconds.

Zasady promptu ruchu:

1. Jeden ruch kamery na ujęcie (push-in, pan, tilt, static).
2. Jeden ruch w kadrze (para, mąka, światło), nie pięć.
3. Na koniec „no new objects” - mniej halucynacji.

Krok 4: polski lektor

Mam dwie sensowne drogi:

• ElevenLabs - polski jest oficjalnie obsługiwany w modelach mowy (Eleven v3 i nowszych), głosy brzmią naturalnie i dają się sterować emocją. Plan Free daje 10 000 kredytów miesięcznie, ale bez licencji komercyjnej. Starter to 6 USD miesięcznie i ma już licencję komercyjną (stan na 8 października 2026, cennik elevenlabs.io).
• CapCut, Tekst na mowę - wygodne, bo od razu na osi czasu. Liczba polskich głosów zależy od wersji aplikacji, więc sprawdź u siebie.

Szczegółowy test głosów jest w tekście lektor AI po polsku. Jedna rada, która oszczędza najwięcej poprawek: liczby i skróty pisz słownie („piątej rano”, nie „5:00”).

Krok 5: montaż, napisy i eksport w CapCut

1. Nowy projekt, proporcje 9:16.
2. Wrzuć klipy w kolejności ze scenariusza, przytnij każdy do czasu z tabeli.
3. Dodaj plik lektora, dopasuj cięcia do zdań (cięcie na pauzie, nie w środku słowa).
4. Napisy -> Automatyczne napisy -> język polski. Przejrzyj każde słowo: nazwy własne i odmiana to najczęstsze błędy.
5. Ustaw napisy w środkowej części kadru - dół i prawą krawędź zasłaniają przyciski TikToka i Instagrama.
6. Muzyka cicho pod lektorem (ok. -20 dB względem głosu).
7. Eksport 1080x1920, 30 kl./s.

Porównanie narzędzi (stan na 8 października 2026)

Ceny w zł pochodzą z polskich cenników (App Store PL dla CapCut, polskie ceny Google podawane przez spidersweb.pl), ceny w USD z cenników producentów i zestawień z ostatnich tygodni. Przed zakupem sprawdź ekran płatności - ceny subskrypcji zależą od kraju konta.

Gotowiec: wszystko w jednym narzędziu

Jeśli nie chcesz skakać między czterema serwisami, robię własny projekt, który skleja te kroki w jedno okno - po polsku od początku do końca.

ZWID to generator filmów AI po polsku: opisujesz scenę albo rozmawiasz z Asystentem, możesz dorzucić do 10 własnych zdjęć jako referencje, a dostajesz MP4 w pionie, kwadracie albo poziomie (720p, Full HD albo 4K), z lektorem i napisami. Film 30-sekundowy kosztuje 30 zł w 720p, 45 zł w Full HD i 60 zł w 4K (brutto), 1 kredyt = 1 zł, bez abonamentu, z fakturą VAT. Uczciwie: na dziś testy są zamknięte, można się bezpłatnie zapisać na zwid.pl/beta.

Najczęstsze błędy

• Za dużo tekstu lektora - rolka pędzi, napisy nie nadążają.
• Każdy kadr w innym stylu - widz czuje „składankę z AI”.
• Twarz tej samej postaci w kilku ujęciach bez referencji - za każdym razem inna osoba.
• Napisy na samym dole - znikają pod opisem i przyciskami.
• Brak oznaczenia treści AI - TikTok i Instagram mają przełącznik „treść wygenerowana przez AI”, warto go używać.

Więcej poradników o wideo znajdziesz w dziale Wideo i rolki, a o głosie i muzyce w dziale Muzyka i głos.

Najczęstsze pytania

Jak zrobić rolkę z AI za darmo?

Kadry wygenerujesz w darmowym generatorze obrazów, animację w darmowych kredytach Klinga albo Runwaya (ze znakiem wodnym), lektora i napisy w darmowym CapCut. Wyjdzie rolka do testów, ale do użytku komercyjnego darmowe plany zwykle się nie nadają.

Czy AI mówi dobrze po polsku w rolkach?

Lektor AI - tak, ElevenLabs czyta po polsku bardzo naturalnie, trzeba tylko pisać liczby słownie. Gorzej z modelami wideo, które same generują mowę - polski bywa tam z obcym akcentem, dlatego lektora robię osobno.

Jaki format ma mieć rolka na TikToka i Instagram?

Pion 9:16, 1080x1920 pikseli, MP4. Ważne elementy trzymaj w środku kadru, bo dół i prawą krawędź zasłania interfejs aplikacji.

Czy Sora działa w Polsce?

Nie. Sora nigdy oficjalnie nie wystartowała w UE, a 26 kwietnia 2026 OpenAI wyłączyło ją na całym świecie. Zamiast niej zostają Veo 3.1, Kling, Runway i serwisy zbiorcze typu Higgsfield.

Ile trwa zrobienie 30-sekundowej rolki z AI?

Same kadry z tego tekstu generowały się po ok. 15 sekund każdy, animacja jednego ujęcia w serwisach chmurowych to zwykle od kilkudziesięciu sekund do kilku minut w kolejce. Najwięcej czasu i tak idzie na poprawki: odrzucone kadry, dopasowanie lektora do cięć i korektę napisów. Kolejne rolki w tym samym stylu idą szybciej, bo prompty i styl już są.

Źródła

• ElevenLabs - cennik - sprawdzone 8.10.2026
• CapCut w App Store (Polska) - ceny subskrypcji - sprawdzone 8.10.2026
• Spidersweb: ceny Google AI Plus i Pro w Polsce - sprawdzone 8.10.2026
• Google: plany Google AI (Veo 3.1, Flow) - sprawdzone 8.10.2026
• Benchmark.pl: zdjęcie na wideo w Gemini w Polsce - sprawdzone 8.10.2026
• OpenAI: Sora - zakończenie działania - sprawdzone 8.10.2026
• Kling AI - cennik (zestawienie z września 2026) - sprawdzone 8.10.2026
• Runway - plany i kredyty (zestawienie) - sprawdzone 8.10.2026
• Higgsfield - zmiany planów w 2026 - sprawdzone 8.10.2026
• CapCut - automatyczne napisy - sprawdzone 8.10.2026