Claude-a şəkil və video necə yaratdırdım

Problem modeldə yox, tablar arasında qaçmaqda idi

İş günü ərzində Claude-dan istədiklərimin çoxu vizualdır. Yazı üçün üz qabığı, təqdimat üçün illüstrasiya, landing üçün fotoreal bir əşya, hero bölməsi üçün beş saniyəlik loop. Düşünmə hissəsində Claude çox yaxşıdır, son addımda isə yaxın vaxta qədər tamam faydasız idi: özü bircə piksel də yarada bilmir.

Ona görə də proses belə görünürdü. İdeyanı çatda müzakirə et. Claude-dan onu strukturlu prompta çevirməsini istə, hər cümlədə bir fikir, İlk dəfə AI ilə video düzəltdim. Nəticə yazısında təsvir etdiyim kimi. Başqa tabda Midjourney, Higgsfield və ya Gemini aç. Yapışdır. Gözlə. Yüklə. Nəticəni çata geri sürüşdür və nəyi düzəltmək lazım olduğunu soruş. Düzəldilmiş promptu al. Yenidən tabı dəyiş. Bu dövrələrin sayı tamamilə şəklin mürəkkəbliyindən asılıdır: sadə bir əşya bir-iki cəhdə alınır, içində üç element olan səhnə bir axşamı yeyə bilər.

Bu dövrələrin heç biri yaradıcı iş deyildi. Bu, mübadilə buferi ilə iş idi.

Claude onsuz da hər promptu yazırdı. Sadəcə «generasiya» düyməsini basa bilmirdi. Bunu belə görən kimi həll yolu aydın oldu: daha ağıllı model axtarmaq yox, artıq istifadə etdiyim modelə başqasını çağırmaq imkanı vermək.

kie.ai nədir və beş hesab əvəzinə niyə bir açar?

kie.ai API-ları yenidən satan xidmətdir. Bir sorğu forması, bir açar, arxasında isə öncədən ödənilmiş kreditlərlə yenidən satılan kənar modellər: şəkil üçün GPT Image 2 və 1.5, Google-un Nano Banana 2 və Pro modelləri, Seedream 5, Flux-2 və Grok Imagine; video üçün Seedance 2.0, Kling 3.0, Veo 3.1, Wan və Hailuo; üstəlik Recraft-ın fon silməsi və Topaz-ın upscale-i kimi köməkçi alətlər. Siyahıda çat modelləri də var, o cümlədən GPT 6 Astra və Claude Fable 5, amma mən onlar üçün gəlməmişdim.

Hansı model olursa olsun, hər iş eyni üç çağırışdır: model sətri və input obyekti ilə POST createTask, vəziyyət waiting-dən success-ə keçənə qədər GET recordInfo, sonra resultUrls içindəkini yükləmək. Bir dəfə öyrənirsən, onlarla modeldə işləyir.

Məni qeydiyyatdan keçirən qiymətlər oldu. $25 ödədim və 5 000 kredit aldım, hər biri $0.005, abunə yox, son istifadə tarixi yox. Nano Banana 2 ilə bir şəkil mənə təxminən 8 kreditə başa gəlir. Bunu keçən ay Higgsfield haqqında yazdıqlarımla müqayisə edin: hər səhər açan adam üçün qiymətləndirilmiş gözəl alət, mən isə o adam deyiləm. Öncədən ödənilmiş kreditlər bir həftə səkkiz vizual lazım olan, növbəti həftə isə heç biri lazım olmayan adam üçündür.

Vicdanlı əks-tərəf: həm açarınızı, həm də fayllarınızı vasitəçiyə etibar edirsiniz. Rəylərdə Trustpilot-da 2,5 ulduz və yoxa çıxan kreditlərdən şikayətlər xatırlanır, nəticə linkləri isə təxminən 24 saat yaşayır, deməli yükləmək seçim yox, məcburiyyətdir. Mən artırmanı kiçik saxlayıram, faylları isə öz yanımda.

/kie-media skilli nədən ibarətdir?

Claude-da skill üstündə SKILL.md olan qovluqdur: zip-lənir, Customize > Skills bölməsindən yüklənir; təlimatlar tapşırıq uyğun gələndə yüklənir, qovluqdakı istənilən skript isə Claude-un kod sandbox-unda işləyir. Strukturu və qeydiyyat tələlərini AI skill-ləri düzgün necə qurmalı yazısında açmışdım, ona görə burada yalnız bu skillin içindəkilər.

Cəmi 647 sətir, və Claude-un hər işə salmada oxuduğu yeganə hissə SKILL.md-nin yuxarısıdır. Qalanı lazım olanda yüklənir, ona görə istinad cədvəlləri model sətri məsələsi ortaya çıxana qədər heç nəyə başa gəlmir.

Açar heç vaxt qovluğun içində olmur. Skript KIE_API_KEY-i mühitdən, ya da KIE_API_KEY_FILE-dakı yoldan oxuyur və heç biri yoxdursa aydın mesajla dayanır. Hər sessiyanın sıfırıncı addımı python3 scripts/kie.py doctor-dur: açarı, requests paketini və iki kie hostunun sandbox-dan əlçatan olduğunu yoxlayır:

✓ API key present
✓ requests importable
✓ reachable https://api.kie.ai
✓ reachable https://kieai.redpandaai.co
OK

Bu son yoxlama ona görə var ki, sandbox-un şəbəkə icazə siyahısı var və nəsə işləməzdən əvvəl həm api.kie.ai, həm də kieai.redpandaai.co ora əlavə edilməli idi. Skillin özünü yığmaq bircə xəta olmadan keçdi. İlk işə salmada unutduğum tək şey açar oldu. Doctor mənə dedi, əlavə etdim, hazır.

Claude hansı modeli seçir və promptu necə yazır?

Modeli skill məndən əvvəl seçir, SKILL.md-dəki marşrutlaşdırma cədvəlinə görə:

Bu cədvəldəki iki qayda yazıya alana qədər mənə ən baha başa gəldi. Generatordan heç vaxt ekran, üz, loqo və ya QR kod istəməyin. Yaradılmış interfeys mokapda saxtakarlığın bir nömrəli əlamətidir, ona görə prompt telefon ekranını düz #00FF00 rənglə doldurmağı istəyir, əsl skrinşot isə sonra yerinə qoyulur. Və heç vaxt şəffaf fon istəməyin: təmiz ağ üzərində yaradırıq, Recraft ilə kəsirik.

Promptlar şair üçün yox, fotoqraf üçün yazılıb. Yuxarı soldan, 45 dərəcə altında bir əsas işıq, sağdan doldurucu. Düşən kölgə yoxdur: onlar tərtibatda bir dəfə əlavə edilir ki, on iki assetdən ibarət dəst bir çəkiliş kimi oxunsun. Kamera 15-20 dərəcə yuxarıdan, 50 mm obyektiv. Hərfbəhərf yazılmayıbsa, mətn yoxdur. Pikselləri dəyişməyən sifətlər kəsilir. Bütün bunları deyən stil bloku --style-block ilə hər promptun əvvəlinə qoyulur, ilk asset təsdiqlənən kimi isə onun URL-i işığını və fakturasını təkrarlamaq göstərişi ilə --anchor kimi bütün sonrakı işlərə gedir.

Skilldəki batch şablonu eSIM tətbiqinin App Store skrinşotları üçün asset siyahısıdır: nano-SIM, çıxarıcı sancaq, hərfbəhərf mətnli çek, yaşıl ekranlı telefon tutan sağ əl. Hər birindən üç-dörd variant, çünki keyfiyyət seçimdən gəlir, variant isə qəpiklərə başa gəlir.

Bu yazı üçün canlı sınaqda nə baş verdi?

Claude-dan skill vasitəsilə bu yazının üz qabığı üçün namizəd düzəltməsini istədim, referanssız, ki, başqasının skrinşotunu yox, əsl rəqəmləri dərc edim. Yazdığı prompt bütövlükdə budur, çünki yapışdıra biləcəyiniz prompt hər hansı təsvirdən dəyərlidir:

Photorealistic still life, editorial product photography. A dark matte charcoal desk surface seen from slightly above at about 20 degrees, 50 mm lens look, no wide-angle distortion. In the lower-left third: a slim matte-black access keycard the size of a credit card with a small gold contact chip, lying at a 15-degree angle, nothing printed on it. Along the right edge: the front slot of a compact black photo printer, with five freshly printed glossy photographs fanning out of it onto the desk, the top one still slightly curled; the photographs show soft abstract colour fields and simple landscape shapes, no people, no faces, no text. The upper-left two thirds of the frame is clean empty desk surface, evenly and softly lit, kept free for a text overlay. One soft key light from the top-left about 45 degrees above, gentle fill from the right, soft shadows falling down-right. Cool, slightly desaturated palette with a warm highlight on the gold chip and the glossy prints. Sharp, high detail, real materials with micro-texture. No text, no logos, no screens, no hands, no watermark. Full-bleed background image, not on a white background.

Sonra əmr:

python3 scripts/kie.py image --model nano-banana-2 --prompt "…" --aspect 16:9 --res 2K --variants 3 --out kie-demo/cover

Əvvəl kredit: 4 323,18. aaa4ae6b… tapşırığı beş dəfə waiting cavabı verdi, sonra success. Bir 2K PNG, 2752×1536, 6,5 MB, 25,7 saniyə server vaxtına və düz 8 kreditə. Sonra kredit: 4 315,18.

Şəkli böyüt

Prompt beş çap istəyirdi. Model dörd verdi. Belə səhvi yalnız gözlə tutmaq olur, skillin susmaya görə bir yox, üç variant düzəltməsinin səbəbi də budur.

Sonra isə skript çökdü.

requests.exceptions.HTTPError: 403 Client Error: Forbidden for url: https://tempfile.aiquickdraw.com/workers/images/image_978f…png

Generasiya qaydasında idi. Yükləmə yox. kie nəticələri sandbox-un icazə siyahısında heç vaxt olmayan üçüncü host tempfile.aiquickdraw.com-da saxlayır və proxy bunu başlıqda açıq dedi: x-deny-reason: host_not_allowed. Aydın olan yolu sınadım, faylı kie-nin öz yükləmə endpoint-i ilə yenidən yerləşdirdim, və tempfile.redpandaai.co-da link aldım. O da bloklanıb. Doctor keçir, çünki yalnız bildiyim iki hostu yoxlayır. Çarəsi icazə siyahısında daha iki sətir, doctor isə indi üçüncü hostu da yoxlamalıdır.

Kliplə də eyni oldu, sadəcə çökmədən: skillin funksiyalarını yükləməni ötürən sarğıdan çağırdım. İlk kadr kimi eyni şəkil, Seedance 2.0 Mini, 5 saniyə, 720p, səssiz. Prompt skillin verdiyi sıra ilə gedir: obyekt, hərəkət, kamera, işıq, müddət:

The same still life: a matte-black keycard lying on a dark desk and glossy photographs fanning out of a compact black photo printer at the right edge. Action: one more glossy photograph slowly slides out of the printer slot and settles onto the pile with a soft curl; the keycard stays still. Camera: slow, steady push-in toward the printer slot, no handheld shake, no cuts. Light: one soft key light from the top-left, unchanged. 5 seconds. No text, no logos, no people, no hands, realistic motion, no slow-motion effect.

Hər ikisindən sonra balans: 4 274,18. Bütün demo 49 kreditə, yəni təxminən 25 sentə başa gəldi, qaçdığım yeganə dövrə isə şəbəkə ayarlarına qədər oldu.

Bu, əslində nəyə başa gəlir?

Pul ən asan hissədir. Bugünkü sınağa qədər 677 kredit xərclənib; hər biri şəkil olsaydı, bu $3.39-a təxminən 84 şəkil deməkdir. Əsl xərclər başqa yerdədir.

Claude-un sizin yerinizə bağlaya bilməyəcəyi boşluq zövqdür. O, əksər insanlardan yaxşı prompt yazacaq, ağlabatan model seçəcək, səhnəni eyni işıqla quracaq və sizə üç variant verəcək. Amma doğrusunun ikinci olduğunu, ya da bütün ideyanın səhv olduğunu deməyəcək. Keçən ay video loop-larda çatışmayan 2,5 bal haqqında yazdığımla eynidir: alət sürətləndi, art-direksiyanı isə hələ də mən öyrənməliyəm.

Qalan dövrə

Aradan qaldırdığım dövrə iki brauzer tabı arasında gedirdi. Qalan dövrə mənimlə şəkil arasında gedir və onu saxlamaq istəyirəm: qərarlar məhz orada yaşayır.

Siyahıda növbəti: bir assetin təsdiqlənmiş kadrını bütöv dəst üçün lövbər kimi vermək və on iki generasiyanın həqiqətən bir çəkiliş kimi oxunub-oxunmadığına baxmaq, klipə isə ilk kadrla yanaşı son kadr da vermək ki, beş saniyəlik loop sürüşmək əvəzinə öz üstünə qapansın. Skilldə hər ikisi bir flag məsafəsindədir. Heç biri tablar arasında dövrə deyil.

Claude indi «generasiya» düyməsini basır. Nəyin buna layiq olduğuna qərar vermək hələ də mənim işimdir.