Mainflayer

← Tutti gli articoli

Video fatti con l'AI: come li realizziamo, passo passo

· 14 min di lettura

Video fatti con l'AI: come li realizziamo, passo passo

Lo scorri nel feed e ti fermi. Un video con intelligenza artificiale: nessuna faccia, una voce che parla in italiano, scritte che compaiono a tempo con la voce. Pensi "carino", poi ti viene il dubbio: chi l'ha fatto? La risposta è nel video stesso: l'ha fatto una squadra di agenti AI. E lo dice senza giri di parole, ammettendo anche i suoi difetti: «potresti notare qualcosa che non funziona perfettamente… ma guardala diversamente».

Un video con intelligenza artificiale sembra magia, ma non lo è. È un lavoro fatto in passaggi. Il copione, la regia e l'OK finale li dà una persona; la macchina fa il lavoro ripetitivo. La qualità viene da tanti passaggi e da tanti tentativi. Qui ti raccontiamo come lo facciamo noi, dal copione al render, con la parte che fa la macchina e quella che resta alle persone. Se vuoi rifarlo con Claude Code, trovi gli agenti e i prompt più avanti, nella sezione «Come fare un video con Claude Code: gli agenti e i prompt».

Il video dura circa 72 secondi ed è in gran parte 2D: robottini piatti, un avatar illustrato, qualcosa che si muove sulla parola giusta. Non ci sono volti reali. Una cosa la dimostra mentre la dice. Una voce maschile parla di «cambiare lo stile della scena» e di «cambiare formato», poi la frase «cambiare voce!» la dice una voce femminile. Si può cambiare stile, voce e formato, dal 9:16 al 16:9.

Come si fa un video con intelligenza artificiale?

Il processo ha cinque passaggi. Non è un tasto da premere.

  1. Brief e approvazione. Prima di tutto c'è una domanda: cosa deve capire chi guarda, in quanto tempo, e dove esce. Il messaggio è uno solo. Lo decidono le persone: il marketing sceglie cosa pubblicare e quando, e il brief fissa piattaforme, durata e data.
  2. Copione. Il copione lo scrive una persona: in questo video, il fondatore. Se il copione non c'è, lo scrive un agente AI (cos'è un agente AI) a partire dal brief: scene, grafiche, musica e testo parlato. In entrambi i casi l'agente aggiunge un tag di tono tra parentesi quadre sulle frasi parlate, per esempio [knowing] o [curious], e corregge i refusi. L'agente non scrive codice. Prima di andare avanti, la persona approva copione e testo. Solo dopo si genera la voce.
  3. Voce e audio. Il testo approvato passa a una voce sintetica italiana generata con ElevenLabs, senza cambiare una parola. Poi arrivano i tempi, il mix con musica ed effetti, e le scritte a schermo allineate alle parole. Il fondatore ascolta e approva la traccia prima che si lavori alle scene.
  4. Regia e scene in codice. La regia scena per scena la descrive una persona: in questo video il fondatore, a parole. Un agente regista (in Claude Code, una skill) scrive le istruzioni per ogni gruppo di scene, poi più agenti lavorano in parallelo su un kit grafico comune. Usiamo Remotion, una libreria che permette di creare video con React. La sua licenza è gratuita per individui, aziende fino a 3 dipendenti e no-profit; oltre questa soglia serve una Company License (testo della licenza, verificato il 2026-10-16). Prima di passare il lavoro, gli agenti controllano il codice. I singoli fotogrammi li guarda la persona, nel file finale del passo successivo.
  5. Controllo, render e OK. Il render lo fa il fondatore sul suo PC, non sul server. Poi guarda l'MP4 e dà l'OK. Solo dopo il video si programma e si pubblica.

Nel nostro processo la macchina lavora su ciò che è già deciso: il video nasce da un messaggio scelto da una persona e da un copione approvato.

Il primo stop, quello sul copione, è il più importante. Se una battuta non convince o una scena non funziona, si cambia lì, sulla pagina. Dopo, cambiare costa di più: si rigenera la voce, si rifanno le scene, si rifà il render. Per questo il controllo umano sta all'inizio e alla fine, non solo in mezzo.

Non è banale, e non è un tasto: servono studio, prove ed errori. Quella voce femminile, per esempio, ha richiesto più tentativi prima di suonare naturale. E ogni video migliora il successivo, perché si analizza cosa ha funzionato e cosa no.

Cosa fa l'AI e cosa decide una persona?

Ecco come si divide il lavoro.

Passaggio Lo fa la macchina Lo decide una persona
Messaggio del video No Sì: è uno solo, e lo sceglie chi conosce il cliente
Copione Sì, se non c'è già; altrimenti aggiunge tag e corregge i refusi Sì, lo scrive o lo approva
Regia scena per scena Sì, gli agenti la scrivono in codice Sì, la descrive una persona (in questo video, il fondatore)
Testo parlato e tono Sì, aggiunge i tag di tono Sì, approva testo e tag prima della voce
Voce, musica, effetti Sì, li genera la macchina Sì, il fondatore ascolta e approva la traccia
Scene in codice e montaggio Sì, le scrivono gli agenti, e ne controllano il codice Sì, il fondatore guarda i fotogrammi nel file finale
Render e visione dell'MP4 Il render lo esegue il computer Sì, il fondatore guarda il file e dà l'OK
Pubblicazione No Sì
Cosa dichiarare al pubblico No Sì

Ci sono anche cose che l'AI, nel nostro processo, non fa. Non usa volti o voci di persone reali. Non mette loghi o interfacce di terzi. I personaggi sono robottini piatti e un avatar illustrato. E non inventa numeri: ogni cifra o affermazione deve stare in una fonte, altrimenti non entra nel copione.

Questa divisione si riassume così: il lavoro ripetitivo lo fa la macchina, il giudizio resta alle persone. In pratica, la macchina scrive le scene in codice, le persone decidono cosa dire e come si vede.

Come fare un video con Claude Code: gli agenti e i prompt

Per fare un video con l'AI con Claude Code definisci tre agenti (subagent) con ruoli stretti: uno sceneggiatore, un doppiatore che usa ElevenLabs per la voce, un editor che scrive le scene in Remotion. Una skill, /video, fa da regista e li coordina. Le persone decidono ai punti chiave: copione, voce e OK sul video finale. Qui sotto trovi i file da copiare.

Cosa serve per fare un video con Claude Code?

Ti servono cinque cose.

  • Claude Code, l'assistente di Anthropic che lavora nel terminale sui tuoi file.
  • ElevenLabs, il servizio che trasforma il testo in voce parlata tramite API, a pagamento a caratteri (prezzi ufficiali, verificato il 2026-10-21). Ti serve un account con chiave API.
  • Node.js e un progetto Remotion: la licenza è al passo 4 qui sopra.
  • Python per lo script della voce.
  • Una cartella per ogni video, con un file unico di configurazione (noi lo chiamiamo video.json: scene, testo parlato, scritte a schermo, musica).

Come si definisce un agente in Claude Code?

In Claude Code un agente è un subagent: un file Markdown in .claude/agents/<nome>.md. (Se non sai cos'è un agente AI, parti da qui.) In testa ha un frontmatter YAML con name, description (quando usarlo), tools (cosa può fare) e, se vuoi, model. Documentazione sui subagent. Un regista è una skill: un file in .claude/skills/<nome>/SKILL.md che si richiama con /<nome> e delega agli agenti. Documentazione sulle skill.

Consiglio pratico: tool stretti. Lo sceneggiatore non ha la shell; l'editor sì, per i controlli. Se non scrivi tools, l'agente può usare tutti gli strumenti.

Tre prompt di esempio (ispirati ai nostri, semplificati)

Li copi così come sono. Percorsi, ID di voci e cartelle li aggiungi tu; il modello lo scegli tu.

1. sceneggiatore.md: scrive il copione, scena per scena.

---
name: sceneggiatore
description: Scrive il copione di un video motion graphic senza volti, scena per scena, con il testo parlato per la voce. Non genera audio e non scrive codice.
tools: Read, Write, Edit, Glob, Grep
---

Sei lo sceneggiatore. Una persona approva il copione prima di qualsiasi voce.

## Come lavori
- Parti dal brief: un messaggio solo, durata, piattaforma, data.
- Scrivi `sceneggiatura.md` scena per scena: tempi, testo parlato esatto, testo a schermo e regia visiva, abbastanza precisa da scriverla in codice senza inventare.
- Ogni frase parlata ha un tag di tono tra parentesi quadre, per esempio `[curious]` o `[knowing]`.

## Regole
- Gancio nei primi 2 secondi. Circa 3 parole al secondo, al massimo.
- Ogni numero ha una fonte nel brief. Se non c'è, non entra.
- Niente volti reali, loghi o interfacce di terzi.

2. doppiatore.md: genera la voce solo dopo l'OK sul testo.

---
name: doppiatore
description: Genera la voce fuori campo con ElevenLabs solo dopo l'OK sul testo, poi unisce voce, musica ed effetti. Non cambia le parole.
tools: Read, Write, Edit, Bash
---

Sei il doppiatore. Trasformi il testo approvato in audio: puoi cambiare come si dice, mai cosa si dice.

## Come lavori
- Prima verifica la conferma esplicita sul testo. Senza, non generi nulla: la voce consuma crediti.
- Tono con il tag a inizio frase. Enfasi con la parola in MAIUSCOLO. Esitazione con `...`. Entusiasmo con `!`. Pause con virgole, punti o `[short pause]`.
- Lancia lo script della voce (`voce.py`, una versione minima è più sotto): una richiesta per frase, salvata in cache. Rigenera solo le frasi cambiate.
- Confronta le parole sentite con il testo approvato e segnala le pronunce sbagliate. Il copione non lo cambi tu.

## Regole
- Non leggere né stampare la chiave API.
- Nessuna voce clonata di persone reali.

3. editor.md: scrive le scene, un task alla volta.

---
name: editor
description: Scrive in Remotion (React e TypeScript) una scena o un gruppo di scene, seguendo il brief del regista. Solo codice delle scene.
tools: Read, Write, Edit, Glob, Grep, Bash
---

Sei un editor. Esegui solo il task che ti assegna il regista.

## Come lavori
- Leggi il brief: scene, file da toccare, criteri di accettazione, cosa non fare. Se manca un dettaglio, chiedilo: non inventare la regia.
- Tutto dipende dal frame (`useCurrentFrame()`). I tempi sono agganciati alle parole, non a secondi fissi.
- Riusa i componenti esistenti prima di scriverne di nuovi.

## Controlli
- Dopo ogni modifica: `npx tsc --noEmit`, poi un fotogramma con `npx remotion still`. Guardalo.

## Limiti
- Non tocchi i file generati né la configurazione del video. Non fai render né pubblichi.

La skill del regista (.claude/skills/video/SKILL.md):

---
name: video
description: Regista del video. Coordina sceneggiatore, doppiatore ed editor. Si richiama con /video.
---

# /video

1. **Brief.** Leggi il brief: messaggio unico, durata, piattaforma, data.
2. **Copione.** Passalo allo sceneggiatore. **Stop:** la persona approva il testo con i tag.
3. **Voce.** Dopo l'OK, passa il testo al doppiatore. **Stop:** la persona ascolta la traccia.
4. **Scene.** La persona descrive la regia scena per scena. Scrivi un brief comune (stile, regole, ritmo) e lancia più editor in parallelo, uno per gruppo di scene, ognuno sul suo file.
5. **Controllo.** Rivedi il diff contro il copione.
6. **Render.** Prepara il pacchetto per il render sul PC della persona. **Stop:** la persona guarda l'MP4 e dà l'OK.
7. Solo dopo, il video si programma o si pubblica.

Nel nostro ultimo video le scene le hanno scritte quattro editor insieme, ognuno sul suo file, con un kit grafico comune.

Prova tu: da dove partire

Non ti prometto tempi. Ti do un ordine per cominciare:

  1. Crea i tre file agente e la skill.
  2. Chiedi allo sceneggiatore un video di 30 secondi su un tema tuo.
  3. Leggi e correggi il testo. Il primo copione raramente è quello giusto.
  4. Genera la voce e ascoltala, due volte.
  5. Fai scrivere una scena alla volta e guarda il fotogramma prima di passare alla successiva.

Non è banale: servono prove ed errori, come dicevamo sopra.

ElevenLabs in italiano: come generare la voce con le API

ElevenLabs funziona bene in italiano: eleven_v3 supporta oltre 70 lingue, italiano compreso (modelli). Il testo approvato va all'API, che restituisce l'audio e i tempi di inizio e fine di ogni carattere.

  • Modello eleven_v3. Capisce i tag audio tra parentesi quadre. Sono istruzioni libere: per esempio [curious] ed [excited] sono nella documentazione. Noi usiamo anche [knowing] e [short pause], che nella nostra esperienza funzionano anche in italiano. Di norma il tag non viene letto: cambia il tono. Tag audio.
  • Endpoint con i tempi. POST https://api.elevenlabs.io/v1/text-to-speech/{voice_id}/with-timestamps, con header xi-api-key e corpo JSON (text, model_id, voice_settings). Risponde con l'audio in base64 e con l'alignment: inizio e fine di ogni carattere. Da lì ricavi il tempo di ogni parola. Documentazione.
  • Formato. output_format=pcm_24000: audio grezzo, da montare poi.
  • Una richiesta per frase, con cache. Se ne cambi una, rigeneri solo quella.
  • Crediti a caratteri. Si paga per carattere inviato: prima si approva il testo, poi si genera la voce. Prezzi: pagina ufficiale, verificato il 2026-10-21.

Come si scrive il testo per la voce?

Si cambia come va detto, mai le parole: tono con un tag a inizio frase, enfasi con la parola in MAIUSCOLO, esitazione con ..., entusiasmo con !, pause con virgole e punti (o [short pause] per le più lunghe). Esempio con una frase del nostro video.

Prima:

Questo video è frutto di un lavoro di squadra. Un team di agenti che collabora tra loro.

Dopo:

[knowing] Questo video è frutto di un lavoro di squadra! Un team di agenti che collabora tra loro!

Come si sceglie la voce?

Prendi una voce italiana dalla Voice Library e prova due o tre campioni sulla stessa frase. Secondo la guida ufficiale ElevenLabs, le voci clonate professionali non sono pienamente ottimizzate per eleven_v3: per quelle e per le voci della Voice Library il consiglio è provare Eleven v4. Noi abbiamo girato il video con eleven_v3: tu puoi provare entrambi. Niente voci clonate di persone reali senza consenso.

Come si cambia voce a metà frase?

È il trucco del nostro video: la frase dell'uomo resta intera, si silenziano solo le parole «cambiare voce» e al loro posto va una clip con la voce femminile. Le prese di eleven_v3 variano molto in durata per due parole: ne abbiamo generate tre e scelto la più naturale. Lezione: nella nostra esperienza i tempi di fine parola restituiti da ElevenLabs arrivano un po' prima del suono reale, quindi i tagli vanno nelle pause.

Come si chiama l'API in Python?

Lo script in Python chiama l'endpoint, salva audio e tempi in un JSON e stampa l'inizio di ogni parola. È il nostro script, ridotto all'osso. Salvalo come voce.py nella cartella del video.

import json, os, urllib.request

VOICE_ID = "ID_DELLA_VOCE"  # una voce italiana dalla Voice Library
URL = f"https://api.elevenlabs.io/v1/text-to-speech/{VOICE_ID}/with-timestamps?output_format=pcm_24000"
body = {"text": "[knowing] Questo video è frutto di un lavoro di squadra! Un team di agenti che collabora tra loro!",
        "model_id": "eleven_v3", "voice_settings": {"stability": 0.5}}
req = urllib.request.Request(URL, data=json.dumps(body).encode(), headers={
    "xi-api-key": os.environ["ELEVENLABS_API_KEY"], "Content-Type": "application/json"})
with urllib.request.urlopen(req, timeout=120) as r:
    res = json.loads(r.read())
assert res.get("alignment"), "nessun alignment nella risposta"
with open("clip.json", "w", encoding="utf-8") as f:
    json.dump({"audio": res["audio_base64"], "alignment": res["alignment"]}, f, ensure_ascii=False)

# inizio e fine di ogni parola, in secondi
al = res["alignment"]
words = [[]]
for ch, s, e in zip(al["characters"], al["character_start_times_seconds"], al["character_end_times_seconds"]):
    if ch == " ":
        words.append([])
    else:
        words[-1].append((ch, s, e))
for w in words:
    t = "".join(c for c, _, _ in w)
    if w and "[" not in t and "]" not in t:  # i tag non sono parole parlate
        print(f"{w[0][1]:6.2f} → {w[-1][2]:6.2f}  {t}")

Stampa, per ogni parola, inizio, fine e testo, in secondi.

I video fatti con l'AI vanno dichiarati?

La risposta breve è: sì. Le regole di trasparenza dell'AI Act sui contenuti generati da sistemi di AI, all'articolo 50, si applicano dal 2 agosto 2026. Per i sistemi già sul mercato prima di quella data, la marcatura leggibile da macchina può arrivare entro il 2 dicembre 2026 (testo dell'articolo 50 su EUR-Lex). Il fornitore del sistema marca i contenuti; chi usa l'AI per creare deepfake deve dichiararlo. Un video con robottini e voce sintetica non è un deepfake di persone reali: noi lo dichiariamo lo stesso, per scelta. Cosa cambia per PMI e professionisti lo trovi in AI Act: cosa cambia per PMI e professionisti.

Non siamo avvocati, e questo non è un parere legale. Il testo ufficiale è l'unico riferimento. Da parte nostra la scelta è semplice: un video fatto con l'AI si dice, e questo lo dice già nel titolo. Non serve una norma per essere onesti con chi guarda.

Vuoi un video così per la tua azienda?

Se ti stai chiedendo quando l'AI serve davvero e quando basta una regola fissa, leggi Quando usare l'AI (e quando basta un SE → ALLORA). Se invece vuoi un video così per la tua azienda, il primo passo è dirci cosa vuoi far capire ai tuoi clienti in pochi secondi. Il resto lo costruiamo da lì. Il video lo trovi sul nostro profilo Instagram @mainflayer: commenta VIDEO sotto il reel e ti mandiamo la guida in DM. Scrivici dal sito.

Hai un processo da semplificare?

Parliamone