I video AI imparano la fisica: costi, limiti e nuove regole

La nuova guida di Unite.AI riporta al centro un punto spesso perso nel dibattito sui video sintetici: un generatore video non è un generatore di immagini ripetuto ventiquattro volte al secondo. È un sistema che prova a trasformare testo, immagini, video di riferimento o segnali di controllo in una sequenza temporalmente coerente, e il suo successo si misura soprattutto su ciò che accade tra un fotogramma e l’altro. L’articolo, firmato da Jonas Reeve e indicato dalla stessa testata come contenuto prodotto da un agente di ricerca AI e revisionato editorialmente, propone una mappa in cinque fasi: codifica dell’input, inizializzazione di una rappresentazione spazio-temporale rumorosa, previsione congiunta di moto e aspetto, rimozione del rumore o trasporto del latente, decodifica con controlli di consistenza secondo Unite.AI.

Questa distinzione è diventata più importante perché i modelli video sono passati in pochi anni da esperimenti brevi e instabili a strumenti integrati in suite creative, API e prototipi di simulazione. OpenAI ha descritto Sora come un modello di diffusione capace di partire da rumore statico e trasformarlo gradualmente in video, usando una rappresentazione a “patch” spazio-temporali simile ai token dei modelli linguistici nel suo annuncio tecnico. Google DeepMind parla oggi di Veo 3.1 come di un modello video con audio nativo, controlli creativi e watermark SynthID nella scheda ufficiale. Meta, con Movie Gen, ha pubblicato un paper su modelli capaci di generare video 1080p con audio sincronizzato e editing testuale nella pubblicazione di ricerca.

Che cosa fa davvero un generatore video

Il primo passaggio è la codifica dell’input. Il prompt testuale viene trasformato in una rappresentazione numerica; eventuali immagini di riferimento, video iniziali, maschere, pose, traiettorie di camera o fotogrammi chiave vengono portati nello stesso spazio operativo. In prodotti come Adobe Firefly, l’utente può descrivere scena, emozione, impostazione e movimenti di camera, mentre il sistema può usare modelli Adobe o modelli partner selezionati dal menu secondo la documentazione aggiornata di Firefly. Questa fase non è accessoria: se il prompt è ambiguo o i riferimenti visivi sono incoerenti, l’errore si propaga nella sequenza.

Il secondo passaggio è la costruzione di uno spazio latente video. Nei sistemi di diffusione, il modello non lavora necessariamente sui pixel finali, ma su una rappresentazione compressa che conserva informazione visiva e temporale. Stable Video Diffusion di Stability AI, per esempio, è stato presentato come un modello di latent video diffusion e il relativo paper descrive tre stadi di addestramento: pretraining testo-immagine, pretraining video e finetuning su video di alta qualità nella sintesi di ricerca. In pratica, il sistema impara prima a rappresentare bene l’apparenza, poi il movimento, poi la qualità desiderata dal prodotto.

Il cuore della generazione è la previsione congiunta di aspetto e movimento. Qui sta la differenza con una sequenza di immagini indipendenti: il modello deve mantenere lo stesso volto, la stessa giacca, la stessa tazza sul tavolo, lo stesso rapporto tra camera e scena, anche quando un oggetto esce dall’inquadratura e rientra. La pagina tecnica di Sora spiegava che dare al modello “previsione” su molti frame aiuta a mantenere il soggetto coerente anche quando sparisce temporaneamente dalla vista; la stessa architettura usa un trasformatore, come nei GPT, ma applicato a patch visive secondo OpenAI.

La fase successiva è il denoising, o più in generale il trasporto della rappresentazione verso un campione plausibile. Nei modelli di diffusione classici, il sistema parte da rumore e lo rimuove passo dopo passo; in molte architetture più recenti entrano varianti come flow matching, trasformatori multimodali e modelli autoregressivi-diffusivi. Il risultato viene poi decodificato in fotogrammi, portato alla risoluzione finale, eventualmente sincronizzato con audio, parlato o effetti sonori, e sottoposto a controlli di policy, filtri e watermark.

Perché la coerenza temporale è il problema centrale

Unite.AI identifica il fallimento tipico: piccoli errori di identità o geometria si accumulano e diventano sfarfallii, oggetti che cambiano forma, mani che perdono dita, riflessi impossibili o movimenti fisicamente incoerenti. È una diagnosi condivisa dai benchmark accademici. VBench, presentato a CVPR 2024, scompone la qualità dei generatori video in 16 dimensioni, tra cui inconsistenza dell’identità del soggetto, fluidità del movimento, flickering temporale e relazioni spaziali nel paper ufficiale. Non basta quindi chiedere se un video “sembra bello”: bisogna misurare se regge nel tempo.

Runway ha costruito molta della comunicazione di Gen-4 proprio su questo punto. L’azienda descrive il modello come pensato per la “world consistency”: personaggi, luoghi, oggetti e stile devono restare coerenti tra scene diverse usando riferimenti visivi e istruzioni, senza richiedere fine-tuning aggiuntivo secondo la pagina di ricerca e prodotto. È lo stesso problema che interessa chi produce pubblicità, previsualizzazione, videoclip, asset per videogiochi o contenuti social seriali: un personaggio che cambia volto tra un’inquadratura e l’altra non è utilizzabile in produzione.

Il confronto tra modelli mostra anche quanto le dichiarazioni ufficiali vadano lette con attenzione. Sora è stato descritto nel 2024 come capace di generare video fino a 60 secondi in alta definizione, ma il prodotto web e app è stato dismesso il 26 aprile 2026 e l’API il 24 settembre 2026 secondo il centro assistenza OpenAI. Movie Gen di Meta dichiara video di 16 secondi a 16 frame al secondo, mentre la documentazione Adobe per il modello partner Runway Gen-4.5 in Firefly indica durate selezionabili di 5, 8 o 10 secondi a 720p nella guida Adobe. World Labs, con Atlas, dichiara fino a 1 minuto a 1440p con controllo di camera nel lancio del modello.

Durata dei clip indicata dalle fonti ufficialiValori in secondi

• Sora ricerca60
• Movie Gen16
• Veo 3.1 test8
• Runway Gen-4.5 in Firefly10
• Atlas60

Dal video sintetico al modello del mondo

La parola chiave che collega i generatori video più avanzati ai nuovi sistemi di simulazione è world model. OpenAI aveva già definito Sora un passo verso modelli capaci di comprendere e simulare il mondo fisico, pur riconoscendo limiti nella fisica di interazioni semplici come la rottura del vetro nel technical report del 2024. La tesi è chiara: se un modello riesce a prevedere come una scena evolve, può diventare utile non solo per fare video, ma per addestrare agenti, robot e sistemi che devono agire.

Google DeepMind ha spinto questa idea con Genie 3, definito un modello del mondo interattivo in tempo reale. A differenza di un generatore video che produce un clip chiuso, Genie 3 genera ambienti fotorealistici esplorabili, a 720p e 20-24 frame al secondo, ricordando dettagli già visti quando l’utente ritorna in un punto della scena secondo DeepMind. La pagina ufficiale segnala però limiti importanti: durata di interazione ancora di pochi minuti, spazio d’azione limitato, difficoltà nel simulare più agenti indipendenti e luoghi reali con perfetta accuratezza.

NVIDIA usa un linguaggio più industriale con Cosmos, una famiglia di modelli per physical AI. L’azienda afferma di aver addestrato i primi modelli Cosmos su 20 milioni di ore di video e 9.000 trilioni di token legati a interazioni umane, ambienti, robotica, industria e guida, con l’obiettivo di generare dati sintetici e simulare scenari per robot e veicoli autonomi nel blog ufficiale. Qui il video sintetico non è un contenuto da pubblicare, ma una “palestra” controllata per sistemi fisici.

Atlas di World Labs aggiunge un altro tassello: nasce per la cosiddetta spatial intelligence e combina testo, immagini, video e 3D in un contesto spaziale condiviso. La società lo descrive come un trasformatore autoregressivo-diffusivo multimodale capace di generare nuove viste coerenti a partire da una o più immagini, ricostruire scene e simulare spazio-tempo secondo World Labs. È un passaggio rilevante perché sposta il controllo dalla sola descrizione linguistica alla posizione della camera e alla geometria della scena.

Quanto costa generare video con le API

Per sviluppatori e aziende, il limite non è solo qualitativo. È anche economico. La generazione video consuma più calcolo della generazione di immagini perché ogni richiesta produce molti frame, spesso audio, upscaling e controlli di sicurezza. Nei listini pubblici, Google indica per Veo 3.1 prezzi da 0,05 dollari al secondo per la versione Lite a 0,40 dollari al secondo per la versione Standard con audio; Runway Dev mostra Gen-4 Turbo a 0,05 dollari al secondo e Gen-4.5 a 0,12 dollari al secondo nei prezzi Gemini API e nel listino Runway Dev. Un minuto grezzo può quindi costare da circa 3 a 24 dollari, prima di scarti, iterazioni e montaggio.

Prezzo API per secondo di video

• Veo 3.1 Lite 720p$0,05
• Veo 3.1 Fast 720p$0,10
• Veo 3.1 Standard audio$0,40
• Runway Gen-4 Turbo$0,05
• Runway Gen-4.5$0,12

Questo cambia il modo in cui le aziende italiane dovrebbero valutare questi strumenti. Per una redazione, un’agenzia o un reparto marketing non basta chiedere “quale modello è più bello”: bisogna stimare quante prove servono per arrivare a una clip approvabile, se l’audio è incluso, se l’output è riutilizzabile commercialmente, quali diritti copre il fornitore e come vengono gestiti dati, prompt e riferimenti caricati. Adobe insiste sulla sicurezza commerciale di Firefly e sull’integrazione con Premiere, Photoshop ed Express, ma nella stessa documentazione spiega che Firefly può ospitare anche modelli partner con impostazioni, risoluzioni e consumi di crediti diversi nella guida ai modelli partner.

Il problema dell’audio e dei controlli creativi

Il salto recente non riguarda solo l’immagine. I generatori più competitivi integrano voce, suoni ambientali ed effetti. Sora 2, annunciato il 30 settembre 2025, era presentato da OpenAI come un modello video-audio con dialoghi ed effetti sincronizzati, migliore nella fisica e più controllabile del predecessore; la stessa pagina oggi segnala però la discontinuità del prodotto Sora nell’annuncio ufficiale. Veo 3.1 porta l’audio nativo dentro l’ecosistema Google, ma DeepMind segnala che la generazione di parlato naturale e coerente, soprattutto in segmenti brevi, resta un’area di sviluppo attivo nella sezione Limitations.

I controlli creativi sono l’altra frontiera. I modelli più utili non sono quelli che producono una clip sorprendente una volta su dieci, ma quelli che permettono di ripetere, correggere e dirigere. Primo e ultimo fotogramma, immagini di riferimento, camera path, composizione da video esistente, seed, rapporto d’aspetto e risoluzione sono diventati parametri di produzione. Firefly indica, per tutti i video generati nell’esperienza principale, un default di 24 FPS e consente l’uso di riferimenti di composizione; Runway promette coerenza di personaggi e oggetti attraverso scene; Atlas spinge sul controllo “pixel-perfect” della camera. È il passaggio dal prompt come scommessa al prompt come parte di una pipeline.

Rischi, etichette e responsabilità

Più il video generato diventa realistico, più aumentano i rischi di impersonificazione, deepfake, disinformazione e violazione dei diritti di immagine. OpenAI, nel documento su Sora 2, citava tra i rischi l’uso non consensuale della somiglianza e generazioni fuorvianti, con accesso iniziale a inviti, restrizioni sugli upload di persone fotorealistiche e salvaguardie rafforzate sui minori nella system card. Google usa SynthID per watermark invisibili su contenuti generati, compresi segmenti video secondo DeepMind. Adobe applica Content Credentials ai contenuti Firefly generati integralmente, in linea con lo standard C2PA nella documentazione Firefly.

Per chi opera in Europa, la questione non è più soltanto reputazionale. Le obbligazioni di trasparenza dell’AI Act si applicano dal 2 agosto 2026: i fornitori di sistemi che generano audio, immagini, video o testo sintetico devono predisporre marcature rilevabili in formato machine-readable quando tecnicamente fattibile, mentre chi diffonde deepfake deve dichiararne la natura artificiale in modo appropriato secondo l’articolo 50. La Commissione europea segnala anche un periodo transitorio fino al 2 dicembre 2026 per alcuni sistemi già immessi sul mercato prima del 2 agosto, limitatamente agli obblighi di marcatura e rilevabilità nella timeline applicativa.

La regola pratica per aziende, sviluppatori e creator è quindi separare tre livelli. Il primo è tecnico: il modello mantiene coerenza, fisica, testo leggibile e audio sincronizzato? Il secondo è economico: quante iterazioni servono e quanto costano al secondo? Il terzo è giuridico-operativo: esistono consenso, licenza, etichettatura, tracciabilità e revisione umana? È qui che la mappa proposta da Unite.AI resta utile: seguire il flusso dall’input all’output permette di capire dove nasce l’errore, dove si può intervenire e quando un video sintetico non dovrebbe essere pubblicato.

Domande e risposte

Come funziona tecnicamente un generatore video AI?

Un generatore video AI codifica prompt, immagini o video di riferimento, crea una rappresentazione spazio-temporale latente e la trasforma progressivamente in una sequenza coerente. Nei modelli di diffusione il processo parte da rumore e lo rimuove in più passaggi; poi un decoder produce i frame finali, spesso con upscaling, audio e controlli di sicurezza.

Qual è la differenza tra generatore video AI e world model?

Un generatore video produce un clip chiuso a partire da un input. Un world model prova invece a simulare un ambiente che evolve e può reagire ad azioni o controlli. Google DeepMind Genie 3, per esempio, genera mondi esplorabili in tempo reale a 720p e 20-24 FPS, ma resta limitato a pochi minuti di interazione.

Quanto costa usare le API per generare video con intelligenza artificiale?

I prezzi pubblici variano molto. Al 24 ottobre 2026, Google indica Veo 3.1 da 0,05 a 0,40 dollari al secondo a seconda della versione, mentre Runway Dev mostra Gen-4 Turbo a 0,05 dollari al secondo e Gen-4.5 a 0,12 dollari. Un minuto può quindi costare circa 3-24 dollari, esclusi tentativi scartati.

I video generati con IA devono essere etichettati in Europa?

Sì, dal 2 agosto 2026 l’articolo 50 dell’AI Act impone obblighi di trasparenza per contenuti sintetici e deepfake. I fornitori devono predisporre marcature machine-readable quando tecnicamente fattibile, mentre chi diffonde deepfake deve indicare che il contenuto è generato o manipolato artificialmente, con alcune eccezioni previste dalla norma.

Sora di OpenAI è ancora disponibile per generare video?

No. OpenAI indica che le esperienze web e app di Sora sono state dismesse il 26 aprile 2026 e che l’API Sora è stata dismessa il 24 settembre 2026. I documenti tecnici di Sora restano però rilevanti per capire diffusione, patch spazio-temporali e idea di video generation come simulazione del mondo.