AI ile üretilen videolar neden otomatik olarak henüz film değil

Klipten sahneye sıçrama kademeli bir adım değildir

Görüntü kalitesi büyük ilerleme kaydetti, bu tartışılmaz. OpenAI, Sora 2'yi „big leap forward in controllability“ olarak tanımlıyor; modelin „intricate instructions spanning multiple shots“ talimatlarını „while accurately persisting world state“ izleyebildiğini söylüyor (OpenAI, „Sora 2 is here“). Google DeepMind ise teknik raporunda kendi modeline hatta „bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles“ atfediyor (Veo 3 Technical Report). Böyle klipleri ilk kez gören biri, film yapımının bununla büyük ölçüde çözülmüş olduğu izlenimine kolayca kapılır.

Ancak yanıltan tam da bu izlenimdir. Bir film, güzel tek karelerin peş peşe dizilmesi değil; düzinelerce plan, sahne ve yapım aşaması boyunca birbirine uyması gereken, kontrol edilmiş kararlar zinciridir. Bir karakter, sonraki planda da aynı karakter olmalı; bakış doğru yöne gitmeli ki bir shot-reverse-shot işlesin; ve bir aksesuar, genel planla yakın plan arasında kaybolmamalı. Bu gereklilikler kulağa sıradan gelse de zanaatın asıl özüdür — ve üretken modeller tam burada, salt görüntü kalitesinden daha yüksek bir eşikle karşılaşır.

Sık sık birbirine karıştırılan beş kademe ayırt edilebilir: etkileyici demo klibi, kontrol edilebilir film sahnesi, tekrarlanabilir yapım süreci, tamamlanmış film ve uzun vadeli anlatılan dizi. Her biri bir öncekinden daha katı tutarlılık ve yönlendirilebilirlik talep eder; ilkini parlak biçimde başaran bir model, beşincisi hakkında neredeyse hiçbir şey söylemez.

Asıl sınav çözünürlük değil, sürekliliktir

Tutarlılıktaki ilerleme gerçektir ve takdiri hak eder. Runway, Gen-4'ü „consistent characters, locations and objects across scenes“ üretmesiyle tanıtıyor — üstelik „with just a single reference image of your characters“ (Runway, „Introducing Runway Gen-4“). Referans ve karakter koşullama alanı değiştirdi: Bir figürü belirleyip farklı perspektiflerden yeniden çağırabilirsiniz. The Verge duyuruyu ölçülü biçimde özetliyor: Gen-4'ün „enhanced ‚continuity and control‘“ sunması beklenirken AI videolarının „often face challenges in sustaining coherent storytelling“ olduğunu belirtiyor (The Verge).

Ancak araştırma, sorunun ne kadar derinde olduğunu gösteriyor. Yönlendirilebilirliğe dair güncel bir derleme, „text prompts alone are often insufficient to express complex, multi-modal, and fine-grained user requirements“ tespitini yapıyor — bu yüzden kamera hareketi, derinlik haritaları ve vücut pozu gibi ek sinyaller ancak bu nedenle araştırılıyor (Ma et al., „Controllable Video Generation: A Survey“). Mekânsal-zamansal tutarlılığa dair ikinci bir derleme ise tipik hata sınıflarını açıkça adlandırıyor: „subject swapping“, „object teleportation“, „unnatural jumping“. Uzun formatlar için ise şu geçerli: „Existing generation models typically struggle to effectively capture such long-range dependencies, lacking the dynamic modeling and spatiotemporal memory capabilities required for complex and extended-duration relationships“ (Survey: Spatiotemporal Consistency in Video Generation).

İnce ayrıntılara bakıldığında gereklilikler somutlaşır. Kostüm ve aksesuar sürekliliği, bir nesnenin çekimler boyunca tam olarak aynı kalmasını gerektirir — ancak tutarlılık derlemesi tipik hatalar olarak „subject swapping“ ve „object teleportation“ sıralıyor (Survey: Spatiotemporal Consistency in Video Generation). Vücut hareketi ve anatomide, sağlayıcı beyanına göre Sora 2 „more physically accurate“ ve isabet etmeyen bir atışı potaya çarptırıp ışınlamak yerine sektiriyor, ancak „far from perfect“ olduğunu da kabul ediyor (OpenAI, „Sora 2 is here“); araştırma ise burada „motion trajectory … conforms to physical laws“ talep ediyor (Survey: Spatiotemporal Consistency in Video Generation). Diyalog sahneleri için Sora 2 ve Movie Gen, sağlayıcı beyanlarına göre yerel, senkronize ses sunuyor; OpenAI, Sora 2 için açıkça „synchronized dialogue and sound effects“ diyor ki bu dudak senkronizasyonunu belirgin biçimde iyileştiriyor (OpenAI; Meta, „Movie Gen“). Ancak bir repliğin vurgusunun, zamanlamasının ve duygusal renginin hassas biçimde yönlendirilebilir olup olmadığı bununla söylenmiş olmuyor — model raporları senkronizasyonu belgeliyor, konuşma performansının ince ayarını değil. Sınır en açık biçimde duygusal incelikte ve kontrol edilebilir oyunculuk kararlarında görünür: „Here“ filminde gerçek oyuncular „every single one of the character performance moments“ anını taşıdı ve dublörlerle yapılan deneme başarısız oldu, çünkü „it wasn't the soul of the actor that was there“ (befores & afters, „‚Here‘: A test with Tom Hanks“).

Buna, nadiren düşünülen sinema diline dair boyut ekleniyor. Veo 3 raporu modele bir „bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles“ atfettiğinde (Veo 3 Technical Report), asıl mesele şudur: Sık ve dramatik kesmeler ya da kamera açıları henüz hassas yönetmenlik değildir. Shot-reverse-shot, match-on-action, aksiyon ekseni, temiz eyeline'lar ve bir sekansın ritmi; kontrol edilebilir çekim kapsamından (coverage) ve tekrarlanabilir planlardan beslenir, çekici rastlantısal kesmelerden değil. Yani güzel açılar seçen bir üreteç, aynı açıyı birkaç plan boyunca bilinçli ve tekrarlanabilir biçimde koruyan bir yönetmenliğin yerini almaz.

Teknik kategorileri birbirinden ayıran da tam budur. Text-to-Video bir tanımdan üretir, Image-to-Video bir başlangıç görüntüsünü canlandırır, Video-to-Video mevcut malzemeyi dönüştürür, World Models durumları zaman içinde taşır, Shot Extension klipleri uzatır — ve klasik VFX ve kompozitleme iş akışları, üretilen öğelerin kontrollü ve hukuken güvenli biçimde bir araya getirildiği çerçeve olmayı sürdürür. Örneğin Adobe'nin Generative Extend'i bir çekimi „up to two seconds for video and ten seconds for audio“ uzatıyor ve üretilen görüntüleri her zaman işaretliyor, „so you know exactly where the original footage ends and created frames begin“ (Adobe, „Generative Extend“). Bu hassas bir kurgu aracıdır — ve aynı zamanda burada sahnelerden değil, saniyelerden konuştuğumuzun bir hatırlatmasıdır. Meta'nın Movie Gen'i de en büyük modeli için „a generated video of 16 seconds at 16 frames-per-second“, „1080p HD“ ve „synchronized audio“ ile belgeliyor (Meta, „Movie Gen“). Etkileyici — ama bir uzun metraj, hepsi birbirine uyması gereken binlerce böyle yapı taşından oluşur.

Gerçek bir örnek gösteriyor: AI işi kaydırıyor, ortadan kaldırmıyor

AI'nın sete işi hafiflettiğine inanmak isteyen, „Here“ yapımını incelemeli — açıkça makine öğrenimi ile klasik VFX'in performans işlemesi için birleştiği hibrit bir örnek olarak, text-to-video ile üretilmiş bir film olarak değil. Robert Zemeckis'in filmi için Metaphysic ve VFX süpervizörü Kevin Baillie, dört başrol boyunca „53-character minutes of full-face replacement“ sorumluluğunu üstlendi; kimi planlar „up to four minutes“ uzunluğundaydı (befores & afters, „‚Here‘: A test with Tom Hanks“). Klasik CGI bir seçenek değildi: „It was obvious that there was no way we could use traditional CGI methods to do this“, diyor Baillie — çok pahalı, çok yavaş ve uncanny valley riskiyle.

Belirleyici nokta, AI'nın ne kadar uzmanlaşmış el emeği gerektirdiğidir. Her oyuncu için birden fazla sinir ağı, özenle derlenmiş veri kümeleri üzerinde eğitildi — Tom Hanks „at 18, at 30, at 45“ —, üstelik mühendisler „identity leak“ ile aktif biçimde mücadele etmek zorunda kaldı ki „Tom's brother or cousin“ ortaya çıkmasın. Bakış eksenleri de sürekli bir mesele oldu, çünkü ağlar „magnetically“ kameraya bakma eğilimindeydi; öpüşme gibi sınır durumlar klasik hilelerle „backstopped“ edilmek zorundaydı. Baillie'nin sonucu net: „All these limitations of the AI tools, they need traditional visual effects teams who know how to do this stuff to backstop them and help them succeed“ (befores & afters).

Ama her şeyden önce performans insani kaldı. Wired ve Variety özü belgeliyor: İki monitörlü gerçek zamanlı bir sistem, oyuncuların gençleştirilmiş oyunlarını anında denetleyip ayarlamasına olanak tanıdı — yaratıcılar için bir araç, onların yerine geçen bir şey değil (Wired, „The $50 Million Movie ‚Here‘“; Variety). „Here“, AI'nın yapıma girdiğini kanıtlıyor — ve bir sonucun ayakta durabilmesi için ne kadar yinelemeli, son derece uzmanlaşmış çaba gerektiğini de.

Karşı argümanlar, sınırlar ve riskler

2025/2026'da sınırların kaydığı haklı olarak öne sürülebilir — ve bu doğru. Netflix, „El Eternauta“ dizisi için ilk kez bir orijinal yapımda üretken AI kullandı; ortak CEO Ted Sarandos'a göre bir binanın çöküşüne ilişkin VFX sekansı „10 times faster than it could have been completed with traditional VFX tools and workflows“ ortaya çıktı (The Guardian). Bu rakam şirketin bir sağlayıcı beyanıdır ve tek bir sekansa ilişkindir. Ayrıca nasıl ortaya çıktığı da dikkat çekici: Netflix'in Eyeline birimi kendi ifadesine göre kurum içi model teknolojisi değil, „commercially available video diffusion models under enterprise licenses“ kullandı — klasik bir VFX iş akışına gömülü olarak (TheWrap).

Festival tablosu da kolayca yanıltıyor. Runway'in AI Film Festival'i 2024'te „merely 300 submissions“ iken 2025'te „6,000 entries“ sayısına çıktı ve Jacob Adler'in „Total Pixel Space“ eseri Grand Prix'yi kazandı (The Hollywood Reporter; Runway AIFF Screening Room). Ancak gösterilen çalışmalar „varying in quality“ idi, çoğu „dream-like, experimental“ nitelikteydi ve „constraints on sound and the portrayal of real people“ ile şekillenmişti (The Hollywood Reporter).

Geriye sert sınırlar kalıyor. Yönlendirilebilirlik, kontrolle aynı şey değildir: „more controllable“ olarak tanıtılan bir model bile talimatları kusursuz izlemez ve ince yönergeler sapabilir — OpenAI, Sora 2 için bizzat „far from perfect“ olduğunu ve „plenty of mistakes“ yaptığını kabul ediyor (OpenAI, „Sora 2 is here“). Veo 3 raporu „small hallucinations that mark videos as clearly fake“ ifadesini kullanıyor (Veo 3 Technical Report). Düzenlenebilirlik, sürüm kontrolü ve tekrarlanabilirlik — her yapım için hayati — salt üreteçlerde neredeyse yoktur; „Here“ bunları ancak özel olarak inşa edilmiş Nuke araçları ve „neural animators“ ile çözdü. Ve hukuki kullanılabilirlik büyük ölçüde değişkendir: Adobe „only trained on content where Adobe has permission … never on Adobe users' content“ ile övünüyor (Adobe), oysa Runway'in önceki modeli „scraped YouTube videos and pirated films“ üzerinde eğitildiği için eleştirilmişti (The Verge). OpenAI'nin kendi sayfasına göre „as of April 26, 2026, the Sora product is no longer available“ duyurusu, tüketici ürününü (Sora uygulamasını) ilgilendirir; temeldeki modeli ya da API erişilebilirliğini zorunlu olarak kapsamaz; yine de bir tüketici ürününün ne kadar az yapım güvencesi sunduğunu hatırlatır (OpenAI).

Sonuç: Gösteri bir yetenektir, kontrol başka bir yetenek

Dürüst bilanço ne coşku ne de reddir. Referans görüntüler, kamera kontrolü, yerel ses parçaları ve shot-extension araçları, titreşen tuhaflıkları ciddi yapım yapı taşlarına dönüştürdü. Zaman kazandırıyor, bütçeleri açıyor ve anlatılabilir olanı genişletiyor — „El Eternauta“ ve „Here“ bunu somut olarak gösteriyor. Ama asıl eşiği kaydırmıyorlar: İyi bir film, bir görüntünün güzel olduğu yerde değil, binlerce kararın planlar, sahneler ve aylar boyunca birbirine uyduğu ve tekrarlanabilir kaldığı yerde doğar. Tam da bu — karakter tutarlılığı, bakış eksenleri, devamlılık, kontrol edilebilir oyunculuk, temiz sürüm durumları — üretken modellerin henüz tek başına aşamadığı daha yüksek eşiktir. Bu yüzden önümüzdeki yılların ilginç sorusu, AI'nın güzel videolar yapıp yapmadığı değildir. Bunu çoktan yapabiliyor. Soru, kontrollü biçimde anlatmayı öğrenip öğrenmeyeceğidir. O zamana kadar şu geçerli: Etkileyici bir klip bir vaattir, bir film değil.