Jeden materiał dla wielu ekranów
Telewizja przez lata była projektowana przede wszystkim dla formatu 16:9, jednak coraz więcej materiałów trafia dziś na smartfony i platformy wykorzystujące 9:16, 1:1 oraz inne proporcje. Proste przycięcie obrazu przestaje wystarczać, ponieważ pionowy kadr może usunąć rozmówcę, piłkę, wynik meczu, podpis albo ważny fragment sceny. Dlatego coraz częściej wykorzystuje się AI, które analizuje zawartość materiału i samodzielnie ustala, jaki fragment obrazu powinien pozostać widoczny. Zamiast klasycznego cropu powstaje system przypominający wirtualnego operatora kamery.
Reframing zamiast zwykłego kadrowania
Podczas IBC2026 zaprezentowano rozwiązania pokazujące, że automatyczny reframing staje się elementem profesjonalnego workflow broadcastowego. Yuzzit Reframe potrafi śledzić osoby oraz akcję i dopasowywać kompozycję do docelowych proporcji obrazu. W przypadku rozmowy dwóch osób system może utworzyć pionowy split-screen, natomiast w transmisji sportowej utrzymywać najważniejszą część wydarzenia wewnątrz wąskiego kadru. Operator zachowuje przy tym możliwość ręcznej korekty wybranego przez AI układu.
Dlaczego format 9:16 jest trudny
Konwersja poziomego obrazu do pionu powoduje znaczną utratę dostępnego pola widzenia. Przy materiale 1920 × 1080 i zachowaniu pełnej wysokości pionowy fragment 9:16 ma około 608 pikseli szerokości. Oznacza to wykorzystanie jedynie około 31,6% szerokości materiału źródłowego i odrzucenie niemal 68,4% obrazu. Właśnie dlatego stały center crop często prowadzi do utraty kontekstu i nie nadaje się do dynamicznych materiałów telewizyjnych.
AI wybiera najważniejszą część sceny
Nowoczesne systemy reframingu analizują kolejne klatki, wykrywają twarze, sylwetki i ruch oraz przesuwają wirtualny kadr zgodnie z przebiegiem wydarzeń. Adobe Reframe API obsługuje między innymi konwersję 16:9 do 9:16, 1:1, 4:3 i 4:5. W takim modelu AI nie musi generować nowych fragmentów sceny, lecz wybiera odpowiedni obszar oryginalnego materiału i rekonstruuje wokół niego kompozycję. Pozwala to zachować wiarygodność obrazu i jednocześnie automatyzować pracę, która wcześniej wymagała ręcznego keyframingu.
Sport stawia najwyższe wymagania
Najtrudniejszym zastosowaniem jest transmisja sportowa, ponieważ pozycja najważniejszych obiektów może zmieniać się bardzo szybko. FOR-A rozwija Go Vertical! AiDi, rozwiązanie tworzące pionowy output 9:16 z transmisji live i wykorzystujące tracking dla różnych dyscyplin sportowych. System musi jednocześnie pilnować zawodników, piłki, grup obiektów oraz kontekstu wydarzenia, którego nie można sprowadzić do jednego śledzonego elementu. Samo poprawne utrzymywanie zawodnika w centrum nie gwarantuje więc, że widz zobaczy najważniejszą część akcji.
Jeden feed może tworzyć kilka wersji
Najważniejszy kierunek rozwoju zakłada generowanie wielu wariantów obrazu równolegle z transmisją główną. Z jednego źródła 16:9 mogą powstawać jednocześnie klasyczny przekaz telewizyjny, wersja 9:16 dla urządzeń mobilnych, krótkie highlighty oraz materiały przeznaczone do social media. Projekty prezentowane podczas IBC2026 pokazały możliwość tworzenia poziomego i pionowego outputu bez budowania całkowicie osobnego procesu produkcyjnego. W praktyce kamera dostarcza materiał źródłowy, a kolejne wersje są komponowane automatycznie zależnie od miejsca publikacji.
Automatyzowany jest cały workflow
Reframing coraz częściej łączony jest z innymi funkcjami AI. System może wykryć interesujący moment transmisji, utworzyć klip, zmienić proporcje, wygenerować napisy, zastosować branding i przygotować materiał do publikacji. Proces live → highlight → 9:16 → napisy → grafika → publikacja może dzięki temu zostać w dużej części zautomatyzowany. Rozwiązania rozwijane przez Yuzzit czy Moments Lab pokazują, że AI zaczyna obsługiwać nie pojedynczą operację montażową, lecz cały fragment procesu produkcji treści.
Kontekst jest ważniejszy niż tracking
Największym ograniczeniem pozostaje prawidłowe rozumienie znaczenia sceny. Model może idealnie śledzić lidera biegu, ale jednocześnie usunąć z kadru zawodnika rozpoczynającego wyprzedzanie. Może też zachować piłkarza z piłką, lecz wyciąć linię spalonego albo sędziego. Dobry reframing musi więc chronić nie tylko główny obiekt, ale również elementy potrzebne do zrozumienia wydarzenia. Kontrola jakości powinna obejmować znaczenie całego kadru, a nie wyłącznie dokładność trackingu.
Grafika broadcastowa także musi się zmienić
Osobnym wyzwaniem pozostają wyniki, tickery, logotypy, podpisy i elementy sponsorskie projektowane pierwotnie dla szerokiego obrazu. Po przejściu do 9:16 część z nich może znaleźć się poza widocznym obszarem. Pełny system powinien dlatego traktować osobno obraz z kamery i warstwę graficzną, a następnie budować layout odpowiedni dla konkretnego formatu. To właśnie odróżnia prosty automatyczny crop od rozwiązania przeznaczonego dla profesjonalnej produkcji telewizyjnej.
Operator przechodzi do kontroli wyjątków
Automatyczny reframing nie oznacza konieczności usunięcia człowieka z procesu produkcyjnego. Bardziej prawdopodobny jest model, w którym AI wykonuje większość powtarzalnej pracy, a operator sprawdza nietypowe sytuacje i koryguje błędne decyzje. Zamiast ręcznie ustawiać setki keyframe’ów można przejść do workflow AI przygotowuje → człowiek kontroluje. Pozwala to szczególnie ograniczyć koszty tworzenia drugiej, trzeciej i kolejnych wersji tego samego materiału.