Hopp til innholdet
Norsk journal om kunstig intelligens 255 artikler Oslo --:--
TokenPrat
1 min lesetid Av TokenPrat-redaksjonen

Fra landingsside til promo-video: slik jobber GLM 5.2 og HyperFrames sammen

Å gå fra en produktlandingsside til en ferdig promo-video med voiceover er ikke lenger en fjern drøm – det er en konkret, dokumentert arbeidsflyt som allerede finnes, bygget på et samspill mellom flere spesialiserte verktøy.

Rollene er verdt å presisere

GLM 5.2 er selv en generell, langtrekkende kodings- og agent-modell fra Z.ai, med et kontekstvindu på hele én million token. Den er ikke en dedikert videomodell i seg selv – styrken ligger i at den kan fungere som "hjernen" i en kodeagent som Claude Code, Cursor eller Gemini CLI, og dermed drive andre spesialiserte verktøy.

Et av disse verktøyene er HyperFrames fra HeyGen – et system bygget spesifikt for at kodeagenter skal kunne skrive HTML som deretter rendres til ferdig video. HyperFrames har en egen ferdig arbeidsflyt kalt "product-launch-video" som gjør nøyaktig det som beskrives: den fanger opp et nettsted (eller en innsendt tekst), leser merkevarens visuelle stil, skriver en historie i strukturen hook → verdi → bevis → CTA, og bygger videoen bilde for bilde med et ferdig regissert oppsett av overganger og tempo.

Voiceoveren er faktisk tidsstyrt av ekte tale

En fin detalj: i stedet for å gjette på hvor lang en scene bør vare, lar HyperFrames den faktiske varigheten av den genererte talen (TTS) bestemme lengden på videoen – gir du et fast manus, blir talens reelle lengde fasiten, ikke et estimat. HeyGen, selskapet bak HyperFrames, bruker Googles Gemini TTS i flere deler av sin teknologistabel, og har selv fremhevet kvaliteten på flerspråklig tale som et sentralt løft for sine AI-avatarer – så koblingen til Gemini TTS for nettopp dette formålet er godt forankret.

Hvordan det henger sammen i praksis

Kort oppsummert: en kodeagent drevet av GLM 5.2 (eller andre kompatible modeller) tar oppgaven, skriver HTML-strukturen og animasjonslogikken via HyperFrames sitt rammeverk, som deretter fanger opp nettsiden, bygger fortellingen, legger til en tidsriktig TTS-voiceover, og rendrer en ferdig video – enten i skyen via HeyGen sin render-API, eller lokalt for mer avansert, egendefinert komponering.

Ressurser

Del

Les videre

Forsiden →
Forelesningssal om natten med en tavle full av krittdiagrammer, en laptop og høye stabler med manuskripter
· Forskning

OpenAI slapp over 700 matematikkbevis på én dag – Lean sjekker rundt 42 prosent av dem

6. oktober la OpenAI ut 722 matematiske manuskripter laget av en intern modell uten navn. Det mest interessante er metoden: en AI som tenker i timevis per problem, og et maskinelt verktøy som skal skille holdbare bevis fra tull.
Studiomikrofon med lysende fargede lydbølger i et mørkt lydstudio
· Modeller

Ming 3.0 TTS: Beste åpne stemmekloner med MIT-lisens – men den snakker ikke norsk

Ant Group har sluppet to talemodeller som kloner stemmer, designer nye fra en beskrivelse og ler, sukker og nøler på kommando. Den minste har bare 0,5 milliarder parametere, og lisensen er så åpen som det går an. Men står norsk på ønskelista, må du vente.
Menneskehånd og robothånd som holder hver sin trekloss med samme grep
· Forskning

FlashDexRetarget: Én policy for tusen håndbevegelser – og 100 ganger mindre GPU-tid

Roboter med fingre trenger enorme mengder treningsdata, og den billigste kilden er opptak av mennesker som håndterer ting. Problemet er å oversette en menneskehånd til en robothånd. Et nytt prosjekt fra KAIST og Holiday Robotics gjør det med én felles modell i stedet for én per bevegelse, og bruker