A videótól a világmodellekig: A Runway és az OpenAI Sora fejlődése (2023-2026)

A 2023-tól 2026-ig terjedő időszak fordulópontot jelent a vizuális informatika történetében, jelezve az egyszerű animált képgenerálástól a komplex fizikai valóságok szimulálásáig tartó átmenetet. Ez az átalakulás, amelyet gyakran a “Szövegből videóvá” (Text-to-Video) és a “Világmodellek” (World Models) közötti szemantikus elmozdulásként foglalnak össze, sokkal többet jelent a képfelbontás vagy a képfolyamatosság javulásánál. Ez a mesterséges intelligencia-rendszerek megjelenését jelzi, amelyek képesek koherens belső reprezentációkat építeni a fizikáról, az ok-okozati összefüggésekről és az időbeli dinamikáról.

Ez a technikai jelentés átfogó krónikát nyújt erről a fejlődésről, két olyan szereplőre koncentrálva, akik polarizálták a kutatási és ipari alkalmazási területet: a Runway, a new york-i művészeti világból származó úttörő startup, és az OpenAI, az általános intelligenciát célzó kutatólaboratórium. A technikai architektúráik – a latens diffúziós modellektől a diffúziós transzformátorokig (DiT) – és a telepítési stratégiáik elemzésén keresztül megvizsgáljuk, hogyan csapódtak be ezek a technológiák az évszázados hollywoodi iparba, újradefiniálva a kreativitás, a munka és a vizuális valóság fogalmait.

I. Művészeti kezdetek: A RunwayML története

A generatív videó pályafutásának megértéséhez elengedhetetlen a gyökereinek elemzése. Egy tévhittel ellentétben a forradalom nem a ex nihilo generálással kezdődött, hanem a hagyományos utómunkálatok legfáradságosabb feladatainak automatizálásával. A RunwayML, amelyet Cristóbal Valenzuela, Anastasis Germanidis és Alejandro Matamala alapított, kezdetben nem a kamerát akarta helyettesíteni, hanem a vágót segíteni.

1.1 Hasznossági örökség: A “zöld képernyőtől” a szemantikus megértésig

2023 előtt a vizuális effektek (VFX) fő szűk keresztmetszete a rotoszkópálás volt. Ez a technika, amely elengedhetetlen egy színész vagy tárgy hátterének elkülönítéséhez effektek beszúrása vagy a díszlet módosítása céljából, történelmileg kézi beavatkozást igényelt képkockánként. Egy grafikusnak Bézier-görbéket kellett rajzolnia a karakter sziluettje körül, beállítva ezeket a görbéket minden mozdulatnál, bármilyen kicsi is legyen az. Ez egy költséges, lassú és emberi hibára hajlamos folyamat volt.

A Runway által bevezetett Green Screen eszköz az első paradigmaváltást jelölte. A szemantikus videószegmentációra képzett gépi tanulási modellekre támaszkodva a Runway egy olyan megközelítést kínált, ahol a felhasználónak már nem kellett matematikailag meghatároznia görbéket, hanem csupán szemantikusan jelezte az érdekes objektumot.

A Green Screen technikai működése egy újszerű ember-gép interakcióra épült az akkori időkhöz képest:

1. Szemantikus inicializálás: A felhasználó néhány kattintást tett a kiválasztandó objektumra (belefoglaló kattintások) és az figyelmen kívül hagyandó területekre (kizáró kattintások) egy kulcs képkockán (keyframe).

2. Időbeli propagálás: A modell ezután optikai áramlást és vizuális jellemzők (szín, textúra, forma) koherenciáját használva terjesztette ki ezt a maszkot az egész videoklipre.

3. Interaktív finomhangolás: Ha a modell elveszítette a témát (például takarás vagy gyors mozgás során), a felhasználó beavatkozhatott egy köztes képkockánál a korrekcióhoz, a modell pedig valós időben újraszámolta a maszk pályáját.

Ez a lépés, bár nem “generatív” szigorú értelemben (nem hozott létre új pixeleket), két okból volt alapvető fontosságú. Először is, lehetővé tette a Runway számára, hogy hatalmas adatbázist építsen arról, hogyan vágnak és értenek meg az emberek egy videójelenetet. Másodszor, érvényesítette egy valós idejű webes platform technikai architektúráját, amely képes nehéz videofolyamatokat kezelni – egy infrastruktúra, amely kritikusnak bizonyult a jövőbeli Gen modellek telepítéséhez.

Eredmény: A “mesterséges intelligencia által támogatott” megközelítés a rotoszkópálási időt több óráról néhány percre csökkentette, a Runway-t a kreatívok partnereként rögzítve, nem helyettesítőjeként – egy filozófia, amelyet a generatív modellek megjelenése fog próbára tenni.

1.2 Gen-1: A szerkezet mint valósághorgony (2023. február)

2023 februárjában a Runway bemutatta a Gen-1-et, hivatalosan is megjelölve a neurális videószintézis korszakának kezdetét. Ekkoriban a statikus képgenerálás olyan modellekkel, mint a Midjourney vagy a Stable Diffusion, már jól be volt táblázva, de a videó komoly kihívást jelentett a időbeli dimenzió miatt. A képmodellek képkockánkénti alkalmazására tett naiv kísérletek elviselhetetlen villódzást (flickering) eredményeztek, ahol a tárgyak másodpercenként véletlenszerűen megváltoztatták azonosságukat vagy textúrájukat.

A Gen-1 ezt a problémát egy Videóból-videóvá (Video-to-Video) megközelítéssel kerülte meg. Ahelyett, hogy a modelltől megkövetelte volna a mozgás és a megjelenés hallucinálását is, a Gen-1 meglévő videót használt a “szerkezet” (mozgás, mélység, kontúrok) biztosítására, és csak a “stílust” (megjelenés, textúra) generálta.

Architektúra és működési módok

Technikailag a Gen-1 módosított latens diffúziós modelleken (Latent Diffusion Models – LDM) alapult, amelyek erős strukturális kondicionálást fogadtak el. A modell megtanulta leképezni a bemeneti videó geometriai szerkezetét a kimeneti videó latens terébe, egy szöveges utasítás vagy referenciakép vezérelve.

A Gen-1 működési módjai illusztrálják ezt a szerkezet és stílus szétválasztását:

Fogadtatás és teljesítmény

A Runway által végzett felhasználói kutatások kimutatták a Gen-1 eredményeinek markáns preferenciáját:

• 73,53% a felhasználók közül jobbnak tartotta a Gen-1-et a képkockánként alkalmazott Stable Diffusion 1.5-nél
• 88,24% jobbnak tartotta, mint a Text2Live

Ez a fölény a időbeli koherenciával magyarázható: a Gen-1 nem “tippelt” a mozgásra, hanem kölcsönvette a valóságból. Ugyanakkor ez a függőség volt a fő korlátja is: nem lehetett létrehozni azt, amit előzetesen nem tudtak lefilmezni vagy durván modellezni.

1.3 Gen-2: A szövegből-videóvá ugrása az ismeretlenbe (2023. június)

A valódi koncepcionális áttörés néhány hónappal később, 2023 júniusában következett be a Gen-2 megjelenésével. Anastasis Germanidis, a Runway technológiai igazgatója ezt a lépést a strukturális kondicionálás szükségességének megszüntetéseként írta le. A Gen-2 volt az első nagyközönség számára elérhető kereskedelmi modell, amely képes volt Szövegből-videóvá (Text-to-Video) működni, azaz egyszerű mondatból videószekvenciát generálni, minden forrásvideó nélkül.

A “vak generálás” kihívása

A Gen-1-ről a Gen-2-re való áttéréshez egy alapvető problémát kellett megoldani: hogyan képes egy MI elképzelni a mozgást? A Gen-1-ben a mozgás adott volt. A Gen-2-ben hihetően hallucinálni kellett. A modellnek nemcsak azt kellett megértenie, hogyan néz ki egy “macska”, hanem azt is, hogyan mozog egy macska, hogyan reagál a szőre a változó fényre, és hogyan kellene a virtuális kamerának követnie.

A Gen-2 első eredményei, bár 2023-ban lenyűgözőek voltak, elárulták a feladat nehézségét:

• Korlátozott időtartam: A klipek kezdetben 4 másodpercre voltak korlátozva. Ezen túl a koherencia gyakran összeomlott, a tárgyak absztrakt péppé változva.
• Álomszerű mozgások: A fizika gyakran “folyékony” volt. A tárgyak nem annyira mozogtak, mint “folytak” az A pontból a B pontba.
• Kontroll hiánya: A felhasználó beírt egy promptot és remélte a legjobbat. Nem volt mód arra, hogy “a kamerának előre kell mozognia”.

E hibák ellenére a Gen-2 kreatív robbanást váltott ki. Lehetővé tette “MI előzetesek” virális létrejöttét (mint a Wes Anderson-stílusú film paródiák), demonstrálva a közönség tömeges érdeklődését ez iránt az új kifejezési forma iránt.

Összehasonlító táblázat: Gen-1 vs Gen-2

II. A Sora sokkja: A ‘Spacetime Patches’ és a DiT architektúra elemzése

Ha 2023 a Runway-val való kísérletezés éve volt, a 2024 elejét egy technológiai földrengés jellemezte. Februárban az OpenAI bemutatta a Sora-t, egy modellt, amely azonnal újradefiniálta a legjobb teljesítményt. Míg a Gen-2 rövid, homályos klipeket produkált, addig a Sora egyperces szekvenciákat generált nagyfelbontásban (1080p), több karakterrel, komplex kameramozgásokkal és lebilincselő objektumkitartással.

Ez a minőségi ugrás nem a véletlen vagy egyszerű számítási teljesítmény-növelés eredménye volt, hanem egy mély architekturális átalakításé, amelyet a “Video Generation Models as World Simulators” technikai jelentés dokumentált.

2.1 Az adatok unifikálása: A ‘Spacetime Patches’ forradalma

A Sora központi innovációja az adatok reprezentálásának módjában rejlik. A korábbi megközelítések gyakran merev, fix méretű képsorozatként kezelték a videót (pl. 256×256 pixel), ami korlátozta a minőséget és pusztító vágásokat kényszerített ki. A Sora ezzel szemben közvetlenül a GPT-4-hez hasonló nagy nyelvi modellek (LLM) inspirálta.

Alapelv: Ahogyan az LLM-ek a szöveget “tokenekre” (darabokra) bontják, a Sora a videót Spacetime Patches-re (Téridő foltokra) darabolja.

A foltképzés folyamata

1. Térbeli-időbeli latens tömörítés: A nyers videót nem képpontról képontra dolgozza fel. Először egy Video Compression Network-ön (hasonló egy VAE-hoz) megy keresztül, amely csökkenti a dimenzionalitását térben és időben egyaránt.

2. Foltok kinyerése: Ez a latens térfogat ezután kis kockákra van vágva. Minden kocka egy kis képrészt (tér) rövid időtartamon (idő) reprezentál.

3. Lineárisítás: Ezek a kockák hosszú vektorsorozattá vannak lapítva, pontosan úgy, mint egy mondat szavak sorozata.

Ennek a módszernek a kritikus előnyei

• Felbontás- és arányfüggetlenség: A Sora bármilyen méretű videón képes tanulni (szélesvásznú 1920×1080, függőleges 1080×1920, négyzetes). Nincs szükség mindent négyzetesre vágni.
• Skálázhatóság: Ez a módszer lehetővé teszi az LLM-ek tömeges tanítási technikáinak alkalmazását a videóra. Minél több adatot és számítást adunk hozzá, annál jobb lesz a modell, követve a kiszámítható skálázási törvényeket (scaling laws).

2.2 A DiT architektúra: Amikor a transzformátor helyettesíti az U-Netet

Miután a videó foltok levesévé vált, hogyan generálunk új tartalmakat? Itt lép be a Diffusion Transformer (DiT) architektúra. Történelmileg a diffúziós modellek (mint a Stable Diffusion) egy U-Net nevű architektúrát használtak a zajtalanítási folyamathoz. Bár a képekre hatékony, az U-Net nehezen kezeli a hosszú távú komplex függőségeket, amelyek a koherens videóhoz szükségesek.

A Sora egy szabványos transzformátort használ diffúziós gerinchálóként (backbone).

A globális figyelem mechanizmusa

A transzformátor ereje a figyelem mechanizmusában rejlik. Egy mondatban lehetővé teszi egy névmás kapcsolását három bekezdéssel korábban említett főnévvel. Egy videóban a DiT lehetővé teszi a Sora számára, hogy összekapcsoljon egy foltot a videó elején (t=0s) egy folttal a végén (t=60s).

Az objektum kitartása: Ennek a globális figyelemnek köszönhetően a modell “emlékszik” a tárgyakra. Ha egy ember egy oszlop mögé lép, a modell tudja, hogy a másik oldalon ugyanazokkal a ruhákkal és arccal kell előbukkannia, mert a “előtte” és “utána” foltok összekapcsolódnak a figyelőhálózatban.

2.3 A szimuláció megjelenése és fizikai korlátok

Az OpenAI technikai jelentése egy merész állítást tesz: a tanítási skála növelésével szimulációs képességek spontán megjelennek, anélkül hogy expliciten programozták volna őket.

• Implicit 3D koherencia: A Sora dinamikus kameramozgásokat generál, ahol a perspektíva helyesen változik (parallaxis), mintha a jelenet valóban 3D-ben létezne.
• Számítógépes világok szimulálása: A legmegdöbbentőbb példa a Sora képessége volt a Minecraft videójáték szimulálására. A játékmenet videókkal táplálva a modell nemcsak a grafikát tanulta meg generálni, hanem a játék logikáját is.

Ugyanakkor a Sora (v1) nem volt tökéletes. A modell jelentős fizikai hallucinációktól szenvedett: egy pohár, amely leesik anélkül, hogy eltörne, egy ember, aki megeszik egy kekszet anélkül, hogy a harapás nyoma megjelenné.

2.4 Sora 2: A finomhangolás (2025. szeptember)

2025 szeptemberében az OpenAI elindította a Sora 2-t. Ez az iteráció az első verzió hiányosságainak betöltésére törekedett:

• Szinkronizált hang: Együttes hanggenerálás (lépések, hangok, hangulatok) a vizuális cselekvéssel szinkronban.
• Szerkesztés és remix: “Remix” funkciók, amelyek lehetővé teszik specifikus elemek módosítását anélkül, hogy mindent újraszámoljunk.
• Biztonság és származás: Robusztus C2PA vízjelek és megerősített biztonsági szűrők.

III. Az időbeli kontroll: A virtuális kamera eszközök fejlődése

Míg a Sora képminősége elbűvölte a nagyközönséget, a képprofesszionálisok azonnal felvetettek egy kritikus problémát: a kontroll hiánya. Véletlenszerű szép videót generálni haszontalan egy precíz történet elmeséléséhez. A 2024-2026-os időszakot ezért a “kontrollálhatóság” (controllability) felé történő őrült verseny jellemezte.

3.1 A lottótól a vezérlésig: Motion Brush és Director Mode

A generatív korszak elején a felhasználó beírt egy promptot és remélte, hogy az eredmény megfelel a víziójának. Ez a “nyerőgép” (slot machine approach) korszaka volt. A Runway volt az első, amely megértette, hogy az ipar általi elfogadáshoz a mesterséges intelligenciának vezérelhető eszközzé kell válnia.

A Motion Brush (Mozdulat ecset)

2024 elején indítva a Motion Brush bevezette a helyi kontrollt. Ahelyett, hogy hagta volna az MI-t eldönteni, mi mozog, a felhasználó “festhetett” egy zónát a képen, és meghatározhatott egy mozgásirányt és intenzitást.

Alkalmazási példa: Egy fix képben, ahol egy férfi a tengert nézi, egy rendező befagyaszthatta a férfit (mozdulatlan), a hullámokat jobbra mozgathatta (közepes sebesség), és a felhőket a kamera felé haladathatta (lassú sebesség).

A Director Mode (Rendezői mód)

A kameramozgásokhoz a Runway bevezette a Director Mode-ot. Ez az eszköz a homályos kulcsszavakat (“zoom be”) pontos, fizikai kamerát szimuláló parametrikus vezérlőkre cserélte:

• Zoom
• Pan (Panoráma)
• Tilt (Döntés)
• Roll (Rollás)

3.2 A szent grál: A karakterek koherenciája

A hosszú távú narratíva legnagyobb akadálya az karakterek következetlensége maradt. Egy hagyományos filmben Brad Pitt az elsőtől az utolsó képkockáig Brad Pittnek néz ki. A 2023-as MI-videókban a főszereplő megváltoztathatta az arcát, a ruháit, sőt a korát is két egymást követő kép között.

A Gen-4-gel (2025. március) a Runway a “Karakterek Végtelen Koherenciáját” tette zászlóshajójává.

Identitás-ancorálási mechanizmus: A Gen-4 lehetővé tette egyetlen referenciakép importálását egy karakterről. A modell ezután zárolta ezen arc szemantikus jellemzőit a latens terében.

Eredmények: Lehetett generálni egy szekvenciát, ahol ez a karakter egy éjszakai, esős jelenetről egy nappali, beltéri jelenetre váltott, megváltoztatta az érzelmi kifejezését, miközben kétségtelenül ugyanaz a személy maradt.

3.3 Lipsync és Act-Two: A hagyományos Mocap vége?

Az arcanimáció és a párbeszéd volt az utolsó komplexitás bástyája. Az első lipsync eszközök csak egy fix kép arcának alsó részét torzították egy hangsávval való megfeleléshez, “báb” hatást eredményezve.

2024 végén a Runway elindította az Act-Two-t, egy generatív mozgásrögzítő (Generative Motion Capture) modellt, amely felforgatta az animációs iparágat.

A “Driving Video” koncepció: Ahelyett, hogy drága, visszaverődő jelzőkkel ellátott mozgásrögzítő (Mocap) öltözékeket használt volna, az Act-Two lehetővé tette egy egyszerű színészvideó (okostelefonnal filmezve) használatát egy generált karakter vezérlésére.

Árnyalt teljesítményátadás: A modell rögzítette a mikrokifejezéseket, a szemráncolásokat, a fejbiccentéseket és még a kézgesztusokat is. Ezután átadta ezt a teljesítmény “lelkét” egy célmodellre, olyan érzelmi hűséggel, amely versenyzett a hollywoodi produkciókkal.

Táblázat: A kontroll eszközök fejlődése

IV. A hollywoodi hatás: A sztrájkok, megállapodások és elfogadás

E technológiák megjelenése nem történt meg gazdasági vagy társadalmi vákuumban. Teljes erejével csapódott be Hollywood szakszervezeti, jogi és pénzügyi struktúráiba, létezési válságot idézve elő a kreatív szakmákban.

4.1 A 2023-as sztrájkok: Az első emberi védelmi vonal

A 2023-as év a történelmi “Dupla Sztrájk” éveként marad meg a forgatókönyvírók (WGA) és a színészek (SAG-AFTRA) körében. Bár a fizetések és a streaming utáni jogdíjak fontos tételként szerepeltek, a generatív mesterséges intelligencia a legfuturisztikusabb és legaggasztóbb súrlódási pontként jelent meg.

A helyettesítés és a digitális replikák félelme

• Forgatókönyvírók (WGA): A fő félelem az volt, hogy a stúdiók LLM-eket használnak teljes forgatókönyvek generálására, az emberi forgatókönyvírókat csak “csiszolásra” vagy “újraírásra” alkalmazva a gép által generált szövegre.

• Színészek (SAG-AFTRA): A “Digital Replicas” (Digitális replikák) szelleme kísértette a tárgyalásokat. A színészek attól tartottak, hogy egyszer leszkennelik őket, és a stúdiók ezután örökre használják a képüket és hangjukat.

Az október 2023-as megállapodások: Történelmi védőhálók

A sztrájkok jelentős szakszervezeti győzelmekkel zárultak:

1. A MI mint eszköz, nem szerző: A WGA megállapodása kimondja, hogy a MI nem kaphat szerzői kreditet. Egy stúdió nem kényszeríthet egy forgatókönyvírót MI használatára.

2. Hozzájárulás és kompenzáció replikákért: A SAG-AFTRA megállapodása explicit hozzájárulást követel a színésztől minden digitális replika létrehozásához. A felhasználást fizetni kell, mintha a színész fizikailag dolgozott volna.

4.2 A “Stúdió modell” kudarca: A Lionsgate eset (2024-2025)

2024 szeptemberében a Lionsgate stúdió bejelentett egy visszhangzó partnerséget a Runway-vel, remélve, hogy kihasználja a technológiát, miközben megkerüli a szerzői jogi problémákat.

Az üzlet: A Lionsgate megnyitotta széfjét – kizárólagos hozzáférést teljes katalógusához (John Wick, Hunger Games, Twilight, American Psycho) egy személyre szabott MI-modell betanításához.

Ugyanakkor 2025 szeptemberében a jelentések “lassan kibontakozó katasztrófaként” (slowly unfolding disaster) jellemezték ezt a partnerséget:

• Az “adathiány” problémája: Még egy nagy stúdió katalógusa is elégtelen egy világszínvonalú videómodell betanításához. Az olyan modellek, mint a Sora, milliárdokból származó videókból tanulják meg a fizikát az egész internetről.
• A jogi zsákutca: Ha a MI emberi beavatkozás nélkül generál egy jelenetet, az a jelenet szerzői jogi védelem alatt áll? A szakértők a nem mellett döntöttek.

4.3 A csendes siker: A Netflix és a láthatatlan VFX

Míg a teljes filmgenerálás fantáziája kudarcot vallott a Lionsgate-nél, a pragmatikus integráció győzött a Netflix-nél. 2025-ben a platform megerősítette a generatív MI használatát végleges képkockákhoz az argentin The Eternaut sorozatban.

A felhasználási eset: Egy komplex épületösszeomlási szekvencia és poszt-apokaliptikus környezetek. Hagyományosan ez költséges fizikai szimulációkat és hetes renderelést igényelt volna.

A gazdasági érv: Ted Sarandos, a Netflix társ-vezérigazgatója megerősítette, hogy a MI használata “10-szer gyorsabban” tette lehetővé a szekvencia megvalósítását töredék költségen.

A valódi forradalom: A MI (még) nem helyettesíti a főszereplő színészeket. A textúrákat, a háttereket, a tömegeket és a rombolásokat helyettesíti. Beszivárog a “láthatatlan pixelekbe”, azokba, amelyeket a néző tudatosan nem vesz észre, de amelyeket általában milliókért állítanak elő.

4.4 Kulturális feszültségek: A MI és a tánc kulturális kisajátítása

A MI hatása kiterjedt az élő művészetekre is, mély etikai kérdéseket vetve fel a kulturális kisajátításról.

A “Bird Dance” esete: A Cahuilla törzs tagjai elítélték a MI kísérleteit hagyományos táncuk reprodukálására. A modellek, YouTube-videókból kontextus nélkül tanulva, tiszteletlennek és az eredeti spirituális jelentés nélküli utánzatokat generáltak.

Fenyegetés a kereskedelmi táncosokra: A popsztárok háttértáncosai kifejezték aggodalmukat, hogy avatár-generált karakterek vagy hologramok helyettesítik őket a klipekben és koncertekben.

Következtetés: A hibrid szintetikus valóság felé

A 2023 és 2026 között megtett pálya szédítő. Három év alatt eljutottunk a 4 másodperces homályos videóktól (Gen-2) a komplex, hangos és koherens fizikai szimulációkig (Sora 2, Gen-4).

Három fő tanulság

1. A szimuláció győzelme az animáció felett: A győztes architekturális megközelítés (DiT + Spacetime Patches) a videót világszimulációként kezeli. A modellek már nem “képeket animálnak”, hanem “megértik a fizikát”. A Runway General World Models kezdeményezése megerősíti, hogy a végső cél nem a film, hanem univerzális szimulátorok létrehozása a robotikához, a videojátékokhoz és a virtuális valósághoz.

2. A kontroll a király: A puszta generáló erő (Sora) nem elegendő. A vezérlő felület (Runway Director Mode, Act-Two) az, ami technológiából professzionális eszközzé alakítja. Az a képesség, hogy az MI-t úgy irányítsuk, mint egy színészt vagy kamerát, a döntő elfogadási tényező volt.

3. Ipari hibriditás: A teljes hollywoodi helyettesítéssel kapcsolatos apokaliptikus félelmek nem valósultak meg. Ehelyett az iparág hibridizálódott. Az emberi színészek játsszák a főszerepeket (védve a SAG-AFTRA által), míg a MI kezeli a díszleteket, a tömegeket és a rombolásokat. A MI a VFX “végtelen ecsetévé” vált, csökkentve a gyártási költségeket anélkül, hogy megszüntetné az emberi művészi látás szükségességét.

A 2027-es kérdés

2027 küszöbén a kérdés már nem az, hogy “tud-e a MI videót létrehozni?”, hanem hogy “milyen része lesz a vizuális valóságunknak szintetikus?”.

Az olyan eszközök demokratizálódásával, mint az Act-Two, a határ az amatőr alkotó és a professzionális stúdió között összeomlott, ígérve a vizuális narráció új korszakát, ahol az egyetlen megmaradó korlát, szó szerint, a képzelet.

Közzétéve: 2026. március 28.