I ricercatori di Tele-AI hanno pubblicato ShotPlan, un framework che aggiunge pianificazione esplicita dei tagli ai modelli di generazione video. Il problema è concreto: i generatori video attuali producono singole clip coerenti, ma se gli chiedi una sequenza di più inquadrature con un narrato che fili, perdono il filo.

Il meccanismo è semplice nella sua idea. Un singolo planning token, replicato per ogni transizione richiesta e posizionato a coordinate temporali frazionarie tramite FRoPE, dice al modello pre-addestrato dove tagliare. Niente modifiche all’architettura, niente maschere di attenzione. I tagli secchi atterrano a meno di un frame dall’indice richiesto, e lo stesso sistema gestisce transizioni morbide e movimenti di camera localizzati.

Perché ti riguarda. Se generi video con AI per lavoro, conosci il salto mortale: da «una bella clip di 5 secondi» a «tre inquadrature che raccontano un product video». Lì gli strumenti attuali si rompono. Devi generare ogni clip separatamente, montarle a mano, e sperare che personaggi e stile reggano fra una ripresa e l’altra. ShotPlan fa un passo verso la generazione multi-shot controllata, che è il formato che serve davvero per spot, contenuti social, video didattici.

I modelli addestrati, il dataset e oltre 30 demo sono pubblici su Hugging Face e sul sito del progetto. Il modello base è Wan2.2-T2V-A14B, un video diffusion model a 14 miliardi di parametri.

Se vuoi provarci, i pesi sono su Hugging Face (Pensioner/ShotPlan-Wan2.2-T2V-A14B-HighNoise) insieme al dataset di training. Serve una GPU capace di reggere un modello video diffusion di quella taglia.

Nel dettaglio

I modelli di generazione video basati su diffusion producono un numero fisso di frame a partire da un prompt testuale. Funzionano bene per una singola ripresa: una persona che cammina, un paesaggio che si muove. Ma il cinema, anche quello elementare che serve a un product video, è fatto di tagli. Prima un campo lungo, poi un dettaglio, poi una carrellata. Se provi a descrivere tutto in un solo prompt, il modello mescola le inquadrature o le ignora.

Cosa c’era prima. Chi voleva produrre sequenze multi-shot con AI ricorreva a due strategie, entrambe insoddisfacenti. La prima: generare clip separate e montarle in post, con il problema che personaggi e ambienti non sono coerenti fra una clip e l’altra. La seconda: usare prompt lunghissimi sperando che il modello rispetti una scaletta, con risultati imprevedibili. Alcuni approcci accademici avevano provato a condizionare il modello con maschere di attenzione o architetture modificate, ma richiedevano addestramento da zero o modifiche pesanti al modello base.

Cosa cambia. ShotPlan introduce un planning token che funziona come un marcatore temporale. Il token viene inserito nella sequenza di input e associato a una coordinata temporale precisa attraverso FRoPE (Fractional Temporal Rotary Position Embedding). In pratica, dice al modello: «al frame 47, cambia inquadratura». Il modello impara a rispettare questi marker durante il training, senza cambiare la sua architettura di base.

Il risultato, secondo gli autori, è che i tagli secchi avvengono a meno di un frame di distanza dall’indice richiesto. Lo stesso meccanismo supporta dissolvenze e movimenti di camera limitati a una porzione temporale della clip. Questo significa che puoi specificare una scaletta di inquadrature nel prompt e il modello la rispetta nei frame giusti.

I numeri. Gli autori dichiarano che ShotPlan supera i metodi esistenti per coerenza inter-shot e flessibilità di gestione delle inquadrature. I dettagli quantitativi completi sono nel paper su arXiv (2607.17675, 19 luglio 2026). Il modello base è Wan2.2-T2V-A14B, 14 miliardi di parametri.

Limiti. Il paper è fresco e i 30+ demo disponibili sono curati dagli autori stessi: manca una valutazione indipendente su casi d’uso reali. Il sistema è testato su un solo modello base, e la generalizzazione ad altre architetture video diffusion è da dimostrare. L’inferenza richiede hardware significativo, il che restringe il campo a chi ha accesso a GPU di classe datacenter. Per chi produce video con AI oggi, ShotPlan è un segnale di dove va la ricerca, e uno strumento in fase di sviluppo per il workflow di domani mattina.