Cosa sa fare MAGI-2: 8 esempi e prompt ufficiali con timeline

👁 112 letture

Cosa sa fare realmente MAGI-2 Preview lo si può dedurre oggi solo da due fonti: tre brevi video dimostrativi di Sand.ai e i prompt ufficiali pubblicati nel repository GitHub. Ho raccolto 8 esempi pratici: 3 clip fornite dal produttore, 3 prompt strutturati dal repository e 2 modelli da cui partire per fare esperimenti in proprio. Per tutti i dettagli tecnici su architettura, posizionamento nei benchmark e requisiti hardware, consulta la guida a MAGI-2 Preview.

I video dimostrativi di Sand.ai

Nella pagina principale di sand.ai, all’interno della sezione “Features MAGI-2 Preview”, si trovano tre video. Ho verificato i dettagli tecnici l’11 ottobre 2026: tutti e tre gli indirizzi restituiscono codice di stato HTTP 200, i file risultano caricati il 28 agosto 2026, hanno una risoluzione di 3840 x 2160 pixel a 30 fps e includono la traccia audio sincronizzata. Secondo quanto indicato nel file README, il modello genera nativamente solo clip di 10 secondi in 1080p; i filmati sul sito, durando tra i 5 e i 6 secondi in 4K, sono stati chiaramente scalati e ritagliati dal produttore, che non ha allegato i prompt testuali di origine.

1. Recitazione dei personaggi: dialoghi, canto ed espressività

Casi d’uso ideali: sequenze con attori virtuali che parlano o cantano, video musicali, cortometraggi narrativi.

Prompt: non fornito da Sand.ai. Descrizione ufficiale della sezione: “Precisely generates dialogue, singing, and emotional shifts” (genera dialoghi, canto e variazioni emotive con movimento labiale coordinato).

Analisi critica: trattandosi di un estratto selezionato dal produttore a fini promozionali, è difficile considerarlo rappresentativo delle prestazioni medie ordinarie. Nelle valutazioni comparative “alla cieca” di Artificial Analysis, MAGI-2 si posiziona al decimo posto per la generazione da immagine a video: un rendimento paragonabile a Grok Imagine 1.5, distante dal vertice della classifica.

2. Sincronizzazione nativa di immagini e suoni

Casi d’uso ideali: effetti sonori (Foley) perfettamente temporizzati con l’azione, audio ambientale reattivo alla dinamica della scena.

Prompt: non fornito dal produttore. Descrizione ufficiale: “Visuals and audio are generated jointly by a single model” (immagini e audio vengono generati congiuntamente da un unico modello).

Analisi critica: a differenza di molte pipeline tradizionali, MAGI-2 non incolla l’audio tramite un modello separato a valle. Testo, fotogrammi visivi e tracce audio transitano all’interno della medesima architettura transformer. Nei prompt avanzati è perfino possibile indicare il timing esatto degli eventi sonori al decimo di secondo (come nell’esempio 6).

3. Movimenti di macchina e cinematografia

Casi d’uso ideali: inquadrature complesse con carrello in avanti, tracking sul soggetto o rotazioni orbitali attorno a un elemento centrale.

Prompt: non fornito dal produttore. Descrizione della sezione: il modello interpreta inquadratura, composizione visiva e traiettoria della camera, spaziando tra “zooming in, tracking, and orbiting”.

Analisi critica: nei prompt ufficiali più dettagliati, il movimento di macchina non viene descritto con una frase generica come “la telecamera si avvicina lentamente”, ma viene definito analiticamente per ciascun blocco temporale specificando tipologia (ad esempio “push-in”), direzione e intensità dinamica.

Prompt ufficiali estratti dal repository GitHub

Il file assets/demo_samples.json nel repository include le istruzioni per eseguire 5 generazioni: due prompt in modalità image-to-video (con immagini sorgente a corredo), gli stessi due in modalità text-to-video e un prompt strutturato integralmente in JSON. Il file README cita inoltre sample_002.txt, ma alla data dell’11 ottobre l’indirizzo restituiva errore 404. I prompt sono scritti in inglese e si distinguono per una lunghezza notevole (tra i 9.000 e gli 11.000 caratteri); di seguito ne riporto i passaggi chiave. Il codice del repository è rilasciato sotto licenza Apache-2.0.

4. Anime: la ragazza che attraversa il bosco verso l’oceano

Casi d’uso ideali: breve sequenza narrativa in stile animazione 2D giapponese, con un singolo stacco di montaggio e unicamente suoni d’ambiente naturali.

core_caption: A 10-second continuous animated sequence following a young girl
from a dark, mist-filled forest to a sudden, bright clearing overlooking
a vast ocean...
audio_design: Completely ambient and naturalistic. [...] No dialogue
or background music.

shot_timeline1  time_range_seconds: 0.0 | 8.0   (bosco, transizione verso l'oceano)
shot_timeline2  time_range_seconds: 8.0 | 10.0  (primo piano del volto, respiro)
audio_event_timeline: passi 0-5 s, vento 3-8 s, fruscio rami 5-6,5 s,
onde 4-10 s, respiro 8-9,5 s, gabbiani 8,5-10 s

Traduzione descrittiva dell’esempio: un’animazione continuata di 10 secondi in cui una ragazza si sposta da una foresta oscura e nebbiosa a una radura luminosa che si affaccia sull’oceano, con rumore di passi, vento e risacca al posto della colonna sonora musicale.

Materiale multimediale: nessun render video ufficiale è stato rilasciato; nel repository è presente unicamente il fotogramma di riferimento iniziale sample_000.jpeg (consulta il prompt integrale su GitHub).

Analisi critica: l’istruzione impiega blocchi separati per la definizione di personaggi e ambienti (reference_bank), inquadrature e sequenza degli eventi audio. Include vincoli negativi espliciti: nessun effetto di transizione “flash-to-white”, nessun oggetto di epoca moderna, nessun passaggio a uno stile visivo tridimensionale. Questo riflette la struttura tipica prodotta dalla fase di arricchimento automatico (prompt enhancement) raccomandata dal README.

5. Animazione in plastilina: la ricerca della pallina rossa

Casi d’uso ideali: sequenza in stop-motion con accompagnamento musicale ed effetti Foley, articolata in cinque inquadrature distinte nell’arco di 10 secondi.

core_caption: A 10-second stop-motion style 3D clay animation where a small
clay figure searches a cozy room for a lost red ball...
audio_design: Cheerful, warm ukulele and xylophone background music,
layered with animated Foley [...] No dialogue.

Traduzione descrittiva dell’esempio: un piccolo personaggio di plastilina cerca una pallina smarrita in una stanza accogliente; prima trova un bottone blu e infine recupera la pallina rossa, accompagnato da un tema musicale per ukulele e xilofono.

La lunghezza di ciascuna barra indica la durata della specifica inquadratura (barra completa = 10 secondi), ricavata dai valori del campo time_range_seconds presenti nel file sample_001.txt.

Materiale multimediale: nessun video renderizzato disponibile; è presente solo l’immagine di partenza sample_001.jpeg.

Analisi critica: gestire cinque inquadrature differenti nell’arco di soli 10 secondi è una sfida complessa per un generatore video. Il testo impone inoltre movenze a scatti tipiche del passo uno e la costanza volumetrica della palla nelle mani del pupazzo. Resta da verificare se l’architettura riesca a mantenere tale coerenza senza produrre allucinazioni geometriche, non avendo potuto renderizzare la scena.

6. Caffetteria sotto la pioggia: timeline in formato JSON con battuta di dialogo

Casi d’uso ideali: inquadratura con attore che compie un’azione preliminare e pronuncia successivamente una frase, su un lento avvicinamento di camera. Utile per spot pubblicitari o brevi scene di fiction.

Questo è l’unico prompt ufficiale strutturato interamente come oggetto JSON. L’architettura prevede due livelli: global_layer (stile generale, luce, soggetto, ottica fissa 50 mm, aspect ratio 16:9) e dynamic_layer con segmenti temporali precisi. Struttura sintetizzata:

{
  "global_layer": {
    "context": "A single continuous take inside a small corner cafe on a rainy afternoon.",
    "video_metadata": { "duration": 10.0, "aspect_ratio": "16:9" },
    "camera_cinematography": { "lens_focal_length": "50mm" }
  },
  "dynamic_layer": {
    "timeline_segments": [
      { "segment_basic_info": { "timestamp_range": "00:00.0-00:05.0",
          "camera_delta": { "camera_movement": { "type": "push-in" } } },
        "audio": { "special_audio_events": [
          { "timestamp": "00:02.4",
            "sound_description": "a short soft ceramic tap..." } ] } },
      { "segment_basic_info": { "timestamp_range": "00:05.0-00:10.0" },
        "audio": { "dialogue_lines": [
          { "timestamp": "00:05.6-00:07.4",
            "speaker": "<subject 1>",
            "text": "Careful, it's still very hot." } ] } }
    ]
  }
}

Traduzione descrittiva dell’esempio: la barista appoggia una tazza sul piattino; a 2,4 secondi si percepisce il tocco morbido della ceramica, mentre tra 5,6 e 7,4 secondi la donna avverte: “Attenzione, è ancora molto caldo”.

Materiale multimediale: nessuna sequenza video ufficiale pubblicata (visualizza il file sorgente su GitHub).

Analisi critica: il file originale completo conta circa 9.500 caratteri e specifica perfino i dettagli dell’anello indossato sulla mano destra della barista. Nella sezione dialogo compare esplicitamente il parametro "language": "English". Non essendo indicati elenchi di altri idiomi supportati, la resa con battute in lingua italiana resta tutta da verificare.

Modelli e template per fare test

7. Il prompt minimale del README

Casi d’uso ideali: semplice verifica funzionale per accertare che l’ambiente e i pesi siano installati correttamente sull’infrastruttura di calcolo.

torchrun --nproc_per_node=8 inference/pipeline/entry.py 
    --prompt "a red fox in snow" --output output/

Traduzione descrittiva del prompt: una volpe rossa nella neve.

Materiale multimediale: assente. Analisi critica: lo stesso README avverte che un comando così conciso sfrutta in modo insufficiente le potenzialità del modello, addestrato su descrizioni lunghe e fortemente strutturate. Per questo motivo, la pipeline ufficiale prevede una fase opzionale in cui un LLM esterno espande il testo prima della generazione vera e propria.

8. Template strutturato per spot pubblicitario con timeline

Casi d’uso ideali: sequenza di 10 secondi per la presentazione di un prodotto, completa di interazione fisica, rumore d’azione e voce narrante. Ho modellato questa bozza traducendo la logica del formato JSON dell’esempio 6; si tratta di una base di studio teorica, non di un output testato a video.

{
  "global_layer": {
    "context": "A single continuous product shot on a dark kitchen counter at night.",
    "video_metadata": { "duration": 10.0, "aspect_ratio": "16:9" },
    "camera_cinematography": { "overall_camera_style": "slow orbit around the product",
                               "lens_focal_length": "85mm" }
  },
  "dynamic_layer": {
    "timeline_segments": [
      { "segment_basic_info": { "timestamp_range": "00:00.0-00:04.0",
          "segment_description": "A hand presses the button of a steel coffee grinder." },
        "audio": { "special_audio_events": [
          { "timestamp": "00:01.2", "sound_description": "a sharp mechanical click" } ] } },
      { "segment_basic_info": { "timestamp_range": "00:04.0-00:10.0",
          "segment_description": "Ground coffee falls into a glass jar as the camera orbits." },
        "audio": { "dialogue_lines": [
          { "timestamp": "00:07.0-00:09.0", "speaker": "<narrator>",
            "text": "Fresh every morning." } ] } }
    ]
  }
}

Traduzione descrittiva della sequenza: una mano aziona un macinacaffè in acciaio (scatto meccanico a 1,2 s), la polvere cade in un barattolo di vetro durante una rotazione orbitale della telecamera e la voce fuori campo recita: “Fresco ogni mattina”.

Regole compositive ricavate dai file ufficiali:

• la somma dei segmenti deve coprire interamente i 10 secondi senza interruzioni o sovrapposizioni, trattandosi dell’unica durata gestita;
• ogni singolo accadimento audio necessita di timestamp millimetrico e di descrizione sonora dedicata;
• i dialoghi richiedono campi specifici per orario e identificativo dell’oratore, evitando di disperdere il testo nella descrizione visiva;
• illuminazione, inquadratura base e coerenza del soggetto vanno inseriti una sola volta nel global_layer, riservando ai segmenti dinamici solo le mutazioni nel tempo.

Perché mancano test generati direttamente

Nelle analisi consuete di altri modelli testo sempre i medesimi scenari all’interno dell’Arena video. Con MAGI-2 ciò non è stato possibile per motivi oggettivi:

• Assenza di API: su Artificial Analysis il prezzo è contrassegnato come “In arrivo”. Alla data dell’11 ottobre 2026 l’endpoint non è attivo su fal.ai, Replicate, WaveSpeedAI né OpenRouter.
• Requisiti hardware locali: i pesi occupano circa 307 GB e le istruzioni ufficiali richiedono 8 schede NVIDIA con architettura Hopper. La mia postazione con RTX 4090 dispone di soli 24 GB di VRAM.
• Costi su server cloud: stando alle stime pubblicate dal blog mushroom.cv, generare una singola clip su istanze AWS compatibili richiede tra i 15 e i 30 minuti, per una spesa stimata tra circa 22,36 EUR e 37,56 EUR (25-42 USD). Una cifra con cui è possibile ottenere decine di render tramite API dai modelli proprietari di vertice. Nota: conversioni stimate al tasso di riferimento BCE di 1 EUR = 1,1181 USD del 12/10/2026, consultabile su ecb.europa.eu.

Non appena verrà resa disponibile un’API a consumo o una versione distillata e leggera, aggiornerò questo articolo con i risultati pratici generati dai prompt 4-8. Se cerchi un modello open source eseguibile su macchine consumer, puoi orientarti su Wan 2.2 o consultare il confronto sui modelli video open source. Per vedere esempi renderizzati di altri strumenti inclusi in questo ciclo di aggiornamenti, consulta i test su HappyHorse 1.1 e HiDream-O1-Video.

Domande frequenti

I video sul sito di Sand.ai provengono tutti da MAGI-2?

Le tre clip inserite nella sezione “Features MAGI-2 Preview” sì, secondo quanto dichiarato dal team di sviluppo. I filmati visibili più in basso nella sezione “Creative Partners” sono contributi di vari creator senza indicazione puntuale dello strumento utilizzato (la società gestisce anche l’applicazione VidMuse) e non vanno considerati benchmark affidabili per questo modello.

Come si deve strutturare un prompt per MAGI-2?

Occorre un testo articolato ed estremamente strutturato: descrizione globale del contesto, schede dei personaggi e delle ambientazioni, timeline precisa delle inquadrature e marcatura temporale specifica per ciascun effetto sonoro. Gli schemi di riferimento sono reperibili nella cartella assets/ del repository.

MAGI-2 è in grado di gestire dialoghi parlati?

Sì, l’esempio ambientato nella caffetteria presenta una battuta con temporizzazione al decimo di secondo. Nel file sorgente la linea vocale è indicata esplicitamente in lingua inglese; il produttore non ha al momento specificato il supporto per altre lingue.

Qual è la durata delle clip generate da MAGI-2?

La durata è fissa a 10 secondi esatti. In base a quanto riportato nella documentazione tecnica, questa è l’unica estensione temporale attualmente supportata dalla pipeline.

// continua a leggereRunway AI: cosa può fare, a cosa serve e cosa non aspettarsiStrumenti IAUniversal Music e ElevenLabs lanciano una piattaforma AI per remix e mashup dal catalogo UMGNotizieLLM 0.35 aggiunge il supporto per GPT-6 Astra dalla riga di comandoNotizie

Kinetyra