Andrej Karpathy 2. října 2026 na X napsal větu, která shrnuje, kam se posouvá práce s AI: „Budeme trávit mnohem víc času snahou porozumět výstupům jazykových modelů." Jeho odpověď není lepší model ani delší prompt, ale lepší formát výstupu. A na vrcholu jeho žebříčku stojí AI explainer video z promptu — vlastní vysvětlující video, které agent vygeneruje na jakékoliv téma, včetně dabingu.
V tomto článku si rozebereš, proč na tomhle formátu Karpathy „je nejvíc bullish", jaký je přesný prompt, který sám doporučuje, a hlavně konkrétní playbook, jak takové video z promptu vygenerovat: od scénáře přes animaci po dabing. Bez natáčení, bez střihu, bez placených video generátorů.
Proč formát výstupu řeší Karpathy
Karpathyho argument je jednoduchý: modely budou dělat čím dál víc práce samy a lidská práce se posune o úroveň výš — na kontrolu a porozumění. Když agent odvede den práce, rozhoduje o tom, jestli ji vůbec dokážeš zkontrolovat, právě formát, v jakém se s tebou rozmlouvá.
Druhá část argumentu je ekonomická. Protože „inteligence a kód jsou čím dál dostupnější", najednou dává smysl nechat si vygenerovat velké, vlastní a jednoúčelové artefakty — webovou aplikaci nebo video explainer — které by se dříve nikdy nevyplatilo dělat pro jednu otázku. Video si pustíš, pochopíš téma a artefakt zahodíš. Neexistuje proto, aby byl hezký a trvalý, ale aby ti přenesl porozumění do hlavy.
České SERP tohle téma zatím pokrývá jen generickými nástroji typu Invideo nebo VideoGPT, které generují spot z difuzních modelů. Karpathyho přístup je opačný a o tom je zbytek článku.
Čtyři formáty výstupu: od textu po video
Karpathy ve vlákně seřadil čtyři formáty, každý další označil slovy „but even better" — ještě lepší:
- Text ve stylu ASD-STE100. Zjednodušená technická angličtina z leteckých příruček: krátké věty v aktivním vozíku, jedno slovo — jeden význam, procedurální věta do 20 slov. Karpathy doporučuje požádat o „80 % cesty ke STE100", protože plná specifikace zní strojově.
- Diagram. Když má odpověď strukturu — toky dat, stavy, hierarchie — je box-and-arrow obrázek rychlejší na pochopení než pět odstavců.
- HTML stránka. Podle explainx.ai (2. 10. 2026) formát s nejlepším poměrem přínosu k nárocích: tabulky, rozbalovací sekce, interaktivní prvky, jeden soubor, který otevřeš v prohlížeči.
- Explainer video. Formát, na který je Karpathy nejvíc bullish: „fully custom / bespoke explainer videos generated on any arbitrary topic" — plně vlastní vysvětlující videa na jakékoliv téma.
První tři stupně zvládneš s jakýmkoliv LLM, který už používáš. Čtvrtý stupeň potřebuje navíc render a zdroj dabingu — a právě proto má smysl znát playbook.
Proč video z kódu, ne z difuze
Tady je zlom, kterému většina lidí nerozumí. AI explainer video z promptu se negeneruje difuzním modelem jako Veo nebo Sora, které skládají pixely a hodí se na filmový záběr. Agent místo toho napíše program, který každý snímek nakreslí — typicky ve stylu Manim, tedy animačního frameworku, na kterém staví Grant Sanderson svůj kanál 3Blue1Brown.
Rozdíl je zásadní:
- Přesnost. Rovnice, grafy a popisky ve videu z kódu jsou přesné, protože je kreslí kód, ne statistika pixelů. Difuzní model ti v ose grafu nakreslí nesmyslná čísla.
- Editovatelnost. Špatný popisek opravíš jedním řádkem kódu a přerenderuješ. Ve videu z difuze opravuješ celý záběr.
- Cena. Manim je open source a renderuje lokálně. Neplatíš za sekundy vygenerovaného videa, jen za dabing — pokud nepoužiješ lokální TTS zdarma.
Pozor Difuzní modely neztrácejí smysl — na atmosférické záběry a marketer spoty jsou lepší volbou. Pro vysvětlování konceptů ale kód vyhrává jednoznačně. Podobně funguje i NotebookLM, který z dokumentů vyrobí audio přehled nebo video — jednodušší, ale méně řízená cesta.
Prompt, který dal Karpathy
Původní Karpathyho vlákno na X (2. 10. 2026) je překvapivě krátké a prompt v něm je jednořádkový:
Create a 3b1b style video explainer on X. Use my ElevenLabs API key for audio narration.
Česky a pořádně rozepsané pro agenta jako Claude Code nebo jiného kódovacího asistenta:
Vytvoř vysvětlující video ve stylu 3Blue1Brown na téma [KV-caching v LLM / náš fakturační workflow / Jacobian conjecture]. Nejdřív mi předlož scénář jako text s časováním jednotlivých scén. Po mém schválení napiš Manim scény, vyrenderuj video do MP4 a přidej český dabing přes ElevenLabs API (klíč je v .env). Grafy a rovnice musí být přesné, popisky v češtině.
Klíčový je první krok: scénář nejdřív jako text. Nejrychlejší způsob, jak zkontrolovat, jestli video nebude vyprávět nesmysly, je přečíst si scénář dřív, než se cokoli renderuje.
Karpathy k promptu dodává, že kromě placeného ElevenLabs API můžeš model požádat, aby našel „decent free alternatives that use your local compute" — slušné bezplatné alternativy běžící na tvém stroji. A jeho verdikt zní: „it is actually starting to work!" — že to fakt začíná fungovat.
Playbook: jak na video z promptu krok za krokem
Konkrétní postup, který si můžeš zkusit dnes. Postupuj po stupních a kontroluj výstup v každém z nich:
Krok 1: Scénář jako text
Nech si agentem napsat scénář: o čem video je, jaké scény v jakém pořadí, co říká dabing v každé scéně. Tady opravdu kontroluj obsah — je to nejlevnější místo na chybu. Přečti si scénář jako text, tvrdá tvrzení porovnej se zdrojem.
Krok 2: Animační kód
Nech agenta napsat animace. Na matematické a konceptuální videa sáhni po Manimu (open source, komunitní verze na manim.community), na jednodušší infografiky stačí HTML + canvas, který se vyrenderuje do videa. Trvej na tom, aby popisky byly přesné a v češtině.
Krok 3: Render do MP4
Agent kód spustí a vyrenderuje jednotlivé snímky do videa. Na vlastním stroji je render zdarma, jen chvíli trvá — počítej s pár minutami pro dvouminutové video.
Krok 4: Dabing
Na český dabing je nejjednodušší ElevenLabs — placené API, jehož bezplatný tarif pokryje pár minut zvuku měsíčně, takže na první pokusy stačí. Alternativou jsou lokální TTS modely zdarma, na které tě agent upozorní, když ho o ně požádáš. Zvuk a video spojí ffmpeg, což agent zvládne taky.
Krok 5: Kontrola a zahodit
Pusť video, vyber si tři nejpřekvapivější tvrzení a ověř je proti primárnímu zdroji. Pak artefakt zahod — jeho smyslem bylo přenést porozumění, ne stát se součástí knihovny. Pokud ho chceš publikovat (třeba na YouTube), potřebuje stejnou redakční kontrolu jako každý publikovaný obsah.
Celý postup je vlastně stejného ducha jako Karpathyho metoda řízení 10 agentů najednou: člověk drží kontrolu nad kvalitou, agenti dělají práci.
Nástroje a pluginy, které to zjednoduší
Nemusíš všechno stavět od nuly. Ekosystém na to už reaguje:
- Manim Community — open-source animační framework v Pythonu, základ stylu 3Blue1Brown, zdarma.
- ElevenLabs — TTS API s češtinou, placené s bezplatným startovacím tarifem.
- OpenMontage — plugin pro Claude Code s Manim příkazy a storyboard nástroji pro asistovanou výrobu explainer videí.
- karpathy-ladder na GitHubu — open-source repozitář (FutureAtoms), který celý žebříček formátů STE100 → diagram → HTML → video převádí do hotových promptů.
Tip Než si instaluješ cokoli, zkus první tři stupně žebříčku se svým současným LLM. HTML vysvětlovačka ti dá největší skok čitelnosti za nejmenší úsilí — a když ti bude chybět pohyb a dabing, teprve pak jdi na video.
Kde ti explainer video z promptu pomůže
Pár reálných situací, kde formát vyniká:
- Zděděný kód. Agent projde repozitář a natočí ti dvouminutovku o tom, jak který modul spolu souvisí — rychlejší než číst README, který neexistuje.
- Onboarding kolegů. Místo šedesátistránkové dokumentace nech vygenerovat sérii krátkých videí k interním workflow, každé na jedno téma.
- Vysvětlení složitého konceptu klientovi. Proč funguje RAG, co dělá vektorová databáze, jak si model pamatuje kontext — video s přesnými diagramy přesvědčí líp než odstavec.
- Vzdělávání sebe. Uložený článek nebo paper, kterému se stále vyhýbáš, proměň na pětiminutovku a pusť si ji při kávě.
Na co si dát pozor
Rozbor na Explainx.ai (2. 10. 2026) pojmenoval hlavní riziko přesně: přesvědčivost bez přesnosti. Dobře vypadající namluvené video je nejpůsobivější formát na žebříčku — a právě proto i formát, ve kterém chyby uniknou pozornosti nejsnáze. Dobře vypadajícímu vysvětlování se prostě věří, i když mluví nesmysly.
- Scénář zvlášť. Dbej na to, aby ti agent vydal scénář jako text. Chyby jsou ve čteném textu vidět líp než v poslechu.
- Tři tvrzení ověř. Vyber tři nejprekvapivější věty a dohledej je v primárním zdroji.
- Formát není důkaz. Lepší formát dělá chybnou odpověď snazší uvěřit. Zachovej si ověřovací krok stejně jako u obyčejného textu.
Časté otázky
Funguje AI explainer video z promptu i v češtině?
Ano. Kód animace i popisky agent napíše česky a ElevenLabs češtinu v dabingu podporuje. Počítej s tím, že si musíš dát pozor na kvalitu českých popisků v grafech — agent občas spadne do angličtiny, takže jedno kolo korektur je moudré.
Musím na to něco instalovat?
Na první tři stupně žebříčku (text, diagram, HTML) ne — stačí tvůj LLM. Pro video potřebuješ Python s Manimem a ffmpeg na render; všechno je open source a zdarma. Placená je jen narace přes ElevenLabs API, pokud nepoužiješ lokální TTS.
Čím se to liší od videí z modelů Sora nebo Veo?
Sora a Veo jsou difuzní modely — skládají pixelová videa z popisu a hodí se na filmové záběry. Explainer video z promptu kreslí kód, takže rovnice, grafy a popisky jsou přesné a editovatelné. Pro vysvětlování konceptů je rozdíl zásadní.
Je to použitelné i pro YouTube obsah?
Je, ale pak přestává artefakt být „jednorázovým" a potřebuje stejnou redakční kontrolu jako každý publikovaný obsah — fact-check, korektury, souhlasy k licencím. Pro interní pochopení je to rychlý pomocník; pro publikaci je to produkce.
Kolik takové video stojí?
S bezplatnými nástroji a lokálním renderem tě stojí jen čas: Manim i ffmpeg jsou zdarma a ElevenLabs bezplatný tarif pokryje pár minut dabingu měsíčně. Nejdražší na celém procesu je tvůj čas na kontrolu scénáře — a ten je potřeba vždycky.
