Как сгенерировать видео с помощью ИИ: от промта до короткого фильма

Ролик нейросетью делают двумя способами. Можно описать сцену текстом и получить клип (text-to-video). Можно сначала сделать или загрузить картинку и попросить модель её оживить (image-to-video). Длина клипа за один запуск зависит от модели: в каталоге есть варианты от 5 до 15 секунд. Всё длиннее собирают на монтаже из нескольких клипов.

Для первой пробы подойдёт модель HappyHorse, которая делает видео из текста и из фото: в режиме text-to-video она выдаёт до 15 секунд и до 1080P. Дальше по шагам: как выбрать режим, как писать промт под движение камеры и как собрать из клипов фильм с одним героем и звуком.

Из чего нейросеть делает видео: текст, картинка или референсы

У видеомодели бывает три вида входа:

• Текст. Вы описываете сцену, модель сама придумывает композицию, героя и свет.
• Картинка как первый кадр. Модель продолжает кадр во времени, а внешность, стиль и расстановку вы задаёте заранее.
• Референсы. Несколько изображений, по которым модель держит персонажа или объект. Мультимодальные референсы заявлены у Seedance 2.0 и Seedance 2.0 Mini, референсы элементов есть у Kling 3.0.

Чем больше вы задаёте на входе, тем меньше модель додумывает сама.

Text-to-video или image-to-video: какой режим выбрать под задачу

Text-to-video берите, когда нужна атмосфера, фон, заставка или быстрая проверка идеи, а внешность героя неважна. Image-to-video берите, если кадр должен выглядеть определённым образом: персонаж, продукт, фирменные цвета, серия связанных сцен.

Быстрая проверка: расстроит ли вас, если герой в следующем клипе окажется другим человеком? Если да, нужен image-to-video. Для серии сцен из одного только текста герой почти наверняка будет меняться: модель каждый раз заново придумывает лицо и одежду.

Видеомодели в Молекуле: сравнение по режимам, длине и качеству

Данные на сентябрь 2026. Стоимость запуска показана рядом с моделью в каталоге, видео стоит дороже текстовых запросов.

Похожие названия означают разные модели. Kling 3.0 и Kling 3.0 (image-to-video) идут отдельными записями, у каждой свои возможности и своя цена. Несколько планов и 4K заявлены только у первой.

Первый ролик из текста: пошаговая инструкция

1. Найдите в каталоге text-to-video модель, например HappyHorse Text-to-Video или Veo 3.1.
2. Перед запуском посмотрите цену рядом с моделью и сверьте её со своим остатком кредитов. На бесплатном тарифе квота 5 кредитов, так что для видео может понадобиться платный тариф.
3. Первый запуск делайте на минимальной длине: так вы оцените движение, не потратив лишнего.
4. Впишите промт по шаблону из раздела про промты ниже.
5. Проверьте результат по трём признакам: камера движется так, как вы описали; объекты не «плывут» и не меняют форму; первая и последняя секунды без рывков.
6. Если всё в порядке, повторите запуск с нужной длиной и разрешением.

Промт из примера ниже можно запустить сразу: утренний туман, лодка и камера низко над водой.

Как оживить фото: сначала кадр, потом движение

Композицию, свет и внешность удобнее подбирать на картинках, а видео запускать уже по готовому кадру. На сентябрь 2026 GPT Image 2.5 Flare стоит 6 кредитов за запуск, Seedream v4.5 - 13. Цену видеомодели сравните сами: она указана в каталоге.

Порядок работы:

1. Сгенерируйте опорный кадр нейросетью в том же соотношении сторон, что и будущий ролик.
2. Если нужна правка, например другой цвет куртки или лишний предмет в кадре, отправьте кадр в Nano Banana Editor, а не генерируйте его заново.
3. Загрузите кадр в image-to-video модель: Wan 2.6, Kling 3.0 (image-to-video), Seedance 2.0 (image-to-video) или Veo 3.1 (image-to-video).
4. В промте опишите только движение. Что изображено на картинке, модель уже видит.

Кадры с мелким текстом, толпой или руками крупным планом лучше не оживлять: при движении они искажаются первыми.

Как писать промт для видео: сцена, действие, камера, свет

В видеопромте оставляйте одно действие и одно движение камеры на клип. Если попросить модель «герой встаёт, идёт к окну и оборачивается» за 5 секунд, обычно получаются склейки и дёрганая пластика. Каркас для text-to-video:

Сцена: где и когда, 1 фраза
Объект: кто или что в кадре, с 2-3 приметами
Действие: одно действие, темп (медленно, плавно)
Камера: план + движение (общий план, медленный наезд / пролёт / панорама влево / статика)
Свет: время суток и источник
Стиль: кинематографично, плёночное зерно, документально
Скопировать

Пример заполнения:

Сцена: горное озеро на рассвете, над водой туман
Объект: деревянная лодка, старая краска, один гребец в сером плаще
Действие: лодка медленно плывёт к берегу, вёсла почти беззвучно входят в воду
Камера: общий план, камера плавно летит низко над водой навстречу лодке
Свет: мягкий рассветный свет сбоку, золотые блики на воде
Стиль: кинематографично, приглушённые цвета
Скопировать

Для image-to-video оставьте только строки «Действие» и «Камера». Если описать заново то, что уже есть на картинке, модель может начать перерисовывать кадр.

Как сделать фильм с помощью нейросети: сценарий, раскадровка, один герой во всех сценах

Сценарий и раскадровка

Сначала напишите сценарий и раскадровку с помощью ИИ. Для черновика хватит DeepSeek V4 Flash за 1 кредит, для финальной версии подойдёт Claude Opus 5.5 за 20 кредитов (цены на сентябрь 2026). Запрос:

Роль: ты режиссёр короткого метра.
Задача: раскадровка фильма на 6 сцен по 10 секунд про [сюжет].
Формат: таблица - номер, кадр, одно действие, движение камеры, свет.
Ограничения: один герой, одно действие на сцену, без диалогов.
Скопировать

Один герой во всех сценах

Сделайте лист персонажа: герой в анфас, в профиль и в полный рост на нейтральном фоне. Затем соберите опорные кадры сцен, передавая лист как референс. Nano Banana Pro принимает до 14 входных картинок. Каждую сцену оживляйте в image-to-video, в строке «Камера» берите движение из раскадровки.

Чтобы проверить сходство, поставьте первые кадры всех сцен рядом. Если у героя в одной сцене другая причёска или цвет одежды, исправлять надо картинку, а не видео.

Звук, музыка и финальная обработка: эффекты, саундтрек, апскейл

Звук удобнее собирать отдельно:

• Эффекты. ElevenLabs Sound Effects делает звук по описанию, например «плеск вёсел в тихом озере, далёкие птицы». Генерируйте по эффекту на сцену.
• Музыка. Suno V5 или V4.5 пишут трек по текстовому описанию жанра и настроения, Suno V3.5 выдаёт треки до 4 минут. Для короткого фильма просите инструментал без вокала, чтобы музыка не спорила с эффектами.
• Субтитры. Если в ролике есть речь, ElevenLabs Speech-to-Text расшифрует её в текст.
• Апскейл. Topaz Video Upscale увеличивает разрешение видео до 4 раз. Делайте его последним шагом, на смонтированном материале.

Клипы склеивают в ИИ-редакторе видео или в любом привычном монтажном редакторе. Если после сведения голос или шум звучат грязно, можно улучшить звук в готовом ролике.

Частые ошибки в ИИ-видео и как их исправить

• Герой меняется от сцены к сцене. Вы генерировали из текста. Переходите на опорные кадры с референсом.
• Объекты плывут и деформируются. В промте слишком много действий. Оставьте одно и замедлите темп словами «медленно» и «плавно».
• Камера стоит, хотя просили пролёт. Движение описано расплывчато. Пишите конкретно: «камера медленно наезжает», «пролёт низко над водой».
• Рывок на стыке клипов. Возьмите последний кадр предыдущего клипа как первый кадр следующего.
• Кредиты уходят впустую. Вы подбирали композицию на видео. Подбирайте её на картинках, а видео запускайте, когда кадр утверждён.
• Мыло после апскейла. Исходник был в низком разрешении и с артефактами, апскейл их не уберёт. Пересоздайте клип в 1080p.

Фильм одной кнопкой пока не получится, зато каждый клип запускается отдельно, и испорченную сцену проще перегенерировать, чем исправлять на монтаже.