Нейросеть для генерации видео: что уже работает, а что доводится руками

Короткий ответ: генерация видео нейросетью окупается на коротких кусках, которым не нужно совпадать друг с другом — заставки, фоны, перебивки внутри длинного ролика, — и на однотипных обучающих роликах с говорящим аватаром, где план один и меняется только текст. Ломается она на длине, на склейке сцен, на тексте в кадре и на персонаже, который должен остаться тем же во втором дубле. Единица работы у генератора не «ролик», а дубль на несколько секунд; минута готового видео собирается монтажом из отобранных дублей, и основное время уходит не на генерацию, а на отбор и сборку.

Поэтому вопрос «может ли нейросеть создать видео» я заменил на скучный: сколько часов работы стоит минута готового ролика и как это число изменилось, когда часть кадров стала генерироваться.

Что генератор выдаёт на самом деле

Дубль фиксированной длины. В документации Google к Veo 3.1 длительность одной генерации — 4, 6 или 8 секунд, причём восемь — только для 1080p и выше или с опорным изображением; уже сгенерированный ролик продлевается шагами по 7 секунд, до двадцати раз, и суммарная длина доходит до 148 секунд. Ограничения у сервисов свои и меняются; российский вариант тоже есть — Сбер публично открыл доступ к Kandinsky Video в своих ботах. Важен не конкретный предел, а порядок: секунды, а не минуты.

Из этого следует первое практическое. Сценарий пишется не как «ролик на минуту», а списком кадров по несколько секунд, где у каждого своё описание. Кто раньше делал раскадровку, тот ничего нового не узнает; кто ждал «текст на входе — фильм на выходе», переделывает подход в первый же день.

Второе: каждый дубль — независимый бросок. Модель не хранит между вызовами ни лица, ни куртки, ни марки машины, она каждый раз собирает кадр заново по описанию — что вообще значит «модель видит», разбирал отдельно. Отсюда расхождения: оттенок, свет, черты лица, форма предмета в руке. В статичной генерации это знакомая беда серии — как и текст в кадре. В видео добавляется время, и дефект не просто есть — он шевелится. Лишний палец на фотографии заметит внимательный; палец, который отрастает на ходу, заметят все.

Где это уже экономит

Три места, где я считаю выигрыш настоящим.

Куски без людей и без букв. Абстрактное движение под заголовок, город в дымке, вода, ткань, крупная текстура. Раньше это покупали готовым или снимали, теперь чаще генерируют, и подмену зритель не ловит: смотреть там не на что, кусок работает как фон.

Перебивки в длинном ролике. Пять-семь секунд между блоками, чтобы монтаж не был одним непрерывным монологом. Требование к такому куску одно — не спорить с тем, что говорят голосом.

Обучающие ролики по готовому сценарию. Говорящий аватар, план один, фон не меняется — то есть все условия, при которых слабости генерации не успевают проявиться. Голос синтезируется, и на служебном тексте синтез уже не выдаёт себя. Экономия появляется не на первом ролике, а на двадцатом: правка инструкции становится правкой текста, а не новой съёмкой с тем же человеком в том же свитере.

Чего я в этом списке не вижу, так это рекламного ролика «как у больших». Кадр по общему описанию похож на все остальные кадры по общему описанию, а одинаковость обходится дороже ошибки: сэкономили на съёмке, получили сообщение, неотличимое от конкурентов.

Где ломается и сколько стоит доводка

Склейка сцен. Продление цепляется за последний кадр предыдущего куска, и получается продолжение движения, а не следующая сцена. Переход между сценами по-прежнему делает монтажёр: подрезает, ставит склейку по движению, закрывает стык звуком.

Персонаж между дублями. Опорное изображение помогает, но вопрос не закрывает: лицо в пятом дубле опознаётся как «похожий человек», а не «тот же». Для ролика, где герой появляется дважды, это означает либо один дубль на всю сцену, либо смену приёма — спина, руки, силуэт, всё, что не требует узнавания.

Текст в кадре. Та же лотерея, что в статичной генерации, только правка дороже: надпись накладывается слоем в монтаже, а не добывается у модели повторной попыткой.

Синхронность. Губы аватара к звуку сводятся хорошо, смысл — нет: модель не знает, где в вашем предложении ударное слово, и жест приходится принимать какой дали или ставить руками.

Доводка — это и есть работа. На моих роликах отбор занимает больше времени, чем генерация: дубли надо просмотреть, часть выбросить, часть запросить заново. Поэтому считать экономию по времени генерации бессмысленно, это метрика одного шага, а не результата. Я снимаю два числа: срок от готового сценария до принятого ролика и долю дублей, попавших в монтаж. Второе полезнее — оно показывает, сколько вы платите за случайность, и растёт, когда описание кадра становится точнее.

Лицо, голос и пометка

Здесь начинается часть, которую пропускают, пока не прилетит претензия. Дальше — моё прочтение норм, а не юридическая консультация.

Изображение человека. Статья 152.1 Гражданского кодекса разрешает обнародование и дальнейшее использование изображения гражданина только с его согласия; после смерти — с согласия детей и пережившего супруга, а при их отсутствии родителей. Изъятия в статье перечислены: использование изображения в государственных, общественных или иных публичных интересах; изображение, полученное при съёмке в местах, открытых для свободного посещения, или на публичных мероприятиях, кроме случаев, когда оно — основной объект использования; позирование за плату. Аватар, собранный с лица сотрудника для внутреннего курса, я ни под одно из них не подвожу: на публичный интерес курс не тянет, а изображение там вообще не получено при съёмке. А если изображение, полученное или используемое с нарушением, распространено в интернете, гражданин вправе требовать удаления и запрета дальнейшего распространения. Риск конкретный: снятый с площадок ролик, в который уже вложены деньги.

Отсюда практическое правило. Согласие письменное, с объёмом — какие материалы, где размещаются, — со сроком и с понятным порядком отзыва. И отдельно решённый вопрос, что компания делает с аватаром, когда сотрудник уходит.

Голос. Отдельной статьи об охране голоса в кодексе я не нашёл; законопроект о такой норме, включая голос, воссозданный специальными технологиями, в Госдуму вносили — стал ли он законом к вашему моменту, надо проверять по дате. Пока исхожу из того, что согласие на синтез голоса берётся так же, как на изображение: письменно и с объёмом.

Пометка. Федеральный закон от 26 июля 2026 года № 243-ФЗ о поддержке развития технологий искусственного интеллекта даёт тому, кто создал материалы в аудио- и (или) визуальной форме с применением больших фундаментальных моделей, право разместить предупреждение о применении ИИ; крупные площадки с суточной российской аудиторией свыше 500 тысяч пользователей обязаны дать для этого техническую возможность. Формат и порядок закон отдаёт на соглашение сторон. Сам закон действует с 1 сентября 2026 года, кроме положений, для которых установлены иные сроки, а норму о предупреждении разборы относят то к этой дате, то к 1 марта 2027 года — дату стоит проверить в правовой базе. Важнее другое: это право автора, а не его обязанность, и решать приходится самому. Я пишу словами рядом с роликом, что кадр сгенерирован, когда его можно принять за съёмку реального человека или события. Про права на сам результат — охраняется ли он вообще — разговор отдельный.

Условие несогласия

Всё сказанное избыточно, если в вашем видео от начала до конца говорит живой человек, а кадры между репликами не нужны.

Признак проверяется по прошлому году. Выпишите выпущенные ролики и посчитайте в них минуты, где нет ни лица, ни надписи, ни вашего конкретного товара. Если таких минут не набирается совсем, генератору в вашем производстве нечего делать: выигрыш даст не он, а сценарий, петличка и штатив.

Второй случай — когда в кадре должен быть именно ваш товар. Сгенерированная версия похожа на него ровно настолько, насколько модель угадала, и расхождение замечает покупатель, а не вы.

Чего я делать не стал бы

Не стал бы начинать с длинного ролика, чтобы проверить инструмент. Минуту из дублей собрать можно, но вся сложность — склейки, узнавание персонажа, ритм — вылезет сразу и создаст впечатление, что не работает вообще. Пятнадцать секунд заставки дают честный ответ за вечер и не требуют монтажёра.

Не стал бы делать аватар с лицом живого человека без письменного согласия, в котором есть объём использования и срок. Устная договорённость держится ровно до увольнения, а ролик к тому времени встроен в обучающий курс, и вынимать его оттуда дороже, чем было записать заново.

Не стал бы править описание неудачного кадра до победы. После третьей попытки обычно видно, что дело не в словах: модель не умеет того, о чём её просят. Дешевле сменить сам кадр — другой ракурс, без надписи, без человека, — чем двадцатый раз переписывать одно предложение.

Открытый вопрос

Сколько попыток уйдёт на один пригодный дубль, я предсказывать не умею. Доля дублей, попавших в монтаж, у меня гуляет от задачи к задаче, и от чего она зависит — от сложности сцены, от формулировки описания, от самой модели, — я не развёл: на похожих кадрах результат разный, а на непохожих иногда одинаковый.

Следствие неприятное: срок я называю диапазоном, а не датой, то есть перекладываю неопределённость на того, кто платит. Копить статистику по своим кадрам я начал, но её пока мало, а модели обновляются быстрее, чем набирается выборка, — и не факт, что накопленное переносится на следующее поколение.