Ролик на 1–3 минуты из коротких генераций: как не развалить историю

Ролик на одну-три минуты из нейросетей собирается только одним способом: из коротких генераций по несколько секунд, которые вы стыкуете в монтаже. Связную историю при этом держат три вещи — продление сцены от её последнего кадра, единые свет и палитра, прописанные в каждом промте, и звук, который накладывается поверх всей склейки, а не рождается в каждом куске отдельно. Ниже — почему это так устроено, как стыковать сцены без видимых швов и какие модели Most AI брать под какие куски.

Почему минуту нельзя сгенерировать разом

Видеомодель генерирует непрерывный отрезок, внутри которого всё согласовано: камера, свет, положение объектов. Чем длиннее отрезок, тем больше модели приходится удерживать одновременно, и тем выше шанс, что к концу что-то «уплывёт» — лицо, цвет одежды, геометрия комнаты. Поэтому у всех моделей в каталоге потолок длины исчисляется секундами: у Sora 2 Official это 4–12 секунд, у Grok Video Pro — 6–15, и только Grok Video дотягивает до 30.

Вторая причина — сюжетная. Одна генерация хорошо показывает одно действие в одном плане. Просьба уместить в неё «герой заходит в мастерскую, берёт инструмент, работает, показывает результат» почти всегда даёт скомканную сцену, где все действия наезжают друг на друга. История — это последовательность планов, а план — это ровно то, что модель умеет делать.

Отсюда простой вывод, с которым дальше и работаем: длинный ролик — это не «большая генерация», а монтаж из маленьких. Генератор отвечает за качество каждого плана, вы — за то, как планы сходятся друг с другом.

Арифметика хронометража

Прежде чем что-то генерировать, полезно посчитать, сколько кусков вам понадобится. Условный сценарий: рассказ о бренде на 90 секунд.

• Средний план в таком ролике длится 5–8 секунд — дольше зритель начинает скучать, короче не успевает прочитать кадр.
• 90 секунд делим на 6–7 секунд — выходит 12–15 планов.
• На каждый план закладывайте несколько дублей: часть отсеется из-за рук, часть из-за камеры, которая поехала не туда.

Итого на полторы минуты финала вы сделаете несколько десятков генераций. Раскладку сценария на планы лучше сделать текстом до первой генерации — об этом подробно в материале про раскадровку до генерации. Здесь же речь о следующем этапе: как сами куски генерировать и стыковать.

Три способа состыковать сцены

У каждого стыка есть два варианта: зритель либо не должен заметить шов, либо должен увидеть осознанную смену плана. Под это есть три приёма.

Продление по последнему кадру

Главный приём для непрерывного действия. Вы генерируете первую сцену, в монтажной программе сохраняете её последний кадр как картинку и подаёте эту картинку стартовым изображением во вторую генерацию — в режиме видео из изображения. Модель начинает ровно с того места, где закончилась предыдущая сцена: та же поза, тот же свет, та же обстановка.

Пара практических деталей. Берите не самый последний кадр, а один из последних чистых: в финальных долях секунды модели иногда размазывают картинку. И в промте второй сцены не описывайте заново всё, что видно на изображении, — опишите только, что происходит дальше.

Кадр с прикреплённого изображения — продолжение предыдущей сцены,
внешность героя, одежда и обстановка без изменений.
Действие: мастер ставит готовую чашку на полку и отходит на шаг.
Камера: та же позиция, медленный отъезд назад.
Свет: тёплый боковой из окна слева, как на изображении.
Без смены плана, без текста в кадре.

Ограничение у приёма одно: с каждым продлением мелкие отклонения накапливаются, и чем длиннее цепочка, тем заметнее начинают «гулять» лицо и цвета. Сколько звеньев выдержит конкретная сцена, заранее не скажешь — это зависит и от модели, и от того, сколько в кадре мелких деталей. Поэтому я держу цепочки короткими, пересматриваю каждое звено рядом с первым кадром цепочки, а длинную непрерывную сцену разбиваю на несколько цепочек с монтажной склейкой между ними.

Общий опорный кадр для всей серии

Второй приём работает, когда сцены не продолжают друг друга напрямую, но должны выглядеть как один фильм. Сначала картиночной моделью — например, Nano Banana 2 или GPT Image 2 — вы делаете опорные кадры для всех ключевых сцен, держа в них одного героя и одну цветовую гамму. Потом каждый опорный кадр оживляете отдельно.

Так связность обеспечивается на уровне статичных картинок, где переделка быстрая и дешёвая, а видеомодель уже только добавляет движение. Если в ролике есть человек, утверждайте его внешность на первом опорном кадре и дальше подавайте этот кадр как референс в каждую новую картинку.

Монтажная склейка со сменой плана

Третий способ — вообще не пытаться сделать шов незаметным. Общий план сменяется крупным, крупный — деталью. Смена крупности сама по себе оправдывает небольшие расхождения: зритель считывает её как работу оператора, а не как ошибку. В документальном формате так и снимают, поэтому мини-документалка из нейросетевых кусков выглядит естественнее, чем попытка сделать одну длинную «бесшовную» сцену.

На практике длинный ролик собирается из всех трёх приёмов сразу: цепочки продлений внутри эпизода, общие опорные кадры для визуального единства и смена плана на стыке эпизодов.

Какие модели брать под какие куски

Модели Most AI различаются и тем, под какой тип плана они удобнее. Разумное распределение ролей на старте:

Отдельно про Grok Video. Тридцать секунд одним отрезком — это удобно для планов, где почти ничего не происходит: медленная панорама города, проход камеры по цеху, вид из окна поезда. Там длина работает на ролик. Для сцен с активным действием длинный отрезок скорее вредит: чем больше событий в нём, тем выше шанс, что к концу что-то сломается. Перед запуском сверяйте доступные длительности и режимы в карточке модели в кабинете: они отличаются даже внутри одного семейства.

Единые свет и палитра: паспорт ролика

Самый заметный шов между независимыми генерациями — не персонаж, а свет. Одна сцена вышла тёплой вечерней, соседняя — холодной дневной, и ролик рассыпается, даже если герой идентичен.

Лечится это простым документом: перед генерацией вы пишете короткий «паспорт ролика» и вставляете его хвостом в каждый промт без изменений.

Общий стиль для всех сцен ролика:
документальная съёмка, естественный свет,
тёплая палитра — охра, светлое дерево, приглушённый зелёный,
мягкие тени, без контрового света,
зерно как у плёнки, умеренный контраст,
камера на уровне глаз, движения медленные и плавные.

Правило: паспорт не редактируется между сценами. Если хочется «чуть драматичнее» для финала — это отдельное решение, которое вы принимаете осознанно, а не случайное расхождение. Остатки несовпадений в цвете дотягиваются в монтажной программе общей цветокоррекцией на весь ролик — один фильтр поверх всех кусков выравнивает их лучше, чем точечная правка каждого.

Звук поверх, а не внутри

Часть моделей генерирует видео сразу со звуком — Kling 3.0, Seedance 2.5, Grok Video с русской озвучкой. Для одиночного ролика на 10 секунд это удобно. Для длинной истории — проблема: у каждого куска свой фон, свой тембр, своя громкость, и на склейке звук прыгает сильнее картинки.

Поэтому в длинном ролике звук собирается отдельным слоем:

1. Закадровый текст. Пишете его целиком под весь хронометраж и озвучиваете в ElevenLabs V3 (Диктор) — одним голосом, частями по эпизодам. Если в ролике диалог двух голосов, есть ElevenLabs V3 (Диалог). Клонировать голос конкретного человека в кабинете нельзя, так что диктора подбирайте из доступных голосов модели.
2. Музыка. Фоновый трек делается в Suno под общую длину ролика, а не под каждую сцену.
3. Родной звук генераций. Его либо отключаете, либо оставляете тихим фоном там, где он полезен, — шум улицы, звон посуды.

Удобный порядок: сначала начитать дикторский текст, потом подогнать длину планов под фразы. Картинку резать под голос проще, чем наоборот, а в разговорном ролике смысловой ритм задаёт именно текст. Подробнее о выборе между родным звуком модели и отдельной дорожкой — в материале про видео со звуком или отдельную озвучку.

Порядок работы на условном примере

Условный сценарий: мини-документалка на две минуты о семейной гончарной мастерской.

1. Текст. В бесплатном ChatGPT пишете закадровый текст и раскладку на 16–18 планов с длительностью каждого.
2. Паспорт ролика. Фиксируете свет, палитру и манеру камеры одним абзацем.
3. Опорные кадры. Картиночной моделью делаете по кадру на каждый эпизод: мастерская снаружи, гончарный круг, печь, готовая посуда, хозяин за работой.
4. Черновой прогон. Все планы коротко и в низком качестве на бюджетной модели. Цель — проверить, что история читается в таком порядке.
5. Чистовые сцены. Ключевые планы — Kling 3.0 или Seedance 2.5, проходы по мастерской — Grok Video, непрерывные действия — цепочками продлений по последнему кадру.
6. Голос. Озвучка текста в ElevenLabs V3, подгонка планов под фразы.
7. Монтаж. Склейка, общая цветокоррекция, музыка, титры поверх — буквы у видеомодели не просите.
8. Увеличение при необходимости. Инструмент «Увеличить размер видео» поднимает готовые куски до 4K без изменения длительности.

Где на самом деле уходят деньги

Себестоимость длинного ролика определяется не ценой одной генерации, а количеством дублей на план. Три практических вывода.

• Черновой прогон окупается. Проверить историю на бюджетной модели дешевле, чем обнаружить после чистовых генераций, что эпизод лишний.
• Длинный план на дорогой модели — риск. Если в тридцатисекундном отрезке испортилась последняя секунда, переделывать приходится весь отрезок. Для рискованных сцен лучше короткие куски.
• Звук отдельно дешевле переделок. Пересгенерировать сцену из-за неудачной реплики внутри неё — дороже, чем поправить строчку в озвучке.

Точные цены по каждой модели и длительности — на странице прайсинга. Оплата в рублях, за генерацию, без подписки.

Частые вопросы