Чтобы ИИ-видео не выглядело сгенерированным: кожа, физика, звук

Ролик выглядит сгенерированным не потому, что модель слабая, а потому, что он слишком чистый. Кожа без пор, свет как в студии, камера плывёт по идеальной дуге, в кадре ни звука, а герой держит чашку пальцами, которых на секунду становится шесть. Зритель не формулирует это словами, но считывает мгновенно. Лечится это не выбором «самой реалистичной» модели, а добавками в промт: фактура кожи, простые действия рук, камера в руке, фоновый шум, короткий план. Ниже — по пунктам, с готовыми фрагментами и порядком проверки.

Важная оговорка про цель. Если вам нужна красивая кинематографичная картинка с выверенным светом, это другая задача, и она разобрана в статье про кинокартинку в ИИ-видео. Здесь мы идём в обратную сторону: делаем кадр менее идеальным, чтобы он выглядел снятым, а не нарисованным.

Откуда берётся пластиковость

Упрощённо картина такая: среди роликов, на которых учатся видеомодели, много рекламы, стоков и постановочной съёмки. Поэтому, когда промт не уточняет условия, модель тянется к «среднему красивому»: мягкий рассеянный свет, гладкие лица, плавная камера, чистый фон. Каждая деталь по отдельности нормальная, но вместе они дают узнаваемый стерильный вид.

Второй источник — нагрузка на кадр. Чем больше в сцене мелких движущихся элементов, тем выше шанс, что что-то поплывёт: пальцы, надписи, отражения, толпа на заднем плане. Длинный план с тремя действиями почти гарантированно где-то сломается.

Третий — тишина или, наоборот, слишком стерильный звук. Живая съёмка всегда что-то слышит: улицу, гул холодильника, шаги. Когда звука нет совсем, мозг ищет подвох.

Отсюда рабочий принцип: не просить у модели «реализм» как абстракцию, а описывать конкретные несовершенства, которые бывают у настоящей съёмки.

Кожа и лицо

Слово «реалистичный» в промте почти ничего не делает. Модель и так считает, что рисует реалистично. Работают конкретные признаки фактуры.

Что стоит называть прямо: видимые поры, лёгкая неровность тона, блеск на лбу или носу, мелкие морщины у глаз, растрёпанные отдельные волоски, отсутствие макияжа или естественный макияж. Свет лучше привязать к источнику — окно сбоку, лампа над столом, пасмурный день, — а не писать «красивое освещение».

Женщина около 35 лет, без макияжа, видимые поры и лёгкий блеск кожи на носу,
несколько выбившихся прядей. Свет из окна слева, пасмурный день, правая
половина лица в мягкой тени. Кожа с естественной неровностью тона, без
ретуши и сглаживания.

Отдельно про людей в кадре. Не пытайтесь добиться сходства с конкретным известным человеком — такие запросы и этически сомнительны, и дают непредсказуемый результат. Если в ролик нужен реальный человек, берите его фото только с согласия и заводите как опорный кадр.

Кстати, опорный кадр вообще сильно помогает с кожей. Если сначала сделать фотореалистичный портрет моделью для изображений, например Nano Banana Pro или GPT Image 2, проверить фактуру на статике и уже его оживить через режим из изображения в видео, модель наследует текстуру, а не придумывает гладкое лицо с нуля.

Руки и мелкие предметы

Руки — самое частое место, где ролик выдаёт себя. Пальцы слипаются, предмет проходит сквозь ладонь, кружка меняет форму на середине движения.

Три правила, которые снижают риск:

1. Одно простое действие. «Берёт чашку и делает глоток» — нормально. «Берёт чашку, открывает ноутбук и что-то печатает» — уже три сложных взаимодействия подряд.
2. Крупный, простой предмет. Кружка, книга, телефон держатся лучше, чем ключи, серёжки или карандаш. Мелочь с тонкими деталями модель рисует неустойчиво.
3. Руки не в центре внимания. Если сцена не про руки, пусть они будут частично вне кадра или в движении без захвата.

Мужчина сидит за кухонным столом, медленно берёт белую керамическую кружку
обеими руками и делает глоток. Руки двигаются спокойно, без резких жестов.
Никаких других предметов в руках.

Надписи тоже относятся к мелочам. Вывески, этикетки и экраны телефонов видеомодели рисуют нестабильно, буквы дрожат между кадрами. Лучше вообще не просить текст в кадре, а наложить его при монтаже.

Физика: вес, инерция, ткань

Следом за кожей ролик выдаёт движение без веса. Человек садится на диван, а подушка не проминается. Голова поворачивается, а волосы остаются на месте. Вода льётся густо, как кисель, шаг начинается без толчка. Модель хорошо знает, как движение выглядит, но не всегда помнит, что у тела и предметов есть масса.

Помогает то же, что с кожей: не просить «реалистичную физику», а описывать последствия движения.

• вес: «опускается на диван, подушка проседает под ним»;
• инерция: «резко останавливается, полы пальто по инерции качаются вперёд»;
• ткань и волосы: «ветер треплет край шарфа, пряди падают на лицо при наклоне»;
• жидкость: «кофе плещется у края кружки, когда её ставят на стол»;
• опора: «подошвы чуть скользят по мокрой плитке».

Девушка выходит из подъезда и спускается по трём ступенькам. На последней
ступеньке сумка на плече качается по инерции, край куртки поднимает ветер.
Шаги тяжёлые, с толчком от пятки, асфальт после дождя блестит.

Одной-двух таких деталей на план хватает. Если перечислить всё сразу, в кадре начинается суета: колышется всё, что может колыхаться, и сцена опять становится искусственной, только с другой стороны. И здесь работает то же правило, что с руками: чем меньше одновременных столкновений предметов, тем меньше шансов, что кружка пройдёт сквозь стол.

Камера «с телефона»

Идеальный проезд камеры по дуге — узнаваемый признак сгенерированного ролика. Настоящую съёмку для соцсетей делают с рук, и это видно: лёгкое покачивание, небольшой перекос горизонта, неточная фокусировка в начале.

Что добавлять в промт:

• съёмка с рук на телефон, лёгкое естественное дрожание;
• вертикальный кадр, камера на уровне груди или глаз;
• неглубокий автофокус, который чуть «ищет» в первые мгновения;
• обычная экспозиция без киношной цветокоррекции;
• никаких пролётов дрона и сложных траекторий.

Съёмка на телефон с рук, вертикальный кадр 9:16. Камера слегка покачивается,
горизонт немного гуляет. Обычная бытовая съёмка без цветокоррекции, как
видео из сторис. Без плавных кинематографичных проездов.

Здесь есть тонкость: слишком сильное дрожание модели иногда превращают в болтанку, от которой укачивает. Формулировки «лёгкое», «едва заметное» работают лучше, чем «трясущаяся камера».

Фоновый звук

Kling 3.0, Veo 3.1 Fast и Seedance 2.5 умеют генерировать звук вместе с картинкой, и этим стоит пользоваться именно для фона, а не только для речи. Шум улицы, звон посуды, гул кондиционера, птицы за окном — всё, что делает сцену «услышанной».

В промте описывайте звук так же конкретно, как свет:

Звук: приглушённый шум города за закрытым окном, тихое гудение холодильника,
звон ложки о кружку в момент, когда герой ставит её на стол. Без музыки.

Музыка поверх всего сразу сдвигает ролик в сторону рекламы. Если она нужна, её лучше подложить отдельно при монтаже и тише, чем обычно. Когда звук из модели не устраивает, озвучку и фон можно собрать отдельно — плюсы и минусы обоих путей разобраны в статье про видео со звуком из одной модели и отдельную озвучку.

Длина плана

Короткий план — одна из самых недооценённых добавок к реализму. Живые ролики в соцсетях обычно собраны из коротких отрезков, и в каждом происходит что-то одно. Длинная непрерывная генерация даёт модели больше времени, чтобы что-то испортить: лицо начинает меняться, фон «дышит», предметы дрейфуют.

Практически это значит: не пытаться получить весь ролик одной генерацией. Лучше сделать пять коротких сцен и склеить их, выбросив неудачные секунды, чем одну длинную и потом искать, где в ней спрятаться от брака. Монтажная склейка сама по себе добавляет ощущение настоящей съёмки.

Если же брак уже случился — лицо поплыло, объект исчез, движение пошло в обратную сторону, — чаще всего проще перегенерировать короткий отрезок с упрощённым действием, чем спасать длинный план на монтаже.

Сравнение трёх моделей на одних сценах

Честно сравнить реалистичность можно только одним способом: одна и та же сцена, один и тот же промт, одинаковая длина и формат. Иначе вы сравниваете не модели, а свои промты. Ниже — условный тестовый набор из трёх сцен, который хорошо вскрывает пластиковость, и на что смотреть у каждой модели.

Как читать такой тест. Смотрите не на «красиво или нет», а на признаки, перечисленные выше: фактура, руки, камера, звук. Каждую сцену стоит прогнать хотя бы два-три раза, потому что одна генерация — это лотерея, а не характеристика модели. Отдельно фиксируйте цену за годный результат, а не за попытку: модель подешевле, которая чаще попадает, может обойтись дешевле флагмана. Актуальная стоимость генераций — на странице прайсинга, там же видно, сколько стоит каждая модель в выбранном режиме.

Выводов вида «модель X всегда реалистичнее» мы делать не будем: результат сильно зависит от сцены. Одна модель может лучше держать лицо, другая — лучше звучать, третья — точнее следовать русскому промту. Поэтому разумный порядок такой: выбрать модель под главный риск ролика. Если главное — лицо крупно, проверяйте фактуру кожи. Если в ролике звучит русская речь, смотрите на озвучку. Если сцена с руками и предметами, решающими будут именно они.

Апскейл в самом конце

Последний шаг — повышение разрешения. В каталоге Most AI для этого есть готовый инструмент «Увеличить размер видео»: он поднимает ролик до 4K и сохраняет его длительность. Делайте это только с финальными отрезками, после отбора и проверки. Апскейл не исправляет пластиковость, он делает резче всё, что есть в кадре, включая дефекты: если руки поплыли в исходнике, в 4K они поплывут заметнее.

Есть и обратный эффект. Иногда лёгкая мягкость исходного кадра маскирует гладкость кожи, а после апскейла лицо выглядит ещё более «восковым». Поэтому сравните кусок до и после, прежде чем прогонять весь ролик.

Короткий чек-лист перед публикацией

• В кадре есть фактура: поры, неровный тон, случайные волоски.
• Свет привязан к источнику, а не «красивый вообще».
• Руки делают одно простое действие с крупным предметом.
• У движения есть вес: ткань, волосы и предметы на него реагируют.
• Камера с рук, без кинематографичных пролётов.
• Есть фоновый звук, музыка не заглушает сцену.
• Каждый план короткий, неудачные секунды вырезаны.
• Текст наложен при монтаже, а не нарисован моделью.
• Апскейл сделан последним и проверен на фрагменте.

Частые вопросы