_Владимир Ижмуков · автор системы роста Instagram через короткие ролики_
Ещё полтора года назад видео по текстовому описанию выглядело как аттракцион: пять секунд дёрганых кадров, у людей по шесть пальцев, лица плывут между кадрами. Сейчас этим инструментом собирают ролики, которые уходят в рекомендации и приводят подписчиков, и отличить такой ролик от съёмки на камеру человек в ленте чаще всего не может.
Разберу по порядку: что происходит внутри, когда вы пишете строку и получаете видео, почему у всех сервисов ролики короткие, чем это делают в 2026 году и с чего начать, чтобы первый ролик не ушёл в мусор.
Про соседние части производства у меня есть отдельные разборы: нейросеть для генерации изображений, озвучка нейросетью и музыка для рилс.
Что происходит внутри, когда вы пишете строку
Модель восстанавливает изображение из шума, ориентируясь на ваш текст.
Представьте телевизор с помехами. Модель смотрит на этот шум и шаг за шагом убирает его так, чтобы получившаяся картинка соответствовала описанию. Для одной картинки этот процесс называется диффузией и работает уже несколько лет. Видео устроено сложнее: модель обязана держать согласованность между кадрами. Предмет обязан сохранять форму, человек лицо, свет положение.
Согласованность и есть главная трудность. Каждый следующий кадр модель строит с оглядкой на предыдущие, ошибки копятся, и чем длиннее ролик, тем сильнее он расползается. Отсюда растёт первое практическое следствие, с которым вы столкнётесь сразу.
Почему ролики выходят по пять секунд
Стандартная длина генерации у большинства сервисов лежит в пределах от пяти до десяти секунд. Причин две.
Первая: вычисления. Каждая дополнительная секунда стоит времени видеокарт, и стоимость растёт быстрее, чем длительность.
Вторая: та самая согласованность. На десятой секунде модель уже плохо помнит, что было на первой, и герой начинает меняться на глазах.
Практический вывод простой. Длинный ролик собирается из коротких генераций, склеенных в редакторе. Так и работают все, кто делает нейроконтент серийно: пять сцен по пять секунд плюс монтаж дают ролик на двадцать пять секунд, и он держится цельным, потому что каждый кусок генерился отдельно с описанием той же обстановки.
Что эти модели уже умеют и где по-прежнему ломаются
Умеют хорошо:
- Природу,городские виды, интерьеры, предметы, еду, абстракцию и движение камеры вокруг них.
- Свет и погоду: закат, туман, дождь, неон, съёмку против солнца.
- Стилизацию под плёнку, под старую хронику, под мультипликацию, под рекламный ролик.
- Общие и средние планы с людьми, когда лицо не занимает весь кадр.
Ломаются предсказуемо:
- Руки и пальцы в крупном плане, особенно когда человек что-то держит и поворачивает.
- Текст в кадре. Вывеска, экран телефона, книга: буквы получаются похожими на буквы и при этом ничего не значат.
- Одно и то же лицо в разных сценах. Без специальных приёмов герой между кадрами меняется.
- Физика столкновений: посуда, жидкости, отскоки. Предметы проходят сквозь друг друга.
Из этого получается рабочее правило, которое экономит недели. Стройте ролик так, чтобы слабые места не попадали в кадр. Крупный план рук заменяйте средним планом. Текст добавляйте поверх в редакторе, внутри генерации его не делайте.
Семь сервисов, которыми это делают в 2026 году
Проверено 29 августа 2026 года по официальным страницам разработчиков: каждая открыта, заявленные возможности сверены с тем, что модель пишет о себе сама. Цены тут намеренно опускаю: тарифы у этих сервисов меняются несколько раз в год, и число из статьи через месяц соврёт. Открывайте страницу тарифов и смотрите текущие условия сами.
Veo от Google DeepMind (официальная страница модели). Актуальная версия на 29 августа 2026 года это Veo 3.1, и главное её отличие в том, что модель отдаёт видео сразу со звуком, включая речь и фоновые шумы. Для коротких роликов это заметно экономит время: не нужно отдельно подбирать подложку и сводить дорожки. Доступ идёт через продукты Google.
Sora от OpenAI (страница продукта). Живёт отдельным продуктом, известна цельностью сцены и тем, что хорошо держит движение камеры. Открывается не из всех стран.
Kling (рабочее приложение). Китайская модель, которую в русскоязычной среде используют очень широко. Сильна на движении людей и на анимации по одной картинке.
Runway (сайт). Старейший из перечисленных инструментов и до сих пор один из самых удобных для монтажёра: генерация соседствует с инструментами обработки уже готового видео.
Hailuo от MiniMax (сайт разработчика). Хорошо держит стилизацию и даёт живое движение камеры. У русскоязычных авторов встречается часто.
Luma Dream Machine (сайт). Заметна плавностью движения и работой с оживлением фотографии.
Pika (сайт). Известна набором эффектов, которые делают ролик заметным без сложного монтажа.
Короткая сравнительная таблица
| Сервис | Чем силён | Слабое место | Звук в генерации |
|---|---|---|---|
| Veo 3.1 | картинка и согласованность сцены | доступ через продукты Google | да, включая речь |
| Sora | цельность сцены, движение камеры | открывается не из всех стран | да |
| Kling | движение людей, оживление фото | очередь в часы пик | нет |
| Runway | генерация рядом с обработкой видео | интерфейс сложнее для новичка | нет |
| Hailuo | стилизация, живая камера | стабильность лица между сценами | нет |
| Luma | плавность движения, оживление фото | короткие сцены | нет |
| Pika | эффекты без монтажа | меньше контроля над кадром | нет |
Отдельно скажу про агрегаторы вроде Higgsfield. Это витрина, где несколько сильных моделей собраны в одном месте с общим балансом. Смысл такой витрины в том, что отпадает нужда держать три подписки и переносить файлы между сервисами. Сам я работаю именно так, потому что перекладывание файлов съедает больше времени, чем сама генерация.
Как выглядит рабочий промпт
Описание для видео устроено сложнее описания для картинки. К предмету и стилю добавляются движение и время.
Рабочая структура состоит из шести частей: кто или что в кадре, что делает, где это происходит, какой свет, как движется камера, в каком стиле снято. Пример, который можно взять и переписать под себя:
> Пожилой рыбак чинит сеть на деревянном причале, руки заняты работой, он смотрит вниз. Раннее утро, туман над водой, тёплый боковой свет. Камера медленно приближается от общего плана к среднему. Съёмка на плёнку, естественное зерно, приглушённые цвета.
Три заготовки, которые можно взять сразу
Предметный ролик под товар или инструмент:
> Стеклянная банка с кофейными зёрнами стоит на бетонной столешнице, зёрна медленно осыпаются рядом. Утренний свет из окна слева, мягкие тени. Камера едет вбок и слегка вниз. Рекламная съёмка, неглубокая резкость, тёплые цвета.
Городская сцена под фон и перебивку:
> Человек в тёмном пальто идёт по мокрому тротуару, спиной к камере, вокруг вечерний поток людей. Неоновые вывески отражаются в лужах, дождь только закончился. Камера следует за ним на одной скорости. Кинематографическая съёмка, лёгкое зерно, холодные цвета с тёплыми акцентами.
Абстракция под текст поверх:
> Густые чернила расходятся в воде и медленно превращаются в облако. Чёрный фон, единственный источник света сверху. Камера неподвижна. Макросъёмка, высокая детализация, глубокий контраст.
Три вещи, которые превращают средний промпт в хороший:
- Одно действие на генерацию. Два действия подряд модель смешивает в кашу. Нужно два, делайте две генерации.
- Движение камеры называйте словами. Медленное приближение, облёт, проезд вбок, статичный кадр. Без этого камера ведёт себя случайно.
- Свет описывайте отдельно от стиля. Свет отвечает за настроение кадра, стиль за фактуру. Смешанные в одну фразу, они дают невнятный результат.
Порядок действий для первого ролика
Первый ролик стоит делать по шагам, иначе теряется день и появляется вывод «у меня не получается».
Шаг первый. Напишите текст ролика целиком, до всякой генерации. Пока текст слабый, красивая картинка его не спасёт.
Шаг второй. Разбейте текст на сцены по пять секунд. Одна мысль это одна сцена.
Шаг третий. Под каждую сцену напишите промпт по структуре выше. Обстановку и свет держите одинаковыми во всех сценах, иначе куски не склеятся в одно.
Шаг четвёртый. Сгенерируйте все сцены, не правя ничего по ходу. Первый проход нужен целиком, чтобы увидеть ролик собранным.
Шаг пятый. Пересоберите только слабые сцены. Обычно из пяти переделки требуют одна или две.
Шаг шестой. Соберите в редакторе, добавьте текст поверх, голос и музыку. Текст внутри генерации не делайте вовсе.
Сколько это занимает на практике
Первый ролик по этой схеме занимает около двух часов, из них полтора уходят на то, чтобы разобраться с интерфейсом сервиса. Пятый ролик занимает минут сорок. Десятый занимает пятнадцать минут, потому что промпты к тому моменту повторяются и вы просто меняете в них две строки.
Поэтому советую сразу вести файл со своими промптами. Это самая недооценённая часть работы: через месяц у вас будет собственная библиотека заготовок, и генерация превращается из творческого поиска в конвейер.
Частые вопросы
Можно ли сгенерировать видео по тексту бесплатно?
Да, у большинства перечисленных сервисов есть бесплатный уровень с ограничением по числу генераций в сутки и с водяным знаком на выходе. Для первых проб этого хватает: ошибки в промптах видны и на бесплатных генерациях. Условия у сервисов меняются часто, поэтому смотрите текущий лимит на странице тарифов.
Почему у меня получается хуже, чем в примерах на сайте сервиса?
Примеры на витринах собраны из лучших генераций, и промпты под ними обычно длиннее и подробнее, чем кажется. Вторая причина в описании: короткая строка вроде «красивый ролик про кофе» оставляет модели слишком много свободы. Опишите кадр по шести частям из раздела выше, и разрыв сократится сразу.
Как сделать, чтобы герой оставался одинаковым во всех сценах?
Работают три приёма. Первый: генерировать сцены от одной опорной картинки, эту возможность дают Kling, Luma и Runway. Второй: держать в промпте дословно одинаковое описание внешности и одежды. Третий, самый надёжный: строить ролик так, чтобы лицо героя не занимало крупный план, тогда мелкие расхождения зритель не замечает.
Сколько генераций уходит на один готовый ролик?
По моему опыту на пять сцен уходит от семи до девяти генераций: одна или две сцены переделываются. Закладывайте примерно полуторный запас от числа сцен, когда считаете лимиты сервиса.
Отличит ли зритель сгенерированное видео от снятого?
На общих и средних планах в ленте телефона чаще всего нет. Выдают три вещи: руки в крупном плане, текст внутри кадра и слишком гладкая картинка без единого изъяна. Первые две убираются построением кадра, третья добавлением зерна на монтаже.
Что дальше
Инструмент нужен ради результата. В коротких роликах результат приносит формат: первые три секунды и текст, который человек дочитывает, пока ролик идёт по кругу. Качество картинки стоит на втором месте.
Про сам формат у меня есть отдельные разборы: почему рилс не набирают просмотры и как снимать рилсы.
