Нейросети для видео: чем генерация ролика отличается от монтажа

Монтажёр работает с материалом. У него есть съёмка, и задача в том, чтобы выбрать лучшие дубли, склеить их, поставить музыку и титры. Всё, что попадёт в ролик, кто-то когда-то записал. Ограничение понятное: если нужного кадра не снято, его не будет.

Генерация работает иначе. На входе текст или картинка, на выходе новый клип, которого до запроса не существовало. Человек, которого никогда не снимали, может сидеть в кафе, которого нет, и произносить реплику, которую никто не записывал. Это удобно, но у результата другая природа: генератор собирает кадр по вероятностям, а не по факту съёмки.

Поэтому вопрос звучит так: какого кадра у меня нет и можно ли его придумать. Если ответ «ни одного», генерация подходит. Если ответ «есть, но нужно пятнадцать секунд обрезать», это работа для монтажа.

В описаниях моделей мелькают термины, которые без расшифровки читаются плохо. Text-to-video — клип по текстовому описанию. Image-to-video — клип из картинки, она задаёт первый кадр или всю сцену. Первый и последний кадр — режим, где заданы оба края сцены, а движение между ними генератор достраивает сам. Референсы — картинки или фрагменты, по которым генератор старается удержать лицо, предмет или стиль. Звук в одних моделях идёт вместе с видео, в других отдельной задачей, поэтому в таблицах его вынесли отдельной строкой.

Есть и третий путь, о котором часто забывают. Генерация хорошо подходит для быстрых черновиков. Можно за один проход проверить, как выглядит сцена, какой ритм у переходов и держится ли идея, ещё до съёмки. Если черновик не работает, съёмку не начинали, и это уже выигрыш по времени.

Для разговора о возможностях удобно опереться на Veo 3.1: у Google для него есть подробная страница и тарифы с явными разрешениями.

Страница DeepMind описывает Veo 3.1 как текущую версию модели. Она умеет text-to-video и image-to-video, то есть работает и с текстом, и с картинкой на входе. Звук генерируется вместе с видео: эффекты, фоновые шумы и диалоги. Выходы — 1080p и 4K.

Gemini API публикует три варианта линейки. Standard и Fast поддерживают 720p, 1080p и 4K. Lite — 720p и 1080p, 4K у него нет. Страница тарифов помечена датой 16 октября 2026 года, так что это актуальный срез, а не архив.

Из этого получается правило. Нужен ролик в 4K с речью — берём Standard. Нужны десятки черновиков, чтобы понять идею, — Lite, там 720p, для идеи этого хватает. Черновик в 720p на Lite — самый короткий путь проверить, работает ли сцена, до того как браться за финальную версию. Что проверять, зависит от задачи: движение видно и на черновике, а деталь без финального варианта не оценишь.

Звук: что он даёт и где нужна проверка

Генерация звука — главное отличие нового поколения от моделей, которые выдавали немой клип. Veo 3.1 создаёт фон, эффекты и диалог в одном проходе. Для рекламного ролика без закадрового текста это экономит отдельный этап озвучки, а для короткого сюжета позволяет получить сцену целиком.

Точное совпадение реплик с текстом сценария проверяйте в каждом дубле. Одна и та же фраза звучит по-разному от запуска к запуску, и интонация не всегда та, которая нужна. Для роликов, где каждое слово важно, звук лучше брать как черновик и заменять озвучкой, если текст нельзя потерять.

Фоновый звук из генерации удобнее для коротких сцен без речи. Шум улицы, гул кофемашины, лёгкая музыка на фоне — всё это модели передают без проблем, если описание звука короткое и конкретное. Длинный диалог с несколькими собеседниками сложнее: голоса могут менять тембр между репликами, а сцена становится похожей на театр с дубляжом. Поэтому разговорные сцены делаем короткими, по одной-две реплики, и склеиваем монтажом.

Картинка на входе и кадр-граница

Режим image-to-video полезен, когда есть точный кадр: фото продукта, эскиз, снимок локации. На странице DeepMind перечислены функции, которые с этим связаны: first and last frame, то есть задание первого и последнего кадра сцены; ingredients to video, сборка ролика из нескольких референсов; outpainting, расширение кадра за пределы исходника; вставка и удаление объектов; управление камерой и движением.

Эти функции меняют работу. Можно задать начало и конец движения и получить переход между двумя состояниями, например, между закрытой и открытой упаковкой. Можно убрать лишний объект из кадра или дорисовать фон, который не попал в съёмку. Но промежуточную часть генератор рисует сам, и её приходится проверять глазами.

Удобно смотреть на возможности через агрегатор. Страница тарифов Runway перечисляет модели разных разработчиков с разрешениями и отдельными строками для версий со звуком и без. На момент проверки там были, среди прочего, Veo 3.1 и Veo 3.1 Fast, Kling 3.0 в вариантах standard, pro и 4K, Wan 3 в разрешениях 480p, 720p и 1080p, Seedance 2, Grok Imagine 1.5 и его облегчённая версия Lite, Gemini Omni Flash, Hailuo 3 и gen4.5.

В таблице Runway сначала смотрим на столбец с версией. Строки «со звуком» и «без звука» стоят рядом, и разница между ними на бумаге выглядит мелкой, хотя именно она решает, сколько работы уйдёт на озвучку. 4K у многих моделей выделено отдельной строкой, а у части его нет вовсе. Пометки «минимум» и «дополнительно за референс» говорят, что длина клипа здесь не единственный фактор. Два референса в одном ролике дают уже другую картину, чем один клип по тексту.

Разнообразие полезно, но нужна осторожность. Runway не публикует даты в таблице, так что это моментальный снимок. Список меняется: модель появляется, получает новое разрешение или уходит. Перед выбором проверяйте страницу в день работы.

Wan 3 стоит отдельно. Alibaba Cloud в каталоге Model Studio указывает модель wan3.0-video в разделе генерации изображений и видео. Страница обновлена 11 октября 2026 года. Разрешения и длину там найти не удалось, поэтому опираемся на каталог Runway, где у Wan 3 указаны 480p, 720p и 1080p.

Бывают модели, о которых пишут раньше, чем их открывают в API. Смотреть на них интересно, но кампанию на такую модель ставить рано: сначала пройдите тестовый клип. Проверить можно двумя вещами: вызывается ли модель сегодня и есть ли она в таблице провайдера. Если нет, это пока обсуждение, и до релиза оно может не дойти.

Генерированный клип нужно смотреть не так, как снятый. У съёмки есть физика, которую глаз принимает без вопросов. У генерации есть места, где ошибки проявляются чаще.

• Руки и мелкие предметы. Пальцы, ручки, украшения, ремешки часов. Если в кадре крупный план руки, смотрите его дважды.
• Текст в кадре. Надписи на вывесках, упаковке и экранах часто выходят неразборчивыми или меняются от кадра к кадру.
• Переходы. Между двумя сгенерированными сценами смена света, цвета и положения предметов может выглядеть рывком.
• Синхронизация звука. Если звук создан вместе с видео, проверьте, совпадает ли движение губ и удар с действием.
• Права. Фон, музыка и узнаваемые лица: что именно попало в кадр и откуда.

Проверять лучше на большом экране и без звука, а потом с ним. Без звука видны движение и переходы, с ним становятся заметны рассинхрон и неестественные паузы. Если посмотреть ролик один раз на телефоне, многие мелкие дефекты пройдут незамеченными, а на экране в офисе будут очевидны.

Эта проверка занимает время, и её стоит закладывать в план заранее. Тогда генерация экономит на съёмке и не превращается в бесконечный перебор дублей.

Монтаж остаётся сильнее в трёх случаях.

Первый — живой человек. Интервью, отзыв клиента, речь основателя. Генерация может воспроизвести внешность, но не настоящую интонацию. Здесь съёмка на телефон вместе с монтажом даст лучший результат, чем любой клип из нейросети.

Второй — конкретная локация и продукт. Если в ролике должен быть именно ваш цех, именно ваш склад или именно ваша упаковка с точной маркировкой, генерация будет угадывать детали. Текст на упаковке, логотип, цвета по брендбуку часто выходят неточными. Монтаж с настоящей съёмкой такой проблемы не знает.

Третий — права и согласования. Если ролик содержит чужой фрагмент, музыку или узнаваемое лицо, нужно понимать, что именно попало в кадр и откуда. Генерация не снимает вопросы, она переносит их в другую плоскость. Для рекламы и публичных материалов такие вопросы стоит проверять до публикации.

Иногда работают оба подхода сразу. Съёмка даёт основу: голос, лицо, реальное место. Генерация добавляет то, чего не удалось снять: дальний план, переход, вставку. Монтажёр собирает это в один ролик. Такой гибрид сейчас выглядит самым рабочим для небольших команд.

Есть ещё один критерий, который часто остаётся в тени: скорость правок. Если заказчик просит поменять цвет куртки, убрать фразу или сдвинуть титр, в монтаже это занимает минуты. В генерации та же правка может означать новый запуск сцены, новый проход по референсам и новую проверку переходов. Поэтому ролики, которые будут переделываться несколько раз, стоит строить вокруг снятого материала, а генерацию оставлять для тех кадров, которые не меняются.

Самая частая задача сейчас выглядит так: снята половина ролика, а второй половины нет. Дальний план не снимали, или сцену с другой точки не получилось, или нужна вставка, которую дорого организовать. Сшить такой ролик можно, но по швам видно, что одна часть придумана, а другая записана.

Первое правило — согласовать картинку. Снятый и сгенерированный кадры выглядят по-разному в зерне, в резкости, в цветовом балансе. Если снимали на телефон при дневном свете, а генерация выдала ровный студийный свет, переход выпадет. Помогает общая цветокоррекция, одинаковый LUT на весь ролик и настройка контраста, которая сводит оба куска к одному тону. Иногда достаточно слегка размыть генерацию или добавить шум, чтобы она совпала по фактуре со съёмкой.

Второе — резать по движению. Переход между снятым и сгенерированным кадрами легче пройти, когда в момент смены кадра движется камера или человек. Глаз не успевает разглядеть стык. Статичный кадр на стыке наоборот выделяет разницу.

Третье — звук. Если диалог записан на микрофон, а фон сгенерирован, уровень и реверберация должны совпадать. Иначе фон выглядит наклеенным. Звуковой монтаж в таких роликах занимает больше времени, чем видеомонтаж, и это стоит учитывать в сроках.

Четвёртое — маркировка. Внутри команды лучше вести журнал: какой кадр снят, какой сгенерирован, какой моделью и с каким запросом. Через месяц, когда понадобится переделать сцену или ответить на вопрос о происхождении кадра, этот журнал окажется полезнее любой памяти.

1. Есть ли нужный кадр? Если да, начинаем с монтажа. Если нет, смотрим на генерацию.
2. Нужен ли живой человек или точный продукт? Тогда съёмка остаётся основой, а генерация работает на вставках.
3. Нужен ли звук в кадре? Для диалога и эффектов смотрим на версии со звуком, для немого клипа хватит варианта без звука. Версии со звуком и без него в каталоге Runway разделены, поэтому решение стоит принимать заранее.
4. Каков объём? Один финальный ролик проще снять и смонтировать. Серия вариантов для теста креатива удобнее генерировать и отбирать.

Порядок вопросов важен. Большинство ошибок связано с тем, что генерацию начинают с третьего пункта, а потом выясняется, что в кадре нужен реальный человек.

Для небольшой редакции или магазина, которому нужно раз в неделю обновлять ролики для ленты, ответы обычно складываются так: съёмка для людей и продукта, генерация для фонов и вставок, черновики в облегчённой версии. Для крупного бренда с жёстким брендбуком картина другая: там, скорее всего, монтаж и съёмка остаются основой, а генерация закрывает отдельные задачи вроде раскадровки. Единого правильного ответа нет, есть набор вопросов, которые стоит задать до первого запуска. Как вообще подбирать модель под задачу, разобрано в гайде «Как выбрать модель», а как писать запрос к генерации — в гайде «Как писать промпты». Если ролик собирается из картинок, полезен и гайд про работу с картинками.

Схема, которую удобно повторять, выглядит так. Она не зависит от конкретной модели и подходит для ролика на минуту-полторы.

Сначала пишется сценарий и список кадров. Для каждого кадра отмечаем, что в нём: человек, продукт, место, текст, движение камеры. Если в кадре есть человек или продукт, помечаем его как снимаемый. Всё остальное претендует на генерацию.

Затем делаем короткие черновики. Одна сцена — одно действие. Длинный абзац описания модель обычно выполняет хуже, чем три коротких: сначала место, потом действие, потом свет и камера. Черновики делаем в 720p. Если сцена работает, переходим к финальному варианту в нужном разрешении. Если не работает, переписываем описание, а не запускаем одно и то же десять раз.

Когда все сцены готовы, начинается монтаж. Съёмку и генерацию собираем в одну линию, выравниваем свет и цвет, ставим звук. Именно здесь обычно видно, что переход между сгенерированной и снятой сценой выпадает из ритма. Лечится это короткими вставками или перестановкой кадров, а не переделкой всего ролика.

Для одного ролика на полторы минуты разумный ориентир такой: сценарий и список кадров занимают полдня, черновики сцен — ещё день с перерывами на проверку, финальный рендер и монтаж — от одного до двух дней в зависимости от количества переходов. Цифры условные и зависят от опыта команды, но порядок работ от этого не меняется.

Такой процесс занимает больше времени, чем кажется по рекламе генераторов. Зато он заранее показывает слабые места, и их не приходится исправлять на финальном рендере.

Возьмём условную задачу. Небольшая мастерская хочет короткий ролик о новой серии керамических кружек. Нужны четыре сцены: мастер за гончарным кругом, крупный план глазури, кружки на полке в тёплом свете и финальный кадр с логотипом и адресом.

Разбор по кадрам выглядит так. Мастер за кругом снимается: руки и лицо живого человека в настоящей мастерской генерация не передаст убедительно, и ролик про ремесло держится именно на этом. Крупный план глазури тоже лучше снять: цвет и блеск на поверхности важны для продажи, а генерация может уйти в оттенок, который не совпадёт с реальным. Кадр с полкой можно сгенерировать: локация условная, и ей не нужна точная фактура мастерской. Финальный кадр с логотипом делаем в монтаже: текст и адрес должны быть точными, а генерация текст часто искажает.

Получается два снятых кадра и два сгенерированных. Черновик полки делаем в 720p на облегчённой версии, финальный вариант — в нужном разрешении. Звук в сцене с кругом записываем на микрофон, а фоновый шум полки добавляем отдельно. Монтаж сводит всё в одну линию, и переход от снятого крупного плана к полке идёт по движению руки, а не по статичному кадру.

Такой ролик занимает меньше съёмочного дня, чем полностью снятый, и выглядит целостно, потому что снятые кадры задают тон. Без съёмки мастерская получила бы ролик, который подходит любой керамике и никому конкретно.

Перенести этот пример на свою задачу проще всего по трём вопросам. Что в кадре должно быть настоящим, потому что зритель это проверит. Что можно придумать, потому что деталь не важна для смысла. Что нужно поменять завтра, потому что правка займёт минуты в монтаже, а не часы в генерации. Ответы на них обычно разводят кадры по двум колонкам без долгих обсуждений.

Первая ошибка — брать генерацию для интервью или отзыва. Лицо может быть похожим, но речь и паузы выдают подделку. Для таких роликов нужна съёмка, даже на телефон.

Вторая — ставить 4K по умолчанию. Если ролик предназначен для ленты в мессенджере или небольшого экрана, разрешение почти не заметно, а расход на финальный рендер растёт. Выбирать разрешение нужно исходя из того, где ролик будет показан.

Третья — не проверять звук. Звук, созданный вместе с видео, выглядит убедительно в первые секунды, и ошибки в синхронизации выходят на поверхность позже. Прослушивайте ролик целиком, а не только начало.

Четвёртая — начинать без сценария. Генерация соблазняет идти от результата: запустили, понравилось, оставили. Но тогда ролик складывается из случайных кусков, и связного рассказа не получается. Сценарий и список кадров экономят больше, чем кажется.

Пятая — выбирать модель по таблице, не проверив доступность. Список в каталоге показывает, что модель существует у провайдера. Доступна ли она в вашем аккаунте и с какими ограничениями, видно только в самом сервисе. Проверьте это до того, как строить на ней работу.