3SELLER Journal 3SELLER →

Как нейросеть генерирует видео: 7 слоёв механики, 20 минут на 5 секунд и доступ за 149₽

22.11.2026

Первое видео из нейросети у меня вышло длиной четыре секунды: чашка кофе медленно превращалась в кошку, потом обратно. Никакого сценария, просто модель «поплыла» на пятом кадре и понесла. С тех пор я разобрал механику по слоям и перестал удивляться результату. Дальше то, что реально происходит внутри, без маркетинга.

Главное: нейросеть не снимает видео и не рисует его в человеческом смысле. Она предсказывает числа. Всё остальное, включая вау-эффект, следствие этой арифметики.

Внутри модели нет видео, только сетка чисел

Кадр 1280 на 720 в RGB это примерно 2,7 млн значений. Пять секунд при 24 кадрах в секунду дают 120 кадров и около 331 млн чисел. Считать внимание по такому объёму напрямую никто не станет, поэтому почти все современные модели работают не с пикселями, а с латентным представлением.

Энкодер сжимает кадр в десятки раз. Условно 512 на 512 на 3 превращается в 64 на 64 на 4, и вся математика идёт в этом сжатом пространстве. Генерация в латенте дешевле на порядки, декодер на выходе разворачивает результат обратно в пиксели. Отсюда и странные артефакты: модель может выдать роскошное свечение и потерять пуговицу на рубашке. Деталей такого масштаба в латенте просто нет. На практике это выглядит так: серьга в ухе исчезает к третьему кадру, а тень от неё остаётся.

Текст превращается в вектор, а не в раскадровку

Промпт никто не читает как сценарий. Текстовый энкодер (обычно CLIP или T5) рубит его на токены, для каждого считает эмбеддинг и отдаёт результат в cross-attention. Каждый слой генератора на каждом шаге смотрит на эти векторы и решает, куда двигать числа.

Обучается всё это на парах «видео плюс подпись». Миллионы роликов с описаниями, и модель вылавливает статистику: как выглядит дождь, как ведёт себя ткань, что обычно стоит на фоне ночного города. Закономерности, а не понимание. Поэтому «красное платье, дождь, ночной Токио» отрабатывает отлично, а «не показывай машину в кадре» проваливается. Отрицание в векторном пространстве почти не работает, для этого в интерфейсах есть отдельное поле negative prompt.

Английский по умолчанию лучше не из принципа. В датасетах подписи преимущественно англоязычные, и модель видела миллиарды таких пар. Русский промпт сначала проходит перевод, часть нюансов теряется по дороге. Нужен предсказуемый результат, пишите на английском.

Диффузия: модель не рисует, она вычитает шум

На обучении в чистый кадр пошагово добавляют гауссов шум, пока не останется каша. Модель учат обратной задаче: по зашумлённому тензору и номеру шага предсказать, какой именно шум был добавлен. На генерации всё наоборот: берём чистый случайный шум и вычитаем предсказанный 20-50 раз. С каждым шагом из каши проступает структура.

Параметр, который крутят наугад, называется CFG scale. Он говорит, насколько сильно модель должна слушать текст. При 3-5 получается свободно и часто мимо промпта. При 15+ картинка пережаривается: кислотные цвета, пластиковые лица, артефакты по краям. Рабочий диапазон почти всегда 6-12, и для видео он ниже, чем для картинок. Высокая контрастность начинает дёргаться от кадра к кадру.

Сид это стартовый шум. Один и тот же сид с тем же текстом даёт плюс-минус тот же результат, смена сида меняет всю композицию. Практический вывод: нашли удачную сцену, зафиксируйте сид и правьте только промпт. Иначе будете каждый раз стартовать с нуля.

Настоящая боль не в картинке, а во времени

Один красивый кадр нейросеть научилась делать давно. Сделать так, чтобы 120 кадров подряд жили в одном мире, оказалось задачей другого порядка. Между кадрами нельзя допускать скачков: лицо не должно менять форму, свет не должен мигать, фон не должен перестраиваться.

Решают это временными слоями. В архитектуру добавляют attention не только внутри кадра, но и между кадрами: модель на каждом шаге смотрит на соседние по времени тензоры и тянет их к согласию. Плюс 3D-энкодер, который сжимает не отдельные кадры, а клип целиком, чтобы движение тоже попадало в латент. Ещё один модуль, motion, отвечает за траектории.

Отсюда и ограничение по длине. Пока клип короткий, все кадры помещаются в контекст, и модель держит их одновременно. На 30 секундах контекст раздувается, и все идут на хитрость: генерируют куски по 5-10 секунд и сшивают их. Последний кадр предыдущего куска становится первым кадром следующего. Дрейф внешности персонажа между кусками это норма, лечится референсом и аккуратной сшивкой.

Три способа получить видео, и они не равны

Text-to-video выглядит эффектнее всего в демках и хуже всего работает в реальных задачах. Модель выдумывает и композицию, и движение одновременно, поэтому получается лотерея. Годится для абстракций, фонов, атмосферных планов без героя.

Image-to-video даёт предсказуемость, потому что половину работы вы уже сделали руками. Загрузили кадр, описали, что в нём должно происходить, получили движение. Именно так снимают рекламу товаров: сначала чистая фотография продукта, потом лёгкое движение камеры и блик по упаковке.

Режим video-to-video и ключевые кадры это уже монтажный инструмент. Меняете стиль готового ролика, продлеваете сцену, задаёте начальное и конечное состояние и просите модель достроить переход. Для объяснялок и презентаций это самый контролируемый путь.

Что доводят после генерации

То, что показывают в демках, почти никогда не является сырым выходом модели. Дальше идёт апскейл отдельной моделью, интерполяция кадров вроде RIFE, которая удваивает fps и убирает рывки, дефликер против мерцания. В свежих моделях добавляется звук: синтез речи, шумовой слой под сцену, иногда липсинк по распознанной фонеме.

Понимание цепочки экономит деньги. Дёргается свет, не надо перегенерировать всё, достаточно прогнать дефликер. Рывками идёт движение, помогает интерполяция, а не новый сид. Расплывается лицо на крупном плане, тут уже без перегенерации с референсом не обойтись.

Промпт для видео это техзадание, а не поисковая строка

На Reddit в тредах по видеогенерации повторяется одна и та же жалоба: написал красиво, получил слайд-шоу. Модели нужны конкретные параметры, и есть схема, которая работает почти везде. Порядок не случайный: от общего к частному.

Пример, который стабильно даёт результат: «cinematic medium shot, a woman in a grey wool coat walking through a rainy Tokyo alley at night, neon signs reflecting on wet asphalt, slow dolly in, shallow depth of field, 35mm film grain». Здесь есть тип кадра, объект, действие, среда, движение камеры и оптика. Модель не гадает.

Главная ошибка новичков: пихать в промпт сюжет на минуту. Видеомодель делает 5 секунд, и в них должно уместиться одно действие. Всё остальное это монтаж, а не генерация.

Референс обычно бьёт любой текст

Почти все сервисы дают загрузить картинку, и это резко повышает шансы. Причина простая: модели не надо выдумывать композицию и движение одновременно, у неё есть опора. С референсом уходит половина проблем с внешностью персонажа и стилем.

Самый недооценённый режим это ключевые кадры. Вы задаёте первый и последний кадр, модель достраивает движение между ними. Для рекламы и объяснялок золото: переход из состояния А в состояние Б полностью под контролем. Логика работы: сначала две картинки в одном стиле, потом анимация перехода.

Где генерация ломается стабильно

Руки. Пальцы. Переплетённые предметы. Мелкий текст в кадре. Отражения в зеркалах и лужах. Быстрые взмахи и бег. Толпа, где у каждого лица по три глаза. Годами это остаётся слабым местом. В моём ролике про бармена стакан трижды прошёл сквозь ладонь, хотя промпт был простой. Если в кадре нужен человек, крупный план кистей лучше не планировать.

Физика тоже врёт: жидкости не растекаются, ткани не мнутся, предметы проходят друг сквозь друга. Отдельная история это длинные непрерывные планы. Чем дольше камера живёт без склейки, тем выше шанс, что к десятой секунде поедет геометрия. Обходной путь скучный: короткие планы и монтаж.

Параметры, которые чаще всего портят результат

Motion strength. Выкрутили в максимум, получили мутную кашу с размазанными объектами. Низкое значение даёт почти статичный кадр, зато чисто. Для диалогов и портретов движение всегда ставьте ниже среднего.

Соотношение сторон. Генерировать в 16:9, а потом резать в 9:16 под рилс это гарантированная потеря композиции. Задавайте формат сразу, модель строит кадр под него.

Порядок обработки. Сначала апскейл, потом интерполяция кадров, не наоборот. Если сделать наоборот, интерполятор насчитает кадры по мылу, и мелкие детали уже не вернуть.

В России барьер не в качестве моделей, а в оплате

Флагманские видеомодели живут на зарубежных платформах. Подписка требует карты иностранного банка, доступ по IP часто ограничен, бесплатные кредиты заканчиваются на второй попытке. Знаю людей, которые держат по три подписки и всё равно не попадают в нужный сервис, когда горит задача.

Я пользуюсь роутером 3GPT от 3SELLER. Логика простая: один вход, внутри флагманские модели, оплата российской картой, через СБП или криптой. Стартовый доступ стоит 149 рублей. Это не «попробуйте наше вместо нормального», это те же модели, только без пляски с картами.

Внутри Chat GPT 6 Astra, the model 5, the model 5.1 и 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol. Отдельно Nano Banana для изображений, генерация видео и синтез голоса. Модель переключается прямо в чате, так что можно начать с текста, а потом попросить ту же модель собрать раскадровку и оживить кадр.

Доступ ко всем флагманским моделям из России открыт на официальном сайте 3GPT: 3seller.com/3gpt.

интерфейс 3GPT с доступом к нейросетям из России

Один чат вместо десяти вкладок

Отдельная фишка, которая экономит больше времени, чем кажется: готовые ИИ-агенты под конкретные задачи. Выбираете агента, начинаете диалог, а модель меняете прямо в чате, не теряя контекста. Для контента это выглядит так: один агент пишет сценарий, второй собирает промпты под видео, третий проверяет, что в кадре не будет рук крупным планом.

Список агентов и то, что они умеют, лежит тут: 3seller.com/ai/agents.

готовые ИИ агенты 3GPT под задачи бизнеса

Картинки важнее, чем кажется

Видео из текста почти всегда хуже, чем видео из картинки. Маршрут «сначала кадр, потом анимация» даёт лучший результат и меньше переделок. Для статики в 3GPT есть Nano Banana: продуктовые фото, портреты, фоны, всё в едином стиле, если задать сид и одинаковое описание света.

Создавать реалистичные фотографии через лучшие ИИ-инструменты можно здесь: 3seller.com/3gpt-image.

генерация реалистичных изображений нейросетью

примеры изображений, созданных нейросетью

Звук заканчивает работу, которую начал видеоряд

Картинка без звука читается как заставка. Тихий шум дождя, шаги по мокрому асфальту, гул неона, и кадр сразу становится сценой. Современные модели умеют генерировать аудио вместе с видео, а синтез речи закрывает озвучку на 80+ языках, включая русский.

Порядок, который работает: сначала видеоряд, потом шумовая подложка под действие, потом голос. Если делать наоборот, придётся подгонять картинку под тайминг речи, а это лишние итерации.

Сколько это реально занимает

Практика: клип на 5 секунд генерируется от 30 секунд до 3 минут в зависимости от модели и очереди. Чтобы получить один приличный дубль, уходит 4-8 попыток. Итого 15-20 минут на 5 секунд финального материала, если вы понимаете, что делаете. С промптом на русском и без референса умножайте на два.

Бюджет считается так же трезво. Дешевле заплатить за доступ и сделать 30 попыток, чем ловить одну попытку в месяц на бесплатном кредите и надеяться на чудо. Генерация это про перебор вариантов, а не про один удачный клик.

С чего начать сегодня

Возьмите одну фразу, которую хотите увидеть в видео. Соберите промпт по схеме стиль, объект, действие, окружение, камера, свет. Прогоните шесть раз с разными сидами, зафиксируйте лучший, дальше правьте только текст. Первые 20 минут будут похожи на лотерею, потом вы начнёте видеть, какие слова модель понимает, а какие игнорирует. Скука в этом процессе это признак того, что вы перестали играть и начали управлять моделью.

Если иностранной карты нет, начните с 3GPT. 149 рублей хватит, чтобы прогнать механику на своих задачах и понять, где генерация уже заменяет съёмку, а где пока нет.

← Вернуться к блогу

Читать дальше