Мой первый ИИ-мультфильм рассказывал про кота-курьера. Пять сцен, сорок секунд, ноль навыков рисования. На всё ушёл один вечер, а ролик потом собрал больше просмотров, чем моя прошлая работа в After Effects, на которую я потратил неделю. С тех пор я сделал десятки таких мультиков для себя и для клиентов и вынес простую истину: результат почти не зависит от волшебных промтов. Он зависит от порядка шагов.
Весь процесс «как сделать мультик в нейросети» распадается на шесть маленьких задач: идея и сценарий, персонажи в едином стиле, статичные кадры, оживление картинки, озвучка и финальная сборка. Ниже разбираю каждый этап так, как делаю сам, с цифрами и рабочими промтами.
Сценарий решает больше, чем выбор нейросети
Стартовая длина: 20-60 секунд. В пересчёте на эпизоды это 5-7 сцен по 5-8 секунд. Больше не берите: каждая новая сцена требует отдельной пачки генераций, и к десятой вы уже забудете, как выглядел герой в первой.
Идею удобно разгонять в чате с ChatGPT. Просите не абстрактную «историю», а готовую структуру: завязка, маленький конфликт, развязка, плюс паспорт героя, его одежда и характер. В GPT-сторе есть отдельные ассистенты под сценарии коротких мультсериалов, но обычный чат справляется не хуже, если дать шаблон. Мой выглядит так: «Придумай 6 сцен короткого мультфильма про [тема]. Для каждой сцены: что происходит, кто в кадре, какая эмоция на лице, что звучит за кадром». Черновик сценария потянет и ГигаЧат, если хочется проверить идею на другой модели. Одно уточнение к шаблону: просите нейросеть сразу писать реплики с паузами и ремарками, на озвучке сэкономите добрый час.
Пример из практики. Кот-курьер: сцена 1, кот получает заказ и зевает; сцена 2, адрес на коробке размок под дождём; сцена 3, кот спрашивает дорогу у голубя и слышит издевательский ответ; сцена 4, голубь всё же летит впереди и показывает путь; сцена 5, вручение коробки и финальная ухмылка. Шесть таких строк заменяют полноценный сценарный документ, потому что дальше вы работаете сценами, а не страницами.
Сюжетные каркасы, которые работают почти всегда
Каркас первый, «ожидание против реальности». Герой готовится к чему-то по-крупному, а реальность вносит правку: кот готовится к подвигу доставки, а побеждает дверной косяк. Две сцены на пафос, одна на падение. Зрители такое репостят.
Диалог двух персонажей - самый быстрый в написании каркас. Скучный тип и ерунда-тип: один говорит серьёзно, второй перебивает абсурдом. Сцены просто чередуют реплики, и озвучка потом ложится идеально.
Каркас третий, оживлённая фотография или предмет. Берёте реальное фото, оживляете его и добавляете одну абсурдную деталь: прадедушка на снимке подмигивает и просит переключить музыку. Минимум рисования, максимум отклика, потому что эмоция в кадре настоящая.
Персонаж, который не меняет лицо от кадра к кадру
Главная боль новичков выглядит так: в первой сцене рыжий мальчик в синей куртке, в третьей у него зелёные глаза и другая стрижка. Лечится паспортом персонажа. Письменно фиксируете всё: возраст, цвет и длину волос, цвет глаз, одежду, обувь, пару узнаваемых деталей вроде очков или шрама. Дальше этот текст копируется в каждый промт слово в слово, без правок на лету.
Мой паспорт звучит примерно так: «Мужчина 30 лет, короткие тёмные волосы, карие глаза, серая толстовка с капюшоном, белые кроссовки, лёгкая щетина, добродушное выражение лица. Стиль: плоская 2D-графика, тёплые пастельные тона, чистый контур». Шесть строк, и любая модель понимает, кого рисовать.
Следующий шаг: лист персонажа. Анфас, профиль, три четверти, две-три базовые эмоции, всего 5-7 картинок. Получившийся набор станет эталоном на весь проект, к нему будете возвращаться после каждой спорной генерации. Для статики я держу под рукой Nano Banana: она аккуратно правит детали по запросу «сделай куртку красной, остальное не трогай» и не перерисовывает остальную картинку целиком.
Тот же приём работает со стилем. В Midjourney за внешность героя отвечает параметр cref, за общую стилистику sref: прикладываете картинку персонажа, и модель подтягивает с неё и лицо, и манеру рисунка. Стилевую фразу запишите отдельно и прикладывайте к каждому промту без изменений. Лайфхак для локаций: сгенерируйте пустой фон, а потом просите модель посадить героя в него по референсу. Персонаж и декорации получаются в одной палитре, без борьбы цветов.
Локаций нужно немного. На шестисценный мультик обычно хватает трёх фонов.
Оживляем кадры: из картинки в видео
Статичные кадры превращаются в движение через режим image-to-video. Он даёт стабильный результат, в отличие от генерации видео с нуля по тексту, где модель каждый раз заново придумывает героев. На Reddit практикующие аниматоры отмечают то же: text-to-video для сюжетных роликов - лотерея, персонаж плывёт от сцены к сцене. Мой фаворит здесь Kling AI: хорошо анимирует людей и животных, понимает команды «камера медленно наезжает» и «герой поворачивает голову».
Промт для анимации пишите коротким и про одно действие: «персонаж медленно оборачивается, волосы слегка колышутся, камера статична». Одно действие на сцену. Стоит попросить в одном фрагменте ходьбу, реплику и пролетающих птиц - получите месиво из артефактов, которое проще перегенерировать, чем чинить. И сразу генерируйте в том соотношении сторон, в котором выйдет ролик: перегонять горизонталь в вертикаль потом мучительно.
Режим работает и с обычными фотографиями, не только с нарисованными персонажами. Загружаете снимок, пишете «медленно улыбается и моргает, лёгкое движение камеры», и старое семейное фото оживает. Такие ролики стабильно собирают охваты: эмоция в кадре настоящая, а движение делает картинку живой.
Практический момент, который многие пропускают: не всегда самая известная модель даёт лучший результат. Для стилизованной 2D-графики часто выигрывают менее раскрученные генераторы, для реалистичной картинки берут флагманы. Я перед стартом прогоняю одну тестовую сцену через 2-3 модели и оставляю ту, что меньше искажает именно мой стиль. Перебрать варианты за вечер реально только когда все модели лежат в одном интерфейсе, но об этом ниже.
Озвучка, за которую не стыдно
Готовые сцены немые, а немой ролик читается как демо, а не как история. Схема стандартная: диалоги режете на реплики по 1-2 предложения, каждому персонажу подбираете отдельный голос в ElevenLabs и генерируете фразы по очереди, герой за героем.
Клонирование голоса работает лучше, чем от него ждут. Наговорите 30-60 секунд чистого звука без фонового шума, и модель повторит вашу интонацию в любом тексте. Для мультяшных героев это избыточно, но для обучающего ролика от лица бренда вещь незаменимая. Реплики генерируйте с запасом, по две-три версии: интонация гуляет от дубля к дублю, и выбор лучшего варианта на этом этапе экономит час пересборки.
Сюда же музыка и звуки. Даже одна фоновая дорожка и пара эффектов вроде шагов или скрипа двери превращают набор кадров в цельный мультфильм. Звук сейчас тоже генерируют нейросети, отдельно копаться в библиотеках почти не нужно.
Сборка в CapCut: последние 10% работы съедают половину времени
Всё собранное складывается в CapCut, бесплатный редактор, у которого есть версии и для компьютера, и для телефона. Порядок такой: видеодорожки сцен, голоса, музыка, субтитры. Для вертикальных Shorts и Reels ставьте формат 9:16 и держите действие в центре кадра: нижнюю треть съедают интерфейс и подписи платформы. Первые две секунды решают, останется ли зритель, поэтому начинайте с действия или реплики, а не с логотипа.
Субтитры CapCut автогенерирует за минуту, но пройдитесь по ним руками: распознавание русского до сих пор путает падежи, и кривые подписи портят сильный ролик.
Типичная ошибка на финале: вылизывать каждую сцену по отдельности. Соберите черновую версию целиком за один проход, посмотрите от начала до конца и только потом правьте. Слабые места видно сразу, и чаще всего их три: затянутая первая сцена, тихая озвучка и отсутствие паузы перед развязкой.
Ошибки, которые я вижу у каждого второго новичка
- Менять описание персонажа между сценами. Паспорт написали один раз, дальше только копируете.
- Пихать в один видеофрагмент несколько действий. Одно действие на сцену, всё остальное на следующую.
- Генерировать всю озвучку сразу по полному сценарию. Сначала один герой, потом второй, иначе утонете в версиях дублей.
- Замахиваться на трёхминутный эпик. Ролик в 40 секунд вы доведёте до конца, полуторачасовой проект забросите на второй сцене.
Сколько времени и генераций закладывать
Реалистичные цифры для мультика в 40 секунд: 10-15 картинок, 6-8 видеофрагментов, 10-15 аудиофраз. Брак в генерациях закладывайте сразу, умножайте каждую цифру на два. Первый такой проект займёт 3-4 часа, второй и третий уже 1-2. Основная статья расходов - не время, а количество генераций, поэтому бюджет считайте до старта.
Для сравнения: студийная минута 2D-анимации стоит 15-30 тысяч рублей, а сроки стартуют от двух недель. ИИ-вариант не заменит студию на длинном метре, но для соцсетей и обучения разница в цене делает решение очевидным.
Для чего это годится, кроме хобби
Формат 20-60 секунд идеально ложится в Shorts, Reels и клипы для соцсетей. Дальше по нарастающей: обучающие ролики для сотрудников, бренд-персонаж, который ведёт новости компании, анимированная реклама товара, детские контент-каналы, сторителлинг для личного бренда. Малый бизнес на этом экономит серьёзные деньги. В обсуждениях на Reddit владельцы небольших магазинов показывали кейсы, где анимированную рекламу товара делал один человек вместо съёмочной группы и аниматора.
Где брать все эти нейросети, если вы в России
Подвох в том, что Midjourney, Kling и ElevenLabs живут за рубежом: нужна зарубежная карта, отдельные подписки в трёх местах и много терпения. Я пару лет так и работал, пока не пересел на 3GPT от 3SELLER. Один сервис, одна подписка, внутри сразу всё нужное для мультипликации.
Внутри доступны флагманы: Chat GPT 6 Astra, Chat GPT 5.5 и Chat GPT 6.1 Sol для сценария и промтов, Claude Fable 5, Claude Fable 5.1 и Claude Opus 5.5 для текстов посложнее, Nano Banana для персонажей и фонов, плюс генерация видео, голоса и максимально реалистичных изображений. Весь пайплайн из этой статьи закрывается в одном окне. Мой рабочий вечер выглядит так: в чате с Chat GPT 6 Astra правлю сценарий, тут же Nano Banana исправляет кадр, рядом генерируется видео и голос. Цена вопроса: 149₽, оплата российской картой, через СБП или криптой. Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT.
Из недооценённых фишек сервиса: готовые ИИ-агенты под конкретные задачи. В разделе агентов выбираете профильного помощника, хоть под сценарии, хоть под продающие тексты и сайты, и сразу начинаете диалог. Модель агента переключается прямо в чате: сегодня пишет Claude Fable 5.1, завтра сравнили с Chat GPT 6 и оставили сильнейший вариант под вашу задачу.
Что сделать сегодня вечером
План первого запуска. Откройте чат, попросите три идеи короткого мультфильма на близкую вам тему, выберите одну и разведите её в шесть сцен. Затем паспорт персонажа, лист ракурсов, три фона, шесть видео по 5-8 секунд, озвучка и CapCut. К ночи у вас будет готовый ролик, который не стыдно выкладывать.
Первый мультик не станет шедевром, и это нормально. Мой кот-курьер вышел кривоватым, зато третий и четвёртый уже собирали комментарии в духе «как ты это сделал без аниматора». Когда первый ролик выложен, не начинайте с нуля: те же персонажи и стиль превращаются в серию, и к пятому выпуску сборка занимает полчаса. Теперь знаете и вы.