Принесли мне как-то ролик на 40 секунд. Снят хорошо, свет хороший, спикер живой. Одна беда: на заднем плане висит вывеска с логотипом бывшего партнёра, а на столе стоит кружка с чужим брендом. Переснимать - это аренда студии, гофер, монтаж, ещё неделя согласований. Клиент спросил: «А нейросетью это можно убрать?» Можно. Дальше начинается интересное: «убрать» и «заменить» - две разные задачи. И не каждая модель, которая красиво обещает замену объектов, доводит дело до финала.
Ниже - что реально работает при замене объекта в видео: живые примеры, без маркетинговых обещаний. Универсальной кнопки «замени всё» не существует, но пара подходов закрывает 90% задач, с которыми приходят клиенты.
Замена объекта в видео - это инпейнтинг, растянутый на сотни кадров
Внутри любого такого инструмента одна и та же логика. Модель находит названный объект, строит маску, ведёт её от кадра к кадру и дорисовывает то, чего не хватает. По сути это инпейнтинг - тот же приём, что в фоторедакторах, только здесь он не имеет права рассыпаться на движении.
Движение и усложняет всё. На статичном кадре нейросеть дорисует что угодно, хоть слона вместо кофеварки. Настоящая работа начинается, когда объект поворачивается, уходит в тень или перекрывается рукой. Нужно удержать текстуру, освещение и перспективу в каждом следующем кадре. Иначе замена «плывёт»: мерцает, дрожит по контуру, меняет оттенок на середине сцены.
Поэтому смотрю не на то, как инструмент справился с одним кадром, а на то, как он держится на 5-10 секундах движения. Демо на сайте и результат в проекте - обычно два разных инструмента.
Как выглядит рабочий процесс на практике
Магии нет, всё механично. Загружаете ролик, выделяете фрагмент с нужной заменой, описываете словами результат, запускаете генерацию. Дальше смотрите превью и дорабатываете, пока не перестанете вздрагивать при просмотре.
Порядок, к которому я пришёл после десятка проектов:
- Беру короткий отрезок, 3-5 секунд, где объект виден максимально чисто. Длинные сцены обрабатываю кусками, иначе любая ошибка тянется через весь ролик.
- Описываю замену конкретно, с материалом и цветом. Не «сделай красиво», а «замени белую керамическую кружку на золотой кубок с гравировкой».
- Прикладываю референс-картинку, если есть. Текстовое описание модель интерпретирует, картинка задаёт ориентир жёстче.
- Сравниваю результат с оригиналом покадрово на стыках. Первый и последний кадр фрагмента - самое слабое место, там чаще всего видна склейка.
Шаги простые, но четвёртый игнорируют почти все. Именно на нём выясняется, что объект вроде заменился, а тень осталась от старого предмета. Или отражение в стекле живёт своей жизнью.
Промпт решает больше, чем сама модель
Люди упорно ищут «лучшую нейросеть» и почти не думают о том, что ей говорят. Разница между «замени кружку» и «замени белую кружку на матовый чёрный стакан, сохрани блик от окна слева» - примерно как между эскизом и готовым кадром.
На Reddit в ветках по видеомонтажу спор о моделях обычно заканчивается одинаково: решает не название, а промпт. Практикующие монтажёры отмечают, что модель без подсказки про свет и материал ставит блик откуда захочется.
Моя рабочая формулировка состоит из четырёх частей: что убираем, на что меняем, какой материал и цвет, что сохранить из оригинального кадра. Последняя часть критична. Освещение и направление тени связывают новый объект со сценой.
Ещё приём: сложный объект не описывать целиком. Проще разбить замену на два прохода - сначала убрать старое и восстановить фон, потом вписать новое. Дольше, зато на сценах с перекрытиями чище.
Когда без референса не обойтись
Текстом хорошо описываются типовые вещи: кружка, стул, телефон, вывеска, машина. Как только нужно что-то конкретное - ваш продукт, упаковка с узнаваемым дизайном, персонаж с определённой внешностью - словами вы будете биться долго. На выходе всё равно «похоже, но не то».
Тут спасает загрузка изображения-образца. Модель получает визуальный якорь и переносит форму, пропорции и фактуру уже с него. Для товарных роликов это единственный вменяемый путь. Заказчик присылает рендер новой упаковки, вы подставляете его в кадр вместо старой, и не нужно объяснять словами, чем отличается новый логотип.
Отдельная история - замена человека. Технически та же замена объекта, только модель дополнительно восстанавливает движение одежды и пропорции тела под новую перспективу. Работает неровно: на статичных планах хорошо, на активной жестикуляции руки начинают жить отдельно от тела. Говорящие головы в обучающих видео - вполне, динамичные сцены - лотерея.
Что ломается чаще всего
Список моих личных болей, чтобы вы не наступали на те же грабли.
Отражения и зеркальные поверхности. Модель меняет объект, но не понимает, что он отражается в витрине или в луже. Рассогласование замечаешь боковым зрением сразу.
Мелкие детали вроде пальцев и проводов. Всё, что тоньше пары десятков пикселей, живёт в кадре нестабильно. Если объект держат в руках, готовьтесь к нескольким пересчётам.
Быстрое движение и смаз. На размытых кадрах модель не видит границ объекта и размазывает замену по фону. Лечится сокращением фрагмента или выбором момента, где объект в фокусе.
Сложный фон за объектом. Убрать предмет со стола легко, убрать человека из толпы - почти нет. Модель дорисовывает то, чего никогда не видела, и любая догадка выглядит догадкой.
Где брать доступ ко всем этим моделям из России
Дальше начинается бытовая часть, которая бесит сильнее всего. Модели, которые нормально тянут замену объектов, живут на зарубежных платформах. Подписка, иностранная карта, ограничения по региону, а иногда отказ в оплате на ровном месте. Я потратил на это пару вечеров, пока не собрал всё в одном месте.
Сейчас работаю через 3GPT от 3SELLER - ИИ-роутер с прямым доступом из России к флагманским моделям. Внутри Chat GPT 6 Astra, the model 5, the model 5.1, the model 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений и генерация видео. Плюс остальное, что нужно для типового продакшена.
Стоимость стартует от 149 рублей. Пополнить баланс можно российской картой, через СБП или криптой. Главная причина, по которой я перестал дёргаться: не нужно держать пять подписок и вспоминать, на какой закончился пробный период.
Логика простая. Одну и ту же задачу по замене объекта разные модели решают по-разному: где-то лучше с тенями, где-то аккуратнее с мелкими деталями, где-то быстрее. Держать под рукой весь набор и переключаться по ситуации дешевле, чем гадать, какая модель «правильная».
Готовые ИИ-агенты закрывают рутину вокруг замены
Сама замена - полдела. Дальше начинается текст: описание ролика, подписи, сценарий следующей версии, письмо клиенту с обоснованием нового ракурса. Здесь удобно не собирать промпт с нуля каждый раз.
У 3GPT есть готовые ИИ-агенты под задачи. Выбираете агента, начинаете общение, а модель меняете прямо в чате, не переключаясь между вкладками. Контекст не надо объяснять заново - агент уже заточен под конкретный тип работы.

На практике так: один агент помогает с раскадровкой и описанием кадров, второй пишет текст озвучки, третий разбирает правки клиента. Всё в одном окне, без прыжков по десяти сервисам.
Картинки и видео - тот же доступ
Замена объекта в видео редко живёт в вакууме. Нужен ещё постер, превью, обложка для соцсетей и пара кадров-заглушек. Городить под это отдельный сервис смысла нет.
Изображения делаю через 3GPT Image - там же доступ к инструментам, которые вытягивают реалистичную картинку без пластикового глянца. Nano Banana хорошо идёт на задачи, где нужно сохранить конкретный объект и поменять окружение, а не рисовать всё с нуля.


С видео та же история. Генерация роликов, озвучка, работа с готовым материалом - всё в одном доступе. Мне как практику важно не коллекционировать инструменты, а иметь один вход, из которого достаётся нужная модель под конкретную задачу.

Что я бы сделал на вашем месте прямо сейчас
Не ищите идеальный инструмент. Возьмите свой ролик, отрежьте 4 секунды с проблемным объектом и прогоните через две-три модели. Сравните не по общему впечатлению, а по трём точкам: стык в начале фрагмента, стык в конце и кадр, где объект максимально повёрнут к камере.
Если на всех трёх замена держится - модель ваша, можно брать в работу весь ролик. Если мерцает, сократите фрагмент или добавьте референс. В половине случаев проблема не в нейросети, а в слишком длинном куске и расплывчатом описании.
И перестаньте переснимать из-за логотипа на стене. Это давно решаемая задача. Доступ ко всем флагманским моделям из России открыт на официальном сайте 3GPT - заходите, пробуйте, платите российской картой. Дешевле студии в любом случае.