В прошлую субботу я превратил фото племянницы в двухминутный мультик про то, как она летит на драконе над крышами. Два часа работы, около четырехсот рублей на генерации. Три года назад за такой ролик студия просила от пятидесяти тысяч и месяц производства. Нейросети стерли эту разницу. Разберу весь путь целиком: от выбора снимка до готового видео со звуком.
Под «мультиком по фото» люди понимают три разные вещи. Первый сценарий: перерисовать снимок в мультяшный стиль и получить красивую картинку. Второй: оживить фото, чтобы человек моргнул и улыбнулся. Третий: полноценный ролик с сюжетом, движением, репликами и музыкой. Инструменты для всех трех сценариев уже созрели, но усилия и бюджеты отличаются радикально. Пройду по каждому.
Исходное фото решает больше, чем промт
Частая ошибка новичков: они считают запрос главным, а снимок вторичным. На деле наоборот. Модель читает лицо с исходника, и кривой исходник рождает кривого персонажа, каким бы изящным ни был текст.
Что работает: лицо занимает заметную часть кадра, свет ровный, без жестких теней, взгляд виден, прическа различима. Что рушит генерацию: размытые селфи, групповые фото, где пять лиц и все мелкие, агрессивные фильтры, блики на очках, профиль в темноте.
Отдельно про групповые кадры. Если нужна мультяшная версия всей семьи, правильный путь такой: каждому члену семьи отдельная персональная стилизация, потом сборка в общей сцене. Модели вроде Nano Banana Pro принимают несколько референсов в одном запросе, но сходство каждого лица при этом проседает. Проверено на семейном портрете моего друга: раздельная обработка дала узнаваемых персонажей, попытка одним запросом дала симпатичных незнакомцев.
Стилизация: первый кадр задает стиль всего мультфильма
Рынок здесь делится на два лагеря. Быстрые конвертеры в один клик и полноценные генеративные модели, где стиль выбираете вы.
К первому лагерю относятся онлайн-сервисы типа Picsart с эффектом Cartoon: загружаете портрет, нажимаете кнопку, через несколько секунд получаете мультяшную версию с четкими контурами, мягкими тенями и выразительными цветами. Есть и полностью бесплатные конвертеры без регистрации, куда бросается PNG или JPG до 20 МБ и результат забирается сразу. Минус одинаковый у всех: стиль фиксированный, сходство на средних фото плавает.
Второй лагерь дает контроль. Nano Banana Pro в этой нише, на мой взгляд, король: модель вытягивает сходство с оригиналом так, что узнаешь конкретного человека, а не «похожего парня», и стилизует во что угодно. Pixar, Disney, Ghibli, аниме, советская рисованная школа. Именно с неё советую стартовать любой серьезный проект.
Для запредельной детализации текстур альтернативой работают DALL-E 3 и Midjourney: первый понимает безумные сюжеты с полуслова и точно раскладывает сцену, второй выдает фактуру уровня мех, ткань, сталь. Если результат почти подходит, но не совсем, не переписывайте промт целиком. Поменяйте одну деталь, например цвет фона, и перегенерируйте. Так сходство держится, а вариации получаются управляемыми.
Стили, которые чаще всего заказывают
Pixar и Disney берут для семейных подарков и детских роликов: крупные глаза, мягкий 3D-рендер, теплое освещение. Ghibli просят под атмосферные пейзажи и спокойный темп, отлично заходит на видео про путешествия. Советская рисованная школа в духе Союзмультфильма бьет в ностальгию и подозрительно хорошо работает на аудитории тридцать плюс. Аниме выбирают фанаты жанра и авторы фан-контента. Комикс и черно-белый скетч расходятся в соцсетях, где контрастный рисунок выделяется в ленте.
Промт для первой стилизации выглядит так: «Перерисуй человека с этого фото в стиле Pixar: крупные выразительные глаза, мягкий 3D-рендер, теплое освещение. Сохрани черты лица, прическу и цвет глаз. Фон замени на уютную кухню». Дальше крутите переменные: стиль, фон, свет, эмоция.
Сценарий и раскадровка: половина работы делается текстом
Мультяшный портрет готов, дальше нужен сюжет. Текстовые модели съедают львиную долю ручного труда: Chat GPT и Gemini напишут сюжет, разложат его на кадры и соберут промт под каждую сцену. Claude особенно хорош на диалогах: реплики персонажей у него живее, без канцелярита.
Мой рабочий запрос: «У меня есть персонаж, девочка в стиле Pixar, кадр прикладываю. Придумай короткий сюжет на две минуты про полет на драконе. Разбей на восемь сцен, для каждой дай описание кадра для видеогенерации, действие персонажа, одну реплику и настроение». На выходе получаю готовую раскадровку, которую остается скормить видеомодели сцену за сценой. Вручную такой расклад занял бы вечер, с моделью уходит минут семь.
Лайфхак: просите модель держать в каждой сцене одни и те же атрибуты персонажа и явно их выписывать. «Рыжие волосы, зеленые глаза, синий свитер с корабликом» в каждом промте звучит занудно, зато на выходе персонаж не меняет одежду от сцены к сцене.
Оживление кадра: Veo 3 и Kling
Ключевая техника называется image-to-video: скармливаете видеомодели стилизованный кадр как стартовый и описываете движение. Персонаж не рисуется заново, а оживает с сохранением внешности. Именно это держит сходство с исходным фото на протяжении ролика.
Два флагмана на сегодня. Google Veo 3 выдает кинематографичный мультик сразу со звуком: реплики, музыка и эффекты генерируются в одном проходе, отдельно озвучку приклеивать не нужно. Kling 2.1 держит планку по плавности: мимика и движения персонажа самые естественные, длинный кадр не разваливается. Тем, кому нужен максимум движения, стоит присмотреться к свежему Kling 3.0.
Практика, набитая шишками: генерируйте сценами по 5-10 секунд. В обсуждениях на Reddit авторы анимационных каналов сходятся в том же: минутный ролик одной генерацией почти всегда кончается тем, что к середине персонаж плывет, руки глючат, фон течет. Восемь коротких сцен потом склеиваются в редакторе за полчаса, а переделка одной неудачной сцены стоит копейки, не весь ролик.
Звук, музыка и озвучка
Даже когда видеомодель выдает встроенную звуковую дорожку, своего обычно не хватает. Suno пишет заглавную песню и саундтрек за минуту: описываете жанр, настроение и строчку-рефрен, получаете готовый трек. Eleven Labs закрывает озвучку: реплики героев, рассказчик за кадром, звуковые эффекты. Русскоязычные голоса там приличные, и разница между «приемлемо» и «точно то, что я слышал в голове» достигается подбором тона за два клика.
Порядок сборки простой: сначала видео, потом музыка под монтаж, потом озвучка реплик поверх. Если делать наоборот, монтаж под звук превращается в мучение.
Где взять все эти модели из России
Классическая проблема: Veo 3, Kling, Eleven Labs и новинки OpenAI и Anthropic либо недоступны с российских адресов, либо требуют иностранные карты. Либо живут за VPN, и за каждый сервис нужна отдельная подписка. Я собрал весь стек в одном месте: 3GPT, роутер, который дает прямой доступ к флагманским моделям без прокси и без платежей заморскими картами. Пополнение российской картой, через СБП или криптой, старт с 149 рублей за доступ к топовым моделям.
Внутри на момент написания: Chat GPT 6 Astra, Chat GPT 5.5, Chat GPT 6.1 Sol, Claude Fable 5, Claude Fable 5.1, Claude Opus 5.5, Nano Banana для картинок и генерация видео. По сути весь сетап из этой статьи умещается в одной подписке: сценарий на Chat GPT, диалоги на Claude, стилизация на Nano Banana, анимация на видеомоделях.

Использовать это можно и под задачи бизнеса, не только под подарки родне. Продающие тексты и сайты, максимально реалистичная обработка изображений, видеоролики и генерация голоса. Мультяшный маскот бренда, оживленный из фото основателя, отлично работает в рекламе и соцсетях.
Отдельная фишка, про которую мало кто знает: готовые ИИ агенты. Выбираете агента под задачу, например сценариста или генератора изображений, начинаете с ним общаться, и модель агента меняется прямо в чате. Для раскадровок это удобно тем, что сюжет пишется на GPT, а детализация промтов уходит на Claude без переезда в другой интерфейс.

Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT.
Готовые промты, которые можно забрать прямо сейчас
Стилизация портрета в Nano Banana: «Перерисуй человека с фото в стиле Pixar. Сохрани форму лица, прическу, цвет глаз и особенности внешности. Крупный план по грудь, мягкий студийный свет, размытый фон, теплые тона».
Сцена для Veo 3 в режиме image-to-video: «Девочка-мультперсонаж оглядывается по сторонам, улыбается и говорит: [реплика]. Камера медленно наезжает, легкое движение волос, анимационная плавность. Звук: голос девочки, фоновая музыка, шум ветра».
Песня для Suno: «Детская песня в духе саундтреков Pixar, оркестр с элементами фолка, средний темп, приключенческое настроение, рефрен: [ваша строчка]». Запрос на раскадровку для Chat GPT или Gemini приведен выше, забирайте как есть.
Четыре ошибки, на которых я сжег свои первые генерации
Список короткий и честный, каждый пункт куплен собственными рублями.
- Анимировать минутный ролик одной генерацией. Работают только сцены по 5-10 секунд.
- Стилизовать групповое фото целиком. Каждое лицо отдельно, потом сборка в общей сцене.
- Менять модель между сценами. Разные модели рисуют персонажа по-разному, и сходство плывет от сцены к сцене.
- Писать промт «сделай красиво». Модели выдают усредненный результат, пока вы не задали стиль, свет, ракурс и действие конкретно.
Где мультик по фото реально выстреливает
Персонализированные подарки: мультяшный портрет пары или оживленное видео-поздравление на день рождения. Дешево для автора, драгоценно для получателя. Детский контент: родители делают каналы, где главный герой нарисован с их ребенка. Маркетинг: маскот бренда по фото реального сотрудника и серия коротких роликов для соцсетей без продакшна. На Reddit практикующие маркетологи отмечают, что оживленный маскот с лицом реального человека собирает заметно больше реакций, чем стоковый персонаж с холодными глазами. Образование: учитель превращает портрет исторической личности в рассказчика урока.
Общий знаменатель у всех сценариев один: нужна узнаваемость исходного лица и эмоция. Поэтому качество стилизации важнее длины ролика, и поэтому я так упираю на Nano Banana и аккуратные исходники.
Сколько уходит времени и денег
По моим замерам, первый мультик на две минуты занимает два-три часа: вы еще не знаете, какие слова двигают картинку, и перегенерируете лишнее. К третьему проекту процесс сжимается до 40-60 минут на минуту хронометража. По деньгам ролик на две минуты из восьми сцен обходится в несколько сотен рублей на генерациях, плюс подписка на роутер моделей. Студийная оценка тех же работ стартует с десятков тысяч и длится недели.
Экономика честная не во всех случаях. Подписной контент для детского канала, где нужны ролики каждый день, нейросети закрывают идеально. Тщательная анимация рекламного ролика с точным брендированием все еще требует ручной доводки в редакторе, и модели тут ассистент, а не замена.
Самый короткий путь к первому результату выглядит так. Сегодня берете одно внятное фото, заходите в 3GPT, пополняете баланс российской картой, стилизуете портрет через Nano Banana, просите Chat GPT разложить сюжет на четыре сцены и оживляете каждую видеомоделью. К вечеру у вас ролик, за который год назад взяли бы предоплату. Первая генерация почти никогда не идеальна, зато на второй итерации вы уже понимаете механику промтов, и этот навык остается с вами.