Знакомый фотограф прислал мне на неделе три снимка с подписью: клиент хочет ролик для сторис, бюджет смехотворный. Раньше такой запрос улетал в корзину: монтаж, озвучка, звуковой дизайн, одна только смета чего стоила. Сейчас я открываю нейросеть, загружаю фото, пишу несколько строк описания и через двадцать минут отдаю готовый ролик. Разбираю весь процесс так, как делаю его сам: без магии, без чудо-кнопок и без продажи воздуха.
Создать ИИ видео по фотографиям и описанию проще, чем кажется
Создать ИИ видео по фотографиям и описанию сегодня может кто угодно: без дорогой видеокарты, без навыков монтажера и без студии. Режим, о котором идет речь, называется «первый кадр». Вы даете модели статичную картинку, а она достраивает движение: дым от чашки начинает виться, человек на снимке поворачивает голову, камера медленно отъезжает и открывает весь пейзаж. Всю техническую рутину от рендера кадров до освещения и плавного движения камеры модель берет на себя.
Работает и обратная схема: задаете последний кадр, и ролик сам приходит к нужной точке. WildClips и MomentFlow, например, умеют держать сразу два якоря, первый и последний кадры. Когда видео должно закончиться ровно тем кадром, который прислал заказчик, это самый предсказуемый способ управлять переходом.
Второй путь: генерация по чистому тексту. Пишете сцену, движение камеры, освещение и стиль, получаете ролик с нуля. Логика та же, только точкой отсчета служит ваша фраза, а не фотография.
Модели, на которые я опираюсь в работе
Veo 3.1 держит первое место в моем наборе для всего, где нужен звук. Ролик генерируется сразу со звуковой дорожкой: диалоги, шум толпы, лязг доспехов. Липсинк, то есть синхронизация губ с репликами, держится на уровне, за который раньше просили отдельные студии. Исторические реконструкции, короткие драматические сцены, рекламные вставки делаются без единого захода в аудиоредактор.
Kling 3.0 хорош, когда сцена не одна. Функция мульти-шота собирает до 6 сцен в одном видео, и персонаж между ними не рассыпается. Для мини-рекламы и кат-сцен закрывает половину типовых задач.
Sora 2 выдает до 20 секунд по описанию с честной физикой: мяч падает как мяч, вода льется как вода. Когда в кадре сложная механика движения, замены ему я пока не нашел.
Отечественные разработки тоже подтянулись. VideoGen собирает простые ролики из фото с музыкой, речью и фоновыми звуками. Для задач уровня «оживить открытку к празднику» хватает с запасом.
Фото или текст: что выбрать стартовой точкой
Фото выигрывает, когда важен конкретный герой или композиция. Лицо клиента, его витрина, его товар: вы задаете кадр ровно таким, каким он должен быть, и модель двигает только происходящее внутри. Текст выигрывает, когда ограничений нет и нужна полная свобода сцены.
Гибрид работает лучше всего. Я часто сначала отрисовываю кадр под задачу, а потом оживляю его. Придумал сцену, сгенерировал снимок, загрузил в видеомодель как стартовую точку. Контроль над результатом вырастает в разы, потому что композиция уже не зависит от капризов генерации.
Формула промпта: движение, а не картинка
Здесь спотыкаются почти все новички. Загружают фото и пишут: «мужчина в синей рубашке стоит у моря». Модель и так это видит, вы потратили символы на пересказ очевидного. В описании нужен сдвиг: что делают люди и предметы, как ведет себя камера. «Камера медленно приближается», «камера неподвижна, ветер шевелит волосы», «персонаж поднимает чашку и улыбается». Вот формат, который дает управляемый результат.
В обсуждениях на Reddit практикующие видеомейкеры сходятся в том же: промпт должен описывать движение и звук, а не пересказывать картинку. У меня на мониторе для видео по описанию приклеен стикер с формулой: камера, субъект, действие, контекст, стиль, звук. Слабый запрос: «красивый рекламный ролик с кофе». Сильный: «медленный наезд камеры на чашку, пар поднимается вверх, утренний свет из окна, стиль рекламы кофейни, звук шипения молока». Разница в результате как между эскизом на салфетке и раскадровкой.
Один нюанс, который сэкономил мне сотни генераций: если камера должна стоять на месте, пишите это явно. Пустое поле в движении камеры модель заполняет на свой вкус, и результат оказывается лотереей.
Пошагово: от снимка до готового ролика
- Выбираю модель с режимом «первый кадр».
- Загружаю фото и ставлю формат кадра таким же, как у снимка: вертикальный кадр, вписанный в горизонтальную рамку, превращает генерацию в лотерею.
- Пишу промпт по формуле: движение камеры, действие, стиль, звук.
- Настраиваю длительность, разрешение и звук, если модель их поддерживает.
- Смотрю точную стоимость задачи до запуска и жму кнопку.
- Разбираю результат и перегенерирую слабые куски.
Первый ген никогда не бывает финалом. Ролик в десять секунд у меня обычно уходит за две-четыре итерации: где-то камера дергается, где-то лицо плывет на крупном плане. Это нормальная часть процесса, и она уже заложена в мой тайминг: от снимка до сдачи проходит 15-20 минут.
Где я запускаю генерацию из России
Тут начинается бытовая правда. Прямые подписки на западные видеомодели из России не оформляются: на этапе оплаты вас встречает требование иностранной карты. Я закрыл для себя этот вопрос через 3GPT от 3SELLER: за 149₽ в месяц доступ ко всем флагманским моделям в одном окне. Chat GPT 6 Astra, Claude Fable 5, Claude Fable 5.1, Claude Opus 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений и генерация видео. Баланс пополняется российской картой, через СБП или криптой, зарубежный счет не нужен.

Для повседневных задач в бизнесе этого хватает с избытком: продающие тексты, лендинги, сценарии, обработка изображений. А в связке с видеогенерацией выручает отдельный инструмент для реалистичных фотографий: генерация фотореалистичных кадров. Первый кадр не нужно искать по архивам, его можно отрисовать точно под задачу.


Отдельная фишка, которую я недооценивал первые месяцы: готовые ИИ агенты под конкретные задачи. Выбираете агента, общаетесь с ним в чате, модель меняется прямо на ходу. Для рутинных сценариев вроде ежедневного поста из ваших же фото экономит пару часов в неделю.

Живые сценарии, где это уже работает
Оживление архивов. Семейные снимки пятидесятилетней давности превращаются в короткие ролики с легким дыханием кадра, и на семейных праздниках такое производит эффект, которого не даст ни один фильтр. Мой рекорд: 14 роликов за один день для кампании локальной кофейни, все на основе их же фотографий интерьера и напитков.
Реклама и сторис. Вертикальный ролик с движением камеры и звуком собирается за один вечер. Сценарий, три кадра, три генерации, склейка: к утру материал уже в сторис.
Превью и обложки. Статичная картинка в шапке канала проигрывает живому кадру по кликам, и здесь даже простое оживление дыма или света дает заметный прирост.
Музыкальные клипы. Часть сервисов умеет собирать ролик под вашу композицию, подстраиваясь по настроению, ритму и атмосфере трека. Локальный бренд получает музыкальное видео без прав на чужие треки и без студии.
Звук: отдельная головная боль, которая перестала ей быть
Veo 3.1 вшивает диалоги и шумы прямо в генерацию, губы персонажа двигаются в такт репликам. Реконструкция сцены с лязгом доспехов и гулом толпы раньше требовала звукорежиссера, теперь это одна строка в промпте.
Мой совет простой: звук описывайте явно. «Тихий шум прибоя и крики чаек» дает модели опору. Оставите поле пустым, она заполнит его на свой вкус, и результат окажется непредсказуемым.
Ошибки, которые съедают деньги
Первая и самая частая: описание того, что и так на фото. Вторая: противоречивые указания в одном промпте. «Камера приближается» и «камера неподвижна» в одном запросе дают кашу: модель честно пытается исполнить оба приказа и не исполняет ни один. Третья: игнор формата кадра. Четвертая: публикация без просмотра. Генерация создает новый ролик, а не правит ваш исходник, поэтому перед выпуском в свет видео смотрят целиком, хотя бы на скорости x2.
Пятая ошибка тоньше остальных: перегруженный промпт. Часть моделей обрезает длинные запросы на середине, и половина вашей художественной мысли до генерации просто не доезжает. Два-три предложения по формуле выше работают лучше, чем абзац с пятью стилями сразу.
Сколько времени и денег это занимает
Оживление одного фото: пять минут и одна-две генерации. Сценка с диалогом и звуком: 15-20 минут с итерациями. Мультишотовый ролик на три-четыре сцены: вечер, если проверять стыки между сценами, а не склеивать первое попавшееся.
По деньгам подписка на весь набор моделей через 3GPT стоит 149₽, это дешевле одного часа работы монтажера, а генераций на месяц хватает с запасом. Для сравнения: сервисы с поштучной оплатой считают каждую генерацию отдельно, и при активной работе счет быстро перерастает стоимость подписки на весь пакет. Я сводил цифры в прошлом квартале: поштучная схема выходила дороже в три-четыре раза.
С чего начать сегодня
Возьмите одно фото из телефона, желательно с потенциалом движения: пар, вода, ветер, живой взгляд. Опишите только то, что должно произойти: движение камеры, действие, звук. Загрузите кадр в 3GPT, запустите генерацию и посмотрите, что вернет модель. Первая попытка выйдет кривоватой, вторая будет почти рабочей, а к пятой вы поймете формулу промпта лучше, чем я смог бы объяснить ее в десяти статьях.