Почему все модели думают короткими кусками
Генерация видео это предсказание следующего кадра по предыдущим. Чем длиннее кусок, тем больше ошибка накапливается: цвет уезжает, лицо меняется, физика ломается. Поэтому разработчики ограничивают длительность и продают удлинение как отдельную функцию.
Второй причина экономическая. Одна попытка на двадцать секунд стоит столько же, сколько четыре попытки по пять. Когда клип короткий, вы дешевле переделываете брак и меньше платите за неудачу.
Третья причина в оценке. Двадцать секунд ещё можно посмотреть глазами. Пять минут генерации никто не проверяет покадрово, и брак уходит в публикацию.
Что говорят официальные цифры
Тут полезно смотреть документацию, обзоры врут чаще. Одна из моделей через API принимает параметр длительности до 20 секунд. Дальше работает удлинение: каждый добавочный кусок до 20 секунд, до шести удлинений, максимум 120 секунд на один ролик.
Kling в текстовом режиме позволяет собрать до шести раскадровок в одной задаче, у каждой своя длительность и свой промпт, сумма равна общей длине. В примерах документации общая длина доходит до 15 секунд.
Gemini Omni Flash принимает на вход видео для удлинения длиной не больше 10 секунд и до трёх видеореференсов по 3 секунды.
Вывод простой: секунды уже есть. Их хватает на рекламный ролик, на сцену и на вертикальный выпуск. На пятиминутный разбор их не хватит никогда, потому что дело в связности, а лимит тут ни при чём.
Как из клипов получается длинное видео
Работает одна схема, и она старая, как монтаж.
Сценарий делится на сцены по десять-пятнадцать секунд. Каждая сцена это одна мысль и одно действие. Если в сцене две мысли, зритель теряет нить, а модель теряет лицо героя.
Для каждой сцены пишется отдельный промпт: кто в кадре, что делает, где стоит камера, какой свет. Сцена без описания камеры отдаётся модели на её вкус, и склейка потом не сходится по ракурсу.
Сцены генерируются по одной. Пять попыток на сцену это нормальная работа, слабый промпт тут ни при чём.
Дальше монтаж: подрезка, цветокоррекция, звук. Здесь же решается ритм, и именно ритм отличает ролик от набора красивых кусков.
Сценарий на пять минут
Длинное видео начинается с листа бумаги, промпт идёт вторым шагом. Пять минут это примерно двадцать сцен, и на каждую нужна строка смысла. Готовое ИИ-видео по сценарию собирается по этой схеме за один проход, без импровизации на ходу.
Структура, которая держит внимание: крючок на первых десяти секундах, обещание, три-четыре блока с примерами, короткий итог. Каждый блок заканчивается мини-выводом, иначе зритель не понимает, зачем смотрел.
Сцены с героем лучше ставить так, чтобы крупный план шёл первым. Лицо, снятое крупно, задаёт канон, и следующие кадры подтягиваются к нему.
Отдельно расписываются перебивки: продукт, экран, руки. Они дешевле в генерации и закрывают стыки между сложными сценами.
Память между кадрами
Это главная техническая проблема, и её решают не промптом.
Референс персонажа. Один и тот же портрет подаётся во все сцены с героем. Без этого каждый кадр рождает нового человека.
Фиксированный свет. Опишите источник и направление один раз и повторяйте формулировку. Модель понимает «мягкий свет справа» стабильнее, чем «красиво».
Одинаковая оптика. Если первая сцена снята «широкоугольно, низкая точка», вторая с «телевиком сверху» будет из другого фильма.
Финальный кадр сцены. Когда модель принимает последний кадр, стык двух сцен становится управляемым: следующая начинается с того места, где закончилась предыдущая.
Звук, голос и титры
Звук собирается отдельно от картинки, и это экономит дни.
Озвучка пишется или синтезируется под готовый монтаж, отдельные клипы для неё не годятся. Иначе интонация не совпадёт со склейкой.
Музыка подбирается после сборки, по ритму. Трек, выбранный до монтажа, диктует длину сцен, и это почти всегда неудобно.
Титры и подписи ставятся в редакторе, потому что текст, сгенерированный моделью, выходит с ошибками в буквах.
Где склейка выдаёт генерацию
Три места, по которым зритель понимает, что ролик собран из кусков.
Свет. В одной сцене солнце слева, в другой справа, и тени не совпадают.
Движение камеры. Каждая сцена начинается с нуля, и общий ритм камеры рвётся.
Детали. Кольцо на руке появляется и исчезает, логотип на футболке меняет форму.
Лечится это скучно: единый список ракурсов, единый свет, один референс, проверка деталей на каждом кадре. Красивых обходных путей тут нет.
Смета и вывод
Пять минут генерации это двадцать сцен, пять попыток на сцену, около сотни клипов и один монтажный день. По времени это неделя спокойной работы.
Если ролик нужен для канала на постоянной основе, дешевле сделать шаблон: заставка, титры, звук, список ракурсов. Дальше каждый выпуск собирается быстрее, и ведение YouTube-канала превращается в производственный процесс.
Видео нейросетями в таком виде перестаёт быть аттракционом. Это конвейер со сценарием и монтажом, где генерация отвечает за картинку, а человек за смысл и ритм.
И ещё. Короткие клипы, которые остаются после монтажа, почти всегда уходят в нарезку. Нарезка видео на шортсы идёт из того же материала, и это лучший способ окупить генерацию.
