Как создать ИИ-видео по сценарию
Запрос «как создать ии видео по сценарию» обычно скрывает конкретную ситуацию: текст есть, а ролика нет. Модель выдаёт не то, что написано, кадры не стыкуются, голос не попадает в движение губ. Причина почти всегда одна — сценарий написан для человека, а не для генератора.
Разница простая. Актёру можно написать «он задумывается», и он сыграет. Модели нужно описать, что видно в кадре: крупный план лица, взгляд в сторону, пауза две секунды, затем рука тянется к чашке. Всё, что нельзя показать, придётся убрать или переписать.
Дальше речь о рабочем процессе: сценарий, раскадровка, промпты по планам, озвучка, монтаж. Каждый шаг можно делать в разной степени подробности, но пропускать нельзя — ошибка на раннем этапе умножается на всех следующих.
Сценарий: четыре блока, без которых не выйдет
Первый блок — крючок. Три секунды, за которые зритель решает, смотреть дальше. Для ИИ-видео крючок лучше строить на движении и предмете, а не на реплике: движение модель воспроизводит надёжнее, чем сложную актёрскую подачу.
Второй — смысл. Одна мысль на ролик. Если мыслей две, зритель запомнит ноль.
Третий — доказательство. Что показывает, что мы не голословны: продукт в руках, цифра на экране, процесс изнутри.
Четвёртый — действие. Что сделать дальше: перейти, написать, попробовать.
Хронометраж считается по темпу речи: в среднем 2–2,5 слова в секунду. Ролик на 60 секунд — это 120–150 слов текста, и лучше уложиться в 130, оставив паузы.
Раскадровка: текст, разложенный на планы
Раскадровка переводит фразы в кадры. Формат простой: номер, длительность, что в кадре, что говорит голос, что происходит в движении.
Правило разбивки — один план на одну мысль и на одно действие. Если в предложении два действия («берёт телефон и выходит на улицу»), это два плана: модель не умеет переходить между локациями внутри одного кадра.
Длительность плана для генерации — обычно 3–5 секунд. Короче сложнее собрать без рывков, длиннее модель начинает «плыть»: фон меняется, предметы деформируются.
На этом этапе видно, где сценарий не сходится с возможностями. Сцена с толпой, сложным рукопожатием, точной надписью на экране — кандидаты на замену приёма: общий план вместо крупного, рука в кадре вместо лица, надпись поверх видео вместо надписи в кадре.
Промпты по планам
Промпт пишется на каждый план отдельно и содержит четыре элемента: тип кадра, что в кадре, движение камеры, характер света и стиля. Всё, что повторяется, копируется дословно — так кадры выглядят как одна съёмка.
Пример логики: «средний план, женщина в светлой рубашке ставит чашку на стол, камера медленно наезжает, мягкий дневной свет из окна слева, тёплые тона». Такой промпт не описывает настроение, он описывает то, что видно.
Приёмы, которые экономят генерации. Референс персонажа вместо описания внешности. Стартовый кадр из предыдущей сцены для продолжения движения. Отдельная генерация фона и отдельная — героя, если сцена сложная. Негативный промпт для типовых артефактов: лишние пальцы, искажённый текст, размытие.
Изготовление видео с помощью нейросетей почти всегда идёт от раскадровки: без неё промпты пишутся «на глаз», и ролик распадается на несвязанные фрагменты.
Озвучка, тайминг и сборка
Голос синтезируется по финальному тексту, а не по черновику: любая правка после озвучки ломает тайминг всех планов. Поэтому текст утверждается до записи.
Под генерацию речь переписывается: короткие фразы, точки вместо запятых, цифры словами, паузы — отдельными знаками. Модель читает ровно, и там, где человек сделал бы вдох, она продолжает без запинки.
Дальше два пути. Первый — озвучить целиком и подгонять видео под дорожку. Второй — генерировать планы под уже готовые фрагменты голоса, по 3–5 секунд. Второй точнее, но требует нарезки текста по планам ещё на этапе сценария.
Озвучка видео нейросетью разобрана отдельно: там про интонацию, ударения и типичные ошибки синтеза.
Сборка начинается с чернового ряда: все отобранные дубли выстраиваются по раскадровке, без эффектов и переходов. На этом этапе видно, держится ли ритм: если на середине хочется ускорить, значит, план затянут.
Дальше цвет: приведение кадров к одному виду. Разные генерации дают разный баланс, и без коррекции стык виден сразу.
Потом звук: музыка, акценты, шумы. И титры — все надписи накладываются на монтаже, потому что модель почти всегда искажает текст в кадре.
Финальный шаг — экспорт под площадки: вертикаль, горизонталь, квадрат. Композиция при этом не обрезается механически: для каждого формата пересобирается кадр.
Сколько это занимает и сколько стоит
Ролик до 90 секунд ручной сборки — от 16 000 ₽, срок около недели. В цену входят сценарий, раскадровка, отбор генераций, озвучка, монтаж и музыка.
Если нужен поток однотипных роликов по шаблону, считается иначе: от 0,10 ₽ за просмотр. Это формат массового производства, где сценарий пишется один раз, а меняются подводки, цифры и обложки.
Отдельная строка — правки. Правка текста почти бесплатна, правка готового кадра стоит новой генерации и нового монтажа.
Частые ошибки
Сценарий, написанный как статья: длинные абзацы, сложные конструкции, метафоры. Модель не умеет играть метафору, она умеет показывать предмет.
Попытка сгенерировать всё одним промптом. Один промпт — один план, остальное разваливается.
Экономия на раскадровке. Без неё ролик собирается из того, что «получилось», и сценарий перестаёт управлять результатом.
Игнорирование звука. Даже идеальная картинка с плоской озвучкой воспринимается как техническая демонстрация.
Где нужен человек
Роль человека видна на стыке смысла и картинки. Модель не знает, что важно для вашей аудитории, и не чувствует, где шутка, а где ошибка. Режиссёрская работа остаётся: придумать ход, разложить на планы, отобрать дубли, собрать ритм.
Ручные ролики отличаются именно этим: каждый кадр отсматривается, на одно движение уходит до ста генераций, монтаж и музыка делаются под смысл. В автоматизированных форматах тот же результат достигается объёмом: сто версий, из которых десять работают.
