Почему ИИ-видео длится секунды и как сделать длинное

Клиент просит минутный ролик, сервис отдаёт десять секунд, и это выглядит как жадность подписки. Причина в устройстве модели: она держит в работе весь ролик сразу, и такая работа дорожает быстрее длины. Разбираю на пальцах, откуда берётся потолок у Kling 4.0 и Seedance 2.5 Flash и какими тремя способами из коротких клипов получается длинный ролик.

Плёнка из кадров: линий-сверок справа всё больше, лента упирается в предел и обрывается
01

Почему ролик обрывается на десяти секундах

Запрос звучит буднично: нужен ролик на минуту, желательно сразу с озвучкой. Модель отдаёт от трёх до тридцати секунд, и дальше начинается разговор про бюджет и терпение. Дело не в тарифах.

Внутри модели видео устроено похоже на языковую модель. Каждый новый кадр сверяется с уже собранными кадрами, чтобы движение, свет и текстура не разъехались между началом сцены и её концом. Механизм называется вниманием: кадр смотрит на предыдущие и решает, что в нём продолжить. Именно поэтому фон держится ровно и человек не меняет куртку на середине прохода. Именно поэтому же генерация упирается в потолок.

02

Цена внимания растёт быстрее длины

Арифметика простая, без формул. Пять секунд при 24 кадрах в секунду это 120 кадров. Тридцать секунд это 720 кадров. Кадров стало в шесть раз больше, а сверок между ними примерно в тридцать шесть раз больше. Удвоили длину, объём работы вырос вчетверо, память под это нужна тоже вчетверо больше.

Отсюда два следствия. Первое: у каждой модели есть предельная длина одного прохода. Второе: секунда на длинном ролике не дешевеет, она стоит дороже, чем секунда на коротком. Провайдеру выгоднее резать работу на короткие генерации, и он режет.

Три способа собрать длинный ролик: продолжение клипа, ключевые кадры и монтаж из шотов
03

Создание длинных видео нейросетью упирается в потолок модели

Цифры с официальных страниц моделей, проверены 16 ноября.

Kling 4.0 генерирует от 3 до 30 секунд за один проход. Gemini Omni 1.2 Flash держится диапазона от 3 до 15 секунд, а ролик по первому и последнему кадру у него ограничен десятью секундами. Seedance 2.5 Flash выдаёт от 4 до 30 секунд за один запрос.

Тридцать секунд это уже серьёзный рекламный шот: в него влезает выход героя, показ товара и финальный кадр. До минутного объяснения или до диалога на две реплики такой кусок не дотягивает. Дальше начинается сборка, и способов у неё три.

04

Продолжение с последнего кадра

Способ первый: скормить модели конец готового клипа и попросить продолжить движение.

LongCat-Video-Avatar 1.6 от команды Meituan работает именно так. Последние кадры предыдущего клипа переносятся вперёд, к ним дописываются новые кадры, ролик растёт шагами. Слабое место приёма предсказуемо: ошибка накапливается. Небольшой сдвиг у рта или в текстуре лица на каждом шаге чуть увеличивается, и после десятка продолжений человек в кадре уже другой. В версии 1.6 модель дообучали в ситуациях, где она продолжает собственные сгенерированные клипы, и это дало ролики длиннее 10 минут с меньшим дрейфом лица и рта. Механика у нас разобрана отдельно: почему в ИИ-видео плывут лица и руки, там тот же самый эффект накопления.

Kling 4.0 умеет продолжать готовый ролик: режим Video Extension достраивает его вперёд и назад за несколько проходов и доводит до двух минут по официальному описанию. Seedance 2.5 Flash продлевает видео несколькими раундами через API. Правило одно: продолжение цепляется за последний кадр, и качество этого кадра определяет следующий кусок.

05

Ключевые кадры по таймлайну

Способ второй: расставить по таймлайну опорные картинки и дать модели прорисовать движение между ними. У Kling 4.0 на одну генерацию до 10 ключевых кадров: поза героя, смена плана, поворот камеры, появление товара на столе.

Логика понятная. Модель ведёт сцену от опоры к опоре, и структура ролика перестаёт быть лотереей. Режиссёрская работа переезжает в раскадровку, где её и удобно делать руками.

Ограничение тоже честное. Между ключевыми кадрами модель досочиняет сама, и на длинном отрезке её может увести в сторону. Чем плотнее стоят кадры, тем крепче контроль и тем меньше свободы для движения. Для рекламы это обычно плюс, для танца или драки минус.

06

Нарезка на шоты и монтаж

Способ третий, самый надёжный и самый скучный: ролик режут на шоты по пять-десять секунд, каждый генерируют отдельно, потом собирают в редакторе. Склейки, звук, титры и цвет живут уже в монтаже.

Плюс очевидный: брак в одном шоте не тянет за собой остальные. Переделка стоит времени одного куска. Минус тоже очевидный: стыки видны, если о них не думать заранее. Спасают общие референсы на лицо, одежду и свет, движение, переходящее через склейку, и монтажный ритм, который маскирует переход.

Тут полезно понимать, что такое латентное пространство. Это сжатое описание сцены внутри модели, где нет пикселей, есть набор чисел. Модель сравнивает такие описания, и на стыках двух независимых генераций описания расходятся: свет чуть другой, лицо чуть иное. Отсюда странности на склейках, которые глаз замечает раньше, чем мозг.

07

Что это значит для сметы

Длинный ролик на деле это серия шотов, и считать его надо по шотам. Минута финала это обычно порядка десяти сгенерированных кусков, и часть уйдёт в брак, потому что раскадровка уточняется по ходу работы.

Второй пункт сметы это переделки. Первый шот всегда самый дорогой по времени: на нём подбирают референсы, свет и стиль, и именно его чаще всего переделывают целиком. Дальше работа идёт быстрее, если референсы зафиксированы.

Отсюда практический вывод для заказчика: обсуждать надо число шотов и запас на переделку. Длина ролика тут следствие. Такой разговор снимает половину споров на приёмке. У нас видео нейросетями собирается именно так, по шотам, а ручные ролики берут проекты, где нужен непрерывный кадр или сложная актёрская сцена.

08

Мой вывод

Потолок в тридцать секунд это не временное ограничение, которое снимут патчем. Это следствие того, как модель считает: чем длиннее ролик, тем дороже каждая следующая секунда. Модели будут уходить дальше, продолжение и ключевые кадры уже работают, но принцип остаётся.

Поэтому мой рабочий порядок такой: сначала раскадровка на шоты, потом генерация по одному куску с общими референсами, потом монтаж. Продолжение с последнего кадра беру, когда нужен один непрерывный проход камеры. И на первом шоте всегда оставляю запас на переделку, иначе смета врёт уже на второй день.

частые вопросы

01Почему ИИ-видео длится всего несколько секунд
Модель держит в работе весь ролик сразу и сверяет каждый кадр с предыдущими. Чем длиннее ролик, тем быстрее растёт объём такой работы и память под неё, поэтому у каждой модели есть предельная длина одного прохода.
02Можно ли сделать длинное видео нейросетью
Да, но по частям. Ролик собирают из нескольких генераций: продолжают клип с последнего кадра, расставляют ключевые кадры по таймлайну или режут сцену на шоты и монтируют. Качество зависит от аккуратности стыков.
03Сколько секунд выдаёт Kling 4.0 за одну генерацию
От трёх до тридцати секунд, до 10 ключевых кадров на генерацию. Режим Video Extension достраивает ролик несколькими проходами и доводит его до двух минут по официальному описанию.
04Почему в длинном ролике плывёт лицо
При продолжении клипа модель цепляется за последние кадры предыдущего куска, и мелкая ошибка на каждом шаге подрастает. Через несколько продолжений лицо и губы уже отличаются от исходных, поэтому длинные сцены с одним героем требуют проверки на каждом стыке.
05Нужен ли монтаж, если ролик сгенерирован целиком
На коротком шоте нет, генерация сразу идёт в дело. На длинном ролике монтаж нужен всё равно: склейки, звук и титры собираются отдельно, и именно там правятся стыки между кусками.