Генерация видео по референсу: три синтаксиса на ноябрь 2026
Референс это картинка или клип, по которым модель строит новый кадр: лицо героя, форма флакона, темп движения. Генерация видео по референсу начинается с загрузки ассетов, и здесь каждая модель говорит на своём языке. Kling 4.0 по официальному руководству от 4 ноября 2026 нумерует входы сам: @Image1, @Image2, @Video1. Модели на базе MiniMax H3 в карточке HyperFlow H3 Flash от 10 ноября 2026 обращаются к ним как <Picture 1>, <Picture 2>. Gemini Omni 1.2 Flash по документации провайдера API Runware просит обычные слова: «женщина с портрета».
Поэтому промпт из чужого туториала переносится плохо. Синтаксис у каждой модели свой, а роль ассета везде задаётся словами. Ниже три школы и один общий принцип: у каждого ассета одна задача, и она записана текстом.
Kling 4.0: @Image1 без роли угадывает сам
В режиме Omni Reference ассеты получают номера по порядку загрузки. Дальше руководство требует подпись: «@Image1: сохрани внешность персонажа», «@Video1: возьми темп действия». Если оставить только номера, модель сама решит, что с чем делать, и результат станет менее предсказуемым.
Когда ассеты несут разную информацию, роль лучше сузить и прямо сказать, что переносить не надо: «@Image2: только фактура стены, люди с этого кадра не нужны».
Структура промпта в руководстве такая: роли ассетов, общие настройки (сцена, фактура, стиль, тон камеры), события по секундам (0-5 с, 5-10 с, 10 с до конца), звук (реплики, фон, музыка, эффекты).
Для правки уже снятого клипа пишут «Edit @Video1» и добавляют «Keep everything else unchanged». Формулировка «Reference @Video1» в этой задаче сбивает модель на генерацию по референсу, и кадр пересобирается заново.
Лимиты режима: до 10 картинок, до 5 видео общей длиной до 30 с, до 3 голосовых профилей, до 7 элементов, всего не больше 15 референсов. Режим Keyframes с референсами в одной задаче не совмещается.
Негативных указаний руководство советует держать минимум. На практике хватает двух: без субтитров, без фоновой музыки.

Gemini Omni 1.2 Flash: подпись по содержимому
У этой модели другая логика: картинки называют по тому, что на них видно. «Женщина с портрета», «бутылка с пэкшота». Теги и нумерованные заглушки не нужны, слова работают как имя. Документацию на эту модель даёт провайдер API Runware, официального гайда Google на эту тему я не нашёл, так что это описание интегратора.
Одна картинка отвечает за одну задачу, и задачу называют глаголом: «сохрани лицо и причёску», «сохрани форму и этикетку точно». Переписывать словами видимое незачем: цвет волос и крой куртки модель и так видит. Слова экономят на кадр, действие, реплику и звук.
Персонажа и стиль держат на разных картинках: герой на чистом фоне, на кадре стиля людей нет вообще. Иначе модель может подмешать лицо из стилевого кадра.
Сходство лица лучше всего держит референсное видео, и одно видео на запрос даёт стабильный результат. Несколько видео сразу могут ухудшить выход. Звука в референсном видео нет, весь звук берётся из текста промпта.
Лимиты: до 10 картинок, до 3 видео, с референсами длительность 3-10 с. Референсы и режим первого с последним кадром живут порознь, запрос с обоими отклоняется.
Модель любит резать клип на несколько шотов. Нужен один непрерывный кадр, так и пишем: «one continuous shot».
HyperFlow H3 Flash: <Picture 1> по порядку
Карточка модели на Hugging Face от 10 ноября 2026, база MiniMax H3, режим ref2va. Входы называют в промпте по порядку: <Picture 1>, <Picture 2>. Пример из карточки: «<Picture 1> walks through the scene of <Picture 2>».
Лимиты: до 9 картинок, до 3 видео, до 3 аудио, всего 12 входов. Аудио-референс работает только вместе хотя бы с одной картинкой или видео. Негативный промпт в карточке не используется вовсе.
Как сгенерировать видео по референсу без спора ассетов
Спор начинается там, где два ассета претендуют на одно. Классика: два портрета одного героя, кадр стиля со своим персонажем, видео и картинка оба задают внешность. Модель может их усреднить, и лицо получится чужим.
Решение короткое: развести роли и убрать лишний вход.
У Gemini Omni это правило прописано прямо: одна картинка, одна задача. У Kling лишнее снимают ограничением роли и явным исключением. У H3 просто убирают вход, лимит в 12 позиций не повод заполнять его весь.
- Один герой, одна картинка лица. Второй портрет либо убирают, либо отдают ему узкую роль (причёска, макияж) и запрещают перенос лица.
- Кадр стиля без людей и без крупных лиц в фокусе.
- Видео-референс отвечает за движение и темп, внешность остаётся на картинке.
- Проверка одна: если роль ассета не формулируется одной фразой, ассет лишний.
Пример промпта: реклама продукта с ведущим
Задача: 10 с вертикального ролика, ведущий держит флакон и говорит одну фразу. Ассеты: @Image1 портрет ведущего, @Image2 пэкшот флакона, @Video1 старая реклама с нужным темпом.
Промпт на русском, с пояснением по блокам: «@Image1: сохрани лицо и причёску ведущего. @Image2: сохрани форму флакона и этикетку точно, руки возьми с @Image1. @Video1: возьми только темп подачи, обстановку и людей из этого клипа не переносить. Сцена: стол у окна, мягкий дневной свет, фактура дерева. Тон камеры: спокойный, плечи и лицо, лёгкий ход вправо. 0-4 с: ведущий поднимает флакон. 4-7 с: говорит. 7-10 с: ставит флакон на стол. Звук: реплика про цену, тихий фон, музыка без вокала».
Тот же набор для Kling в английском варианте, номера те же, язык другой: «@Image1: keep the presenter's face and hair. @Image2: keep the bottle shape and label exactly, hands come from @Image1. @Video1: use pacing only, do not transfer the room or the people. Scene: table by the window, soft daylight, wood texture. Camera: calm, shoulders and face, slow drift right. 0-4 s: presenter lifts the bottle. 4-7 s: speaks. 7-10 s: sets it down. Audio: one line about price, quiet room tone, no vocals in music».
Разница между двумя строками только в языке. Роли, сцена, секунды и звук стоят в одном порядке, и это порядок из руководства Kling 4.0.
Чек-лист перед отправкой запроса
Каждому ассету одна задача, записанная словами.
- Лицо героя живёт на одной картинке, второй портрет убран или сужен до причёски.
- На кадре стиля нет своих персонажей.
- Номер или имя ассета взято из синтаксиса этой модели.
- Что переносить не надо, сказано прямо.
- Для Kling 4.0 негативов два: без субтитров, без фоновой музыки.
Мой вывод
Единого синтаксиса нет и близко: Kling живёт на @Image1, модели на базе H3 на <Picture 1>, Omni на обычных словах. Общее у всех трёх одно: каждой картинке роль и явное «что сохранить». Пока это правило соблюдают, спор ассетов почти не случается.
Для серии роликов такая разметка экономит пересдачи. Вертикальная реклама собирается пачкой версий, и подписанные роли переносятся из промпта в промпт без правок. Когда нужен ролик целиком под ключ, работает видео нейросетями, там разметка референсов уже часть процесса. Общая логика запросов разобрана в статье промпты для ИИ-видео, а управление кадром через стартовый и финальный кадр в статье первый и последний кадр.
И последнее. Если ролик делают руками, со съёмкой и монтажом, это ручные ролики от 16 000 ₽. Референс там тоже нужен, только работает с ним человек.




