Что просят, когда нужна примерка одежды ИИ
«Есть фото модели и фото товара, сделайте видео, как она это носит». Такую фразу я слышу от брендов одежды, от продавцов на маркетплейсах и от магазинов с одной точкой в торговом центре. Запрос «примерка одежды ИИ» означает ровно это: короткий ролик, где вещь сидит на человеке, ткань и фурнитура читаются, лицо остаётся тем же лицом.
Присылают обычно набор из трёх-четырёх файлов: студийное фото человека в полный рост, фронтальное фото изделия на белом, фото спинки, иногда крупный план манжеты или молнии. Из этого набора собирается клип длиной от пяти до пятнадцати секунд. Больше для карточки и не нужно: зритель смотрит такой ролик две секунды и листает дальше.
Пайплайн: видео товара нейросетью из двух фото
Схема короткая. Референс человека задаёт лицо, телосложение и одежду, в которой он уже снят. Фронт и спина изделия задают крой, цвет, плотность и мелкие детали. Дальше модель собирает движение: человек поворачивается, камера идёт по дуге, в середине может стоять match cut на крупный план.
Внутри схемы две цели, и путать их нельзя. Первая это identity: одно и то же лицо в каждом кадре, те же пропорции, те же волосы. Вторая это fabric consistency: одна и та же ткань, одинаковые складки на одинаковом движении, одинаковый отлив. Если ролик прошёл по лицу, а ткань в нём меняет плотность от кадра к кадру, клип не годится.
Где рвётся: ткань, спина, лицо на третьем повороте
Ошибки повторяются из проекта в проект. Ткань «плывёт»: модель дорисовывает складки, не зная веса материала, и лёгкий шёлк в её исполнении ведёт себя как плотная шерсть. Спина изделия не совпадает с фронтальным референсом, если спинку не прислали: шов придуман, вытачки стоят не там, принт обрывается на середине. Лицо дрейфует на третьем повороте, потому что модель теряет референс и достраивает профиль по памяти. Логотип на груди плывёт: буквы расползаются, кромка вышивки дрожит.
Отсюда правило, которое экономит мне половину переделок. Проверяю проблему на одном движении, весь ролик гоняю позже. Поворот на девяносто градусов показывает сразу лицо, ткань и поведение мелких деталей.
Порядок контроля: пять шагов до финального рендера
Чистые product flats. Белый фон, изделие разложено ровно, без заломов от упаковки, фронт и спина в одном масштабе.
- Нейтральный свет на модели. Никаких цветных отражений и жёстких теней на лице, иначе модель тянет этот оттенок на ткань.
- Короткий клип на пять-восемь секунд. Проверяем identity и посадку, пока рендер дешёвый и быстрый.
- Удлинение и multi-turn edit. Только после того, как лицо и ткань держатся на первом движении.
- Ручная врезка packshot в конец. Статичный кадр изделия на белом закрывает вопросы к деталям и заодно даёт монтажную точку.
Свежий пример класса: Omni 1.2 Flash
Пятого ноября Google выложил блог про Omni 1.2 Flash, и там virtual try-on показан прямо: пятнадцать секунд, повороты на 360 градусов, одна и та же вещь на человеке. Отдельно заявлено улучшение приверженности референсу. Для меня это ориентир уровня задачи, который класс моделей уже держит, и повод не тащить в продакшн пять инструментов сразу.
Один пример из блога не значит, что любая вещь получится с первого прогона. Он значит, что пятнадцать секунд с полным оборотом перестали быть фокусом.
Форматы: видео для карточки товара 9:16 и 16:9
Для маркетплейса хватает вертикали 9:16 и восьми-двенадцати секунд: один поворот, крупный план ткани, packshot в конце. Для сайта логичнее 16:9, потому что блок на странице товара горизонтальный и ролик там играет в фоне. Требования площадок к карточке я разбирал отдельно, в гайде про видео для карточки товара: там про спеку и модерацию, здесь про движение вещи на человеке.
Где заканчивается экономия
Экономия реальная. Съёмка лукбука на восемь образов это день на площадке, фотограф, стилист, аренда и ретушь. Примерка из готовых фото закрывает часть этих образов без выезда. Условие одно: ткань и фурнитура должны читаться.
Сложный трикотаж это крупная вязка, ворс, ангора, кашемир с пухом. Прозрачные ткани это шифон, органза, сетка. Там модель теряет структуру волокна, и вещь начинает выглядеть нарисованной. Это зона ретуши или обычной съёмки.
Дальше вопрос объёма. Один клип можно собрать за вечер своими руками. Серия на десять артикулов с единым светом и ретушью требует человека за кадром: у нас это ручные ролики от 16 000 ₽. Когда примерка идёт под рекламу, вертикальная реклама собирает из тех же клипов серию версий с разными хуками. Общий список работ лежит в разделе видео нейросетями.
Мой вывод
Нейросеть экономит съёмку, пока вещь простая по фактуре. Кожа, деним, плотный хлопок, спортивная синтетика выходят предсказуемо. Ворс, прозрачность и сложный крой требуют ретуши, и обещать клиенту иначе нечестно.
Мой порядок запуска: сначала пять-восемь секунд на одном повороте, просмотр на телефоне, потом решение про серию. Если на тесте поплыл логотип, я меняю референс или ухожу в съёмку, потому что повторный прогон даст тот же результат.
