Новости нейросетей для видео: выпуск 13 ноября

За два дня вышло десять новостей. Baidu на конференции Baidu World 2026 показала видео с говорящими персонажами и модель за 0,2 юаня в секунду, Google добавил в Flow пять инструментов от художников, ElevenLabs свела дубляж и синхрон губ в один прогон, Melius открыла Ditto для замены объектов в готовом ролике, DomoAI и Krea выпустили агентов, Diffusers добрался до версии 0.43. У каждой строки своя причина, почему это важно.

Плёнка проходит через компактный пресс и выходит непрерывной лентой: видео дешевеет и собирается за один прогон
01

Baidu Wizshot-ME: сценарий до 4000 знаков одним проходом

12 ноября на конференции Baidu World 2026 компания представила ERNIE Wizshot Micro-Expression, коротко Wizshot-ME. Модель делает видео с говорящими персонажами, где текст, картинка и голос считаются вместе. Сценарий она принимает до 4000 китайских знаков. Эмоции описаны системой из 6 основных измерений и 200 подизмерений. Озвучка идёт одним проходом на весь сценарий, раньше её склеивали из кусков примерно по 30 секунд. Для бизнеса модель доступна через API на платформе Qianfan. Baidu заявляет цену на 50% ниже рынка, а быстрая версия делает минуту видео примерно за минуту. Независимых замеров цены и качества на 13 ноября нет, так что 50% пока остаются обещанием вендора.

Почему это важно: говорящий персонаж на длинном тексте перестаёт быть набором склеек. Для серии обучающих роликов это меньше стыков в монтаже и меньше мест, где ломается интонация.

02

Baidu Yijing: от 0,2 юаня за секунду

12 ноября цифровые люди Baidu, проект Yijing, показали собственную модель генерации видео со стоимостью от 0,2 юаня за секунду. Fast-версия отдаёт 10 секунд видео за 10 секунд, держит до 8-9 микровыражений лица в секунду, отклик в реальном времени меньше 2 секунд. Вместе с моделью запустили «Студию коротких анимированных драм»: там сценарий, раскадровка, готовые серии и перенос на другие рынки.

Почему это важно: при такой цене секунды черновик серии перестаёт быть дефицитом. Сцены можно гонять по нескольку раз и выбирать из десяти дублей вместо одного.

Четыре станции, сценарий, раскадровка, съёмка, готовый ролик, связаны одной непрерывной нитью за один прогон
03

Google Flow: пять инструментов, которые сделали художники

12 ноября в блоге Google появились пять новых инструментов Flow, и каждый собран вместе с художниками. Character Poster отвечает за постер с персонажем. Character Arc показывает одного персонажа в разных возрастах. Pixel Machine ведёт в bitmap, ASCII, CRT, пиксель-арт и глитч. Lucid Glass строит призмы, ореолы и преломления. Pocket Studio берёт один дубль с телефона и разводит его на несколько ракурсов, игра актёра при этом сохраняется.

Почему это важно: Flow обрастает стилями, которые раньше собирали в отдельном редакторе. Постер, возраст персонажа и второй ракурс с телефона это три типовые задачи, где и начинается ручная работа.

04

ElevenLabs Dub & Sync: дубляж и губы за один прогон

12 ноября в ElevenCreative появился Dub & Sync. Видео загружают, выбирают языки и получают дубляж, где губы подогнаны под новую озвучку, всё за один прогон. Раньше синхрон губ шёл отдельным шагом после озвучки. Цен и числа языков в анонсе нет.

Почему это важно: зарубежная версия ролика перестаёт быть сметой из двух работ. Для заказчика это одна строка в заказе, для студии одна передача файла.

05

Melius Ditto: до 30 замен за генерацию

11 ноября CEO Melius Joowon Kim рассказал в X про Ditto, документация лежит рядом в API. Инструмент меняет людей, предметы и фон в готовом ролике, движение и работа камеры остаются прежними. За одну генерацию проходит до 30 замен. Пока бета, вход по листу ожидания, есть API и MCP.

Почему это важно: правка переезжает из пересъёмки в постпродакшн. Товар в кадре меняется без второй съёмки, и версия под другого героя собирается из того же материала.

06

ИИ видео новости: агенты DomoAI и Krea берут проект целиком

13 ноября DomoAI через PR Newswire представила InkoAI Agent. Из одной фразы агент собирает готовый ролик для TikTok, Shorts и Reels, показывает план и ждёт одобрения. Внутри 15 моделей картинок и видео, среди них Seedance 2.5 и MiniMax H3. Днём раньше Krea показала в посте @krea_ai Krea Bots: боты берут целые творческие проекты и подстраиваются под вкус команды, пока в бете.

Почему это важно: агент начинает работу с плана и собирает кадры под него. Пока он ждёт одобрения, человек остаётся редактором, и это единственное место в цепочке, где ещё принимают решения.

07

Diffusers 0.43, модель мира GTA и Vidu Q4 Preview: короткие строки

Hugging Face 12 ноября выпустила Diffusers 0.43.0. В релиз вошли MiniMax-H3-Image, Pika H3 Flex с видео и стереозвуком за 6 шагов, P-H3-Image, Kandinsky S2V 1.0, где человек берётся по фото и записи речи кусками по 5 секунд, и PAN 2, симулятор сцен на 29 млрд параметров.

lucidml 11 и 12 ноября выложила на Hugging Face модель lucidml/gta под лицензией Apache-2.0. Это интерактивная модель мира на 630 млн параметров, обученная на 800 часах GTA V. Одна стартовая картинка, клавиши WASD, кадры генерируются по одному и уходят в браузер, выход 384×672. Игрушка исследовательская, права на обучающие записи в карточке не разобраны.

Vidu 11 ноября открыла Q4 Preview: генерация быстрее, промпт понимается лучше, цифр и методики в анонсе нет. 12 ноября компания рассказала про обновлённый recaptioning. В API картинка-в-видео держит 3-16 секунд, от 540p до 4K, а опция видео сразу со звуком включена по умолчанию. 13 ноября Seedance 2.5 Flash появился в Runway, подробности были в выпуске 12 ноября.

Почему это важно: открытые релизы и превью идут с разной скоростью. Веса и лицензия из Diffusers позволяют проверить модель на своём материале, превью без цифр такой проверки не даёт.

08

Новости нейросетей для видео: как это ложится на клиентскую работу

Два дня подряд рынок двигался в одну сторону: секунда дешевеет, а сборка уезжает в один прогон. У Baidu цена секунды уже в юанях и почти в реальном времени, ElevenLabs убрала отдельный шаг с губами, Melius убрала пересъёмку ради замены предмета. Вчерашний выпуск 12 ноября разобрал Seedance 2.5 Flash, Adobe и Luma, там речь шла о длине клипа и качестве картинки.

Для заказа это меняет смету. Считать стоит итерации: дешёвая секунда при десяти прогонах дороже средней при двух. Для вертикальной рекламы это особенно заметно: версий там больше, чем идей, и видео нейросетями выгоднее собирать с запасом на переделки.

Другое дело ведение YouTube-канала: серии выходят месяцами, и там важнее одинаковость персонажа и голоса от выпуска к выпуску, чем цена одной секунды. Сегодняшние релизы эту одинаковость обещают, а проверять её придётся на своих сценах.

частые вопросы

01Сколько знаков сценария принимает Wizshot-ME
До 4000 китайских знаков. Озвучка идёт одним проходом на весь сценарий вместо склейки кусков по 30 секунд.
02Что делает Dub & Sync в ElevenLabs
Берёт видео, дублирует его на выбранные языки и подгоняет губы под новую озвучку за один прогон. Раньше синхрон губ делали отдельным шагом.
03Сколько замен делает Melius Ditto
До 30 за одну генерацию. Меняются люди, предметы и фон, движение и камера остаются прежними. Доступ пока по листу ожидания.
04Модель мира GTA это игра
Нет, это исследовательская модель на 630 млн параметров, обученная на записях GTA V. Она генерирует кадры по клавишам WASD и отдаёт их в браузер в разрешении 384×672.
05Что нового в Diffusers 0.43.0
Пять моделей: MiniMax-H3-Image, Pika H3 Flex, P-H3-Image, Kandinsky S2V 1.0 и PAN 2. У Pika H3 Flex видео со стереозвуком за 6 шагов, у Kandinsky человек по фото и записи речи кусками по 5 секунд.