Новости нейросетей для видео: выпуск 18 ноября

Сутки с 17 ноября принесли десять релизов: аватары, видео по тексту, клипы под песню, картинки на 8K и два инструмента, где ролик собирается кодом. У каждой новости строка о том, что она меняет на монтаже и в смете.

Десять разных предметов едут по ленте за одни сутки, один кадр залит оранжевым: дневная пачка релизов для видео
01

HeyGen Avatar 6: окно контекста выросло до 30 секунд

17 ноября HeyGen выпустила Avatar 6 и открыла её в платформе и через API. Движение строится по аудио и по смыслу речи: модель смотрит на фразу целиком и держит интонацию, поэтому пауза и ударение попадают в мимику. Окно контекста выросло примерно с 3 до 30 секунд, выход нативный 2K, синхронизация губ стала точнее. Аватара можно собрать примерно из 30 секунд видео, материал подгружается файлом или ссылкой с YouTube, Instagram и TikTok. Готовые личные аватары обновятся сами. Видео реальных людей остаются только внутри платформы HeyGen: там проверяют личность и берут согласие человека. По данным компании, Avatar 6 занял первое место в Avatar Arena, рейтинге аватаров от New Measure. Разбор модели вышел отдельно.

Почему это важно: полминуты контекста это абзац монолога, который модель ведёт одним куском. Раньше аватар сбивался на третьей фразе, и длинный текст собирали склейками.

02

Gemini Omni 1.2 Flash открыли в Google Cloud

17 ноября Gemini Omni 1.2 Flash стала общедоступной в Google Cloud, об этом написал itbrief. Модель стоит в Gemini для бизнеса и в Google Vids, разработчики подключают её через API. Ролик теперь идёт до 15 секунд вместо 10, секунда в 720p стоит от 0,07 $ (около 5,9 ₽), это на 30% ниже Omni 1.1 Flash. Черновик считается в 360p или 720p, выбранный вариант поднимается до 1080p или до 4K. Референсы картинкой, видео и аудио модель держит лучше прежней версии, речь с несколькими говорящими и липсинк идут вместе с картинкой, готовый ролик правится текстом. Аудио-референсы берут только из списка допуска, на выходе лежит водяной знак SynthID. Подробности в отдельной статье.

Почему это важно: 15 секунд и правка текстом снимают главную боль рекламного монтажа. Фразу можно переписать внутри готового клипа, без пересборки сцены с нуля.

Конвейер из четырёх звеньев: аватар с микрофоном, текст в ролик, клип под трек, ролик кодом; один кадр залит оранжевым
03

Suno Visuals: клипы на 15 секунд под песню

17 ноября Suno показала Visuals в официальном блоге, о запуске написал TNW. Инструмент делает клипы до 15 секунд под готовую песню, лирик-видео и обложки альбомов. Клип идёт по структуре трека, подхватывает слова и синхронизирует губы. Начать можно с персонажа Suno или со своей картинки, потом клип продлевается и правится текстом. Веб-версия работает сразу, приложения для iOS и Android по данным TNW появятся в ближайшие недели. Кредиты под Visuals отдельные. Фильтры блокируют запросы с внешностью артистов, публичных людей и защищённых персонажей, на файлах лежат скрытые водяные знаки.

Почему это важно: клип под трек перестал быть отдельным проектом. Музыка уже собрана в Suno, и видео к ней делается в том же окне, без переноса аудио и ручной сверки бита.

04

Apple FastFrames: две открытые модели текста в видео

17 ноября ReelStack разобрал FastFrames, исследовательские модели Apple для генерации видео по тексту. Их две: на 1,3 млрд и 14 млрд параметров. Авторы заявляют около 36 мс на кадр у младшей модели на одном B200 и около 45 мс у старшей на восьми B200, выход 480p. Лицензия разрешает только исследования, коммерческое использование запрещено. FastFrames разобрали в отдельном тексте.

Почему это важно: доли секунды на кадр показывают, куда идёт цена генерации. Когда такой темп доходит до рабочего инструмента, прогон десяти вариантов перестаёт быть отдельной сменой.

05

Kling Image 4.0 и Pika Enact: картинки 8K и монтаж мышью

18 ноября Kling выпустила Image 4.0, до этого модель жила в тизере. Она работает в Kling Creative Studio и по API, отдаёт нативные 8K, держит до 2000 знаков текста на картинке и делает до 10 согласованных картинок за один запрос.

Pika показала Enact, исследовательское превью на Pika H3 Flex. Приложение отдаёт видео и звук кусками короче секунды, актёров и камеру двигают мышью, реплики задаются там же. Потребителям доступ закрыт, заявки принимают от предприятий. Подробности в отдельных статьях.

Почему это важно: картинка на 8K годится и в постер, и в кадр под ролик, а монтаж мышью сокращает путь от раскадровки до аниматика.

06

ИИ видео новости: ролик собирается кодом

17 ноября OpenDesign выложила OpenMotion версии 0.1.0 под Apache-2.0. Агент берёт референс-ролик или ссылку и пересобирает его в редактируемый HTML с вашим брендом: правка идёт на таймлайне, на выходе MP4. Файл MOTION.md описывает порядок шотов и тайминги, в набор входит больше 300 описаний.

В тот же день Kaggle вместе с HeyGen и HyperFrames открыл Code2Video Arena. Две модели получают один бриф и пишут код моушн-графики, зрители голосуют вслепую. На старте первое место заняла Gemini 4 Carbon, следом шли Claude Opus 5.5 и GPT-6 Astra, об этом написал AlphaSignal.

Почему это важно: арена меряет умение собрать графику по брифу, и качество самого кадра здесь второстепенно. Здесь у навыка появился публичный счёт.

07

ZONOS3-Mini и Diffusion-UI: голос на телефоне и интерфейс из пикселей

9 ноября Zyphra выпустила ZONOS3-Mini под Apache 2.0. Открытая модель озвучки держит 100 млн активных параметров при 886 млн всего, клонирует голос по образцу и работает на телефоне, ноутбуке и в браузере. В API миллион байт текста стоит 10 $ (около 840 ₽).

17 ноября Runway Labs в X показала Diffusion-UI, исследовательское приложение, где каждый пиксель интерфейса рисует модель в реальном времени. Это ранний взгляд, обещать продукт рано.

Почему это важно: голос на ноутбуке без сервера убирает один платный облачный шаг в мелких проектах.

08

Что новости нейросетей для видео меняют в работе

За сутки вышли десять релизов, и бьют они в разные звенья конвейера. Avatar 6 и ZONOS3-Mini закрывают говорящую голову: контекст и голос стали точнее и дешевле. Omni 1.2 Flash и Suno Visuals сокращают путь от текста и трека до клипа. FastFrames, Code2Video Arena и OpenMotion показывают, как ролик собирается кодом и как быстро считается кадр. Kling Image 4.0, Pika Enact и Diffusion-UI двигают подготовку и сам интерфейс.

Такой обзор нейросетей для генерации видео полезно примерять к своим задачам. Возьмите сцену, которую уже делали, и прогоните её на Avatar 6 и на Omni 1.2 Flash: разница в мимике и цене секунды видна на одном материале. Тот же сдвиг показал вчерашний выпуск про Higgsfield, Seedance и HeyGen: верхняя часть таблицы меняется за сутки, а цена и проверка человеком держатся дольше.

Для клиентской работы расклад такой. Там, где нужен финальный кадр и точная мимика, дешевле сразу делать нормально: ручные ролики идут от 16 000 ₽ за готовый ролик. Поток, где видео нейросетями работает партиями, держится на другом расчёте, до 0,10 ₽ за просмотр. Новая пачка моделей экономит именно черновики, а вертикальная реклама собирается серией версий.

Смежные материалы: тизер Kling Image 4.0.

частые вопросы

01Сколько стоит секунда Gemini Omni 1.2 Flash
От 0,07 $ за секунду в 720p, это около 5,9 ₽, и на 30% дешевле Omni 1.1 Flash. Черновики идут в 360p или 720p, а выбранный кадр поднимается до 1080p или до 4K.
02Чем Avatar 6 отличается от прежних аватаров HeyGen
Окно контекста выросло примерно с 3 до 30 секунд, выход нативный 2K, губы синхронизируются точнее. Аватар собирается примерно из 30 секунд видео.
03Suno Visuals делает клип на всю песню
Нет, клип идёт до 15 секунд и следует структуре трека. Дальше его продлевают и правят текстом, а фильтры блокируют запросы с внешностью артистов и публичных людей.
04Можно ли использовать Apple FastFrames в рекламе
Нельзя. Лицензия разрешает только исследования, коммерческое использование закрыто, выход у моделей 480p.
05ZONOS3-Mini запустится на обычном ноутбуке
Да, модель рассчитана на телефон, ноутбук и браузер: у неё 100 млн активных параметров при 886 млн всего. Голос клонируется по образцу, в API миллион байт текста стоит 10 $.