Нейросеть для генерации видео: как модели собирают ролик

Запрос «нейросеть для генерации видео» означает одно: получить движущийся кадр из текста или из картинки, а не смонтировать уже снятый материал. Это два разных класса инструментов. Генеративный движок собирает пиксели с нуля и считает лимиты в секундах, монтажный сервис работает с готовым файлом и считает лимиты в минутах загрузки.

Ниже разобрано, как устроена генерация, где у неё технический потолок, чем text-to-video отличается от image-to-video и сколько стоит секунда у шести движков. Цифры взяты из документации вендоров и проверены в августе 2026 года: тарифы и лимиты здесь переписываются раз в несколько месяцев.

Как нейросеть для генерации видео строит кадр

Видеогенератор не рисует кадры по одному и не «дорисовывает следующий». Ролик собирается целиком, одной сценой, в сжатом латентном представлении: кодировщик превращает будущее видео в последовательность пространственно-временных токенов, диффузионный трансформер восстанавливает её из шума за один проход, декодер разворачивает результат в пиксели. Поэтому движение внутри одной генерации выглядит связным, а на стыке двух генераций почти всегда видна склейка.

Насколько критично сжатие, видно по официальному описанию MiniMax H3: кодировщик H3-VAE дал четырёхкратный выигрыш по эффективной длине последовательности, а мультимодальный вход объёмом порядка 100 тысяч токенов ужимается примерно до 4 тысяч перед генерацией. Аудио в этой архитектуре генерируется не отдельным проходом, а совместно с изображением.

Отсюда главный предел технологии: внимание по всем токенам сразу стоит дорого, и вендоры жёстко ограничивают длительность одной непрерывной генерации. Разброс на август 2026 года такой.

Ролик длиннее собирается продлением, а не одной генерацией. Veo 3.1 продлевает собственное видео шагами по 7 секунд, до 20 раз; на вход принимается только ролик самой Veo не длиннее 141 секунды, только в 720p и только в соотношении 9:16 или 16:9, на выходе получается до 148 секунд. У Sora 2 продление добавляет до 20 секунд за операцию, максимум шесть операций, то есть 120 секунд суммарно. Ни один из этих маршрутов не даёт непрерывной сцены: модель сшивает новый фрагмент по последнему кадру предыдущего, и расхождения в свете и фактуре накапливаются.

Text-to-video и image-to-video: разница на практике

Text-to-video получает только текст и сам придумывает композицию, типаж, свет и ракурс. Image-to-video получает готовый кадр и анимирует именно его. Оба маршрута поддерживают все шесть движков, но набор входов у них разный.

• Veo 3.1 берёт одно изображение как первый кадр. Отдельно можно передать до трёх референсных изображений: модель сохраняет внешность объекта в выходном видео. Ограничение, которое ломает планы: с референсами доступна только длительность 8 секунд.
• Kling Video 3.0 принимает стартовый кадр и опционально конечный, то есть маршрут движения задаётся двумя точками, а не описанием.
• Seedance 2.5 принимает в одну генерацию до 30 изображений, до 10 видеофрагментов и до 10 аудиодорожек как референсы, и удерживает внешность и голоса нескольких персонажей при продлении.

Старт из картинки снимает половину споров с моделью: композиция, типаж, брендовые цвета и надписи фиксируются заранее, а видеомодели остаётся только движение. Text-to-video честнее использовать на этапе поиска идеи, пока результат ни с кем не согласован.

6 движков генерации: Sora, Veo, Kling, Seedance, Hailuo, PixVerse

Sora 2. Единственный движок в шестёрке, который снимается с эксплуатации. На странице депрекаций OpenAI указано: 24 марта 2026 года разработчиков уведомили об удалении Videos API и моделей sora-2, sora-2-pro и их снапшотов из API 24 сентября 2026 года, замена не предложена. Пока модель работает, цена составляет 0,10 доллара за секунду для 720×1280 и 1280×720 и от 0,30 до 0,70 доллара у sora-2-pro. Закладывать Sora в производственный процесс осенью 2026 года смысла нет.

Veo 3.1. Единственный из шестёрки с 4K и с открыто опубликованной посекундной ценой. Звук генерируется нативно, соотношения сторон только 16:9 и 9:16, готовое видео хранится на сервере два дня. Все ролики помечаются водяным знаком SynthID.

Kling Video 3.0. От 3 до 15 секунд за генерацию, два режима: с нативным аудио и без него, оба в 720p и 1080p. Липсинк доступен в text-to-video и image-to-video, но в документации оговорено, что аудио лучше всего отрабатывает на английском и китайском. Тарифы Kling считаются в кредитах и меняются чаще документации, актуальную сетку смотрите на сайте вендора.

Seedance. Версия 2.0 даёт от 4 до 15 секунд, разрешения 480p, 720p и 1080p и аудио, включённое по умолчанию. Версия 2.5 вышла 31 июля 2026 года и подняла потолок до 30 секунд за генерацию с многократным продлением.

MiniMax H3 (Hailuo 3). Вышел в один день с Seedance 2.5, 31 июля 2026 года. По документации платформы длительность задаётся целым числом от 4 до 15 секунд, разрешения 768P и 2K. Предыдущая Hailuo 2.3 умела 6 или 10 секунд, причём 1080p только на шести.

PixVerse V6. Самый гибкий по формату: от 1 до 15 секунд, четыре ступени качества (360, 540, 720, 1080), восемь соотношений сторон, включая 21:9 и 2:3, промпт до 5000 символов. Звук включается флагом generate_audio_switch, и это видно в цене: от 5 до 18 кредитов за секунду без аудио и от 7 до 23 с аудио.

Посекундные цены, которые вендоры публикуют открыто:

Деталь из прайса Gemini API: списание идёт только за успешно сгенерированное видео.

Звук, речь и липсинк

Нативная дорожка есть у Veo 3.1, Sora 2, Kling 3.0 в режиме Native Audio, Seedance 2.0 (аудио включено по умолчанию) и MiniMax H3, который генерирует стерео совместно с изображением. У PixVerse V6 звук опциональный и оплачивается отдельной ставкой, у Runway это отдельная позиция прайса: seed_audio от 0,25 кредита за секунду.

Управлять звуком в Veo нужно прямо в промпте, и синтаксис строгий. По гайду Google Cloud: прямая речь в кавычках, звуковые эффекты меткой SFX, фоновый шум меткой Ambient noise. Если не указать ничего, модель придумает звук сама, и чаще всего это будет ненужная фоновая музыка.

Слабое место всех нативных дорожек это русская речь. Kling описывает липсинк как лучше работающий на английском и китайском, остальные вендоры язык в спецификациях не гарантируют вовсе. Рабочая схема для русскоязычного ролика: генерировать видео без диалогов, писать озвучку отдельно, нативный звук оставлять только на атмосферу и шумы.

Промпт для видео: чем отличается от промпта для картинки

Промпт для изображения описывает состояние, промпт для видео обязан описывать изменение состояния, иначе модель придумает движение сама. Google предлагает пятичастную формулу: Cinematography + Subject + Action + Context + Style & Ambiance, то есть камера, объект, действие, окружение, стиль и атмосфера.

Типичный неудачный промпт:

«красивая девушка идёт по городу, кинематографично, 4k, лучшее качество»

Здесь нет ни одного из пяти блоков: камера не задана, действие описано одним глаголом, окружения нет, а «4k» и «лучшее качество» это параметры вывода, а не промпта. Переписанный вариант:

«Medium tracking shot, женщина в бежевом пальто, идёт вдоль витрин, вечерняя улица после дождя, отражения вывесок в мокром асфальте, неглубокая глубина резкости, плёночное зерно. Ambient noise: шум дождя и редкие шаги»

Четыре правила, которые следуют из документации, а не из вкуса:

1. Одно действие на генерацию. В 8 секунд Veo помещается одно движение объекта и одно движение камеры. Если нужна последовательность, используйте таймкоды: официальный гайд показывает разбивку промпта на отрезки вида [00:00-00:02], [00:02-00:04] и так далее.
2. Движение камеры называйте термином. Dolly, tracking, crane, slow pan, POV: модели обучены на этих словах, «красиво пролетает» термином не является.
3. Отрицания формулируйте утвердительно. Google советует писать «пустынный ландшафт без построек и дорог» вместо «без рукотворных сооружений»: модель хуже реагирует на отрицание, чем на описание нужного результата.
4. Не экономьте символы. Лимит промпта у PixVerse V6 составляет 5000 знаков, и при разумном описании сцены он не исчерпывается.

Где генерация ломается

Ограничения проще цитировать по самим разработчикам. ByteDance в анонсе Seedance 2.5 признаёт, что модели есть куда расти, особенно в части «physical plausibility of complex motions» и устойчивости сцен с несколькими взаимодействующими объектами. Это формулировка вендора о собственной свежей модели.

• Физика и сложные движения. Ломаются контакты: рукопожатие, передача предмета, шаг по лестнице, всё, где два объекта взаимодействуют согласованно.
• Мелкий текст в кадре. Проблема настолько известная, что MiniMax встроила в H3 механизм In-Context Regeneration: модель перегенерирует собственный результат низкого разрешения в контексте исходных данных, чтобы вытянуть мелкие надписи. Логотип на упаковке всё равно надёжнее подставлять на монтаже.
• Склейка между сценами. Продление у Veo 3.1 работает только в 720p, поэтому длинный ролик по определению собирается в качестве ниже, чем одиночная генерация в 1080p или 4K.
• Липсинк вне английского и китайского. Гарантий по русскому языку нет ни у одного вендора из шестёрки.
• Следы генерации и хранение. Каждое видео Veo помечается водяным знаком SynthID, это не опция. Сгенерированный файл лежит на сервере Gemini API два дня: не забрали, значит потеряли.

Из генерации в готовый ролик

Генерация даёт материал, а не ролик. Рабочий маршрут состоит из пяти шагов, и четыре из них к генеративным движкам отношения не имеют.

1. Генерация. Несколько дублей на сцену, промпт фиксируется в таблице вместе с seed, чтобы удачный кадр можно было повторить. У PixVerse seed принимает значения от 0 до 2147483647.
2. Отбор. Смотреть надо не первый кадр, а покадрово момент контакта и границы объектов: брак вылезает именно там.
3. Сборка. Здесь работают обычные редакторы. Runway помимо генерации отдаёт профессиональные форматы вывода: ProRes и последовательности PNG стоят дополнительные 5 кредитов за секунду, профили HDR добавляют 20 кредитов за секунду и 40, когда кадр больше 4 мегапикселей.
4. Озвучка. Для русского языка отдельной дорожкой: сервисы вроде Fliki закрывают связку текста, синтеза речи и субтитров в одном интерфейсе.
5. Субтитры и адаптация. Вертикальную версию проще получить не кадрированием, а повторной генерацией: и Veo, и PixVerse принимают 9:16 штатно.

Если нужен не разбор технологии, а выбор конкретного сервиса под бюджет, эта работа сделана отдельно: смотрите сравнение нейросетей для создания видео с разбором интерфейсов и тарифных планов.

Сколько это стоит по времени

Время одной генерации вендоры почти не публикуют. Исключение снова Google: в документации Veo указано, что генерация занимает от 11 секунд и до 6 минут в периоды пиковой нагрузки. Разброс в тридцать раз означает, что планировать работу по нижней границе нельзя.

Стоимость одной генерации считается из посекундной цены и длительности:

• 8 секунд Veo 3.1 в 1080p: 3,20 доллара за попытку, у версии Fast 0,96, у Lite 0,64.
• 15 секунд Seedance 2.0 в 1080p по прайсу fal: 10,23 доллара.
• 20 секунд Sora 2 в 720p: 2,00 доллара.

Дальше принято приводить красивую долю годных дублей. Мы такой цифры не публикуем: воспроизводимого замера, не зависящего от сцены, промпта и версии модели, у нас нет, а выдуманный процент стоит дороже отсутствующего. Считать бюджет корректнее так: стоимость ролика = цена одной генерации умножить на число попыток на сцену умножить на число сцен. Число попыток измеряется на пилоте из двух или трёх сцен и дальше работает как ваш собственный коэффициент.

Второй множитель, о котором забывают: тридцатисекундный ролик на Veo 3.1 это минимум четыре генерации по 8 секунд плюс дубли, а не одна операция. На Seedance 2.5 те же 30 секунд укладываются в один проход, и в этом весь практический смысл её потолка.

Частые вопросы

Какой длины ролик можно сгенерировать за один раз

От 1 до 30 секунд в зависимости от движка: Veo 3.1 даёт 4, 6 или 8 секунд, Kling 3.0 и MiniMax H3 до 15, Sora 2 фиксированные 16 или 20, Seedance 2.5 до 30. Дальше только продление: у Veo до 148 секунд суммарно, у Sora 2 до 120.

Работают ли эти движки из России

Gemini API, через который доступна Veo, работает в официальном списке поддерживаемых стран и территорий, там их более двухсот, и России в этом списке нет. Sora 2 доступна только в поддерживаемых OpenAI странах и в любом случае удаляется из API 24 сентября 2026 года. По Kling, Seedance, MiniMax и PixVerse прямого запрета на Россию в документации не заявлено, но оплата идёт через международные платёжные системы, поэтому вопрос упирается не в блокировку сервиса, а в способ оплаты.

Можно ли использовать сгенерированное видео коммерчески

Зависит от вендора, читать нужно его условия. У Runway формулировка прямая: компания не претендует на права на ваши входные и выходные материалы и не ограничивает их коммерческое использование. Там же оговорено, что вы даёте компании бессрочную неисключительную лицензию на использование этих материалов для обучения моделей. У других сервисов баланс этих двух пунктов отличается, проверять его нужно до запуска кампании.

Какое разрешение реально доступно

4K из шестёрки даёт только Veo 3.1 и только при длительности 8 секунд, причём версия Lite 4K не поддерживает вовсе. 2K есть у MiniMax H3. Остальные ограничены 1080p, и у части движков он доступен не на всех длительностях: у Hailuo 2.3 только на шестисекундных роликах, у PixVerse V6 на всём диапазоне до 15 секунд.

Нужен ли монтаж после генерации

Практически всегда. Непрерывная сцена ограничена десятками секунд, звук на русском накладывается отдельно, мелкий текст и логотипы надёжнее подставлять вручную, а вертикальную и горизонтальную версии собирают из одного набора дублей. Генерация закрывает съёмку, но не постпродакшн.