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.

Движок	Длительность одной генерации	Разрешение
Veo 3.1	4, 6 или 8 секунд (для 1080p, 4K и работы с референсами только 8)	720p, 1080p, 4K
Sora 2 и Sora 2 Pro	16 или 20 секунд	720p, 1080p только у Pro
Kling Video 3.0	от 3 до 15 секунд	720p, 1080p
Seedance 2.0	от 4 до 15 секунд либо auto	480p, 720p, 1080p
Seedance 2.5	до 30 секунд за проход	вендор не опубликовал
MiniMax H3 (Hailuo 3)	от 4 до 15 секунд, только целые	768P, 2K
PixVerse V6	от 1 до 15 секунд	360p, 540p, 720p, 1080p

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:

Модель	Цена за секунду	Источник
Veo 3.1	0,40 доллара за 720p и 1080p, 0,60 доллара за 4K	прайс Gemini API
Veo 3.1 Fast	0,10 доллара за 720p, 0,12 за 1080p, 0,30 за 4K	прайс Gemini API
Veo 3.1 Lite	0,05 доллара за 720p, 0,08 за 1080p, 4K нет	прайс Gemini API
Sora 2	0,10 доллара за секунду в 720p	docs OpenAI
Seedance 2.0	0,3034 доллара за 720p, 0,2419 за 720p fast, 0,682 за 1080p	карточка модели на fal
Runway Gen-4.5	12 кредитов за секунду, кредит стоит 0,01 доллара	прайс Runway API

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.