Что такое image-to-video
Есть два способа получить видео от нейросети. Первый, text-to-video: вы описываете сцену словами, и модель придумывает её с нуля. Второй, image-to-video: вы даёте готовое изображение, и модель достраивает от него движение.
Второй способ почти всегда даёт более предсказуемый результат, и вот почему. Когда вы описываете кадр словами, модель сама решает, как выглядят люди, свет, обстановка. Когда вы даёте фотографию, всё это уже задано. Ей остаётся только придумать, что будет через секунду.
Отсюда следует главное правило.
Правило: описывайте движение, а не картинку
Самая частая ошибка выглядит так. Человек загружает фото девушки в кафе и пишет промпт: «девушка с тёмными волосами сидит в кафе за столиком, на столе чашка кофе, тёплый свет».
Модель это уже видит. Вы только что пересказали ей содержимое картинки и не сказали ничего полезного.
Правильный промпт описывает то, чего на фото нет: движение.
Девушка медленно поднимает чашку и делает глоток, пар поднимается вверх, за окном проезжает машина, камера медленно наезжает.
Всё. Внешность, свет и обстановка берутся из фотографии. Ваше дело сказать, что оживает.
Более того, описание внешности при наличии фото вредит: текст начинает конфликтовать с картинкой, и модель ищет компромисс между тем, что видит, и тем, что читает. В результате лицо уплывает.
Как задавать движение
Движение в кадре бывает двух типов, и описывать нужно оба.
Что двигается в сцене. Волосы на ветру, пар над чашкой, листва, вода, дым, моргание, лёгкий поворот головы, движение руки.
Что делает камера. Тут работает язык кинематографистов, и модели его понимают:
- медленный наезд (dolly in),
- отъезд (dolly out),
- проезд вбок (truck),
- панорама с поворотом (pan),
- облёт вокруг объекта (orbit),
- подъём камеры (crane up).
Комбинация «мягкое движение в сцене плюс медленное движение камеры» почти всегда выглядит хорошо. Комбинация «резкое движение объекта плюс быстрая камера» почти всегда разваливается.
Правило меньшего движения
Чем больше вы просите, тем выше шанс, что модель сломает изображение.
Просите минимум. Один поворот головы вместо разворота всего тела. Моргание вместо смены выражения лица. Медленный наезд вместо облёта. Скромное движение на статичном красивом кадре выглядит дороже, чем размашистое движение с поехавшей анатомией.
Если один и тот же герой должен появляться в нескольких роликах, вам понадобится консистентность персонажа. Особенно это касается людей. Лицо это то, где мозг зрителя замечает малейшую фальшь. Пять секунд, где человек просто дышит и моргает, работают. Пять секунд, где он встаёт и идёт, чаще всего нет.
Отдельный случай: старые семейные фотографии
Один из самых частых и самых трогательных сценариев. Работает, но требует подготовки.
Сначала почините снимок. Модель считывает ровно то, что видит. Если на исходнике царапины, зерно и размытое лицо, на видео вы получите движущиеся царапины и плывущее лицо. Перед оживлением стоит прогнать фото через модель редактирования: убрать повреждения, поднять резкость, при необходимости увеличить разрешение.
Просите минимальное движение. Лёгкая улыбка, моргание, едва заметный поворот головы, очень медленный наезд камеры. Не просите человека встать, повернуться или заговорить.
Будьте готовы к отбраковке. Лица на старых фото чаще всего мелкие и нечёткие, поэтому попыток понадобится больше обычного. Гоняйте черновики в низком разрешении.
И честное предупреждение. Результат почти всегда получается похожим, но не идентичным. Это не ваш дедушка, это нейросетевая интерпретация его фотографии. Для многих это трогательно, для кого-то тревожно. Стоит понимать заранее.
Почему модель может просто отказать
Отдельная ситуация, которая застаёт врасплох: вы загружаете фото человека, жмёте генерацию и получаете отказ.
Это не сбой. Это фильтр модерации. Разработчики моделей боятся, что их инструментом будут делать дипфейки, поэтому встраивают защиту, которая срабатывает на реалистичные фотографии людей. Проверить, ваша это фотография или чужая, модель не может, поэтому отказывает на всякий случай.
Политики у разработчиков разные, и это ключевой момент. Например, у Seedance 2.0 в описании прямо сказано, что она не подходит для фотографий реальных людей: модель отлично оживляет предметы, животных и сгенерированных персонажей, но на живом лице упрётся в фильтр. При этом та же фотография может спокойно пройти в Veo, Kling или Hailuo.
Что делать:
- Смените модель. Самое простое и самое рабочее. Отказ у одной не означает отказ у всех.
- Не обходите фильтр. Переформулировки в духе «это не настоящий человек» не работают и рискуют блокировкой аккаунта.
- Уберите триггеры из промпта. Иногда отказ вызывает не фото, а формулировка: упоминания имён, знаменитостей, речи.
Именно поэтому доступ к нескольким моделям в одном окне экономит время: не нужно заводить пять аккаунтов, чтобы выяснить, какая согласится.
Какую модель выбрать
Цены на КАДР, ролик 6 секунд, 1080p, звук выключен, июль 2026.
| Модель | Цена, руб. | Сильная сторона |
|---|---|---|
| Google Veo 3.1 Lite | 46 | самая дешёвая, для черновиков и простых сцен |
| Seedance 1.5 Pro | 55 | мягкое движение, портреты, массовые прогоны |
| Google Veo 3.1 Fast | 92 | хорошее качество за небольшие деньги |
| Kling Video O1 | 142 | выраженное движение камеры |
| Kling v3.0 Pro | 142 | люди, сложная динамика |
| Seedance 2.0 | 324 | флагман, стабильный персонаж, до 4K |
Не является публичной офертой.
Развёрнутый расчёт стоимости по всем моделям есть в статье сколько стоит минута AI-видео. Универсального лидера нет. Если оживляете портрет с мягким движением, начните с линейки Seedance. Если нужен эффектный облёт камеры, пробуйте Kling. Если просто экспериментируете, берите Veo 3.1 Lite и не жалейте попыток.
Где сэкономить
Разрешение. Тот же ролик на Seedance 2.0 стоит 65 рублей в 480p и 324 рубля в 1080p. Пятикратная разница. Подбирайте движение в низком разрешении, финал делайте в высоком.
Звук. Если человек на фото не говорит, звук из модели вам не нужен, а он удваивает цену. Выключайте.
Длительность. Начинайте с коротких роликов. Если движение не работает на 5 секундах, на 10 оно не станет лучше, только дороже.
Пять ошибок
- Пересказ фотографии в промпте. Модель видит картинку. Описывайте движение, а не содержимое.
- Слишком много движения. Чем сильнее движение, тем выше шанс, что анатомия поедет.
- Плохой исходник. Размытое или мелкое лицо на входе означает поехавшее лицо на выходе.
- Описание внешности при наличии фото. Текст конфликтует с изображением, получается третий человек.
- Финальное качество с первой попытки. Вы платите впятеро дороже за проверку идеи.
Коротко
Оживление фото это режим image-to-video: фотография как стартовый кадр плюс текстовое описание движения. Не пересказывайте картинку, описывайте только то, что должно двигаться, и просите минимум. Черновики гоняйте в 480p на дешёвой модели, звук выключайте, если никто не говорит.
Для старых семейных снимков сначала почините исходник, потом оживляйте, и просите совсем немного движения.
