Полное руководство по AI-видеопроизводству. Часть 2

Статус Что означает Как планировать Нативно Заявлено в выбранном model / mode. Слово «нативно» здесь описывает способ предоставления функции, не качество результата. Сначала подтвердить доступ exact route, затем проверить output на критериях проекта. Условно Reference-driven или ограниченный способ управления; пределы раскрываются в паспорте ниже. Нужен ранний тест на конкретном материале; не обещать результат без дублей. Отдельный режим В экосистеме есть инструмент, но это не та же самая генерация. Учитывать дополнительный проход, стоимость и возможный drift. Не заявлено В указанном источнике не найден отдельный контракт. Это граница изученных документов, а не доказательство отсутствия функции во всей экосистеме. Использовать монтаж или другую модель; случайный успех не считать гарантией.

Отдельно храните evidence: source URL / date / claim; access check exact interface / region; actual test inputs / settings / media / verdict. Все таблицы ниже — documentary map, не выполненные нами генерации. Статус документа не переносится автоматически на account availability или качество.

Главные оси выбора

• Источник сцены: текст, стартовый кадр, пара start/end, пакет референсов или готовое видео.

• Что нельзя потерять: лицо, продукт, костюм, голос, хореографию, географию или свет.

• Единица управления: один шот, несколько шотов, временной диапазон или локальная правка.

• Количество героев и необходимость связать каждую реплику с конкретным персонажем.

• Роль звука: черновая атмосфера, точный диалог, музыкальный ритм или финальная дорожка.

• Цена ошибки: можно ли перегенерировать весь клип или нужно менять только один участок.

• Хронометраж: чем длиннее генерация, тем выше требования к continuity и причинности.

Модель выбирают не один раз

В одном ролике выбор может происходить для каждого шота. Общий план строится в модели с сильным миром и камерой; крупный диалог — в системе с устойчивой речью и персонажами; сложная пластика — через motion reference; локальная замена продукта — в модели редактирования; финальная синхронизация ведущего — в аватарной системе. Такая маршрутизация не является компромиссом. Это нормальная режиссёрская работа с разными производственными инструментами.

2.2 Сводная карта возможностей

Краткие обозначения в таблицах описывают заявленную функцию или route. Для всех строк actual access и собственный benchmark в этой главе не установлены. «Да», «поддерживается» и «нативное моделирование» не являются дополнительными оценками качества. Документальный scope и ограничения раскрываются в паспортах; устойчивость проверяется на media.

Базовые режимы генерации

Модель T2V I2V R2V V2V Start/End Wan 3.0 Нативно Нативно Нативно Нативно: reference/edit Нативно Seedance 2.5 Нативно Reference images; first-frame контракт не установлен Нативно Нативно: reference/edit Не выделено отдельно Kling 3.0 Нативно Нативно Условно: elements Отдельные режимы Нативно Kling 3.0 Omni Нативно Нативно Нативно Условно: reference Нативно MiniMax H3 Нативно Нативно Нативно Reference transfer/edit; scope проверить Нативно

Персонажи и референсы

Модель Персонажи Несколько Video ref Motion ref Audio ref Wan 3.0 Да: image/video Да, с именованием Нативно Нативно Нативно Seedance 2.5 Да Да, включая группы Нативно Нативно Нативно Kling 3.0 Elements Coreference 3+ Ограниченно Motion Control Ограниченно Kling 3.0 Omni Elements 3.0 Да Нативно Отдельный Motion Control Voice Control MiniMax H3 Reference image/video Условно Нативно Нативно Нативно

Звук, последовательность и изменения

Модель Lip-sync Native audio Multi-shot Продолжение Редактирование Wan 3.0 Нативно/аудиореф. Да Да, с таймкодами Да: вперёд/назад Да, включая диалог Seedance 2.5 Да, проверять речь Да Да, до 30 с Многораундовое Да, по таймкодам Kling 3.0 Да Да Auto/Custom Отдельный Extend Отдельные инструменты Kling 3.0 Omni Да + voice bind Да Да Отдельный Extend Условно MiniMax H3 Условно по audio ref Стерео Заявлено multi-shot modeling Не заявлено отдельно Да, generalized edit

Практический вывод: таблица отвечает только на вопрос «какой тип управления доступен». Она не предсказывает качество конкретной сцены. Сложный контакт рук, драка, танец двух людей, прозрачные объекты, мелкий текст и быстрые пересечения тел нужно проверять отдельным тестом независимо от выбранной модели.

2.3 Wan 3.0: универсальный производственный контур

Wan 3.0 удобнее всего понимать как All-in-One модель, которая принимает текст, изображения, видео, аудио, документы и публичные ссылки, а затем маршрутизирует задачу по типу входа и формулировке намерения. В актуальной документации для wan3.0-video заявлены ролики от 2 до 30 секунд, 30 кадров в секунду, 480P/720P/1080P, нативные диалоги, музыка и эффекты, до двадцати мультимодальных материалов, редактирование и продолжение.

Project timebase книги — 24/1; документированный Wan output 30 fps сохраняется как actual source metadata. Conform к 24/1 должен явно описывать resampling или retime: простая reinterpretation меняет wall-clock duration и sync. Generated duration, planned duration и edit runtime различаются; AS/VER derivative хранит transform и lineage.

Сильная сторона такой архитектуры — меньше переключений между отдельными model ID. Ограничение — не все входы можно смешивать произвольно. Например, режим first/last frame взаимоисключается с reference image/video/audio в одном запросе. Поэтому режиссёр сначала выбирает тип операции, а уже потом собирает пакет материалов.

Паспорт возможностей Wan 3.0

Функция Статус Режиссёрское применение Text → Video Нативно Single / multi-shot из текста. Разметка по 4–6 s — пример рекомендации guide, не обязательная длительность shot. Image → Video Нативно Вход first frame задаёт стартовое изображение; фактическое сохранение деталей проверяется в output. Reference → Video Нативно До 10 изображений, 5 видео и 5 аудио; общий лимит — 20 материалов с учётом файла/ссылки. Video → Video Нативно Видео может быть движением, камерой, стилем, исходником редактирования или основой продолжения. Start/End Frame Нативно First frame или пара first/last в соответствующем mode. Желаемые состояния не гарантируют правильную траекторию между ними. Персонажи Нативно Лицо, костюм и голос можно задавать разными материалами и связывать в тексте. Несколько персонажей Поддерживается В production используются отдельные CHAR IDs и REF bindings. Image 1 / Video 1 — локальные слоты интерфейса, Character A/B — labels промпта. Compiler сопоставляет их с entity IDs; label не становится глобальным идентификатором. Video reference Нативно До 5 клипов общей длительностью до 15 секунд. Motion reference Нативно Модель может повторять движение камеры или хореографию из референсного видео. Audio reference Нативно До 5 аудиофайлов общей длительностью до 15 секунд. Lip-sync Нативно/условно Аудио может задавать голос и артикуляцию; точность проверяется на языке и крупности. Native audio Нативно Диалог, атмосфера, звуковые эффекты и BGM создаются вместе с изображением. Multi-shot Нативно Многоплановый сценарий с временной разметкой внутри 30 секунд. Продолжение сцены Нативно Заявлены backward / forward extension. Длительность запроса и итогового assembled edit различаются; лимит конкретной операции сверяется с guide до расчёта общего runtime. Редактирование Нативно Добавление, удаление и замена объектов, стиль, свет и даже содержание реплики.

Когда выбирать Wan 3.0

• Нужен ролик до 30 секунд с несколькими шотами, звуком и единой задачей.

• Проект содержит смешанный reference pack: персонаж, объект, движение камеры, голос и стиль.

• Планируется серия итераций: генерация, локальная правка, смена диалога, затем продолжение.

• Нужно превратить документ, презентацию или публичную страницу в основу видеосцены.

• Нужно управлять длительностью автоматически или выбирать её в диапазоне 2–30 секунд.

Сильные сценарии

Wan 3.0 особенно логичен для рекламных и объясняющих мини-сюжетов, где важно пройти путь от brief до готовой аудиовизуальной сцены в одном контуре. Он также полезен для многокомпонентных референсных задач: один материал фиксирует героя, второй — продукт, третий — движение камеры, аудио — голос или музыкальный темп. Возможность изменять диалог и освещение без полного пересоздания делает модель интересной для поздних клиентских правок.

Слабые сценарии и риски

• Большое число входов не гарантирует, что модель одинаково строго выполнит каждый. Нужна иерархия: обязательное, желательное, допустимое.

• First/last frame нельзя в том же запросе свободно смешивать с референсным пакетом. Иногда потребуется два прохода.

• Длинная многоплановая сцена повышает риск drift персонажа, реквизита и пространственной логики.

• Редактирование естественным языком может изменить больше, чем было запрошено; сравнивайте исходник и результат покадрово.

• Региональные model ID, API-ключи и доступность функций нужно проверять до расчёта сметы.

Рабочая схема

1. Определить режим. T2V, first frame, start/end, reference, edit или extension. Не начинать со списка файлов.

2. Назначить роли материалам. Image 1 — лицо; Image 2 — продукт; Video 1 — камера; Audio 1 — голос.

3. Разметить время. Для multi-shot записать интервалы и одно основное событие на каждый отрезок.

4. Сделать короткий тест. Проверить самый рискованный контакт, реплику или движение до генерации тридцатисекундной версии.

5. Сравнить edit с повторной генерацией. Выбрать минимальный доступный scope; проверить незапрошенные области, sync и timing. Локальная правка не гарантирует меньшую стоимость или сохранность.

2.4 Seedance 2.5: длинная сцена и насыщенный reference pack

Анонс ByteDance от 31 июля 2026 года заявляет до 30 s joint audio-video за pass, связанные shots, multi-round extension и до 30 images / 10 videos / 10 audio. Название one-take creation здесь относится к созданию за проход: output с несколькими shots не является непрерывным one-take в монтажном смысле.

Для режиссёра это не просто большой лимит файлов. Это возможность передать модели целую систему постановки: визуальный мир, исполнителей, предметы, движение, звуковую ткань и порядок событий. Seedance 2.5 особенно полезен, когда задача не укладывается в один стартовый кадр и требует нескольких сценических компонентов.

Паспорт возможностей Seedance 2.5

Функция Статус Режиссёрское применение Text → Video Нативно Длинная сцена или мини-история до 30 секунд с синхронным звуком. Image → Video Заявлены image references Изображения задают персонажей, предметы, свет и композицию. Из этого не следует отдельный first-frame pixel lock; его контракт в рассмотренном анонсе не установлен. Reference → Video Нативно До 50 материалов: 30 изображений, 10 видео и 10 аудио. Video → Video Нативно/условно Видео используется как движение, камера, структура, clay render или объект reference-based editing. Start/End Frame Не выделено отдельно В публичном анонсе нет отдельного контракта пары кадров; не строить критичный переход без теста. Персонажи Нативно Заявлена сохранность внешности и голоса через shots; это критерий actual проверки, а не гарантия для каждого материала. Несколько персонажей Нативно Заявлена стабильность нескольких субъектов и group storytelling. Video reference Нативно До 10 референсных клипов. Motion reference Нативно Перенос движения, камеры и траектории действия. Audio reference Нативно До 10 аудиоклипов для голоса, музыки, ритма и атмосферы. Lip-sync Поддерживается Модель связывает речь, голос и героя; крупные реплики требуют контроля артикуляции. Native audio Нативно Видео и звук создаются совместно. Multi-shot Нативно Несколько связанных планов внутри 30 секунд с развитием и завершением события. Продолжение сцены Нативно Анонс заявляет multi-round extension; накопление drift и assembled runtime проверяются после каждого прохода. Редактирование Нативно Правки по таймкодам, green screen, перспектива камеры и reference-based editing.

Когда выбирать Seedance 2.5

• Нужно удержать много персонажей, предметов, локаций и аудиореференсов в одном творческом контексте.

• Сцена должна развиваться до 30 секунд и включать смены планов, а не одно движение.

• Нужно продолжать материал в несколько раундов, сохраняя общий аудиовизуальный язык.

• Важна правка конкретного временного интервала, а не полная перегенерация.

• Референс задаёт не только вид, но и камеру, движение, сборочную последовательность или пространственные отношения.

Сильные сценарии

Seedance 2.5 хорошо соответствует сценам с насыщенной режиссёрской документацией: концерт, групповая история, автомобильная сборка, сложная рекламная последовательность, переход между несколькими пространствами. Модель удобна там, где reference pack похож на маленький production bible, а не на одно изображение. Timestamp-level editing делает её подходящей для итераций после первого длинного прохода.

Слабые сценарии и риски

• ByteDance прямо указывает, что физическая правдоподобность сложных движений и взаимодействия нескольких субъектов ещё требуют улучшения.

• Большой reference pack легко становится противоречивым. Дублирующиеся лица, разные костюмы и несовместимый свет снижают контроль.

• Многораундовое продолжение не отменяет накопление drift. После каждого extension нужен continuity review.

• Автоматическая организация истории может создать красивую, но не функциональную смену планов. Режиссёр должен заранее определить beats.

• В анонсе API обозначен как coming soon на дату публикации. Это не подтверждает статус API на 8 октября: текущие endpoint, account и регион требуют отдельной проверки.

Как собирать reference pack для Seedance

Группа Содержимое Правило Identity Лица, фигуры, костюмы, предметы Не смешивать несовместимые версии одного героя. World Локации, свет, палитра, материалы Выбрать один доминирующий визуальный язык. Motion Пластика, трюк, камера, монтажный ритм Подписать, что именно брать из каждого видео. Audio Голос, музыка, атмосфера, акцент Указать героя и временную функцию каждого файла. Structure Storyboard, clay render, сборочная схема Отделить геометрию и порядок действий от финального стиля.

2.5 Kling VIDEO 3.0 и 3.0 Omni: раскадровка или референс

Линейка Kling 3.0 разделяет два подхода. VIDEO 3.0 ориентирован на prompt-led постановку: автор описывает сцену, диалог, покрытие, крупности и движение камеры. VIDEO 3.0 Omni ориентирован на reference-driven производство: персонаж, продукт, сцена, видеоэлемент и голос становятся объектами, которые модель должна удерживать между шотами.

Обе версии поддерживают нативное аудио, multi-shot и хронометраж до 15 секунд. Но режиссёрский выбор между ними делается не по общему качеству. Если центр задания — написанная структура сцены, логичен VIDEO 3.0. Если центр задания — конкретная идентичность, продукт или голос, логичен VIDEO 3.0 Omni.

Kling VIDEO 3.0: паспорт возможностей

Функция Статус Режиссёрское применение Text → Video Нативно Prompt-led сцены с диалогом, покрытием и сменой планов. Image → Video Нативно Оживление стартового изображения с усиленным удержанием субъекта. Reference → Video Условно Start frame + Element Reference, multi-image references; сложные video elements сильнее в Omni. Video → Video Отдельные режимы Motion Control и AI Video Editor, а не основной T2V-контракт. Start/End Frame Нативно Пара кадров задаёт начало и конец перехода. Персонажи Нативно Element и subject binding удерживают черты героя. Несколько персонажей Нативно Multi-Character Coreference заявлен для трёх и более героев. Video reference Ограниченно Видео может использоваться как element; reference-first задачи лучше направлять в Omni. Motion reference Отдельный режим Kling VIDEO 3.0 Motion Control переносит движение и выражение лица. Audio reference Ограниченно Основной режим сильнее в генерации звука по тексту; voice binding относится к Omni. Lip-sync Нативно Многоязычный диалог, акценты и связь реплики с говорящим. Native audio Нативно Речь, атмосфера и эффекты создаются вместе с видео. Multi-shot Нативно Auto Multi-Shot и Custom Multi-Shot. Продолжение сцены Отдельный Extend Продолжение доступно в экосистеме, но это отдельная операция. Редактирование Отдельные инструменты Не путать генерацию 3.0 с специализированным редактированием.