Полное руководство по AI-видеопроизводству. Часть 2

Custom Multi-Shot как режиссёрский интерфейс

Custom Multi-Shot: отдельные shot descriptions с duration, framing, viewpoint, action и camera. Таблица официального VIDEO 3.0 Multi-Shot guide от 28 July 2026 указывает до 6 shots для Auto и Custom; проверено 8 October 2026. Этот лимит относится к описанной версии и режиму; доступные карточки и account access проверяются в exact UI.

Поле шота Что задаёт режиссёр Типичная ошибка Duration Сколько времени зритель получает на действие и реакцию. Давать каждому шоту одинаковую длительность без учёта события. Framing Общий, средний, крупный, деталь. Менять крупность без новой информации. Viewpoint Позиция и высота камеры, сторона оси. Перескочить на другую сторону и сломать географию. Narrative content Кто что делает и что меняется. Записать два-три независимых действия в один короткий шот. Camera movement Статика, push-in, pan, orbit, handheld. Смешать несколько несовместимых движений в один интервал.

Kling VIDEO 3.0 Omni: паспорт возможностей

Функция Статус Режиссёрское применение Text → Video Нативно Сцена из текста с нативным звуком и multi-shot. Image → Video Нативно Изображение или набор изображений становится опорой сцены. Reference → Video Нативно Multi-image, Element, Video Element и сочетание референсов. Video → Video Условно Видеоэлемент задаёт объект, идентичность или голос; локальное редактирование — отдельная задача. Start/End Frame Нативно Контролируемый переход между двумя состояниями. Персонажи Нативно Elements 3.0 и multi-angle/video element для устойчивой личности. Несколько персонажей Нативно Отдельные элементы можно удерживать в групповой сцене. Video reference Нативно Загрузка или запись video element. Motion reference Отдельный Motion Control Для точного performance transfer лучше специализированный режим. Audio reference Element Voice Control Голос связывается с элементом персонажа. Lip-sync Нативно Артикуляция согласуется с нативным или связанным голосом. Native audio Нативно Диалог и окружение генерируются вместе с картинкой. Multi-shot Нативно Смена планов с удержанием элементов. Продолжение сцены Отдельный Extend Требует отдельного прохода и проверки drift. Редактирование Условно Reference-driven трансформация не равна гарантированной локальной правке.

Когда выбирать VIDEO 3.0

• Сцена начинается с текста, диалога и заранее продуманного shot list.

• Нужно распределить крупности и движения камеры между несколькими шотами.

• В кадре три и более героя, а реплики должны быть ясно привязаны к говорящим.

• Нужен быстрый поиск coverage: общий, встречные планы, реакция, деталь.

Когда выбирать VIDEO 3.0 Omni

• Главный риск — потерять конкретное лицо, продукт, маскота, костюм или голос.

• Есть multi-angle reference или видеоэлемент персонажа.

• Нужно соединить несколько элементов внутри одной сцены и удержать их между планами.

• Reference pack важнее литературной длины промпта.

Слабые сценарии и риски

• До 15 секунд — это пространство для короткой сцены, но не для большого количества полноценных событий.

• Custom Multi-Shot позволяет явно задать структуру и длительности; это больший контроль над intent, не доказательство более безопасного output. Ось, реакции и editability всё равно проверяются.

• Element consistency не гарантирует физически корректный контакт между несколькими героями.

• Motion Control работает с одним назначенным персонажем в изображении; групповая хореография требует отдельного теста или декомпозиции.

• Нативная речь должна проверяться по смыслу, языку, артикуляции и попаданию в нужного героя.

2.6 MiniMax H3 и Hailuo: мультимодальный контекст

MiniMax H3 — модель, а Hailuo — продуктовая среда, через которую пользователь может с ней работать. Это различие важно: функции модели в API и функции интерфейса Hailuo могут обновляться в разное время. H3 принимает текст, изображения, видео и аудио в едином контексте, генерирует до 15 секунд в 768P или 2K и создаёт нативный стереозвук.

Публичный подход H3 строится не вокруг жёсткого набора отдельных задач, а вокруг отношений между входами. В одном запросе можно сформулировать: взять движение камеры из Video 1, персонажа из Image 2 и вокал из Audio 3. API допускает до девяти изображений, трёх видео и трёх аудио, но не более двенадцати файлов суммарно.

Паспорт возможностей MiniMax H3

Функция Статус Режиссёрское применение Text → Video Нативно Генерация с нуля, 4–15 секунд, 768P или 2K. Image → Video Нативно Первый, последний или оба кадра; оживление изображения и переход. Reference → Video Нативно Персонаж, движение, камера, стиль, голос и монтажный ритм. Video → Video Нативно Видео используется как reference для motion / camera / editing relations. Generalized editing в research announcement не доказывает наличие маски, timestamp edit или pixel-preserving режима в каждом API. Start/End Frame Нативно Ноль, один или два контрольных изображения. Персонажи Нативно Reference image/video задаёт свойства субъекта; сохранность лица, костюма и предметов проверяется в output. Несколько персонажей Условно Мультиреференс возможен, но публичный API не обещает отдельный multi-character lock. Video reference Нативно До 3 клипов; каждый 2–15 секунд, суммарно до 15 секунд. Motion reference Нативно Движение, камера, хореография и editing rhythm из видео. Audio reference Нативно До 3 audio refs: каждый 2–15 s, суммарно до 15 s; mixed input count не более 12. Lip-sync Условно/нативно Аудио может управлять пением или речью; качество зависит от лица и крупности. Native audio Нативно Голос, эффекты и музыка моделируются совместно в стерео. Multi-shot Нативное моделирование Research announcement описывает multi-shot modeling. В рассмотренном API guide не найден отдельный контракт shot cards; это не утверждение о всех интерфейсах Hailuo. Продолжение сцены Не заявлено отдельно Не подменять extension обычной reference generation без теста. Редактирование Нативно/обобщённо Reference / edit relations задаются текстом в доступном route. Regeneration 768P → 2K — отдельная операция, не универсальный segment repair.

H3-Context-IR

H3-Context-IR — отдельный async endpoint интерпретации входов. API возвращает enhanced prompt в content.prompt, а не видео и не canonical Production JSON. Это provider output: его можно проверить и использовать как adapter input, но он не заменяет Shot Spec, IDs, continuity или утверждённый production intent.

Когда выбирать H3

• Нужно связать в одном запросе персонажа, камеру, движение и аудио, описав отношения естественным языком.

• Важны V2V motion transfer, перенос монтажного ритма или генерализованное редактирование.

• Нужна regeneration 768P → 2K с исходным контекстом и одним base video. Полученная media revision регистрируется как производный AS/VER с lineage; изменение разрешения не превращает Asset Version в новый Shot Spec.

• Проект связан с брендингом, e-commerce, титрами, интерфейсами или продуктовым изображением, где критичны детали и текст.

• Команда хочет API-пайплайн с явными ролями reference_image, reference_video и reference_audio.

Сильные сценарии

H3 логичен для мультимодальных задач, в которых входы не просто копируются, а образуют инструкцию: «этот герой выполняет движение из этого видео, поёт голосом из этого аудио, а камера повторяет другую траекторию». Нативный стереозвук и заявленное multi-shot modeling позволяют строить цельный аудиовизуальный результат, а V2V motion transfer делает модель полезной для рекламной пластики и performance-driven клипов.

Слабые сценарии и риски

• Пятнадцать секунд ограничивают драматургию; длинную сцену придётся собирать из нескольких генераций.

• В изученном API guide не найден shot-by-shot card contract. Проверяйте текущий Hailuo / API route отдельно, прежде чем планировать точный монтаж внутри pass.

• Поддержка нескольких референсов не равна гарантированной идентичности большого ансамбля.

• Generalized editing может менять связанные признаки; критичные логотипы, текст и продукт проверяются покадрово.

• Regeneration в API — это прежде всего повторная генерация 768P-клипа в 2K, а не универсальная кнопка «исправить любой фрагмент».

Hailuo 2.3 как запасной специализированный вариант

Официальный анонс Hailuo 2.3 от 28 октября 2025 года выделяет физические действия, стилизацию и микромимику. Это кандидат для сравнительного теста, а не доказанное преимущество перед H3. Доступ старой модели в выбранном продукте проверяется отдельно.

2.7 Специализированные модели и режимы

Универсальная видеомодель полезна, когда задача соединяет много типов управления. Специализированный инструмент выигрывает, когда один параметр нельзя потерять: точная речь, персональная пластика, локальная замена объекта или продолжительная работа ведущего. Ниже — четыре класса, которые стоит держать рядом с основной картой.

Wan 2.2 S2V: речь, пение и performance из изображения

wan2.2-s2v принимает одно изображение и audio для speech / singing / performance, включая портрет, полный рост и рисованных персонажей. Рассмотренный Model Studio route доступен в China (Beijing); audio короче 20 s, output 480P / 720P. Поэтому это кандидат для короткого audio-driven фрагмента, а не автоматическое решение для длинного ведущего или любого региона.

• Выбирать для: песни, монолога, виртуального артиста, иллюстративного персонажа, полного роста.

• Не выбирать как основную модель для: сложного multi-shot, групповой сцены и локального видеомонтажа.

Kling VIDEO 3.0 Motion Control: перенос движения

Kling VIDEO 3.0 Motion Control связывает character image с driving video; guide назначает motion одному персонажу. Element Binding здесь использует facial reference, а не lock одежды, волос и реквизита. Несколько людей во входном frame не означают несколько управляемых performers. Проверяйте конкретный route и orientation.

• Выбирать для: хореографии, сложных жестов, эмоционального performance, движения с меняющимся ракурсом.

• Риск: исходная анатомия, одежда и пропорции должны позволять перенести движение; групповая сцена требует разбиения.

HeyGen Avatar V: длинный говорящий персонаж

HeyGen Avatar V использует video-based Looks реального человека; photo-based и виртуальные / non-human Looks в рассмотренном guide используют Avatar IV. Для Video Agent указан output до 3 min — ограничение этого route, не всей платформы. Voice cloning и разрешение на identity / voice рассматриваются отдельно по C37. Устойчивость на длинном output проверяется playback.

• Выбирать для: presenter video, корпоративного обучения, продаж, локализации, регулярного контента от лица одного человека.

• Не подменять им игровую сцену: аватарный пайплайн решает идентичность и речь, но не весь язык кино.

Runway Aleph 2.0: точечное редактирование готового видео

Runway Edit Studio с Aleph 2.0 редактирует существующий raw или generated footage, single / multi-shot до 30 s в рассмотренном guide. Возможны product / character / background / light edits. Сохранение незапрошенных частей — требование приёмки: название edit не гарантирует pixel-identical результат.

• Выбирать для: клиентской замены продукта, relight, background replacement, cleanup, VFX и рестайлинга без пересъёмки.

• Риск: чем сильнее новая геометрия отличается от исходной, тем выше вероятность изменения соседних деталей.

Если критично… Специализированный выбор Почему Точная аудиодорожка управляет исполнением Wan 2.2 S2V Speech/singing/performance из одного изображения и аудио. Сохранить конкретную пластику Kling Motion Control Driving video задаёт движения и выражения. Долго удерживать личность ведущего HeyGen Avatar V Цифровой двойник и персональная манера исполнения. Изменить существующий материал Runway Aleph 2.0 Editing route; сохранность соседних областей проверяется

2.8 Карта задач: куда направлять сцену

Следующая таблица — не окончательный выбор, а стартовая маршрутизация. В каждой строке указана модель или режим, с которого разумно начать тест. Если критичный параметр не проходит, сцену нужно декомпозировать или передать специализированному инструменту.

Рекомендации «когда выбирать» — авторская практика routing, которую проверяют на своём формате: реклама, Reels, fashion, music video, narrative или серия. Они не требуют одного сквозного сериала и не доказывают superiority модели.

Задача Первый тест Контрольный вопрос 30-секундная мини-история со звуком Wan 3.0 или Seedance 2.5 Нужны ли последующие edit/extension или особенно большой reference pack? Шесть заранее описанных шотов Kling VIDEO 3.0 Custom Multi-Shot Можно ли распределить действие, крупность и камеру по 15 секундам? Продукт и герой должны не меняться Kling 3.0 Omni или Seedance 2.5 Что важнее: точные elements или большое число разнородных референсов? Смешать героя, камеру, движение и голос MiniMax H3 или Wan 3.0 Нужно ли V2V/editing rhythm или 30-секундный контур? Переход между двумя точными кадрами Wan 3.0, Kling 3.0/Omni или H3 Можно ли решить задачу без дополнительных референсов в том же проходе? Сцена с тремя и более говорящими Kling VIDEO 3.0 Ясно ли подписаны герои, реплики и порядок реакции? Большая групповая сцена Seedance 2.5 Не превышает ли физическое взаимодействие возможности модели? Точный перенос камеры и хореографии H3, Wan 3.0 или Kling Motion Control Нужно перенести всю сцену или performance одного героя? Продолжить готовый клип Wan 3.0 или Seedance 2.5 Нужно продолжение вперёд, назад или несколько раундов? Заменить объект или свет в готовом видео Wan 3.0 edit или Aleph 2.0 Нужно ли сохранить всё остальное пиксельно близко? Песня или монолог из одного портрета Wan 2.2 S2V Аудио уже финальное и должно управлять артикуляцией? Длинный корпоративный ведущий HeyGen Avatar V Нужна серийная идентичность, локализация и длинная речь?

Несколько персонажей: отдельная ветка решения

Фраза «поддерживает несколько персонажей» скрывает разные уровни. Модель может просто показать толпу, удержать внешность нескольких героев, различить их реплики или физически правдоподобно организовать контакт. Это четыре разные задачи. Перед выбором модели ответьте, какой уровень нужен.

1. Фоновые фигуры. Лица отдельных людей не критичны; главное — плотность и движение группы.

2. Ансамбль. Каждый герой узнаваем между шотами, но не обязан взаимодействовать крупно.

3. Диалог. Модель должна понимать, кто говорит, кто слушает и когда меняется реакция.

4. Контакт. Руки, предметы, объятия, борьба или танец требуют точной физики и часто отдельной генерации на каждую фазу.

Native audio: что именно проверять

• Совпадает ли содержание реплики с текстом и не появились ли лишние слова.

• Связана ли реплика с правильным персонажем и видна ли реакция слушающего.

• Совпадает ли артикуляция на крупных планах.

• Не конфликтуют ли музыка, шумы и речь по громкости и ритму.

• Есть ли чистая точка входа и выхода для будущей монтажной склейки.

• Можно ли юридически использовать голос, музыку и сходство с человеком.

2.9 Алгоритм выбора модели

1. Определите исходник. Сцена начинается с текста, изображения, пары кадров, пакета референсов или готового видео?

2. Назовите один критичный инвариант. Что нельзя потерять: лицо, продукт, движение, голос, финальный кадр или география?

3. Определите единицу управления. Один клип, отдельные шоты, временной диапазон или локальная область кадра?

4. Зафиксируйте хронометраж. Нужно 5, 15 или 30 секунд? Сколько реальных событий помещается без спешки?

5. Отделите звук от картинки. Нативный звук годится в финал или является временной дорожкой? Есть ли готовый аудиореференс?

6. Выберите модель для самого рискованного элемента. Не для самой красивой картинки, а для того, что чаще всего ломает дубль.

7. Сделайте минимальный тест. Короткий клип с одним действием, одним видом камеры и одним критерием успеха.

8. Только затем усложняйте. Добавляйте второго героя, новый шот, звук или продолжение по одному слою.

Матрица минимального теста

Риск Тест Критерий приёмки Identity drift Один герой поворачивает голову, меняется крупность. Лицо, причёска, костюм и возраст не меняются. Физический контакт Одна передача предмета из руки в руку. Нет слияния пальцев, исчезновения предмета и скачка позиции. Диалог Одна короткая реплика и реакция второго героя. Верный говорящий, читаемая артикуляция, осмысленная пауза. Motion transfer Три секунды характерного движения. Совпадают ритм, направление, центр тяжести и амплитуда. Start/End Простой переход между двумя состояниями. Первый и последний кадры сохранены, путь между ними логичен. Edit Заменить один объект без смены сцены. Фон, лицо, камера, свет и тайминг остались неизменными.

2.10 Одна сцена — четыре маршрута

Учебный CASE_WATCH_ROUTE: реклама часов, planned edit 15 s = 360 frames при project 24/1. Одна героиня входит в лифт, замечает царапину на стекле часов, нажимает кнопку, свет меняется, финал раскрывает продукт. В зеркале — отражение той же героини, не второй герой. Geometry зеркала и руки подтверждается reference до теста. Текст короткой реплики ещё не утверждён: не выдаём его за готовую audio asset. Царапина сохраняется; меняется её видимость при свете.