24 секунды мультфильма за 16 минут. Что взять продюсеру

Генерация видео нейросетью с постоянными героями ломается там, где её не ждёшь, и команда вертикального мультсериала «Лесная улица» это проверила на себе. За 29–31 октября 2026 года они пересобрали одну 24-секундную серию с русской речью примерно десятью способами на Wan, Kling, Veo, Seedance, GPT Image и Nano Banana Pro. Самый быстрый результат дал Kling: три дубля, 162 кредита Higgsfield и около 16 минут. Я разобрал их материал на Хабре и вытащил то, что влияет на бюджет и долю брака.

Как генерация видео нейросетью ломается на двух Зинах

В материале есть картинка, которую я бы повесил в чат любой продакшн-команды. Слева Seedance поставил в кадр двух Зин, в центре лежит опорный лист героини, справа выбранный кадр Kling, где Зина одна. Смешно, но каждая лишняя Зина стоит дубля.

Авторы расписывают сцену по секундам: реплики, реакции слушающих, паузы. С такой раскладкой Kling собрал сцену единым планом, выдержал пять реплик подряд и не сломал геометрию кадра. Та же сцена отдельными планами на Wan 3.0 Prime заняла 47 минут и ушла в брак: модель дописала буквы на предметах. Veo 3.1 Fast отработал за 29 минут и перепутал, кто из героев что говорит.

Экономику они выстроили ступенями. Сначала сюжет проверяют на статичных кадрах GPT Image, потому что картинка дешевле видео. Когда продюсер утвердил черновик и движение камеры, сцена уходит на финальный рендер в Kling.

Одна оговорка, и авторы её сами называют: зрительских чисел по этому способу пока нет, речь только о производстве. На 31 октября вышли серии «А телефон куда?» и «Подменишь?». «Агитация запрещена» и «Посидеть потом» остались производственными пробами.

Опорные листы, голос и автоматическая приёмка

Внешность героев держится на опорных листах (character sheets). Для каждого персонажа заранее делают лист с двумя ракурсами в полный рост и подкладывают его во все задачи как подсказку.

При автоматизации вылез коварный баг. Скрипт, управляющий браузером, отправлял задание раньше, чем успевала загрузиться новая картинка-опора. Сервис брал старое изображение из формы, и герой в кадре менял лицо. Теперь перед рендером скрипт обязательно сверяет снимок формы и хеши файлов.

Голос собирают отдельно. Озвучка идёт через ElevenLabs eleven_v4 с эмоциональными метками, а родная речь Kling плавает от дубля к дублю. Поэтому команда пропускает её через Voice Changer (eleven_multilingual_sts_v2): голос превращается в голос утверждённого персонажа, артикуляция остаётся синхронной, видеофайл не трогают.

Приёмку отдали FFmpeg и faster-whisper. Они режут ролик на кадры с шагом 0,25 секунды и ищут съехавшие предметы, лишние пальцы и скачки персонажа. По громкости генераторы расходятся сильно: Kling даёт около -11,7 LUFS, Veo проваливается до -18,3 LUFS. Двухпроходный фильтр приводит все файлы к -14 LUFS.

Полностью автоматизировать контроль не получилось. Ассистенты смотрят картинку, но не слышат интонаций, так что ударения в именах проверяют руками, а бытовые звуки на заднем плане добирают точечными сэмплами. Честно, мне нравится, что список нерешённого авторы не прячут.

Что сделать в ближайшую неделю

Схема короткая, и её можно примерить на любой серийный контент для бренда:

• Распишите сцену по секундам до первого запроса к модели: кто говорит, кто реагирует, где пауза.
• Прогоните сюжет на статичных кадрах и утвердите его, прежде чем платить за видеорендер.
• Сделайте опорный лист на каждого героя, по два ракурса в полный рост, и проверьте, что он реально уходит в каждую задачу.
• Заложите в приёмку замер громкости и ручное прослушивание ударений в именах и названиях.

Всё это упирается в процесс, а не в выбор «самой лучшей» модели. Если хотите собрать такой процесс под задачи своей команды, начните со страницы AI-консалтинг и обучение команд.