Промпт для ИИ-видео как хронометражный лист: почему «сделай красиво» не работает

Загрузили селфи, попросили «праздничное видео» — получили ролик, который мог бы принадлежать любой из сотни похожих трендов. Разбираемся, почему помогает написание промпта в виде хронометражного листа с таймингом, и где этот метод всё равно даёт сбои.

ИИ-видео редко получается «не тем» из-за качества картинки: оно получается не тем, потому что в промпте не описано, что именно происходит в кадре и в каком порядке.

Знакомая ситуация: загружаешь своё фото, просишь видео с вечеринки, и на выходе приходит ролик с правильным светом, похожим лицом — но без главного движения. Жест, которого ты ждал, не случается, а клип заканчивается тем, что кто-то просто стоит в кадре. Всё выглядит дорого, но ничего не происходит.

Эта проблема решается не более мощной моделью и не более длинным списком прилагательных. Она решается тем, что промпт превращается в раскадровку с таймингом: что видно на экране, в каком порядке, с какой точки снимает камера и чем всё заканчивается.

Почему «сделай кинематографично» даёт пустой результат

Любой вирусный тренд — это маленькая последовательность: позиция камеры, узнаваемое движение, реакция окружающих и финальный кадр. Всё это модель и так попытается придумать, но придумает наугад. Фраза «сделай атмосферно, с кинематографичным светом» оставляет все ключевые решения открытыми — и нейросеть заполняет пустоту чем-то средним, шаблонным, «как у всех».

Хронометражный лист (shot list) — это просто способ задать эти решения явно. Схема рабочей строки такая:

Отрезок времени | Дальность камеры | Действие героя | Реакция остальных

Согласитесь, это уже не «сделай видео», а почти режиссёрская инструкция — только записанная текстом.

Сначала придумайте финал

Удобнее всего начинать с конца. Посмотрите на ролик-референс тренда и выпишите стартовую позу, изменения действия и финальный кадр. Называйте то, что видно глазами: «рука на воротнике», «друзья наклоняются», «смех в объектив». Слово «уверенно» может подсказать настроение, но оно не говорит модели, куда девать руку.

Финал тоже должен быть конкретным. Для вечеринки это смех героя, пока друзья заполняют кадр и кричат. Для танца — замирающая поза. Это даёт проверяемый ориентир: когда рендер готов, вы смотрите не «нравится или нет», а «произошло это или нет».

Камера важнее интерьера

В публичном промпте, который разбирают как рабочий пример, вступление выглядит так:

Вертикальный клип 9:16, ровно 10 секунд, фотореалистичное живое видео в полном цвете, камера с рук рядом с героем в центре плотной толпы. Без текста, субтитров, логотипов и водяных знаков.

Обратите внимание на порядок: сначала формат, длительность и положение камеры, и только потом декорации. «Рядом с героем» делает лицо и руки главным объектом кадра. «В центре плотной толпы» помещает зрителя внутрь вечеринки. Тот же интерьер, снятый дальним планом из угла красивой столовой, рассказал бы совсем другую историю.

И только после этого идут люстры, тёплый свет, столы и зелёные акценты на стенах. Эти детали задают облик сцены, но они должны обслуживать действие, а не перетягивать внимание на себя.

Отдельный практический момент: длительность в промпте должна совпадать с длительностью в настройках инструмента. Если сервис не умеет выдать такую длину — упростите последовательность под доступный хронометраж. Оставить всё «как есть» и надеяться, что финал уместится, значит получить результат, который невозможно разобрать на ошибки.

Фото должно иметь чёткую задачу

Отдельной строкой промпта прописано, за что отвечает загруженное фото: лицо, волоса, оттенок кожи, телосложение и точная одежда снимка должны сохраняться в каждом кадре, герой стоит в центре, его узнают. Это описание задаёт, чью внешность контролирует картинка и какие черты должны «переезжать» из кадра в кадр.

Но важно понимать: фраза про фото не заменяет само фото. Его нужно прикрепить к проекту как референс. И качество входа имеет значение — резкий снимок, лицо в камеру, открытые глаза, ровный свет. Если одежда принципиальна, она должна быть видна на фото. Всё это лучше проверить до того, как тратить попытки генерации.

Толпе отводится отдельная инструкция: каждый друг — безликий статист со своим лицом, никто не должен быть похож на знаменитость. Это разделяет героя и массовку, но остаётся просьбой, а не гарантией — дубли лиц всё равно возможны.

Разбор по секундам: как читается такая раскадровка

Вот пять рабочих строк действия из упомянутого публичного промпта. Стоит посмотреть, почему каждая написана именно так.

0–2 секунды: связь с камерой. Крупный план, герой показывает «пистолетики» пальцами в объектив, в другой руке стакан, друзья прыгают на заднем плане. Тут заданы дальность камеры, жест и фоновое движение — три отдельно проверяемых вещи.

2–4 секунды: смена позы без смены сцены. Рука ложится на воротник, подбородок вверх, глаза полуприкрыты, герой шевелит губами в такт словам. Рука, подбородок и глаза задают характер — это гораздо конкретнее, чем «пусть выглядит круто». Движение губ описано явно: оно нужно, если отдельно запрошен оригинальный саундтрек.

4–5,5 секунды: внимание уходит от объектива. Герой поворачивается к друзьям и показывает на них. Это готовит реакцию толпы в следующем отрезке — вместо набора несвязанных жестов получается обмен.

5,5–7,5 секунды: толпа отвечает. Друзья сжимаются вокруг героя, показывают на него и поддерживают, рука проходит мимо объектива. У статистов наконец есть дело, а рука в переднем плане даёт объём. Именно здесь стоит проверить, не заслонил ли кто-то героя до конца клипа.

7,5–10 секунды: финал группой. Друзья заполняют кадр, герой закрывает лицо от смеха, потом машет в камеру стаканом, все вокруг поднимают руки и кричат. Это и есть выплата — то, ради чего ролик смотрят. Если клип обрывается на повороте, финал потерян, как бы убедительно ни выглядели комната и лицо.

Пара абзацев текстом тоже способна сработать. Преимущество списка в том, что пропущенное действие легко локализовать. Таймкоды выражают намерение, но не заставляют модель вести себя как монтажная программа.

Где метод всё-таки ломается

Хронометраж — не волшебная палочка, и честнее сразу обсудить сбои. Примеры ниже собраны в тестах команды NowStarring (напомню: это платный независимый инструмент для создания роликов-трендов из фото, к авторам самих трендов не имеет отношения) на других «рецептах» трендов — это паттерны ошибок, а не бенчмарк описанного выше промпта.

Заблокированный ролик, причина неизвестна. Тест с образом Crazy Frog отклонили фильтром, хотя то же фото срабатывало в более ранней версии. Лог не показывает, какое слово или действие это вызвало — и честно списывать на конкретную фразу нельзя. Что остаётся: перечитать ограничения сервиса, взять разрешённый референс и упростить сцену. Это варианты отладки, а не обещание, что после них всё примут.

Объект слишком мелкий или низко. В переработанном тесте нежелательная доска под наездником исчезла, но герой продолжал прижиматься к земле и в общих планах становился крошечным. Убрать предмет оказалось мало — не описана композиция. Полезная короткая формулировка: «держи наездника крупным в кадре, с видимым пространством между кроссовками и дорогой».

Появился лишний предмет. В тесте с магазином возникли брендированные ящики с напитками, потому что промпт описывал «цветные ящики». Версия такая: модель достроила привычный магазинный объект. Это гипотеза, а не изолированный эксперимент, но практический вывод рабочий — сначала пересмотрите существительные, которые вы сами внесли в сцену, и только потом добавляйте длинный список запретов.

Первое действие запаздывает. В ретесте с питомцем уши собаки исправились, но вступительные движения задержались — предположительно из-за инструкции «подойти к камере», которая добавила перемещение до основного действия. Правка простая: явно указать стартовую позицию, например «в первом кадре танцор уже стоит рядом с камерой».

И общее правило отладки: не меняйте фото, камеру и список действий одновременно. Иначе вы не узнаете, что именно помогло.

Сколько контроля вам нужно на самом деле

Есть четыре разных маршрута, и они решают разные задачи.

Что в итоге

Хронометражный лист не делает модель послушнее и не гарантирует совпадение с задуманным. Он делает результат проверяемым: когда вы видите, что финала нет или герой стал мелким, вы понимаете, какая строка в промпте с этим связана — и правите именно её.

И это, пожалуй, главный сдвиг по сравнению с «сделай красиво»: вы перестаёте перебирать формулировки наугад и начинаете работать с конкретикой — позиция камеры, узнаваемое движение, реакция толпы, финальный кадр. Всё остальное — свет, декорации, настроение — подтягивается следом.