Шесть «спецов» вместо 120 и сэкономленные «сотни тысяч долларов» благодаря нейросетям: как омичи поучаствовали в производстве клипа Snoop Dogg про подарки в Telegram

Поставили американского рэпера на крышу высотки и «отрисовали» с нуля экспрессивного репортёра, которому пришлось «забить металлом весь рот».

В мае 2025 года рэпер Snoop Dogg завёл себе канал в Telegram. В июле выложил видеоклип на песню про Telegram-подарки, приуроченный к выходу лимитированной коллекции, в которую вошли пёс, винтажный автомобиль и статуэтка с фирменным жестом. По словам основателя мессенджера Павла Дурова, их распродали за полчаса.

В производстве видеоклипа участвовала студия Mamontov Production с основателями из Омска — арт-директором Никитой Мамонтовым и серийным предпринимателем Антоном Караваевым. Расспросили их о кейсе.

Поучаствовать в производстве клипа команду Mamontov Production позвал сотрудник Telegram — ему понравились публичные кейсы студии. Сроки были сжатые: сделать и согласовать весь ИИ-контент предстояло за три календарных дня. Нужно было сгенерировать:

Строгого технического задания не было. Из требований — озвучить реплики репортёра из сценария, «поставить» ему несколько золотых зубов и показать на его смартфоне нужные экраны из интерфейса Telegram. В остальном заказчики полагались на то, что команда вдохновится образом самого Снупа, учтёт дизайн подарков и общее настроение трека.

Над генерацией и постобработкой сцен работало шесть человек. Ядро выглядело так:

Если бы сцены не генерировали, а снимали, потребовалось бы «в 20 раз больше специалистов», включая режиссёров, операторов и их ассистентов, гафферов, декораторов и гримёров.

Бюджет не раскрывают, но без нейронок он составил бы «в 100 раз больше», потому что только время рэпера обошлось бы как съёмка короткометражки. Один его час, по разным оценкам, может стоить несколько сотен тысяч долларов.

Некоторые сцены Snoop Dogg отснял в офлайн-студии — на зелёном фоне, вместо которого потом вставили нужные задники. Окантовка «зелёнки» заметна в итоговом клипе, если приглядеться.

Mamontov Production сгенерировала остальные сцены с рэпером — где он стоит и сидит на фоне города, хвастается машинами и проезжается на одной из них.

Качество первого кадра во многом определяет дальнейший «успех», так что 70-80% работы — это практически всегда работа со статикой.

Большинство популярных моделей не поддерживают генерацию известных личностей из-за внутренних ограничений на создание дипфейков. Чтобы «отрисовать» рэпера, пришлось дообучить портретную модель Flux LoRA Portrait — создать для неё кастомные настройки локально.

Для дообучения загрузили сотни фотографий рэпера из интернета — поближе, подальше, в разных позах и с разнообразными эмоциями.

Чем качественнее и разноплановее изображения, тем точнее будет отрисовывать персонажа Flux.

Flux выбрали, потому что модель хорошо генерирует реалистичных людей.

Просто генерация статики — это 40% дела. Ещё столько же — ручная доработка. Нужно было повысить разрешение и качество кадров, поправить «поплывшие» лица, убрать лишние пальцы у рэпера и шестые колёса у машин. Заодно убедиться, что дреды растут из головы, а не из глаз (и что они вообще есть).

На нескольких кадрах заказчику понравилась общая картинка, но показалось резиновым лицо Снупа. Такие, несмотря на доработки, отсеивались целиком.

Анимировали статичные кадры с помощью Kling AI: получали пятисекундные видео, делали постобработку и отправляли на согласование.

В анимациях тоже встречаются артефакты. Их убирают моушн-дизайнеры и композеры. Но первоочерёдная задача — снизить количество таких недочётов за счёт максимально педантичной проработки статики.

Анимацию исправлять гораздо дороже и дольше. Чтобы перекрасить футболку в видео, только на создание маски уйдёт минимум два часа. При работе со статикой это вопрос одной минуты.

Репортёр по сюжету экспрессивный — он грустит, злится и ругается прямо в эфире, качает головой, жестикулирует и трясет телефоном перед «камерой». Генерировать его оказалось в несколько раз сложнее, чем рэпера, потому что здесь был важен максимальный реализм.

Перед командой стояло три основные задачи:

Сначала Mamontov Production пыталась пойти отработанным путём: сгенерировать статичные стартовые кадры, проанимировать их и отдельно добавить липсинк. Последнюю задачу решают сервисы вроде LipDub AI — с ними можно отредактировать движение губ в готовых видеосценах.

Итоговый результат не понравился ни самим креативщикам, ни заказчику. С «попаданием» в звуки проблем не было, а вот эмоции казались роботизированными.

Одновременно и с мимикой, и с липсинком «из коробки» справлялась Veo 3 от Google, но тогда модель не умела «сохранять» единообразие персонажей от сцены к сцене. Каждый раз получался новый репортёр: в белой рубашке, с похожим галстуком и того же телосложения, но с совершенно другим лицом. («Консистентность» персонажей по иронии добавили в Veo 3 через несколько дней после сдачи проекта.)

В ходе мозгового штурма команда вспомнила про симулятор жизни The Sims, где персонажу можно вручную настроить практически все черты, и решила использовать аналогичный подход.

Заказчик попросил, чтобы у репортёра было несколько золотых зубов, но нейросети ещё не научились «ставить» их выборочно. Пришлось смириться и «забить металлом весь рот». Ровный ряд белоснежных зубов смотрелся бы странно: по сюжету он не самый обеспеченный афроамериканец и выпрашивает подарки у Снупа, так что денег на виниры у него явно нет.

В итоговом клипе репортёр всё же отличается от отрывка к отрывку, но в глаза это не бросается. Чтобы заметить отличия, нужно ставить ролик на паузу и перематывать сцены.

Veo 3 «запрещает» не только генерировать дипфейки, но и упоминать известных личностей в аудио, которое создаёт для видео. Из-за этого репортёр «не мог» произнести псевдоним рэпера.

Отходить от сценария не вариант: его уже утвердили и Snoop Dogg, и Telegram. Так что команда исказила написание имени и «скормила» модели SnupDok вместо Snoop Dogg. Губы репортёра двигались верно, да и звучало в целом похоже, но для русскоговорящих пользователей. Англоязычная аудитория наверняка заметила бы расхождения.

Сгенерировать его речь попытались с помощью ещё одной модели, но качественной разницы не услышали и потому пошли на компромисс. В финальной версии клипа репортёр говорит только «Снуп» и «Снупи». Выкрутиться иначе не позволили сроки.

В видеоклипе репортёр показывает зрителям экран своего смартфона. В последних сценах на нём изображён раздел с подарками в Telegram — с искрящейся аватаркой пользователя и анимацией самих объектов.

Сторонняя команда, которая тоже работала над проектом, вручную воссоздала сами экраны, но не смогла корректно «притречить» их к смартфону.

Задачу перехватила Mamontov Production — у неё уже был похожий кейс за плечами. Команда не могла «нарисовать» окружающий мир вместе с персонажем, поэтому сначала сгенерировала его на зелёном фоне с метками для отслеживания движений, а уже потом подставила окружение.

В этот раз взяли плагин для Blender под названием GeoTracker. Он работает на основе алгоритмов машинного обучения: анализирует изображение, просчитывает проекцию, создаёт вымышленную 3D-сцену и помогает отследить, где находится телефон и куда нужно «вставить» экраны.

Уже после того как все сцены зарендерили, склеили и согласовали с менеджером заказчика, тот вдруг вернулся с просьбой от рэпера — в последних сценах надеть на репортёра бандану и цепочку с буквами LA.

Mamontov Production заново перегенерировала фрагменты ночью, за несколько часов, взяв готовую статику и экраны мессенджера. На живой пересъём ушёл бы как минимум один съёмочный день, а это дополнительные расходы: на аренду оборудования, время съёмочной команды.

В финальную версию кадры не вошли. Почему — увы, неизвестно.

Подсчитать средние расходы на использование ИИ-моделей сложно, говорят в Mamontov Production. Если в течение месяца используют в основном Veo 3, то это «тысячи долларов». Если Kling AI, то затраты составят на 30% меньше.

Собирать свои модели дорого и долго. Чаще всего мера вынужденная — если нужно обойти встроенные ограничения, как в кейсе со Снупом, или автоматизировать генерацию: скажем, отрисовать целые десятки персонажей для однотипных сюжетов или выпустить 30 роликов для одного бренда, в которых из раза в раз фигурирует один и тот же герой.

Когда работаешь с нейросетями, «восхищение и отчаяние ходят бок о бок». Но чем больше экспериментируешь, тем быстрее добиваешься нужного результата, говорят сооснователи. Сейчас на одну хорошую видеогенерацию у команды уходит в среднем 10-15 попыток и, если это Veo 3, то примерно по 700 рублей на каждую.

Бывают ситуации, когда работать приходится «в убыток». В одном из кейсов нейросеть не смогла сгенерировать уникальных персонажей, поэтому команде пришлось внепланово создавать и 3D-модели, и статику с последующей анимацией. Процесс растянулся и вовлёк больше людей. Но таких случаев — 1/20.

Чтобы подстраховать себя от ошибок, команда готовит «технички» по итогам проектов — нечто вроде методичек, где участники проекта расписывают, за что отвечали, какие инструменты использовали и какие промпты и для каких задач сработали особенно хорошо.

Но на самом деле основные затраты — это всё ещё не ИИ-модели как таковые, а зарплаты специалистов, которые с ними работают. Плюс в том, что с нейросетями дизайнеры могут быстрее закрывать проекты и тратить не 30 часов на один такой, а пять. Выходит, что «допкосты» студии, может, и растут, но вместе с тем повышается потенциальный оборот проектов, которые она может взять в работу.

В коммерческих проектах продукт должен выглядеть идеально — вплоть до числа зёрнышек на палке колбасы. Провернуть такое, используя одни нейросети, не получится: колбаса в большинстве случаев останется колбасой, но зёрнышки «встанут» как попало, этикетка съедет, а логотип исказится.

Проблема в том, что у разработчиков по-прежнему мало инструментов для контроля. Если клиенту важно воспроизвести сложную физику — например, когда персонаж перепрыгивает через стулья, запрыгивает на один из них, а потом спрыгивает, — наверняка придётся менять ракурсы и отказываться от длинных сцен в пользу коротких. А для этого нужны режиссёрские навыки: понимание планов и динамики эпизода.

Нейросети также плохо понимают сложные эмоции. Точнее понимают, просто по-своему. Чтобы модель сгенерировала одиночество так, как видит его сам заказчик, нужно потратить много времени на детальную проработку промптов либо — опять же — выстроить кадры так, чтобы эмоцию правильно «прочитал» уже потребитель.

Впрочем, приятные сюрпризы тоже бывают. Во втором своём эпизоде репортёр должен был умоляюще смотреть в камеру, точно котик из «Шрека», чтобы Snoop Dogg сжалился и осчастливил его подарками. Во всяком случае так его видели в Mamontov Production. Veo решила иначе — и хорошо.

Если продакшн работает исключительно с нейроcетями и не владеет «традиционными» инструментами — Blender, Cinema 4D, After Effects, Unreal Engine, Premiere, Photoshop, Illustrator, Figma, Nuke и другими, — хорошего результата он вряд ли добьётся. Сложность производства как нейросцен, так и базовых CG-элементов, по факту одинаковая. Многие просто забывают, что ИИ — это не только простые сервисы вроде Kling AI, ChatGPT и Midjourney.

С развитием ИИ традиционный ручной труд начинает «немного обесцениваться». На рынке всё больше ценится совокупность прикладных навыков, насмотренности и креативности. Потому что чем проще техреализация, тем важнее умение мыслить, придумывать и доносить. Важно это вовремя осознать, считают в студии.

#редакция #telegram #нейросети