Никогда не рисовал и не монтировал видео. Собрал за выходные короткий мультфильм с помощью ИИ — вот весь процесс по шагам

«Собери мультфильм с ИИ» звучит как обещание одной кнопки, которая всё сделает сама. На практике это пять отдельных инструментов, которые нужно соединить руками, — я прошёл весь путь с нуля, без единого навыка рисования или монтажа, и фиксировал, где реально быстро, а где пришлось повозиться.

Начал с текстового ИИ: описал идею на два предложения («короткая история про кота, который боится пылесоса, но однажды спасает с его помощью хозяина от потопа») и попросил разбить на сцены с описанием, что происходит в кадре, какая эмоция у персонажа и что говорится за кадром. Получил раскадровку на 8 сцен примерно по 5–7 секунд каждая — компактный формат для первого мультфильма.

Здесь начались реальные сложности: генератор изображений с одним и тем же промптом каждый раз рисовал кота слегка по-разному — менялся окрас, форма ушей, пропорции. Для мультфильма это критично: персонаж должен быть узнаваем от сцены к сцене. Решение — сгенерировать один эталонный портрет персонажа с разных ракурсов, а затем в каждой новой генерации явно ссылаться на референс через функцию редактирования изображения по образцу, если сервис её поддерживает, либо максимально подробно описывать конкретные детали внешности в каждом промпте.

Готовые изображения сцен загрузил в сервис анимации изображений (превращает статичную картинку в короткое видео с движением по текстовому описанию действия). Здесь оказался самый неочевидный подводный камень: простые движения (кот моргает, дрожит от страха) анимируются достоверно, а сложные многошаговые действия в одном клипе (кот подбегает, хватает шланг пылесоса, направляет на воду) система регулярно искажала — трансформировала предметы на середине движения не так, как задумывалось. Решение — дробить сложное действие на 2–3 более простых клипа вместо одного.

Текст закадрового голоса и реплики персонажа сгенерировал через синтез речи, подобрав подходящий по тембру голос из готовых вариантов. Фоновую музыку и звуковые эффекты (шум пылесоса, звук льющейся воды) взял из бесплатной библиотеки — генерировать отдельно под каждый эффект оказалось дольше, чем найти готовый и подогнать по длительности.

Собрал все клипы, озвучку и музыку в бесплатном видеоредакторе вручную — этот этап ИИ не заменяет: нужно расставить клипы по таймлайну, подогнать длительность под реплики, добавить простые переходы между сценами. Полностью автоматической сборки готового ролика из отдельных ИИ-сгенерированных кусков на момент теста не нашёл ни в одном сервисе.

Каждый отдельный инструмент в этой цепочке справляется со своей задачей неплохо — картинка, анимация, голос генерируются быстро и приемлемо по качеству. Настоящая сложность в другом: удержать одного и того же персонажа узнаваемым на протяжении восьми разных сцен, сгенерированных отдельно друг от друга. Ни один из использованных инструментов не решает эту задачу автоматически «из коробки» — вся согласованность держится на ручной работе с референсами и многократных перегенерациях, а не на одной удачной команде.

Весь процесс от идеи до готового полутораминутного ролика занял около 6 часов чистого времени, растянутых на выходные. В следующий раз заложил бы больше времени именно на этап согласованности персонажа — по факту на него ушла почти половина всех временных затрат, хотя изначально казался самым простым шагом.

Полную раскадровку, промпты для каждого этапа и сам готовый мультфильм выложил в канале — можно посмотреть результат и повторить по тем же шагам.

За кадром остался список конкретных формулировок промптов, которые помогли добиться устойчивого внешнего вида персонажа между сценами, — слишком техническая деталь для формата этой статьи. Этот разбор с примерами промптов выложу отдельно в Telegram.