Сняли рекламу нейросетью от брифа до ролика. Два стакана кофе, исчезнувший звук и ещё семь ошибок, которые не лечатся промптом
Мы делаем сервис, где реклама собирается по брифу: нейросеть пишет сценарий, рисует опорные кадры, снимает планы, накладывает голос, музыку и субтитры. За три дня мы сняли так три ролика — кофейня у метро, она же второй раз, и Kia на дубайских номерах. Первый вышел за 4 минуты и $2,36 и был с виду почти готов. Почти — потому что у героя в руках оказалось два стакана кофе, время в сюжете шло назад, а звук обрывался на седьмой секунде. Рассказываем, какие ошибки делают видеомодели и сценарист-нейросеть, почему половину из них нельзя исправить словами в запросе и что мы встроили в продукт вместо этого.
«Слева — первая попытка: в вагоне метро у героя два стакана. В центре — вторая: пакет с завтраком превратился во второй стакан. Справа — реклама Kia, где этих ошибок уже нет»
Как устроен конвейер
Человек заполняет бриф из четырёх вопросов: что рекламируем, для кого, где покажут, какая одна мысль и призыв. Дальше шесть шагов:
- Концепция. Языковая модель пишет идею, текст голоса и лист из 3–5 планов: что в кадре, крупность, ракурс, движение камеры, действие по секундам.
- Опорные кадры. По кадру на план — картинкой. Человек их видит и утверждает.
- Черновой монтаж из кадров — бесплатно, чтобы проверить ритм до оплаты видео.
- Съёмка. Каждый план — отдельный ролик 4 секунды от своего кадра (у нас по умолчанию Veo 3.1 Fast), в монтаж идёт лучший кусок.
- Сборка и концовка — нашим ffmpeg.
- Звук: голос, музыка, субтитры по словам.
Деньги тратятся в основном на шаге 4: пять планов — около $2. Всё остальное — центы. Поэтому вся логика строится вокруг одного правила: ошибку надо поймать до видео.
Попытка 1: всё выглядит готовым, но смотреть нельзя
Бриф: кофейня у выхода из метро, кофе навынос за минуту, для людей 20–35, которые утром спешат. 15 секунд. Вся цепочка от брифа до файла заняла 247 секунд и $2,36 по счёту провайдера.
«Первая попытка, два кадра в секунду. Герой один во всех планах, знак кофейни сам лёг на вывеску и стаканы — и при этом ролик сломан»
Что получилось хорошо: герой один и тот же во всех пяти планах, логотип кофейни модель сама положила на вывеску, стаканы и пакет, субтитры шли точно по словам. Что сломалось:
1. Время пошло назад. Герой пьёт кофе с первого плана, а получает его в окошке только в четвёртом.
2. Предмет из ниоткуда. Во втором плане он достаёт круассан из пакета, которого до этого не было.
3. Запрещённая сцена. Пятый план — посадка в вагон метро. В задании сценаристу это прямо запрещено: видеомодели ломают посадку в транспорт. Модель запрет прочитала и всё равно написала.
4. Два одинаковых предмета. В вагоне у героя два стакана: из одного пьёт, второй держит в другой руке. В сценарии стакан был один — второй дорисовала видеомодель.
5. Звук кончился на седьмой секунде. Голос длился 6,5 секунды, а вместе с ним оборвалась и музыка. Это уже наша ошибка: фильтр, который приглушает музыку под голос, заканчивался вместе с более коротким входом.
Главный вывод первой попытки: правило, записанное в задании нейросети, — это не гарантия. Сценарист нарушил три правила из своего же задания. Значит, у каждого правила должна быть проверка ответа, а не только строчка в промпте.
Что мы встроили после неё
- Поле «в руках» у каждого плана: что в левой и в правой руке на первом и на последнем кадре. Последний кадр плана должен совпадать с первым кадром следующего — иначе склейка «прыгает».
- Автопроверка сценария до показа человеку. Запрещённые сцены ищутся по словам (транспорт, эскалатор, лестницы, экраны с текстом). Предмет, которого раньше не было, и два одинаковых предмета у одного человека — тоже. Порядок времени проверяет вторая короткая просьба к той же модели. Найденное показывается у плана с кнопкой «Исправить». Сценарий с запрещённой сценой нельзя утвердить — значит, за кадры и видео не заплатить.
- Звук — фильтр приглушения продлён тишиной, музыка идёт до конца ролика. Тест: голос 3 секунды на ролике 10 секунд — музыка обязана звучать и на девятой.
Попытка 2: концепция чистая, но кадры врут
Тот же бриф, но с остановками на утверждение, как в продукте.
Концепция вышла с третьего раза. Первый ответ снова пустил время назад — это поймали обе проверки. После «Исправить» появилась новая ошибка: герой возвращается к стойке за завтраком, уже уйдя с кофе. После второго «Исправить» — чисто. Три попытки — $0,03.
Кадры с первого раза были неверны в трёх случаях из пяти:
- в первом кадре у героя в руке круассан, хотя по сюжету он возьмёт его только во втором плане;
- в третьем пакета с завтраком нет вовсе;
- в четвёртом «общий план со спины» нарисован спереди.
Причина оказалась нашей: поле «в руках» уходило в запрос к видеомодели, но не в запрос на опорный кадр. Туда шло только описание словами, без крупности и ракурса. Модель дорисовала то, что сочла уместным. Теперь в запрос кадра уходит «левая рука свободна, в ней ничего нет» и «общий план, со спины — лица не видно».
«Сверху — кадры с первого раза: круассан в руке раньше времени, пакета нет, вместо спины — лицо. Снизу — после правки»
На второй перерисовке вылезла ещё одна ловушка: кадр 1 перерисовали без образца — и модель придумала другого героя, в оливковой толстовке вместо серой. Кадры 3 и 4 рисовались от первого и повторили его. Правильно — давать модели образцом уже утверждённый кадр с тем же человеком. Кнопка «Перерисовать» в продукте так и устроена.
Видео. Сюжет держится: взял кофе → взял завтрак → пьёт на ходу → у офиса. Но во втором плане, где герой берёт пакет со стойки, Veo превратил пакет во второй стакан кофе. Пересняли — второй стакан снова. Запрос при этом прямо говорил: «в левой руке пакет, ничего не появляется и не удваивается».
«Вторая попытка, план 2: пакет со стойки становится вторым стаканом. Пересъёмка дала то же самое»
Вывод: взять предмет посреди плана видеомодели делают плохо, и запросом это не лечится. Работает обходной приём из кино: предмет у героя в руке с первого кадра, а момент «взял» — склейкой. Теперь сценарий получает пометку, если в действии есть «берёт со стойки / с полки / из рук».
Вторая попытка целиком — $3,63, с пересъёмкой двух планов.
«Вторая попытка, итог. Звук теперь идёт все 15 секунд»
Попытка 3: реклама Kia по одному фото
Задание: белая Kia K4 на дубайских номерах, мужчина у машины рассказывает, какая она классная, первый взнос 5 000 и платёж 2 500 в месяц, английский, субтитры. Всё, что мы выучили, — сразу в концепции:
- Ни одного взятия предмета в плане: очки и ключ у героя в руке с первого кадра.
- В машину он не садится — в салонном плане уже сидит за рулём.
- Облёта человека нет — модели меняют лицо на развороте. Дугой в 20° ходит камера только вокруг машины.
- Экрана в салоне не касается. В запрещённых сценах экраны с надписями: модели рисуют на них кашу из букв. Вместо этого он проводит ладонью по отделке панели.
- Губы подгоняются только там, где он говорит в камеру — в двух планах из пяти. Остальное — голос за кадром: надёжнее и дешевле.
- Все кадры — с фото машины на входе. Номер «DUBAI I 29401» и значок Kia не перерисованы ни в одном кадре.
«Пять опорных кадров Kia: один герой, номер и значок на месте»
Новая ошибка нашлась уже на голосе. Синтезатор читает рекламу медленнее живой речи: «This is the new Kia K4.» звучит 2,4 секунды при плане 1,9, а перед каждой фразой — 0,2 секунды тишины. Решение — монтажное: срезать тишину по краям фраз, ускорить речь на 8% (на слух незаметно) и ставить фразы встык, разрешив хвосту первой заходить за склейку. Губы героя кончаются вместе с его планом, а слово договаривается уже на кадре с фарой — обычный приём, «звук мостом через стык».
Цена — не генерацией, а наложением: крупно «AED 5,000 down / AED 2,500/month» и мелко «*Terms & conditions apply», с проверкой контраста по худшему пикселю под буквами (вышло 4,5 : 1).
Итог: видео $2,29 по счёту провайдера при ожидаемых $2,30, вместе с кадрами и пробами голоса — $2,53. Ролик приняли с первого раза.
«Kia K4: пять планов, губы в двух, голос, музыка, субтитры, цена и концовка наложением»
Про камеру — отдельно
Пока мы разбирали ролики, владелец сервиса заметил закономерность: если в кадре всё спокойно, у профессионалов движется камера, а если идёт драка — постоянно меняются ракурсы. Мы проверили это на 49 источниках (английских и китайских: в Китае короткому видео учат подробнее всех).
Подтвердилось с поправкой. В каждом плане что-то должно двигаться раз в 1–2 секунды, но не обязательно камера. Если стоят и герой, и предмет — движется камера. Если движется герой — камера может стоять. А «больше движения камеры» само по себе не делает съёмку профессиональнее: в исследовании 160 голливудских фильмов доля планов с движущейся камерой за 40 лет упала с 16% до 6% — энергию давало движение в кадре.
Что из этого вошло в продукт:
- пометка «стоит камера и стоит кадр» у плана, где неподвижно всё;
- новые движения: наклон, подъём, дуга 15–30°, резкий наезд, ручная камера двух сил;
- для драки — общий план первым, смена ракурса на каждый обмен ударами, удар целиком в кадре;
- тряска на ударе, стоп-кадр, зум-удар и замедление внутри плана — монтажом, а не генерацией. Видеомодели сильную тряску и резкий зум ломают, а наш ffmpeg делает их бесплатно и без новой генерации.
Что мы поняли — коротко
- Ловите ошибку до видео. Сценарий и кадры стоят центы, план видео — доллары. Утверждение кадров человеком окупается каждый раз.
- Правило в промпте — половина дела. Вторая половина — проверка ответа: сценарист нейросети нарушает свои же правила.
- Всё, что важно в видео, должно быть уже в кадре. Руки, ракурс, крупность — видеомодель продолжает картинку, а не читает сценарий.
- Не просите модель взять предмет посреди плана. Предмет в руке с первого кадра, «взял» — склейкой.
- Перерисовка — только с образцом. Иначе модель придумает нового героя.
- Голос синтезатора медленнее живого. Режьте тишину и планируйте фразы под длину плана заранее.
- Текст, цена, логотип — наложением. Генерация рисует буквы и экраны непредсказуемо.
- Эффекты камеры — монтажом. Тряску, стоп-кадр и замедление дешевле и надёжнее делать своим инструментом.
- Проверяйте звук до конца ролика. Наш обрыв на седьмой секунде мы заметили только на второй попытке.
Чего этот разбор не показывает
- Три ролика — не статистика. Видеомодели от раза к разу отвечают по-разному.
- Одна видеомодель в основе — Veo 3.1 Fast. На других моделях набор ошибок свой: у нас есть отдельная проверка одиннадцати моделей на одном кадре.
- Время и цены — на 1–3 октября 2026 года, по счёту провайдера fal. Модели обновляются под теми же именами.