Как мы за 7 дней сделали 2-минутный AI-клип

Мы сделали 2-минутный анимационный клип на оригинальную песню, где Ава и Джордан проходят через весь ролик от первого до последнего кадра. Весь продакшен занял 7 календарных дней: с 10 по 16 августа 2026 года.

Главная история оказалась в воронке. Мы запустили 205 генераций, получили 20 минут видео и оставили в финальной версии 1 минуту 58 секунд — примерно соотношение 10:1.

Именно это соотношение, а не качество отдельного удачного фрагмента, чаще всего недооценивают, когда делают клип с AI. Хороший AI-генератор видео может выдавать сильные куски, но готовый клип всё равно рождается из отбора, тайминга, повторного использования материала и монтажа.

Мы не анимировали ничего, пока не был найден визуальный образ. Концепт-арт закрепил палитру, одежду и лица обоих героев ещё до того, как мы перешли к производству планов.

После этого для каждого плана мы делали отдельный стартовый кадр в Nano Banana 2 на основе концепт-арта. Часть кадров потом дорабатывали в редакторе изображений; всего в проекте использовали 151 кадр.

Такой порядок был важен: генерация из изображения в видео наследовала композицию, свет и персонажа из статичного кадра. Слабый стартовый кадр не спасался даже хорошим промптом на движение.

Мы также дали героям имена — Ава и Джордан — и использовали их в промптах. В 22 промптах персонажи назывались по имени, и это лучше удерживало их идентичность, чем каждый раз заново описывать волосы и одежду. Это стал один из самых наглядных уроков по стабильности персонажей в AI-видео.

Концепт-арт был готов до первой анимации. Он зафиксировал палитру, одежду и лица — дальше всему материалу было с чем совпадать.

Для видеогенерации 204 из 205 запусков шли через Seedance 2.0 в режиме image-to-video с разрешением 1080p. Внутри этого объёма было 155 клипов по 5 секунд за 15 кредитов каждый и 35 клипов по 10 секунд за 30 кредитов каждый.

Средний рендер занимал 94 секунды, самый долгий — 19 минут, а суммарно проект использовал 5.3 часа машинного времени. По видеожурналу цифра точная: списано 3,613 кредитов, 30 вернулись за два неудачных запуска, итого 3,583 кредита нетто.

Весь проект вышел примерно в 4,500 кредитов, но две части считались по-разному. Видео мы взяли из фактической истории аккаунта; кадры и липсинк оценили по публичному прайсу, потому что эти инструменты не списывались с аккаунта, на котором мы работали.

Изображения в Nano Banana 2 стоят 2 кредита при генерации по промпту или 4 кредита через редактор. У нас был смешанный сценарий, поэтому 151 кадр вышел примерно в 453 кредита. Липсинк в Kling 2.6 считается по 2 кредита за секунду аудио: 27 оставленных липсинк-клипов дали 209 оплачиваемых секунд, то есть 402 кредита, а все 33 запуска липсинка вместе — около 491 кредита.

Это была самая частая борьба. Мы просили исполнение припева, а модель снова и снова уходила в свой дефолт: широко раскрытые глаза, искренность и лёгкая грусть. Нам же нужны были холоднее, увереннее, с самоиронией и лёгкой улыбкой.

Одного позитивного описания не хватало. Помогло прописывать выражение лица как дугу внутри одного плана: эмоция меняется со временем, а не держится на одном прилагательном десять секунд. Такую дугу мы использовали в 26 промптах.

Второй приём — прямо назвать нежелательный дефолт и запретить его. Мы писали фразы вроде "no deer eyes, no innocent wide-eyed expression, no ballad sadness"; похожий запрет был в 19 промптах. Когда у модели сильное внутреннее смещение, негативное указание работает точнее, чем ещё одно прилагательное.

Когда локация уже появилась, вернуться в неё со второго ракурса оказалось одной из самых дорогих частей процесса. Переписывание промпта часто меняло слишком многое, поэтому больше пользы давал повторный запуск того же самого промпта без правок.

Всего 21 промпт отправлялся повторно байт в байт, и это дало ещё 29 генераций. Ещё мы фиксировали оба конца движения — первый и последний кадр; именно для этого в проекте была единственная генерация Kling 2.6.

Оставшиеся несовпадения помогала скрывать малая глубина резкости. В 34 промптах фон специально уводился в мягкий, второстепенный слой, чтобы заново сгенерированная локация не обязана была совпадать до каждой детали.

Порядок был простой: сначала генерируем план, затем накладываем липсинк в Kling 2.6, используя вокал из готового трека. Так мы сделали 33 клипа с липсинком.

Неочевидная часть — промпт на движение. Рот должен был двигаться спокойно и ненавязчиво, потому что позже он заменялся липсинком. В 10 промптах мы прописали это прямо: если исходная артикуляция слишком выразительная, она начинает спорить с липсинком поверх.

Главный урок проекта: умение генерировать без умения монтировать даёт шоу-рил, а не музыкальный клип. Трек идёт в 130 BPM, а финальное видео содержит 142 плана за 118 секунд.

Медианная длина плана — 0.70 секунды, что соответствует четверти с точкой. 85 планов длились ровно 1.5 доли, 31 — ровно 2 доли, а 117 из 141 склейки попали в сетку половинной доли с погрешностью меньше половины кадра.

Плотность появилась ещё и из-за того, куда ставились склейки. 80 из 141 перехода перебрасывали нас в другую локацию, поэтому видео не проигрывало сцены блоками, а постоянно резало между школой, кафе, спальней и вечеринкой.

Мы намеренно переиспользовали материал: 82 исходных клипа покрыли 123 плана, а некоторые фрагменты появлялись до четырёх раз. Темп был заложен не только в монтаж, но и в генерацию: в 19 промптах указан BPM, а в 3 хореография расписана по долям. Две длинные паузы в районе 77–84 секунд были единственной передышкой — и это было осознанно.

Два типа ошибок всё равно прорывались. На длинных почти статичных планах модель могла дорисовать лишних людей: второй персонаж появлялся из ниоткуда. А текст портился при движении камеры — надпись WESTFIELD на форме чирлидерш за один план расползалась в бессмыслицу.

Практичные обходные решения не выглядят эффектно, но помогают. Мы держали планы короткими — быстрый монтаж и так это делал, — убирали читаемый текст из кадра или уводили его в расфокус и перезапускали генерацию, а не переписывали промпт, если клип был почти удачным.

Вот последовательность, которую мы повторили бы снова — именно в таком порядке.

1. 1Сначала закончите трек. Монтаж строится на его темпе, поэтому финальный звук нужен до первой видеогенерации.
2. 2Соберите визуальный стиль на бумаге. Концепт-арт с закреплённой палитрой, одеждой и лицами даёт всем последующим промптам общий ориентир.
3. 3Дайте персонажам имена и используйте их в каждом промпте — «Ава» и «Джордан» удерживали идентичность между генерациями лучше, чем одни только описания внешности.
4. 4Сгенерируйте по одному стартовому кадру на каждый план в Nano Banana 2, опираясь на концепт-арт, а не начиная каждый раз с нуля.
5. 5Анимируйте каждый кадр в Seedance 2.0. Пять секунд в 1080p — рабочий стандарт; десять секунд берите только тогда, когда действие действительно требует длины.
6. 6Прописывайте движение по долям в темпе трека, чтобы сгенерированное движение попадало в ту же сетку, по которой вы будете монтировать.
7. 7Говорите, чего вы не хотите. Неправильная эмоциональная «настройка по умолчанию» — самая частая причина, почему технически нормальный план читается неверно.
8. 8Добавляйте липсинк в Kling 2.6 последним — и только на тех планах, где камера действительно держится на лице.
9. 9Режьте в бит и перебрасывайте зрителя между локациями, а не проигрывайте каждую сцену отдельным блоком.