Ролик без камеры: сборка от промпта до выпуска
Ролик без камеры: как собрать съёмочный день внутри нейросетей, от первой сцены до выпуска
Читайте по порядку и собирайте первый ролик прямо по ходу. Первые два раздела дают сцену и кадр, третий голос, четвёртый выпуск. Раздел с браками откройте до того, как выложите первый ролик, он сэкономит вам неделю.
Что именно собирается без камеры, и где граница
Сначала честная рамка, чтобы вы не ждали от сборки того, чего она не даёт. Нейросети сегодня уверенно делают статичный кадр с вашим лицом, короткое движение внутри этого кадра и голос по написанному тексту. Длинный монолог с живой мимикой на три минуты пока выходит дороже и хуже, чем снятый на телефон.
- Кадр с вашим лицом в любой локации и в любой одежде. Лицо держится одинаковым от кадра к кадру, если вы подаёте референсы правильно.
- Движение внутри кадра на пять и десять секунд: проход, поворот головы, движение камеры вокруг предмета, оживший интерьер.
- Голос по вашему тексту. Русская речь звучит ровно, если реплика короткая и в ней нет латиницы.
- Хук поверх первых секунд и субтитры по всему ролику.
- Живая мимика на длинной речи. После пятнадцати секунд лицо начинает плыть, зритель это ловит.
- Руки в сложном движении. Пальцы остаются главным местом брака у всех движков.
- Точные надписи на предметах внутри кадра. Движок дорисовывает буквы и путает русские с латинскими.
- Сцены с двумя говорящими людьми одновременно.
Ролик собирается короткими кусками по пять и десять секунд. Длинный сплошной дубль здесь всегда проигрывает. Речь режется на реплики по одной мысли. Каждый кусок проверяется отдельно и переснимается отдельно, поэтому брак стоит одну генерацию и весь ролик не трогает.
Промпт первый: сцена и раскадровка
Начинается всё с текста. Картинка идёт вторым шагом. Пока нет раскадровки, генерации идут веером и съедают лимит. Этот промпт отдаёте текстовой модели вместе со своей темой, он возвращает готовый список кадров с длительностями.
Промпт раскадровки
Ты режиссёр коротких вертикальных роликов. Тема ролика: [ТЕМА]. Аудитория: [КТО СМОТРИТ]. Задача ролика: [ЧТО ЧЕЛОВЕК ДОЛЖЕН СДЕЛАТЬ ПОСЛЕ ПРОСМОТРА].
Собери раскадровку на сорок пять секунд. Формат ответа таблицей, по строке на кадр, столбцы: номер кадра, длительность в секундах, что происходит в кадре одним предложением, реплика героя дословно, надпись на экране.
Жёсткие условия. Первый кадр держит зрителя первые три секунды и работает без звука. Реплика в одном кадре не длиннее двенадцати слов. Кадров не больше восьми. В каждом кадре ровно один человек. Последний кадр называет одно действие для зрителя.
Перед таблицей напиши одну строку: какую мысль зритель унесёт с собой.
Длительность реплики и длительность кадра обязаны совпадать. Самая частая поломка выглядит так: реплика на восемнадцать слов приходит в кадр на пять секунд, движок обрывает речь на середине, и ролик выглядит склеенным наспех. Двенадцать слов в реплике это проверенный на практике потолок для пятисекундного кадра.
- Прочитайте вслух только реплики подряд. Если получилась связная речь, раскадровка годная.
- Посмотрите на первый кадр без звука. Если непонятно, о чём ролик, переписывайте первый кадр.
- Проверьте, что все кадры разные по крупности. Восемь одинаковых средних планов подряд смотрятся как слайд-шоу.
Промпт второй и третий: кадр с вашим лицом
Кадр делается генератором изображений по референсам вашего лица. Здесь два промпта: блок про личность, который не меняется никогда, и блок про конкретный кадр, который переписывается под каждую сцену. Разделение звучит формально, но именно оно решает главную проблему: без него все кадры выходят на одно лицо и с одного ракурса.
Блок FACE, стоит в каждом кадре без изменений
Exact same face across all frames, identical facial structure to the reference images, same person. Male, athletic build, trimmed short beard, restrained closed lip smile. Realistic skin with visible pores and slight natural asymmetry, subtle film grain, not plastic, not over smoothed, no beauty retouch. Natural eye catchlights.
Блок кадра, переписывается под каждую сцену
[КРУПНОСТЬ: close up portrait / medium shot waist up / wide shot full body], [РАКУРС: three quarter turn to the left / straight to camera / profile], [ПОЗА И ДЕЙСТВИЕ одним предложением], [ЛОКАЦИЯ И СВЕТ одним предложением], [ОДЕЖДА одним предложением]. Vertical frame, aspect ratio four to five, background has depth and natural activity, no shallow blur on street scenes.
Подаёте три или четыре своих фото. Если во всех кадрах порядок один и тот же, движок цепляется за первый снимок и повторяет его позу. Меняйте порядок в каждом кадре, тогда лицо остаётся тем же, а поза каждый раз новая. Это дешёвый приём, который заменяет целый съёмочный день с разными ракурсами.
- Лицо совпадает с вашим на всех кадрах подряд, удачный кадр ничего не доказывает. Смотрите их рядом одним листом, по одному глаз обманывается.
- Крупность и ракурс не повторяются два кадра подряд.
- Руки либо в кадре целиком и в простом положении, либо не в кадре вовсе.
- На предметах в кадре нет выдуманных надписей. Любая надпись это будущий брак.
Промпт четвёртый: оживление кадра
Готовый кадр отдаётся видеомодели вместе с описанием движения. Промпт здесь короткий намеренно: чем больше вы просите за пять секунд, тем сильнее разъезжается картинка.
Промпт движения
Animate this image. Camera: [slow push in / slow orbit to the right / static]. Subject motion: [ОДНО ПРОСТОЕ ДЕЙСТВИЕ, например he turns his head to the camera and holds the gaze]. Keep the face identical to the source image, keep the lighting and the colour palette identical. Duration [5/10] seconds. No text, no captions, no logos. Natural background movement.
- Одно действие на кадр. Повернулся и пошёл и поднял руку это три отдельных кадра.
- Движение камеры и движение героя не совмещаются в одном пятисекундном куске.
- Просите держать палитру исходного кадра дословно. Иначе соседние куски ролика встанут в монтаже разными по цвету, и это заметно сильнее, чем неровное движение.
Пятисекундный кусок стоит дешевле и почти всегда выходит чище десятисекундного. Ролик из восьми пятисекундных кусков собирается быстрее, чем из четырёх десятисекундных, потому что переснимать приходится меньший объём.
Промпт пятый: голос и речь
Речь это место, где ролик чаще всего выдаёт себя. Выдают его ритм и обрывы, тембр тут почти ни при чём. Правила ниже сняты с моих собственных провалов, каждое стоило переснятого ролика.
Промпт озвучки
Озвучь реплику мужским голосом, спокойная разговорная интонация, темп обычной живой речи, без диктора и без пафоса. Реплика: «[РЕПЛИКА ДО ДВЕНАДЦАТИ СЛОВ]». Голос замолкает сразу после последнего слова и больше ничего не говорит. Никаких дополнительных фраз, никакого вступления, никакого эха.
- Английские названия пишите кириллицей прямо в реплике. Клод Код вместо Claude Code, Сора вместо Sora. Латиница внутри русской фразы ломает произношение целиком.
- Длительность куска подгоняется под реплику. Обратный порядок ломает речь. Сначала озвучка, потом видео нужной длины.
- Цифры пишите словами. Две тысячи тридцать шестой вместо 2036, иначе движок читает год как набор цифр.
- Прямая строка про молчание в конце обязательна. Без неё модель дописывает своё, и в хвосте ролика появляется чужая фраза.
Слушайте готовую озвучку с закрытыми глазами и без картинки. Если в речи слышен обрыв, лишний вдох или чужое слово в конце, кусок переделывается сразу. На картинке это не проверяется: глаз занят видео и ухо пропускает дефект.
Промпт шестой: хук и субтитры
Ролик смотрят без звука первые секунды. Хук поверх первого кадра решает, останется человек или пролистает. Промпт ниже отдаёт варианты, из которых вы выбираете один.
Промпт хука
Тема ролика: [ТЕМА]. Первый кадр показывает: [ЧТО В КАДРЕ].
Напиши восемь вариантов надписи на первые три секунды. Каждая до семи слов. Правила: без вопроса с очевидным ответом, без обещаний денег и сроков, без слов бесплатно, секрет, шок. Одна надпись это одна законченная мысль.
Сделай их разными по типу: две с конкретной цифрой, две от первого лица, две с неожиданным утверждением, две с обращением к конкретному человеку в зале.
Под каждой строкой одним предложением объясни, кого именно она останавливает.
- Ставьте их на весь ролик целиком. Большая часть просмотров идёт без звука до самого конца.
- По три или четыре слова в строке. Длинная строка не читается на телефоне за время кадра.
- Ключевое слово в строке выделяйте цветом. Глаз цепляется за цвет и дочитывает строку целиком.
План выпуска на неделю
Собранный ролик сам по себе ничего не приносит. Приносит ритм. Ниже расписание, по которому я работаю: оно рассчитано на человека, у которого есть два свободных вечера в неделю.
- Понедельник, вечер: собираете раскадровки сразу на пять роликов. Один промпт, пять запусков, полтора часа.
- Вторник, вечер: генерите кадры ко всем пяти роликам подряд. Кадры одной серии выходят ровнее, когда делаются в один заход.
- Среда: оживляете кадры и собираете озвучку. Это самый долгий шаг, закладывайте два часа.
- Четверг: сборка, субтитры, хуки. К вечеру у вас пять готовых роликов.
- Пятница, суббота, воскресенье: выпуск. Три ролика в день, разрыв между ними три или четыре часа.
Сборка ролика требует разгона: пока вы вспоминаете промпты и настройки, уходит полчаса. Пять роликов подряд стоят вам этого разгона один раз вместо пяти. Плюс серия выходит однородной по свету и цвету, а это уже узнаваемость аккаунта.
- Удержание первых трёх секунд. Ниже половины зрителей означает, что виноват хук. Тема тут ни при чём.
- Досмотры до конца. Проседают на длинных кусках, там режьте.
- Переходы в переписку. Ноль переходов при хорошем охвате означает, что в ролике нет прямого призыва.
Четыре места, где ролик выдаёт себя, и правка под каждое
Это разбор моих собственных браков. Все четыре ловятся глазами за минуту и лечатся строкой в промпте.
Признак: на седьмой и восьмой секунде черты лица едут, меняется форма носа или разрез глаз. Причина: слишком длинный кусок. Правка: режьте на два куска по пять секунд, между ними ставьте смену крупности. Зритель читает это как монтаж и дефекта не замечает.
Признак: лишний палец, сросшиеся пальцы, кисть без объёма. Причина: сложное движение рук в промпте. Правка: либо уводите руки за кадр строкой hands out of frame, либо просите простое положение, например hands resting calmly, palms visible, fingers relaxed and clearly separated.
Признак: на экране ноутбука, на вывеске или на футболке появились буквы, часто с латиницей внутри русского слова. Причина: движок дорисовывает текст сам. Правка: строка no text anywhere in the frame, no letters, no signs, no logos в каждом промпте кадра. Нужную надпись ставите потом сами при сборке.
Признак: после вашей реплики голос добавляет что-то своё, обычно вежливую концовку. Причина: в промпте нет запрета. Правка: строка про молчание после последнего слова, плюс обязательное прослушивание хвоста каждого куска перед сборкой.
- Смотрите без звука. Ловится плывущее лицо, руки и надписи.
- Слушаете без картинки. Ловятся обрывы и чужие фразы.
- Смотрите на телефоне вертикально. Ловится нечитаемый субтитр и текст, уехавший под интерфейс.
- Показываете одному человеку и спрашиваете, что он понял. Если пересказ отличается от вашей мысли, виноват первый кадр.
Честная рамка
Чтобы вы не строили ожиданий, которые эта сборка не закрывает.
- Первые ролики выйдут хуже, чем вы рассчитываете. У меня ушло около двадцати штук, прежде чем сборка стала предсказуемой.
- Генерации стоят кредитов. Пятисекундный кусок дешёвый, но ролик из восьми кусков с двумя переделками это уже заметный расход, и его стоит посчитать до старта.
- Эта схема снимает съёмку и монтаж. Она не снимает мышление: тему, мысль и призыв по-прежнему пишет человек.
- Прогнозы про роботов и рынок труда, с которых начинается разговор, это чужие прогнозы. Проверить их нельзя, планировать по ним свою жизнь тоже. Опираться стоит на то, что уже работает сегодня.
Читать дальше в блоге
Эту тему я разбираю подробно в статье рабочий список нейросетей для контента. Там же лежат остальные разборы про нейросети.
Следующий шаг
Хочешь так же, но под свой блог и продукт?
Я собрал систему, по которой обычный человек запускает блог с нуля и набирает аудиторию без съёмок, монтажа и команды. Внутри разбор, с которого стартовал сам.
Открыть разбор: с чего начать→