Две картинки, пятнадцать секунд: метод первого и последнего кадра

Большинство видеомоделей берут картинку и начинают с неё. Некоторые возьмут и вторую картинку и закончат на ней. Этот второй слот — самая недооценённая настройка в каталоге, и он меняет саму работу: вместо того чтобы описывать концовку и надеяться, вы делаете концовку, смотрите на неё, исправляете за три кредита — и только потом платите за движение.

Вот всё, что мы передали для пятнадцатисекундного клипа ниже. Слева — нулевая секунда. Справа — пятнадцатая. Третьего входа не было.

Что даёт вторая картинка

Концовка перестаёт быть лотереей. Последний бит брифа — тот, на который у модели остаётся меньше всего бюджета и больше всего свободы. Переданный картинкой, он уже не просьба, а неподвижная точка, к которой дубль обязан прийти. Наша — крупный план грязной, ничуть не впечатлённой птицы, и именно на этом кадре клип и заканчивается.

Движение камеры больше не нужно называть. Первый кадр — общий план, второй — средний крупный план той же декорации по той же оси. Никому не нужно писать «наезд камеры» и надеяться, что модель понимает его так же, как вы, — движение — единственный способ попасть из одной картинки в другую, поэтому оно выводится, а не интерпретируется.

Идентичность не может уплыть, потому что оба конца закреплены. Обычный провал клипа с персонажем — лицо, которое к концу уже едва уловимо не то же самое. Когда последний кадр задан, дрейфу некуда накапливаться.

А дорогие ошибки становятся дешёвыми. Видео оплачивается посекундно. Три кредита — столько стоит узнать, что ваше финальное выражение лица читается как грусть, а не как отвращение. Двести восемьдесят девять — столько стоит узнать то же самое в готовом дубле.

Кадры — это и есть фильм. Промпт — ремарки между ними.

Какие модели принимают последний кадр

Больше половины видеомоделей каталога. Вот десять, и потолок одного дубля у них — от восьми до тридцати секунд. Цены ниже — за один дубль максимальной для модели длительности.

Из этой таблицы следуют две вещи.

P-Video за 17 кредитов — то, на чём стоит тестировать. Он принимает оба кадра, идёт до десяти секунд и стоит одну семнадцатую того дубля, который мы выпустили. Если ваши два кадра настолько далеки друг от друга, что интерполяция может порваться, прогон на P-Video скажет вам об этом по цене шести картинок.

Модель выбирает длительность, а не качество. Нам нужно было пятнадцать секунд. Veo 3.1 останавливается на восьми, поэтому всё семейство Veo выбыло ещё до всякого сравнения. Seedance 2.0 останавливается ровно на пятнадцати — это потолок, в который вы бы упирались, а не под которым работали бы. Seedance 2.5 идёт до тридцати и делает свой звук в том же проходе, так что пятнадцать секунд укладываются с запасом. Вот и всё решение.

Как мы сделали пятнадцатисекундный

Четыре шага. Первые три — картинки по три кредита за генерацию, и только четвёртый дорогой. Если нужный кадр уже есть внутри одного из ваших клипов, извлеките его, а не генерируйте — методу всё равно, откуда взялся кадр.

Шаг первый: выберите персонажа, прежде чем строить кадр

Если человек или животное должны быть одинаковыми в обоих кадрах, сначала сделайте их простое референсное изображение — отдельно, без действия, на фоне стены. Наш — птенец кагу, нелетающей серой птицы, национального символа Новой Каледонии. В готовом фильме он не появляется нигде. Его работа — быть переданным как референс в те два кадра, где он появляется.

Из этой картинки стоит вынести две привычки. Говорите, для чего референс и для чего нет — «сохрани дизайн персонажа, тот же хохолок, тот же клюв и лапы, те же пропорции, но в полный рост, мелко в кадре, стоя» — это совсем другая инструкция, чем передать файл и надеяться. И описывайте декорацию как список материалов, а не как помещение: называйте бетон, стену и крышу, а не здание, потому что помещение приносит с собой своё содержимое, и потом вы спорите с фоном, который сами пригласили.

Если вы делаете больше нескольких кадров с одним персонажем, перестаньте передавать файл вручную и сделайте из него персонажа в Kuro. Именованная идентичность несёт картинку и описание вместе и не может оказаться не тем файлом.

Шаг второй: начальный кадр

Seedream 5 Lite, 9:16 в 2K, с прикреплённым референсом персонажа. Три кредита за проход, и понадобилось два.

3D animated feature film style, vertical composition, wide establishing shot.

A tropical agricultural fair livestock pen: packed red dirt, weathered wooden
rail fences, and a wide muddy puddle in the middle ground.

Center of frame: an ENORMOUS Brahman bull lying on its back in the mud, all
four legs up in the air, blissfully wallowing, tongue lolling out, eyes
half-closed in pure contentment. He is obviously having the best moment of his
day. Mud splattered across his hide.

At the near edge of the puddle, tiny by comparison and no taller than the
bull's hoof: a baby kagu chick — ruffled grey crest swept back, bright orange
beak, bright orange feet, huge glossy black eyes, fluffy pale grey and cream
plumage. He is frozen mid-step, little wings half-raised in alarm, beak open,
staring at the bull in absolute horror. He believes the bull is drowning.

Background: three or four cattle farmers in classic cowboy hats — curved
upturned brim, creased pinched crown — walking past behind the fence, chatting
to each other, drinks in hand, completely ignoring the bull, not one of them
looking at the puddle. Their indifference must be clearly readable.

Bright harsh midday tropical sun, dust hanging in the air, shallow depth of
field on the background figures.

Keep the kagu chick's character design exactly as in the reference image —
same crest, same orange beak and feet, same eyes, same proportions — but full
body, small in frame, standing.

No readable text anywhere, no signage, no lettering on banners, no logos, no
subtitles, no watermark.

Промпт описывает общий план и написан как перечень того, что в кадре, по глубине: земля, затем бык посередине, затем птенец у ближнего края, затем мужчины за забором. Ни одного операторского термина.

Зеваки несут нагрузку, и написаны они именно так. completely ignoring the bull, not one of them looking at the puddle. Their indifference must be clearly readable — это не реквизит: именно это говорит зрителю, что с животным всё в порядке, и только поэтому паника птенца смешная, а не тревожная. Всё, от чего зависит сцена, должно быть описано как факт о картинке, а не подразумеваться ситуацией.

Второй проход был доработкой, а не вторым промптом. Первый вернулся верным во всём, кроме шляп: они были обычными широкополыми, а не ковбойскими. Перезапуск промпта с лучшей формулировкой перебросил бы вместе с ним и композицию — новый бык, новая лужа, хороший кадр выброшен ради исправления детали. Доработка существующей генерации одной инструкцией, которая меняет один элемент, сохраняет всё остальное.

Потом этот кадр подправили вручную, поэтому повторный запуск промпта даст вам кузена, а не близнеца. Когда кадр готов, авторитет — файл, а промпт — лишь рецепт. Оживляйте из файла.

Шаг третий: финальный кадр, сделанный из начального

Первый кадр — первый референс для второго. Всё, что не должно меняться, — расположение забора, пальма слева, шатёр справа вверху, тень на земле, высота солнца — берётся из картинки, а не из вашей способности дважды описать это одинаково. Референс персонажа идёт вторым, чтобы удержать клюв и хохолок под слоем грязи.

Same scene, same camera position, same lighting — the final frame of the shot.

3D animated feature film style, vertical composition, bright harsh midday
tropical sun, red dirt, wooden rail fences, same agricultural fair pen.

THE CHICK: the baby kagu is now COMPLETELY caked in mud — his pale grey down
plastered brown and dripping, his swept-back crest flattened and gloopy, thick
mud sliding off his wingtips, orange feet buried in slop. He stands square to
camera in the foreground right.

His face is the subject of the frame — a large, clear, unobstructed close read
of his expression: DISGUSTED. Deadpan, flat, thoroughly unimpressed. Eyes
half-lidded and looking directly into the lens, beak closed and slightly
downturned in a small grimace, head tilted a fraction to one side, one wing
lifted away from his body as if he cannot bear to touch himself. A single
strand of mud drips slowly off the tip of his crest. He is not sad, not
defeated, not crying — he is quietly revolted, and he blames the camera. Dry
comedic deadpan, the look-to-camera beat.

Despite the mud his huge glossy dark eyes and orange beak stay clean and
perfectly legible — the expression must read instantly at phone size. Framing
is noticeably tighter on him than the opening wide shot: he fills more of the
lower frame, chest-up to full body, face clearly the focal point, sharp focus.

THE BULL: gone. Only his muddy hindquarters and tail are still visible at the
very left edge of frame as he ambles calmly away, unhurried, unharmed. The mud
puddle behind the chick is churned up and empty, with a wide slick drag-trail
and deep hoofprints leading out of it toward the left.

THE COWBOYS: the same four men in cowboy hats behind the wooden fence, softly
out of focus now, still talking to each other, still holding their drink cans,
still laughing at something off-screen. Not one of them is looking at the bull,
the puddle or the chick.

Same background: blue sky with soft white clouds, palm tree at left, white
marquee tent at upper right, same fence layout, same tree shadow across the
red dirt foreground.

Keep the kagu chick's character design identical to the reference — same crest
shape, same orange beak, same orange feet, same eye size, same proportions.
Only the mud and the expression are new.

No readable text anywhere, no signage lettering, no logos, no subtitles,
no watermark.

Основную работу в этом промпте делают три решения.

Кадрируйте концовку плотнее начала. Разница между двумя кропами и есть движение камеры. Последний кадр того же размера, что и первый, не оставляет модели ничего, кроме ожидания.

Скажите, какое это выражение, а потом — каким оно не является. «Disgusted, deadpan, half-lidded, beak downturned — not sad, not defeated, not crying» — строка, которая отделяет шутку от трагедии. К тому же отвращение читается в одном кадре без всякой истории, а торжество требует, чтобы зритель додумал, во что верит персонаж. Из этого кадра нарезается превью, поэтому он должен работать без звука и без контекста.

Защитите лицо от того, о чём вы только что попросили. Грязь, покрывающая персонажа, покрывает вместе с ним и игру. his huge glossy dark eyes and orange beak stay clean and perfectly legible — вот что сохраняет панчлайн читаемым на экране телефона, и это была самая нужная этому кадру поправка.

Шаг четвёртый: клип

Оба кадра идут на вход, длительность — тоже, а промпт описывает только то, что происходит между ними.

Animate between the supplied first and last frames. 3D animated feature film
look, vertical 9:16, 15 seconds, one continuous take — no cuts, no shot changes.

CAMERA — starts locked on the wide establishing frame with faint handheld
drift. From about 0:10 it begins a slow, smooth dolly push-in toward the mud-
caked chick, tightening steadily and settling exactly on the final frame by
0:14: medium close-up, chick large in frame, background thrown soft. The push
is continuous and unhurried. Never cut, never zoom out, never whip-pan.

0:00–0:03  The bull keeps wallowing on his back in the puddle, legs paddling
           lazily in the air, tongue lolling, eyes half-closed in bliss, mud
           slopping and bubbling around him. The clean little grey kagu chick
           snaps his head left, sees the bull, and freezes — beak falling open,
           tiny wings flaring out in alarm.

0:03–0:06  Panic. He scurries back and forth along the near edge of the puddle,
           flapping his useless wings, barking sharply and fast, glancing from
           the bull to the camera and back.

0:06–0:11  The rescue. He charges into the mud, shoulders into the bull's flank
           and shoves with his whole body — orange feet skidding backwards
           through the slop, splattering himself. He abandons pushing, clamps a
           fold of the bull's hide in his beak and hauls, leaning right back,
           straining, feet sliding. The bull slowly blinks, entirely unbothered,
           and flops his legs again — a heavy wall of mud slaps the chick full
           in the face. His barking stops dead. He is now filthy, grey down
           plastered brown, a thick glob of mud sliding down his crest.

0:11–0:14  The bull rolls onto his front, stands up entirely on his own, shakes
           his hide, and ambles calmly out of frame to the LEFT — only his muddy
           hindquarters and swinging tail still visible at the edge. The chick
           trudges back out of the puddle and watches him go. The camera pushes
           in on him as he does.

0:14–0:15  He turns square to camera and holds a flat, deadpan, thoroughly
           DISGUSTED stare straight down the lens — eyes half-lidded, beak shut
           and downturned in a small grimace, one wing held stiffly away from
           his own filthy body as if he cannot bear to touch himself. A strand
           of mud drips slowly off the tip of his crest. Not sad, not defeated,
           not crying — quietly revolted, and he blames the camera. Hold on this.

THROUGHOUT — the four cowboys behind the wooden fence never once look at the
bull, the puddle or the chick. They keep talking to each other, sipping their
cans, laughing at something off-screen, for the entire fifteen seconds. Their
complete indifference must stay readable even as they drift out of focus during
the push-in. Nobody enters the pen. Nobody intervenes. Nobody is worried.

THE BULL IS NEVER IN DISTRESS at any point — he is blissfully enjoying his mud
bath from the first frame to the moment he strolls away. No struggling, no
panic, no sinking, no rescue actually occurring.

Character consistency: keep the kagu chick's design exactly as supplied —
swept-back grey crest, orange beak, orange feet, huge glossy dark eyes, same
proportions. Only the mud accumulates, progressively, across the shot.

Audio: the chick's sharp dog-like barking, frantic then cutting abruptly to
silence the instant the mud hits him; the bull's low contented grunts and
snorts; thick wet mud squelching, sucking and splashing; one heavy wet plop as
mud slides off the crest at the end; warm outdoor fair ambience; a distant
rodeo PA announcer and country music; sparse far-off applause and laughter; the
cowboys murmuring and chuckling throughout. No music score, no voice-over.

No on-screen text, no captions, no subtitles, no signage lettering, no logos,
no watermark.

Бриф написан как таймлайн, потому что оба конца уже зафиксированы: каждая строка в нём — о середине. Обратите внимание, чего в нём нет: ни описания декорации, ни цветов персонажа, ни кадрирования финального бита. Всё это есть в картинках, а повторять это словами — значит вручить модели второе, по-другому сформулированное мнение, которое придётся примирять с первым.

И всё равно это 3917 символов из 4000, которые Seedance 2.5 принимает. Таймлайн длинный по своей природе, поэтому потолок — реальное ограничение этого метода, а не теоретическое, — и это ещё одна причина не тратить его на повторное описание картинки, которую вы уже передали.

Что вернулось на самом деле

Мы сверили готовый файл с брифом. Четыре инструкции сработали точно. Четыре — нет, и это более полезная половина.

Один непрерывный дубль, без склеек, с приземлением на второй кадр. Наезд плавный и непрерывный и заканчивается на переданном крупном плане. Самый большой риск этого метода — видимый разрыв, где модель сдаётся и прыгает к цели, — не случился.

Ни один из четырёх ковбоев так и не посмотрел. Пятнадцать секунд полного равнодушия — это инструкция, на которой держится шутка. При этом они почти не анимированы: почти статичные позы ожидания за забором. Запрет сработал; игра — нет.

Лай обрывается ровно на всплеске. Единственный звуковой бит с видимой причиной в картинке пришёл на том кадре, на котором его просили.

Нигде нет читаемого текста. Ни вывесок, ни надписей, ни водяного знака — ни в одном кадре.

А вот четыре промаха:

Наезд начался на 0:00, а не на 0:10. Бриф просил зафиксированный кадр, который начинает двигаться на двух третях пути. Вместо этого камера все пятнадцать секунд равномерно двигалась от первой картинки к последней. Инструкция по таймингу внутри кадра — это пожелание; срабатывает форма движения. Если движение должно начаться поздно, ему нужна своя генерация.

Действие из двух частей стало одной. Спасение было написано так: упереться плечом в бок, не справиться, затем тянуть шкуру клювом. Выжило только вытягивание. Два последовательных физических действия в одном бите — это выбор, который вы отдаёте модели, и она его сделает.

Грязь пришла одним ударом на 0:08, а не постепенно. Only the mud accumulates, progressively, across the shot — самое трудное, чего можно добиться этим методом, и причина структурная: два кадра задают чистое состояние и грязное, и ничто не обязывает модель тратить на переход между ними больше одного мгновения. Постепенному изменению в течение дубля нужен промежуточный кадр, а не наречие.

Диктор по громкой связи произнёс слова. Просьба о a distant rodeo PA announcer дала синтезированный английский — внятную бессмысленную фразу под последними пятью секундами. Атмосфера, описанная как говорящий человек, даёт говорящего человека, а выдуманная речь — самый громкий признак искусственности, какой может нести клип. Просите шум толпы без диктора — или напишите реплику сами.

В целом микс беднее брифа: кантри, аплодисменты и смех так и не появились, а дорожка измеряется в −26,0 LUFS интегрально при истинном пике −5,5 dBFS — скупо и тихо, а не ярмарка. Нативный звук стоит иметь, но доверять ему саунд-дизайн пока не стоит.

Что ломается и как это исправить

Сколько это стоило

Четыре процента ушло на картинки и девяносто шесть — на движение, и это соотношение — главный довод в пользу всего метода: каждое решение, которое можно было принять внутри этих четырёх процентов, было принято там. Оцените дубль, прежде чем запускать: пятнадцатисекундный клип Seedance 2.5 стоит ровно втрое больше пятисекундного, и ползунок длительности об этом не говорит.