Grok Imagine Video 1.5: полное руководство по промптам

Grok Imagine Video 1.5 оживляет изображение, которое вы ему даёте. От одной до пятнадцати секунд, звук создаётся за тот же проход, и запустить модель по одним словам нельзя: каждый клип начинается с изображения, и это изображение возвращается первым кадром почти без изменений.

В этом вся суть модели. Нет слота для референсов, нет слота для последнего кадра и нет переключателя звука, поэтому почти всё, что у другой модели было бы настройкой, либо уже есть в вашем изображении, либо недоступно вовсе.

Изображение — это и есть бриф. Промпт — только то, что меняется.

Кроме того, модель строит клип от начала к концу: сначала первый кадр, затем каждый следующий момент из предыдущего, а не планирует всё целиком, чтобы потом заполнить. Половина правил ниже вытекает именно отсюда: почему выживает ваша исходная композиция, почему порядок ваших предложений — это порядок фильма и почему модель скорее повернёт голову, чем сделает склейку.

Цена, ограничения и настройки — на странице модели Grok Imagine Video 1.5. Это руководство — о том, что писать.

Обзор

Коротко

Четыре решения делают основную работу. Если больше ничего не читать, прочтите их. Каждое подробно разобрано ниже.

1. Вложите силы в изображение, а потом описывайте только то, что движется

   Ваше изображение возвращается первым кадром почти нетронутым: 35,5 дБ относительно оригинала, а три дубля на трёх никак не связанных изображениях совпали между собой в пределах 0,15 дБ. Кадрирование, одежда, реквизит и свет — всё сохраняется. Описывать это повторно бесполезно: так вы лишь провоцируете модель перерисовать то, что и так было правильным.

   Вместо

   A raccoon on a doormat at night, infrared, a white door behind it…

   Пишите

   The frame is already correct. Animate it and change nothing else.

2. Говорить, чего не делать, бесполезно

   xAI прямо пишут, что отрицательные формулировки игнорируются, и наши прогоны это подтверждают. Один пятнадцатисекундный бриф требовал жёстких склеек и запрещал наплывы в общей сложности восемь раз — и вернулся с наплывом на всех девяти сменах плана. Просите то, что вам нужно, как то, что происходит, а не как то, чего быть не должно.

   Вместо

   No camera movement, no zoom, no push-in, no drift

   Пишите

   The framing at ten seconds is identical to the framing at zero seconds — same crop, same angle, same lens

3. Склейку нельзя попросить. Её можно сделать неизбежной

   Grok меняет план так, как это сделало бы тело. Попросите новый ракурс с той же дистанции — и он повернёт голову. Попросите новую дистанцию — никакое движение тела этого не даст, поэтому он клеит. Дубль, в котором не было ни одной инструкции о склейке, вернулся с двумя чистыми жёсткими склейками, и обе были скачками крупности.

   Нужен непрерывный дубль? Закрепите крупность плана — she is the same size in the frame in the last second as in the first. Нужны склейки? Пишите планы с разной дистанции или рендерьте их по отдельности и потом склейте.

4. Звук отвечает на события, и выключить его нельзя

   Каждый дубль создаёт звук, пишете вы для него что-то или нет. Громкость задаёт не формулировка, а количество происходящего. Три дубля, где просили только фон помещения, вернулись с уровнем от −70 до −65 LUFSМера громкости. Готовое видео для соцсетей звучит примерно на −16 LUFS; −70 LUFS — это тишина, у которой просто есть размер файла. — то есть неслышно, — а дубль с клаксоном, шагами, дождём и рольставней вернулся на −15,8.

   Описывайте звук как список событий, у каждого — материал и поверхность, а не как настроение. Если в кадре ничто не издаёт звука, ждите беззвучный файл и планируйте подложить свою дорожку.

Что модель принимает

Семь именованных соотношений — самый широкий набор здесь после Seedance, а одна секунда — настоящая длительность, а не погрешность округления: полезно как акцентный бит в монтаже. По сравнению с Veo 3.1 и Seedance 2.5 модель отказывается от всех остальных входов: ни референсов, ни последнего кадра, ни тишины.

Сколько это стоит

Один фиксированный тариф и самая простая цена в каталоге: около 6,7 кредита в секунду, при любом разрешении и любой форме кадра.

480p и 720p стоят одинаково, поэтому дешёвый тест — это более короткий клип, а не более мелкий. На Seedance экономят, снижая разрешение. Здесь экономят, сокращая длину вдвое.

Односекундный дубль за 7 отвечает на многие вопросы: принято ли изображение, вышло ли соотношение сторон таким, как вы задали, читает ли модель план так же, как вы.

Правила

Девять вещей, которые верны, что бы вы ни делали. Каждая выросла из дубля, за который пришлось заплатить, и они расставлены по тому, сколько сэкономят вам.

Описывайте то, что меняется, а не то, что уже есть на изображении

Изображение — не подсказка. Это первый кадр.

В сравнении с исходным кадром, который мы передали, первый кадр клипа возвращается с показателями 35,5, 35,6 и 35,65 дБНасколько близки два изображения, измеренное как пиковое отношение сигнал/шум. Выше примерно 35 дБ разницу вообще трудно заметить. Около 20 дБ — это уже перерисовка, а не копия. на трёх совершенно разных изображениях: персонаж бежит по проходу серверной, селфи в спальне, кадр в зеркале. Модель, которая считает первый кадр опорой, а не жёсткой фиксацией, на том же тесте даёт 21,5 дБ. Пятнадцать децибел разницы — это уже другой инструмент.

Поэтому всё, что решено изображением, решено окончательно: кадрирование, одежда, реквизит, состояние комнаты, свет. Единственная задача промпта — движение.

В одном месте фиксация слабее, и об этом стоит знать, прежде чем строить на ней серию. Дубль, где героиня была в расшитом монгольском дээле, вернулся с 32,46 дБ в целом, и потеря оказалась не там, где вы бы подумали:

Лицо — самое сохранное, что есть на изображении. Перерисовывается ткань. Медальон на поясе, его янтарный камень и обе подвески с кистями через десять секунд — те же предметы того же дизайна; перерисовываются нити. Если ваш объект — одежда, держите детализацию на уровне предметов на ней и не ждите, что вышивка в 2048 пикселей доберётся до 720p целой.

Говорить, чего не делать, бесполезно

Модель игнорирует отрицательные формулировки. xAI это документируют, а мы заплатили, чтобы убедиться.

Пятнадцатисекундный экшен-бриф трижды написал HARD CUT. внутри битов, запретил наплывы и затемнения в строке стиля, а затем ещё раз запретил наплыв, затемнение и шторку в строке Avoid:. Восемь инструкций, ноль жёстких склеек — и наплыв на всех девяти сменах плана. Тот же бриф на Seedance дал восемь склеек.

Решение — никогда не девятый запрет. Нужно найти утвердительную фразу, которая делает нежелательное невозможным:

• «no camera movement» → «the framing at ten seconds is identical to the framing at zero seconds — same crop, same angle, same lens, same distance from the mat»;
• «no change of shot size» → «her arm’s length never changes, so she is the same size in the frame in the last second as in the first»;
• «no readable text» → сделайте предмет too small and too far out of focus to read, чтобы композиции вообще не понадобилась надпись.

Строку Avoid: в конце брифа стоит оставлять только по одной причине: тогда плохой результат — это результат, провалившийся вопреки инструкции, а это полезнее знать, чем провал без объяснений. Не тратьте на неё символы в расчёте на отдачу.

Склейку нельзя попросить. Её можно сделать неизбежной

Как обрабатывается смена плана, решает содержание, а не промпт.

Это самое полезное знание об этой модели, и чтобы его зафиксировать, понадобилось четыре дубля.

• Десятисекундный влог из спальни без единой инструкции о склейке вернулся с двумя чистыми жёсткими склейками, на 1,83 с и 3,62 с.
• Пятнадцатисекундная погоня, требовавшая девять жёстких склеек, вернулась без единой.
• Ещё два десятисекундных дубля — селфи в зеркале и скачка верхом — вернулись без склеек при любом пороге детекции от 0,4 до 0,1.

Закономерность не связана со словами. Всё дело в том, могло ли это сделать тело:

Обе склейки в том влоге были скачками крупности. Оба места без склейки были сменой ракурса, сделанной одним непрерывным поворотом перед телефоном, который так и не сдвинулся. Погоня просила девять смен плана, и все они, как их прочла модель, были местами, куда могла бы дойти ручная камера, — так что она дошла.

Два следствия. Для непрерывного дубля закрепите крупность плана и сформулируйте это как нечто истинное, а не как то, чего надо избегать. А вещь, которой действительно нужно восемь жёстких склеек, — это восемь генераций, отрендеренных по отдельности и склеенных потом, а не один бриф, выкрикивающий HARD CUT.

Звук отвечает на события, и выключить его нельзя

audio_mode: required. Дорожка будет. Вопрос лишь в том, будет ли на ней что-нибудь.

Семь дублей, измеренных одинаково. Отсортируйте их по тому, что на самом деле называл звуковой блок, и закономерность очевидна:

Три верхних — тишина с размером файла. Если попросить гул, не дав ему ни к чему привязаться, модель не даёт ничего вовсе, а не что-то тихое. Попросите смех — получите смех на −26,9. Попросите погоню — получите полноценный микс.

Поэтому пишите звук так, как написал бы звукорежиссёр: назовите событие, материал и пространство. «City sounds, traffic» — это настроение. «Cars passing, skateboard wheels on pavement, a distant rumble down the street» — это список того, что происходит.

Две находки поменьше, которые стоит запомнить:

Отвёрнутое лицо — это лицо без дорожки. В скачке смех начинается на 2,86 с и падает на двадцать децибел, до уровня фона, на 6,40 с — ровно в тот кадр, когда она отворачивает голову от объектива. Она явно смеётся ещё до 8,5 с, так что две полные секунды смеха беззвучны. Простейшее объяснение: модель сводит голос по камере, а не по персонажу. Если звук должен быть слышен, играйте его в объектив.

Запрещайте речь дважды, если никто не говорит. Улыбающийся исполнитель без заданного звука — приглашение сочинить ему реплику и синхронизировать губы на любом языке, какой модели заблагорассудится. Скажите это в звуковом блоке, а потом ещё раз как действие — «she never opens her mouth to speak». Этот запрет сработал в каждом прогоне, что делает его одним из двух отрицаний, которые стоит писать, наряду с «no music».

Просите конечное состояние, а не величину

Величина читается как жест. Пункт назначения — как правило.

Реконструкция телетрансляции просила наезд «no more than three percent across the whole clip, so slight it is nearly invisible» и получила примерно двадцать процентов: к пятой секунде статист на переднем плане вышел из кадра.

Сформулированная как утверждение о последнем кадре, та же инструкция работает точно. Ролик с дверного звонка говорил: «the framing at ten seconds is identical to the framing at zero seconds — same crop, same angle, same lens, same distance from the mat.» Кадр 0 и кадр 239 кладут край двери, обе петли, линии филёнок, край коврика, изгиб ступеньки и виньетку на идентичные пиксели.

Это работает не только для движений камеры. Всё, что можно сформулировать как «X is the same at the end as at the beginning», модель способна удержать. Всё, что сформулировано как величина, — лишь пожелание.

Склейка может прийти раньше; тело — нет

Биты сохраняют порядок. Сдвигает их то, сколько длится действие.

Таймкоды читаются, и порядок ваших битов — это порядок фильма. Меняется то, насколько смещается метка, а это зависит от того, чем она является:

• Две смены плана, которые вышли склейками, пришли раньше: просили 2,0 с → 1,83 с, просили 4,0 с → 3,62 с.
• Четыре, которые вышли движениями, выполняемыми персонажем, все пришли позже: +0,4 с, +1,0 с, +2,5 с, +1,0 с. Сдвиг на +2,5 с утащил за собой целое окно.

Склейка не занимает времени и может встать куда угодно, в том числе раньше своей метки. Поворот на 180° длится столько, сколько нужно телу, и всё, что стоит за ним в очереди, съезжает.

Подтверждение — дубль, где был запланирован один поворот и после него ничего. Две его метки пришли на −0,14 с и −0,10 с, обе раньше, а сам поворот затем занял на две секунды больше без ущерба для расписания, потому что ничто его не ждало.

Закладывайте исполняемый бит по тому, сколько длится движение, а не по тому, сколько битов влезает в хронометраж. Никогда не ставьте поворот в середину плотного расписания.

И ещё одно, чего стоит ждать от бит-листа. В формате, который модель хорошо знает, большой привычный жест придёт, просили вы его или нет, а маленький конкретный ему проиграет. Бриф, просивший «a quarter turn of the hips», получил полный разворот от зеркала с удержанием на три секунды — стандартное движение этого жанра, — а «glances down at the phone for a moment», чего в этом словаре нет, так и не случилось. Считайте бит-лист расписанием, которое модель заполняет, а не сценарием, которому она следует.

Потратьте на финал одно действие

Модель замедляется к последней секунде. Seedance из неё ускоряется.

На последних 1,4 секунды одного и того же финального бита Grok показал 14,5 → 4,4 по межкадровой разнице, замедляясь до остановки, а Seedance — 7,0 → 17,6, и в момент окончания двигался быстрее всего.

Ни одна из моделей не заканчивает на застывшем кадре, но последствие реально. Тот финальный бит просил два действия: «shoves the deck into her hoodie pocket and pushes up out of the crouch to run again.» Grok сделал первое и успокоился.

Поэтому правило, что финальный блок должен называть событие, — вывод для Veo и Seedance — не переносится сюда буквально. Здесь финальный блок должен называть ровно одно событие, и это должно быть то, что вы хотите видеть на экране в последний миг.

Модель держит изображение, а не предметы на нём

Насколько точен кадр и насколько стабилен предмет — две разные вещи, и только одна из них равна 35 дБ.

В первом кадре погони правильный реквизит: плоский матово-чёрный карманный компьютер с ярко-розовым X на крышке. Ко второй секунде она несёт смартфон в красном корпусе с розовым X на обоях, и он остаётся телефоном большую часть середины клипа. Целый абзац Prop:, описывающий его форму, цвет и светящуюся полосу по краю, этого не предотвратил.

Текст расщепляется так же. Графика кадра телетрансляции вернулась с каждой строкой верной — название турнира, счёт, часы, логотип канала, плашка LIVE, — но с перерисованной вёрсткой: мельче, без обводки ячеек, а рядом с LIVE вырос ▶. Этот новый дизайн затем держался до конца клипа. Более тонкая накладка в другом дубле — таймкод в углу и точка REC — уцелела нетронутой.

Читайте это так: модель копирует данное вами изображение, а затем пересобирает каждый предмет на нём из того, что подсказывает предыдущий момент. Всё, что должно быть точным с нового ракурса, в промпте не в безопасности. Если графика должна быть верной, накладывайте её потом, там, где модель её никогда не увидит.

Модель оживит сфотографированное лицо

Grok без возражений принимает сфотографированного человека в качестве первого кадра — и поскольку ему нужно изображение, этот кадр и есть единственный вход. Он принял и кадр 4:3, ничего не взяв дополнительно за форму.

Это не разрешение. Лицо, которое вы не вправе использовать, по-прежнему остаётся лицом, которое вы не вправе использовать, и все люди в примерах здесь сгенерированы. Собственный фильтр модели к тому же строг к названным по имени людям, брендам и логотипам и ошибочно срабатывает на безобидных промптах. Описывайте вымышленного человека и держите бренды обезличенными, вместо того чтобы спорить с ним.

Пайплайны

У Grok один вход: изображение и промпт. От задачи к задаче меняется лишь то, откуда берётся первый кадр, — а поскольку это весь ваш бюджет на внешность, этот выбор важнее промпта.

Блоки, из которых состоит любой бриф

Каким бы путём ни появилось ваше изображение, промпт собирается из одних и тех же частей, в том порядке, который модель читает надёжнее всего. Она рендерит от начала к концу, поэтому порядок промпта — это порядок на таймлайне: действие, написанное в начале брифа, происходит в начале клипа, а зарытое в конце может прийти поздно или не прийти вовсе.

[Continuity]  who and what must not drift, named once
[Camera]      where the lens is, and the end state that proves it stayed
[Motion]      what moves, and how hard
[Beats]       the schedule, stamped, in the order it happens
[Sound]       events, with their materials and their spaces
[Style]       the stock, the grain, the frame rate
[Avoid]       kept for the record, not for the result

Блока [Look] нет, и в этом весь смысл: свет, цвет, одежда и комната пришли вместе с изображением. Писать о них снова — значит тратить символы на уже принятое решение и провоцировать модель его перерисовать.

Вычёркивайте всё, что уже показывает изображение. Если фраза была бы верна для исходного кадра, ей не место в брифе клипа.

Ещё две вещи о битах. Держите их крупными — один объект, одно действие, одна идея для камеры на каждый; это совет самих xAI, и он совпадает с нашими измерениями. И используйте сильные слова для того, насколько резко всё движется, потому что без них модель выбирает собственное прочтение, обычно более мягкое, чем вы хотели: «car passing» превращается в «car racing past at high speed», «the wave crests» — в «crests fully and pitches forward, crashing down».

Как писать звуковой блок

Звук не опционален, так что этот блок никогда не получится пропустить. Работают две записи, ни одна не лучше другой, и обе лучше, чем звук, зарытый в предложении об изображении.

Sound: …      a paragraph among the others
AUDIO: …      a section at the very end of the prompt

Внутри — события, и у каждого названы материал, на котором оно происходит, и пространство, в котором оно звучит.

Sound: night ambience, faint crickets and a distant road. Claws on concrete
and the scuff of cardboard as the first parcel is set down. A beat of near
silence as the eyes open. Then many sets of claws on concrete at once, and
cardboard settling on cardboard as the stack builds. No music, no voices.

Три вещи, которые стоит знать, прежде чем его писать.

Тишины нет в меню, но часто вы получаете именно её. Если в кадре ничто не издаёт звука, ждите дорожку на −65 LUFS или ниже и планируйте озвучить её сами. Это же значит, что клип, который вы собираетесь опубликовать без звука, не стоит ничего сверх — звук в любом случае входит в ту же посекундную цену.

Хотите реплику — процитируйте её. Короткие диалоги работают, а синхронизация губ приличная на фронтальном портрете с видимым ртом. Делайте реплику короткой, держите камеру неподвижной, а интонацию указывайте в звуковом блоке («hesitant, then determined»).

«No music» — одно из двух отрицаний, которые, похоже, работают, второе — запрет речи, — но давайте честно. Ни один наш дубль не вернулся с музыкой, и ни один не был сценой, в которой музыка была бы уместна. В вещи, которая сама просит саундтрек, ждите спора, а не исполнения.

Пайплайн A: нарисовать первый кадр

Вариант по умолчанию и то, что делает большинство примеров здесь. Создайте изображение на модели для картинок, посмотрите на него, исправьте, а потом передайте готовую картинку.

Для чего он

• Лучше всего для: всего выдуманного — декорации, существа, found-footage-приёма, фирменного оформления, персонажа, который существует в одном файле.
• Чего стоит: второй генерации и второго просмотра, обычно от 4 до 11.
• Следите за: исходный кадр — весь ваш бюджет на внешность, поэтому, если в ролике есть человек, в нём должно быть лицо. Детальный кадр даёт модели пару рук и просит придумать женщину на следующие десять секунд.

Как писать исходный кадр

Трём вещам место в первом кадре, а их по привычке оставляют на клип:

• Мизансцена. Неубранная кровать, сброшенные ботинки, гора хлама. Модель, которую посреди клипа просят устроить беспорядок в прибранной комнате, будет его устраивать, пока идёт съёмка.
• Текст. Видеомодель, которую просят придумать заголовок, подбирается близко и не ближе. Модель для картинок пишет его правильно. Поместите логотип, таймкод и табло счёта в изображение, и пусть клип их сохранит.
• Крупность плана. Первый кадр и есть начальный план, с точностью 35 дБ. Компонуйте его как первый план фильма, а не как портрет персонажа.

И одна вещь, которой не место нигде: делайте нежелательный текст нечитаемым, а не запрещённым. Стена фотоотпечатков, описанная как «too small and too far out of focus to read», не дала ни одной надписи. Запрещённая строка, которой композиция всё равно хочет, — это строка, которую модель нарисует плохо.

Разобранные примеры: Этого никто не снимал и Девять планов и ни одной склейки.

Пайплайн B: оживить уже имеющееся изображение

Генерация, которая уже лежит в вашей Библиотеке, или фотография. Ни второго рендера, ни второй оплаты — а первый кадр зафиксирован, это не то, от чего можно откупиться.

Для чего он

• Лучше всего для: самого дешёвого клипа из возможных, ведь изображение уже оплачено, и для того, чтобы вернуться к тому, что вы сделали несколько недель назад.
• Чего стоит: рычага. В нарисованный кадр всё, что нужно клипу, можно добавить на первом шаге. Здесь десять секунд приходится писать под уже имеющееся изображение.
• Следите за: соотношением сторон. На Auto клип берёт собственную форму изображения — так клип 4:3 и оказывается в ленте 9:16.

Как писать бриф

Сначала прочтите изображение и пишите только то, что оно способно выдержать. Скачка ниже — как раз такой случай: в кадре грива, седло, повод и кусочек плеча — ни ног, ни головы, — поэтому бриф ни разу не описывает аллюр. Он описывает следы аллюра, а сам аллюр отдаёт камере: «a light regular bounce in time with the horse’s stride.»

Измерения результата подтверждают, что это сработало. Кадр движется вверх-вниз гораздо больше, чем из стороны в сторону (в среднем 2,3 пкс против 0,9 пкс на кадр), покачивание держит ровные 1,6–1,8 Гц все десять секунд, а за 241 кадр дрейф по вертикали составляет 28 пкс на картинке шириной 1280 пикселей. Панорама накапливается; это — нет.

Кадру, в котором нет трудного, не приходится его решать.

Некоторые изображения дают правило бесплатно. Селфи — одно из них: рука не может изменить длину, поэтому крупность плана закреплена физикой, а не обещанием, — а это, по правилу о склейках выше, непрерывный дубль, за который не пришлось спорить.

Разобранный пример: Скачка, которую никто не снимал.

Пайплайн C: несколько дублей, склейка на монтаже

Пятнадцать секунд — потолок, а жёсткие склейки промптом не попросить, поэтому всё, что длиннее, или всё, что действительно смонтировано, — это больше одной генерации.

Для чего он

• Лучше всего для: монтажа-нарезки, последовательности с настоящими склейками, всего длиннее пятнадцати секунд.
• Чего стоит: непрерывности, которую здесь не передать никаким входом. Нет ни канала референсов, ни слота для последнего кадра.
• Следите за: дрейфом между дублями. Именно здесь Grok слабее всего на фоне альтернатив, и об этом стоит сказать прямо.

Как выстраивать цепочку

Извлеките последний кадр одного дубля, передайте его как стартовое изображение следующего и в конце склейте серию. Первый кадр фиксируется с точностью 35 дБ, поэтому шов действительно плотный — плотнее, чем тот же приём на модели, которая считает первый кадр лишь опорой.

Чего цепочка не умеет — так это вернуться к персонажу после плана, в котором его не было. Если вашей вещи нужен один персонаж в восьми планах с восьми ракурсов, честные ответы — модель со слотом референсов (Seedance 2.5 принимает тридцать) или модель для картинок, держащая лист персонажа, а Grok оживляет каждый кадр, который она выдаёт.

Готовой цепочки, которую можно показать, у нас пока нет, и выдумать её стоило бы меньше, чем честно об этом сказать.

Когда что-то ломается

«Не даёт сгенерировать — требует изображение»

У этой модели нет режима «текст в видео». Композер блокирует запрос ещё до того, как он что-то стоит, с сообщением «Grok Imagine Video 1.5 нужно изображение объекта — прикрепите его перед генерацией.»

Решение: сначала создайте изображение или выберите его в Библиотеке. Если вам нужен клип по одним словам, это Seedance или Veo, а не эта модель.

«Мои склейки не случились»

Стиль перехода из промпта задать нельзя. Каждый запрет, каждый HARD CUT., каждое «nine shots» в строке стиля — ничто из этого не меняет того, как обрабатывается смена плана.

Решение: если следующий план снят с другой дистанции, чем предыдущий, модель склеит сама. Если нет, никакие слова склейку не купят, и вещь придётся рендерить отдельными дублями и склеивать.

«Соотношение сторон не то, что я просил»

На Auto клип берёт собственную форму стартового изображения.

Решение: задайте соотношение явно и делайте исходный кадр сразу нужной формы, чтобы они совпадали. Изображение 4:3, переданное в настройку 9:16, — это кадрирование, о котором кому-то придётся решать, и дешевле решить это на первом шаге.

«Звуковая дорожка беззвучная»

Бриф просил атмосферу и не дал модели, к чему её привязать. Одна только атмосфера возвращается на −65 LUFS или ниже, а это никто не услышит.

Решение: называйте события с материалом, на котором они происходят, — шаги по гравию, кружку, поставленную на дерево, грохот рольставни, смех. Если в кадре действительно нечему звучать, примите беззвучный файл и подложите свою дорожку. За звук всё равно отдельно не платили.

«Камера сдвинулась, хотя я запретил»

Вы задали величину. Процент, «slight», «nearly invisible» — всё это читается как жест в сторону движения, а значит, и есть движение.

Решение: вместо этого опишите конечное состояние. «The framing at ten seconds is identical to the framing at zero seconds» дало пару попиксельно одинаковых кадров на протяжении 240 кадров.

«Всё после первого бита пришло с опозданием»

На пути стоит действие. Поворот, шаг, любое крупное физическое движение длится столько, сколько нужно телу, и каждый бит за ним съезжает.

Решение: поставьте поворот последним или дайте ему собственное окно, за которым ничего не стоит в очереди. Склейки могут прийти раньше; тела — нет.

«Последняя секунда провисает»

В финальном бите два действия. Модель исполняет первое и затихает к концу.

Решение: одно действие в финальном блоке, и пусть это будет то, что вы хотите видеть на экране в последний миг.

«Предмет на моём изображении превратился в другой предмет»

Модель копирует данный вами кадр, а затем с каждой сменой ракурса пересобирает каждый предмет заново. Реквизит, описанный в промпте, сам по себе этого не переживает.

Решение: держите предмет под постоянным ракурсом, делайте дубль коротким или рендерьте планы, где он виден с нового ракурса, отдельными генерациями. Если это графика, а не реквизит, накладывайте её потом.

«Текст в моём кадре вернулся перерисованным»

Слова выживают; дизайн — нет. Ждите, что написание будет верным, а вёрстка — переосмысленной, и такой она останется до конца клипа.

Решение: всё, чей дизайн должен быть точным, — задача для композитинга. Всё, чья формулировка должна быть точной, место в исходном кадре, крупно.

Разобранные примеры

Три готовые вещи, каждая с брифом, который её создал. Каждая — одна генерация: здесь нет ничего, собранного из нескольких дублей, а на этой модели это значит, что склейки здесь есть только там, где модель решила их поставить.

Этого никто не снимал

Пайплайн A: нарисованный исходный кадр, а затем десять секунд камеры, которая не может двигаться.

Камера дверного звонка ничего не выбирает. Она прикручена к стене, не может панорамировать, не может клеить и не знает, что снимает. Поэтому неподвижное крепление — это весь жанр, и одна инструкция важнее всех остальных.

Камера ни разу не сдвинулась. Кадр 0 и кадр 239 кладут край двери, обе петли, линии филёнок, край коврика, изгиб ступеньки и виньетку на идентичные пиксели. Это правило конечного состояния в действии: более ранний дубль с телетрансляцией просил наезд «no more than three percent» и получил двадцать, а этот попросил, чтобы кадрирование на десятой секунде равнялось кадрированию на нулевой.

Интерфейс камеры — в исходном кадре, а не в промпте, и он уцелел нетронутым: FRONT DOOR, таймкод, батарея и точка REC — тот же стиль, те же позиции, неподвижно. Тонкая надпись в углу ближе к тому, чего ждёт модель, чем графика телетрансляции, — и именно графика телетрансляции вернулась перерисованной.

Две вещи, которым он учит о звуке. Гэгу со светящимися глазами звук был вовсе не нужен, и модель сама создала для него атмосферу, — но строка Audio: в брифе по большей части про атмосферу, и дорожка меряется на −48,7 LUFS. Слышно, если прислушаться, незаметно в ленте. Погоня ниже просила клаксон, дождь, шаги, рольставню и удар тела о кирпич — и вернулась на тридцать децибел громче.

The frame is already correct. Animate it and change nothing else.

Camera: bolted to the wall beside the door. It cannot move. The framing at
ten seconds is identical to the framing at zero seconds — same crop, same
angle, same lens, same distance from the mat. No pan, no tilt, no zoom, no
push-in, no handheld drift, no rack focus, no cut.

0-3s: the raccoon crouches and sets the white parcel down on the doormat,
then nudges it with one paw until it sits square to the edge of the mat.

3-4s: it rises back onto its hind legs and looks straight into the camera
lens, and holds still.

4-5s: behind it, in the solid black beyond the mat, pairs of small bright
eyes open and catch the infrared. A dozen of them, spread across the
darkness at the same low height. Nothing else of them is visible yet. The
raccoon in front does not turn around.

5-10s: they walk forward out of the black into the infrared light, one
raccoon behind each pair of eyes, every one of them carrying a plain white
parcel of its own. They reach the mat unhurried and set their parcels down,
building a neat stack. The first raccoon steps aside and lets them work. At
ten seconds the stack stands on the mat and several of them are looking
directly into the lens.

Light: constant infrared, blown out near the door, solid black past the mat.
No exposure shift, no flicker, no colour anywhere, no porch light switching
on.

Overlay: FRONT DOOR, the timestamp and the REC dot are burned into the
frame. They do not move, drift, warp or re-spell.

Audio: night ambience, faint crickets and a distant road. Claws on concrete
and the scuff of cardboard as the first parcel is set down. A beat of near
silence as the eyes open. Then many sets of claws on concrete at once, and
cardboard settling on cardboard as the stack builds. No music, no voices, no
dialogue.

Avoid: camera movement of any kind, cuts, dissolves, speed ramps, a raccoon
that morphs or changes size, a human appearing, the door opening or closing
further, colour appearing in the frame, on-screen text other than the
overlay already in the frame, captions, watermarks, a doorbell chime.

A frozen frame from a home doorbell camera at night, infrared night vision.

Look: monochrome with a cold blue-grey cast and no colour anywhere. A harsh
infrared floodlight from the camera itself blows out the doorframe and the
near concrete to almost white, and falls off to solid black about two feet
past the doormat. Wide fisheye lens, strong barrel distortion bending the
edge of the step into a curve, dark vignetted corners. Soft focus, visible
sensor noise, heavy compression, the flat cheap look of real security
footage.

Framing: vertical, the camera fixed to the wall beside the door at chest
height and angled slightly down onto a concrete stoop. On the left a white
panelled front door stands half open, its small window catching the
infrared. Centre, a dark rectangular doormat on the concrete. Beyond the
mat, total blackness.

Subject: a raccoon standing upright on its hind legs on the doormat, facing
the camera dead-on, holding a small plain white cardboard parcel against its
chest with both front paws. Thick fur, ringed tail, black mask across the
eyes, eyes bright and reflective in the infrared. Lightly stylised, a
character from a 3D animated film rather than a photograph of a wild animal.
Calm and deliberate, as if making a delivery.

Overlay burned into the frame, thin white sans-serif, crisp and correctly
spelled. Top left: FRONT DOOR. Top right: 08/05/2026 02:47:13. Bottom left:
a small battery icon, then a small filled dot, then REC.

No other text, no people, no other animals, nothing else on the porch.

Скачка, которую никто не снимал

Пайплайн B: изображение, которое уже существовало.

Самый дешёвый клип на этой странице, потому что первый кадр был сделан несколько недель назад для другой задачи. Шестьдесят семь кредитов, с первой попытки, без перегенераций.

Изображение решает почти всё. Её рука уходит из кадра в левом нижнем углу, значит, камера — это рука на движущейся лошади, а от лошади в кадре грива, седло, повод и кусочек плеча — ни ног, ни головы. Поэтому бриф ни разу не просит аллюр. Он просит, чтобы грива взлетала, волосы развевались, кисти раскачивались, а гребень холма проплывал мимо, а саму рысь отдаёт камере: «a light regular bounce in time with the horse’s stride.» Покачивание вернулось ровным, 1,6–1,8 Гц, на все десять секунд.

Ради звука этот клип и стоит смотреть со звуком. Три более ранних дубля просили фон помещения под молчащим исполнителем и вернулись беззвучными. Этот попросил смех, и смех приходит на −26,9 LUFS, на сорок децибел громче них. А ещё он обрывается на 6,40 с — в тот кадр, когда она отворачивает голову от объектива, хотя явно смеётся ещё две секунды.

И то, чего никто не писал: «looks off past the camera toward the hills for a moment» вернулось головой, полностью запрокинутой навстречу ветру, с развевающимися волосами, на две секунды. Это стандартный образ этого формата, и обе половины инструкции — toward the hills, for a moment — ему проиграли.

The woman in the first frame is riding a horse at a steady trot across open
Mongolian grassland, filming herself on her phone held out at arm's length.
One continuous unbroken take, ten seconds, no cuts and no transitions of any
kind.

She is the same woman the whole way through — same face, same long dark
wind-blown hair, same dark brown deel with gold-brown embroidered trim, same
wide silver belt with the round silver medallion and its amber stone, same
pair of silver tassel pendants hanging at her hip. Her right hand keeps hold
of the rein at the red saddle the whole time. Nothing about her drifts,
morphs or re-rolls.

The camera is her own hand at the end of her outstretched arm, so it rides
with her: a light regular bounce in time with the horse's stride, a small
amount of hand sway, nothing more. It never pans, tilts, zooms, pushes in or
pulls back, and it never leaves her hand. Her arm's length never changes, so
she is the same size in the frame in the last second as in the first,
filling the frame from the waist up and slightly off centre.

Show that the horse is moving through the horizon rather than through its
legs: the black mane in the lower right lifts and falls in time with the
bounce, her hair streams back off her shoulders, the tassels at her belt
swing, and the grassland, the fence and the two white gers behind her drift
steadily past. Keep the horse's legs and head out of the frame exactly as
they are now.

0.0s — She holds the frame, riding, smiling into the lens as her hair blows
across her face and she lets it.

3.0s — She laughs — a real open laugh with her eyes creasing and her
shoulders shaking, chin lifting a little, delighted. She keeps her eyes on
the lens and keeps hold of the rein.

6.5s — Still laughing, she looks off past the camera toward the hills for a
moment, then back to the lens, and the laugh eases down into a wide open
grin as she rides on.

Land: rolling green-brown steppe under a low overcast sky, layered grey
cloud, dark hills along the horizon, two white gers and a wooden fence on
the ridge behind her, flat soft daylight with no sun on her face. The
weather does not change.

Sound: her laughing, wind across an open plain, the muffled rhythm of hooves
on grass, and the creak of a saddle. No music, no voiceover, no other
people, no speech — she laughs but she never says a word and never mouths
one.

Style: photorealistic phone selfie footage shot at arm's length from
horseback, real handheld bounce, real blinking, breath in her shoulders,
hair with weight to it, fine sensor grain, 24fps.

Avoid: cut, hard cut, jump cut, dissolve, cross-fade, camera move, zoom,
pan, push in, pull back, a change of shot size, the camera leaving her hand,
a drone shot, a wide landscape shot, the horse's legs, the horse's head, a
horse rearing or bolting, a second rider, a second horse, another person, a
hat, dropping the rein, a moving mouth forming words, text overlay,
subtitles, captions, watermark, logo, timestamp, readable writing anywhere
in frame.

Девять планов и ни одной склейки

Пайплайн A на полную длину и самый наглядный пример на этой странице того, чего модель делать не станет.

Пятнадцать секунд, девять планов, сто кредитов — и ноль склеек при любом пороге детекции от 0,3 до 0,1. Не меньше, чем просили, а ни одной. Все девять смен плана — наплывы, каждый длиной около трети секунды.

Все биты на месте и все по порядку: проход серверной, деталь с девайсом, лестничный пролёт, лужа, переулок под прожекторами, рольставня, прыжок по крышам, захват за карниз, колено на крыше. Бриф просил жёсткие склейки восемь раз: три HARD CUT. внутри битов, раз в строке стиля, раз в Avoid:. Тот же бриф на Seedance дал восемь склеек. Один клип показывает и правило об отрицаниях, и правило о склейках.

В нём есть ещё две находки. Реквизит поплыл, пока пиксели держались: в первом кадре плоский матово-чёрный девайс с ярко-розовым X на крышке, а ко второй секунде она несёт смартфон в красном корпусе. И финал замедляется: финальный бит просил её убрать девайс в карман и подняться из приседа, чтобы снова бежать, а последние 1,4 секунды идут 14,5 → 4,4 по межкадровой разнице. Модель сделала первую половину.

Единственное, что удержалось полностью, — то, ради проверки чего этот прогон и затевался. Пятнадцать секунд, девять планов, никакого канала референсов, а её лицо, хвост, белый X на худи, цепочка на бедре и кеды с розовой подошвой узнаваемы и на четырнадцатой секунде. Первый кадр четверть минуты выполнял работу канала референсов.

Style: photorealistic cinematic night action, handheld and urgent, in a
rain-soaked neon city. Hard fast cutting — NINE shots in fifteen seconds,
every cut a hard cut, no dissolves or fades. Deep blacks, wet reflective
concrete, hot magenta and cyan sign light, cold blue shadow, heavy rain,
steam, sparks. Real motion blur on the fast whips, restrained grain.
Vertical 9:16.

Subject: JANA — the young woman in the opening frame, identical in every
shot: blonde hair with hot-pink streaks in a high messy ponytail, pale skin,
grey-violet eyes, a small inked black X with three dots under her left eye,
a black studded choker, an oversized black hoodie with a white brushed X on
the chest, black cargo trousers with grey straps and a hanging chain, chunky
black-white-and-pink high-top sneakers. Her face, hair, marking and outfit
never drift, morph or re-roll. She is moving hard in every shot and never
stands still. She never speaks.

Prop: THE DECK — a flat matte-black handheld computer with a hot-pink X on
the lid and a glowing pink edge strip. It is in her hand or on a strap
across her body in every shot.

Action Sequence — nine shots, hard cuts:
  0.0s - 2.5s    Dark server aisle, red alarm strobes. Camera racing
    backwards ahead of her: JANA sprints straight at the lens in the black
    hoodie, deck in one hand, ponytail thrown up by the movement. HARD CUT.
    MACRO low on her hands: her thumb drags across the deck's glowing pink
    screen as she runs, a red strobe snapping across her knuckles.
  2.5s - 5.0s    Concrete stairwell, camera at the bottom of the well
    looking straight up. JANA vaults the handrail two floors up, drops a full
    flight through frame with the deck clamped to her chest, and slams onto
    the landing in a crouch, sneakers skidding.
  5.0s - 7.5s    Alley, hammering rain. GROUND-LEVEL MACRO on her
    black-white-and-pink sneakers smashing through a magenta-lit puddle. HARD
    CUT. Camera racing backwards ahead of her: she sprints into the lens, hood
    up, breath fogging, searchlights swinging over wet brick behind her.
  7.5s - 10.0s   Loading dock, camera flat on the wet ground. A steel roller
    shutter drops fast; JANA slides under it on her hip with the deck hugged
    to her chest, and it crashes shut behind her sneakers.
  10.0s - 12.5s  Rooftop, city glow below. Tracking side-on: she runs the
    wet parapet in the black hoodie and launches over the gap between two
    buildings, arms wide, ponytail streaming. HARD CUT. TIGHT on her hand
    slapping the far ledge and gripping, her body slamming into wet brick.
  12.5s - 15.0s  Lower roof, rain through neon, camera low and close. She
    hauls herself over the ledge onto one knee, flips the deck open and
    hot-pink screen light hits her face and the inked X under her eye. She
    looks up past the lens, grins hard, shoves the deck into her hoodie pocket
    and pushes up out of the crouch to run again.

Audio: an alarm klaxon and server fans; her hard breathing throughout;
sneakers on concrete, steel and wet asphalt; rain hammering metal; a steel
shutter crashing down; wind at the roof edge; a body hitting brick; the deck
snapping open. No music, no score, no narration, no dialogue, nobody
speaking.

Avoid: no on-screen text, subtitles, captions, watermark, logo, HUD or
interface overlay; no character sheet, model sheet, turnaround, multiple
panels, side-by-side figures, split screen, white studio background,
watercolour splash or colour swatches; no standing still, posing or static
shot; no slow motion, speed ramp or freeze frame; no dissolve, fade or wipe;
no guns, gunfire, blood or injury; no second woman resembling her; no change
of hair colour, hairstyle or clothing; no visible camera or crew; no
morphing or drifting of her face, eye marking or clothes.