---
title: "Veo 3.1: полное руководство по промптам"
description: "Восемь секунд видео, которое само пишет себе звук. Три аудиоканала, семь правил, четыре пайплайна и сбои, о которых стоит знать заранее."
canonical_url: "https://meetkuro.com/ru/guides/veo-3-1-prompting/"
published: 2026-08-14
updated: 2026-08-16
locale: "ru"
models: ["veo-3.1", "veo-3.1-fast", "veo-3.1-lite", "seedream-5-pro", "gpt-image-2"]
---

Veo 3.1 делает **восемь секунд видео с собственным звуком**: реплику, сказанную
тем голосом, который вы описали, шаги под ней, помещение, в котором её записали,
и музыку, если вы позволите. Всё это рождается из того же промпта, что и
картинка, — промпта, написанного в трёх каналах, которые модель читает по
отдельности.

**Veo 3.1 — это три модели**, и все они принимают один и тот же бриф.

- **Veo 3.1** принимает референсы.
- **Veo 3.1 Fast** — та же модель с меньшей точностью. Идеальна для репетиций.
- **Veo 3.1 Lite** не умеет выключать звук. Идеальна для больших объёмов.

**ПРИМЕЧАНИЕ:** всё в этом руководстве верно для всех трёх, если не названа
конкретная.

Цена, ограничения и настройки каждой — на её странице модели:
[Veo 3.1](/ru/models/veo-3.1/), [Veo 3.1 Fast](/ru/models/veo-3.1-fast/) и
[Veo 3.1 Lite](/ru/models/veo-3.1-lite/).

## Обзор

### Коротко

Четыре решения делают большую часть работы. Если больше ничего не читать,
прочитайте их. Каждое подробно разобрано ниже.

<ol class="guide-keys">
<li class="guide-key">
<p class="guide-key-title">Пишите звук в трёх отдельных каналах</p>
<p class="guide-key-body">Veo читает реплики в кавычках, <code>SFX:</code> и <code>Ambient noise:</code> как три разные вещи. <strong>Звук, спрятанный во фразе про картинку, даёт вам картинку</strong>: опишите нож «with a satisfying crunch» — и получите нож. Строка, которая начинается с <code>SFX:</code>, даст вам сам хруст.</p>
<div class="guide-key-lines">
<div class="guide-key-quote guide-key-quote--no"><p class="guide-key-quote-label">Вместо</p><p class="guide-key-quote-text">The blade presses down with a satisfying crunch</p></div>
<div class="guide-key-quote guide-key-quote--yes"><p class="guide-key-quote-label">Пишите</p><p class="guide-key-quote-text">SFX: a dense crystalline crunch, releasing as the blade breaks through</p></div>
</div>
</li>
<li class="guide-key">
<p class="guide-key-title">Отдавайте последнему блоку действие, а не затухание</p>
<p class="guide-key-body">Veo сдвигает <span class="term"><button class="term-word" type="button" popovertarget="def-beat-sheet">посекундный план</button><span class="term-def" popover id="def-beat-sheet">Список того, что и когда происходит: одна строка на каждый момент, у каждой — секунды, которые она занимает. Это форма фильма, записанная до того, как что-либо отрендерилось.</span></span> к началу и ничего не растягивает, чтобы заполнить хвост. Последний блок, в котором названы поза, тишина или затихающий звук, останавливает и картинку, и звук разом — <strong>44% одного восьмисекундного дубля вернулись тише −41 дБ</strong>, потому что последняя строка просила звон затихнуть.</p>
<div class="guide-key-lines">
<p class="guide-key-practice">Назовите в последнем блоке реальное событие: ломтик, который докачивается и замирает, нож, который кладут на стол, последнюю реплику на ходу. В дубле, где каждый блок называл действие, провалов не было нигде.</p>
</div>
</li>
<li class="guide-key">
<p class="guide-key-title">Называйте устройство, а не тип плана</p>
<p class="guide-key-body">«POV shot» и «selfie angle» просят кадрировку и получают её наполовину. <strong>Камеру, описанную как предмет в мире — вещь в названной руке, — модель держит</strong>, а кадрировка получается сама. Любая работающая версия формата влога в том или ином виде произносит эту фразу.</p>
<div class="guide-key-lines">
<div class="guide-key-quote guide-key-quote--no"><p class="guide-key-quote-label">Вместо</p><p class="guide-key-quote-text">POV selfie shot, wide angle</p></div>
<div class="guide-key-quote guide-key-quote--yes"><p class="guide-key-quote-label">Пишите</p><p class="guide-key-quote-text">He holds a selfie stick in his right hand, at arm's length — that is where the camera is</p></div>
</div>
</li>
<li class="guide-key">
<p class="guide-key-title">Референсы фиксируют соотношение сторон и длину</p>
<p class="guide-key-body">Видео по референсам идёт в <strong>16:9 и восемь секунд — и никак иначе</strong>, а любой <span class="term"><button class="term-word" type="button" popovertarget="def-last-frame">последний кадр</button><span class="term-def" popover id="def-last-frame">Изображение, которое вы задаёте и к которому клип должен прийти. Оно становится финальным кадром, а модель придумывает движение, которое к нему ведёт.</span></span>, переданный вместе с ними, отбрасывается. У Veo 3.1 Fast и Veo 3.1 Lite слота для референсов нет вовсе.</p>
<div class="guide-key-lines">
<p class="guide-key-practice">Для всего вертикального описывайте объект словами или начинайте с первого кадра нужной формы. Вертикального входа для референсов нет ни у одной модели семейства.</p>
</div>
</li>
</ol>

### Часы — это три числа

Большинство видеомоделей принимают длительность так, как её понимает монтажёр:
любое значение в диапазоне, а часто ещё и `auto`, если не хочется решать.
Seedance 2.5 работает в диапазоне от 4 до 30 секунд или выбирает сам.

Veo не делает ни того, ни другого. **Четыре, шесть или восемь секунд** — три
числа, ничего между ними, ничего длиннее восьми и никакого auto.

Поэтому длина здесь не настройка, а структура. Вы пишете под часы, а не под
количество символов: **четыре блока по две секунды** на максимуме, а всё, что
длиннее, — это два <span class="term"><button class="term-word" type="button" popovertarget="def-take">дубля</button><span class="term-def" popover id="def-take">Один запуск модели: один сгенерированный клип от начала до конца. Повторный запуск того же брифа даёт новый дубль, а не правку этого.</span></span>,
[склеенных встык](/ru/guides/join-clips-into-one-video/).

### Что модель принимает

| Вход                | Лимит              | Примечания                                                                                     |
| ------------------- | ------------------ | ---------------------------------------------------------------------------------------------- |
| Промпт              | 4000 символов      | Просторно. Ограничивают здесь часы, а не количество символов.                                  |
| Длительность        | 4, 6 или 8 секунд  | Три шага, а не ползунок, и восемь — потолок.                                                   |
| Разрешение          | 720p · 1080p       | Оба, на всех трёх уровнях. На Lite 1080p работает только при восьми секундах.                  |
| Соотношение сторон  | 16:9 или 9:16      | Два, и третьего нет. Ни 1:1, ни 4:5, ни 21:9.                                                  |
| Первый кадр         | 1 изображение      | Клип открывается ровно на нём.                                                                 |
| Последний кадр      | 1 изображение      | Клип приходит к нему. Нужен первый кадр, и **он игнорируется, если вы передаёте референсы**.   |
| Референсы           | до 3               | **Только Veo 3.1. Только 16:9 и 8 секунд.**                                                    |
| Звук                | переключатель      | На Veo 3.1 и Fast. У Veo 3.1 Lite переключателя нет, и звук она делает всегда.                 |

### Сколько это стоит

**Цена Veo 3.1 и Veo 3.1 Fast зависит от переключателя звука и больше ни от
чего**, так что дубль в 1080p и дубль в 720p стоят одинаково, и снимать в
меньшем разрешении нет смысла.

| Длина | Veo 3.1 без звука                 | Veo 3.1 + звук                    | Fast без звука                   | Fast + звук                     |
| ----- | --------------------------------- | --------------------------------- | -------------------------------- | ------------------------------- |
| 4 с   | <span class="credit">67</span>    | <span class="credit">133,5</span> | <span class="credit">33,5</span> | <span class="credit">50</span>  |
| 6 с   | <span class="credit">100</span>   | <span class="credit">200</span>   | <span class="credit">50</span>   | <span class="credit">75</span>  |
| 8 с   | <span class="credit">133,5</span> | <span class="credit">267</span>   | <span class="credit">67</span>   | <span class="credit">100</span> |

**Цена Veo 3.1 Lite зависит от разрешения**, и переключателя у неё нет: каждый
дубль Lite генерирует звук, поэтому столбца «без звука» нет и сделать его
нельзя. В 1080p она работает только при восьми секундах.

| Длина | 720p                             | 1080p                            |
| ----- | -------------------------------- | -------------------------------- |
| 4 с   | <span class="credit">17</span>   | —                                |
| 6 с   | <span class="credit">25</span>   | —                                |
| 8 с   | <span class="credit">33,5</span> | <span class="credit">53,5</span> |

<blockquote class="guide-quote--caution">
<p>На полной модели <strong>звук удваивает тариф</strong>. Выключайте его для всего, где никто ничего не говорит, — пейзажа, текстуры, плана, к которому вы сами подложите музыку, — и включайте, как только кто-то открывает рот.</p>
</blockquote>

---

## Правила

Семь вещей, которые верны, что бы вы ни делали. Каждая выросла из дубля, который
пошёл не так, и они упорядочены по тому, как часто это важно.

### Пишите звук в трёх отдельных каналах

> Veo их разделяет. Промпт, который этого не делает, просит один канал нести три.

Собственная нотация Google — это три пометки, и модель читает каждую как
отдельную дорожку:

```
"…"              dialogue, quoted verbatim
SFX:             events, on their own line, attached to the beat they belong to
Ambient noise:   the bed that runs under all of it
```

Спрячьте _«with a satisfying crunch»_ во фразу про нож — и получите нож.
Строка, которая начинается с `SFX:`, даст вам хруст. Каждый звуковой момент в
[брифе про стеклянную клубнику](#два-разреза-восемь-секунд) стоит на своей
строке `SFX:`, привязанной к своему таймкоду, и уровни легли туда, куда их
просили.

Обычный текст тоже работает. Просто работает хуже при том же количестве
символов.

### Отдавайте последнему блоку действие, а не затухание

> Модель играет до сирены, только если на сирене что-то происходит.

Veo сдвигает посекундный план к началу и не растягивает действие, чтобы
заполнить хвост, в котором, как ему сказали, ничего не происходит. Это можно
измерить.

- Последний блок с текстом _«the last of the glass ringing decaying away into
  silence»_ дал **3,5 секунды мёртвой тишины** — 44% хронометража, все пики ниже
  −41 дБ, и картинка замерла вместе со звуком.
- Последний блок, в котором названы протирка объектива, возвращающееся в кадр
  лицо и произнесённая реплика, вернулся **без единого провала**: средний уровень
  от −11,2 до −19,5 дБ во всех шестнадцати полусекундных окнах.

Та же модель, та же длина, та же неделя. Разница в том, что один последний блок
называл отсутствие, а другой — событие.

### Таймкод — это бюджет, и Veo его соблюдает

> Четыре блока по две секунды — рабочая единица для восьми секунд.

`[00:00-00:02]` — это не подсказка. В плане из четырёх блоков четыре реплики
попали **четыре из четырёх**: каждая в своё окно, по порядку, слово в слово.

Самое сильное доказательство того, что модель читает план, а не слова, — это
тишина: блок, где было названо действие и не было диалога, дал **2,1 секунды
намеренной паузы**, после чего модель вовремя вернулась к речи.

Две секунды — примерно самый мелкий шаг, который имеет смысл. Мельче вы делите
восемь секунд на куски, слишком маленькие, чтобы вместить событие, и получаете
событие скомканное.

### Называйте устройство, а не тип плана

> Тип плана просит кадрировку. Предмет просит вещь, а кадрировка следует за ней.

_«POV shot»_ и _«selfie angle»_ оба работают плохо. `"He is holding a selfie
stick in his right hand, at arm's length, a little above his own eyeline and
angled down at him — that is where the camera is"` работает.

И работает дважды. Референс вернулся с рукой, уже уходящей за край кадра к
объективу, — то есть устройство существовало ещё до того, как клип отправили в
работу; а шутка в последнем блоке срабатывает, потому что модели уже сказали,
какая рука занята палкой.

По этому же правилу камере можно приказать _измениться_. Тип плана нельзя
положить, а телефон — можно.

### Репетируйте на Fast, доводите на Veo 3.1

> Те же часы, те же соотношения сторон, те же три канала. Одна из моделей — чтобы разведать.

Veo 3.1 Fast из того же семейства и принимает тот же бриф. У неё те же шаги
4/6/8, те же два соотношения сторон, тот же переключатель звука и та же нотация,
так что план, который работает на одной, работает и на другой. Жертвует она
точностью — и референсами, которых у неё нет совсем.

Поэтому сначала прогоните бриф на Fast и честно оцените результат. Он отвечает
на всё, в чём план может ошибиться: попадают ли блоки туда, куда вы просили,
укладываются ли реплики в часы, приходит ли звук на нужной секунде, та ли это
игра, которую вы себе представляли. Потом запустите те же слова на Veo 3.1 —
это будет версия, которую вы оставите.

Единственное, что на ней не отрепетировать, — набор референсов, потому что
положить их некуда. Если вашей работе нужны референсы, репетируйте на полной
модели при четырёх секундах.

### Референс несёт позу, а не только внешность

> Свойство, которое задаёт вход, дальше у модели уже не отспорить.

Референсом для влога был портрет в полный рост, стоя. Бриф просит ходьбу в
строке плана, в абзаце про персонажа и внутри каждого из четырёх блоков —
_already moving at second 0_, _walking for the whole shot and never stops_,
_already mid-stride_, _keeps walking_, _does not stop walking_, _still
walking_. **Он стоит.** Замеры по кадрам на 0,2 с, 2,4 с, 3,6 с, 7,4 с и 7,9 с:
тот же гребень, та же геометрия фона, никакого движения вперёд и никакого ритма
шагов.

Шесть фраз текста проиграли одному свойству картинки. Решение — не седьмая
фраза, а снять референс в нужном состоянии: на середине шага, вес тела впереди,
одно плечо опущено, гребень уплывает назад за его спиной.

**Описывайте движение на картинке, а не в абзаце.**

### Референсы фиксируют соотношение сторон, длину и ваш последний кадр

> Одна дверь или другая, и дверь референсов — узкая.

Видео по референсам — это режим, а не настройка, которую добавляют к уже
выбранной. Передайте от одного до трёх референсов, и запрос привязывается к
единственной форме:

- **16:9** — с референсами другие соотношения сторон не работают;
- **8 секунд** — это заодно и потолок, так что теряете вы 4 и 6, а не длину;
- любой **последний кадр отбрасывается**.

К тому же они есть только у полной модели — у Veo 3.1 Fast и Veo 3.1 Lite слота
для референсов нет, так что многокадровая последовательность, построенная на
одной из них, не сойдётся.

Поэтому выбор конкретный, а не эстетический. У вертикального ролика с
повторяющимся персонажем нет пути через референсы: опишите персонажа словами
или закрепите его в первом кадре и анимируйте уже его.

---

## Пайплайны

У Veo четыре двери, и то, через какую вы войдёте, решает в результате больше,
чем всё, что вы напишете. Каждая что-то исключает.

### Блоки, из которых состоит любой бриф

> Пишите его как режиссёрский сценарий с приложенной звуковой партитурой. Именно так модель его и читает.

Через какую бы дверь вы ни вошли, промпт собирается из одних и тех же частей,
в том порядке, который модель читает надёжнее всего:

```
[Shot]           the take, its length, the camera, and that it is unbroken
[Subject]        who or what must stay identical from first frame to last
[Context]        the room, the weather, the light — skipped if a frame carries it
[Action]         the beat sheet, one block per two seconds
  SFX:             the events inside that block, on their own line
[Ambient noise]  the bed that runs under all of it
[Style]          the stock, the lens, the grade
[Avoid]          what must never appear
```

**Поля для негативного промпта здесь нет**, поэтому исключения живут в строке
`Avoid:` в конце брифа. Её читают: каждый бриф в разобранных примерах ниже
заканчивается такой строкой, и то, что в них запрещено, в кадр не попало.

При 4000 символов на восемь секунд фильма места вам хватит. Бороться
приходится за внимание.

> **Правило сокращения: удаляйте всё, что не может произойти за восемь секунд.**
> Смена костюма, вторая локация, арка персонажа — ничего из этого не помещается,
> и фраза, которая это описывает, потрачена впустую.

### Как писать звуковой блок

Речь приводится дословно в кавычках внутри того момента, к которому она
относится. События получают собственную строку `SFX:`. Фон получает одну строку
`Ambient noise:` на весь клип.

```
[00:02-00:04] He keeps walking, his breath fogging past the lens, and says,
"Forty minutes back." The wind rises behind him.
SFX: fur and wind buffeting the microphone, a low gust building.

Ambient noise: a constant high-altitude wind under everything, thin and cold.
```

Прежде чем писать такой блок, полезно знать три вещи.

**Цитируйте реплику, а не описывайте её.** `she says, "That's the part nobody tells
you."` даст вам эту реплику. `she says something encouraging` даст рот, который
двигается вокруг слогов, не складывающихся в слова, — потому что вы попросили
описание, и модель отрендерила описание.

**Сверяйте количество слов с часами.** Восемь секунд — это примерно двадцать
английских слов в естественном темпе, во всех блоках вместе. Напишите двадцать
пять — и дубль оборвётся на полуслове.

**Пишите «no music», если вам не нужна музыка.** Предоставленный самому себе,
Veo чаще всего подкладывает под сцену музыку, обычно низкий пэд, и она приходит
уже смикшированной под диалог, откуда её потом ничем не отделить. Если музыка
вам всё-таки нужна, назовите инструмент и настроение — _solo piano, sparse, one
note at a time_, — потому что название жанра даст вам трейлер.

### Пайплайн A: из текста

Ничего, кроме письменного брифа.

#### Для чего он

- **Лучше всего для:** <span class="term"><button class="term-word" type="button" popovertarget="def-b-roll">би-ролла</button><span class="term-def" popover id="def-b-roll">Кадры, в которых никто не говорит, — пейзаж, руки, улица, деталь, — их вставляют вокруг основных планов, чтобы перекрыть озвучку или дать сцене подышать.</span></span>, <span class="term"><button class="term-word" type="button" popovertarget="def-establishing">establishing-планов</button><span class="term-def" popover id="def-establishing">Общий план, который открывает сцену и показывает, где вы находитесь, прежде чем кто-то в ней что-то сделает.</span></span>, атмосферы, одной реплики в месте, которое ни с чем не нужно совпадать.
- **Чем вы платите:** контролем. Вы получаете хорошую версию своего описания, но
  не своего конкретного человека или продукт.
- **На что смотреть:** это единственная дверь, где ничто не удерживает лицо или
  предмет на месте все восемь секунд.

#### Как его писать

Работать должен каждый блок, потому что ничего не передано. Тратьте символы на
**объект** и **моменты**, а внешний вид описывайте фактами о камере, а не
словами настроения: названный объектив, заданное направление света, зерно.
_«Cinematic»_ ничего не даёт.

Опишите того, кто должен оставаться одинаковым, **один раз** и подробно, а
дальше ссылайтесь на это описание, а не повторяйте его. Повтор провоцирует
перерисовку.

### Пайплайн B: из текста с первым кадром

У вас есть одна картинка, и клип начинается ровно с неё.

#### Для чего он

- **Лучше всего для:** оживления готовой картинки — продуктового кадра, постера,
  персонажа, экрана.
- **Чем вы платите:** референсами. Либо одна дорога, либо другая.
- **На что смотреть:** это дверь, которая сохраняет 9:16, а референсы — нет.

#### Как его писать

> В этом пайплайне **чем меньше промпта, тем лучше.**

Кадр уже несёт кадрировку, одежду, помещение, свет и цвет. Описывать их заново
значит тратить символы и рисковать противоречием картинке — а если ваши слова и
картинка расходятся, вы сделали неопределённым то, что уже было решено.

Скажите _«the woman of the first frame, unchanged»_ один раз, а всё остальное
потратьте на то, что **меняется**: движение, игру, речь, камеру.

#### Кадр — это контрольная точка

Сделайте статичный кадр и посмотрите на него, прежде чем что-то задвигается. На
восьми секундах кадр нужен не для того, чтобы удержать план, — дрейф на таком
коротком клипе почти не грозит. Он нужен, чтобы ошибка первого шага всплыла,
пока это ещё одна картинка, а не восемь секунд движения поверх неё.

Стеклянная клубника — ровно такой случай. _Это стекло или ягода?_ — решается в
статичном кадре или не решается вовсе: видеомодель, начавшая с настоящей
клубники, все восемь секунд будет резать настоящую клубнику, и никакое описание
звука её не спасёт.

**Разобранные примеры:** [Два разреза, восемь секунд](#два-разреза-восемь-секунд) и
[Реклама с водительского сиденья](#реклама-с-водительского-сиденья).

### Пайплайн C: из текста с первым и последним кадром

У вас есть оба конца, а середину придумывает модель.

#### Для чего он

- **Лучше всего для:** перехода, обе стороны которого вы нарисовали, движения,
  которое должно закончиться в точно заданном месте, плана, который должен
  передать эстафету следующему.
- **Чем вы платите:** референсами, которые молча его отключают.
- **На что смотреть:** между двумя кадрами должны правдоподобно умещаться восемь
  секунд. Это <span class="term"><button class="term-word" type="button" popovertarget="def-interpolation">интерполяция</button><span class="term-def" popover id="def-interpolation">Достраивание движения между двумя уже готовыми картинками вместо того, чтобы придумывать, где закончится план. Оба конца задаёте вы, путь проделывает модель.</span></span>, а не телепортация.

#### Как его писать

Оба кадра главнее текста. Момент, противоречащий последнему кадру, — это две
инструкции, тянущие в разные стороны, и картинка обычно побеждает. Поэтому
посмотрите на последний кадр, прежде чем писать последний момент, и перепишите
момент так, чтобы он описывал то, что на картинке действительно есть.

Кроме того, это единственная дверь одинаковой ширины на всех трёх уровнях. Fast
и Lite принимают первый и последний кадр точно так же, как полная модель, так что
интерполяция — единственное, что Veo 3.1 Lite делает так же хорошо, как
остальные в семействе.

Практический довод в пользу второго кадра — он закрепляет концовку. Иначе
последнюю секунду клипа держит только посекундный план, а расписание сползает,
как только что-то в кадре должно физически переместиться. Два конца означают,
что расписание может сползти, а пункт назначения — нет.

Так же вы выходите за пределы восьми секунд:
[извлеките последний кадр](/ru/guides/extract-a-frame-from-a-video/) одного
дубля, передайте его как первый кадр следующего и
[склейте всю серию](/ru/guides/join-clips-into-one-video/) в конце.

### Пайплайн D: из текста с референсами

У вас есть объект — персонаж, существо, продукт, — и он должен пережить клип.

#### Для чего он

- **Лучше всего для:** персонажа, который возвращается в нескольких клипах,
  лица, которое должно совпасть с уже отрендеренным.
- **Чем вы платите:** вертикалью, выбором 4 или 6 секунд и последним кадром. А
  также Fast и Lite, у которых нет слота для референсов.
- **На что смотреть:** референс задаёт не только внешность, но и позу.

#### От одного до трёх, и у каждого своя задача

Три слота — скромный бюджет по сравнению с тем, что дают модели длинных дублей,
так что каждый должен заслужить своё место. Скажите, для чего он, и исключите
то, для чего — нет:

```
[Image1] is <subject>. Use it for <face, build, colour> only.
         Do not use its background, lighting, framing or pose.
```

Выбирайте чёткие, хорошо освещённые картинки, где объект показан с того ракурса,
с которого вы хотите его видеть, — и помните, что «с того ракурса, с которого вы
хотите его видеть» включает и _позу_, в которой вы его хотите, потому что поза
переезжает вместе с ним.

**Разобранный пример:** [Дорога, которую никто не снимал](#дорога-которую-никто-не-снимал):
один референс, восемь секунд и посекундный план, выполненный четыре из четырёх.

---

## Когда что-то ломается

### «Последние две секунды мёртвые»

Последний блок называл затухание, позу или тишину, а Veo не растягивает
действие, чтобы заполнить хвост, в котором, как ему сказали, ничего не
происходит.

> **Решение:** дайте последнему блоку настоящее событие — ломтик, который
> замирает, нож, который кладут, реплику на выходе из кадра. Проверяйте уровень
> на седьмой секунде, а не на первой.

### «Дубль обрывается на полуслове»

Слов больше, чем вмещают часы. Восемь секунд — это около двадцати английских
слов в естественном темпе, во всех блоках вместе.

> **Решение:** считайте слова, а не строки. Вырежьте момент вместо того, чтобы
> кого-то ускорять, или разделите сцену на два дубля и склейте их.

### «Под видео играет музыка, а я её не просил»

Предоставленный самому себе, Veo чаще всего подкладывает под сцену музыку, и она
приходит уже смикшированной под диалог.

> **Решение:** пишите `No music, no score, no soundtrack.` в строке `Avoid:`
> каждого брифа, под который потом собираетесь положить свою дорожку. Отделить
> музыку позже невозможно, так что это решение принимается один раз на дубль.

### «Не получается вертикальный клип с моим персонажем»

Референсы работают в 16:9 и ни в каком другом соотношении сторон — на каждой
модели семейства, где они есть, а есть они только у полной. Вертикаль и
референсы несовместимы, так что соотношение сторон решается в тот момент, когда
вы тянетесь за референсом.

> **Решение:** используйте первый кадр нужной формы или опишите объект словами.
> Первый кадр сохраняет 9:16, набор референсов — никогда.

### «Мой последний кадр ничего не сделал»

В том же запросе были переданы референсы, а при них последний кадр всегда
отбрасывается.

> **Решение:** выберите одну дверь. Дубль с первым и последним кадром не несёт
> референсов, а у дубля с референсами нет концовки, которую можно закрепить.

### «Персонаж не делает того, о чём я прошу снова и снова»

Референс несёт не только внешность, но и позу, а свойство, которое задаёт
картинка, у модели не отспорить текстом.

> **Решение:** переснимите референс в нужном состоянии. Один кадр сильнее шести
> фраз, и никакое количество фраз не победит.

### «Вышло вдвое дороже, чем я ожидал»

Переключатель звука. На Veo 3.1 он удваивает посекундный тариф, а на Fast
добавляет ещё половину.

> **Решение:** выключайте звук для всего, где никто ничего не говорит, —
> пейзажа, текстуры, плана, к которому вы сами подложите музыку. Учтите, что у
> Veo 3.1 Lite выключать нечего, так что беззвучный клип придётся делать на
> Veo 3.1 или на Fast.

### «Некуда вписать негативный промпт»

Поля для него здесь нет.

> **Решение:** впишите его в промпт последней строкой `Avoid:`. Называйте сбой,
> к которому подталкивает сцена, а не общую оговорку: _«it does not shatter,
> crack, splinter, crumble, chip or send shards flying»_ — вот что дало два чистых
> разреза стеклянной клубники, а позитивное сравнение рядом (_«parts cleanly,
> like cold butter»_) — вот что заставило отрицание сработать.

---

## Разобранные примеры

Три готовые работы, у каждой — бриф, по которому она сделана. Каждая — это
**одна генерация**, и ничего здесь не склеено из нескольких дублей.

Все три вошли через изображение — дважды через первый кадр и один раз через
референс, — потому что именно это мы запускали. Для пайплайна A разобранного
примера пока нет, а выдуманный стоил бы меньше, чем этот пробел.

### Два разреза, восемь секунд

_Пайплайн B: один первый кадр._

<figure class="guide-example guide-example--wide">
<div class="guide-example-stage"><video src="/showcase/guides/the-cut.mp4" poster="/showcase/guides/the-cut.webp" width="960" height="540" controls controlslist="nodownload noplaybackrate noremoteplayback" disablepictureinpicture playsinline preload="none" aria-label="Поварской нож дважды разрезает клубнику из выдувного стекла на деревянной доске, и каждый разрез открывает бледный срез"></video></div>
<figcaption class="guide-example-side">
<dl class="guide-example-spec">
<div><dt>Длина</dt><dd>8 с, один дубль</dd></div>
<div><dt>Кадр</dt><dd>16:9, 1080p</dd></div>
<div><dt>Передано</dt><dd>Один первый кадр</dd></div>
<div><dt>Цена</dt><dd><span class="credit">7,5</span> + <span class="credit">267</span></dd></div>
</dl>
<img class="guide-example-input" src="/showcase/guides/the-cut-first-frame.webp" width="760" height="428" loading="lazy" decoding="async" alt="Переданный первый кадр: целая стеклянная клубника на доске, ножа в кадре ещё нет" />
<p class="guide-example-input-note">Первый кадр, сделанный заранее, чтобы решить один вопрос: стекло или ягода?</p>
</figcaption>
</figure>

Нож сквозь клубнику из выдувного стекла — исходный формат AI ASMR и тот, что до
сих пор конвертирует. **Продукт здесь — звук**; картинка нужна, чтобы звук был
правдоподобным.

Два разреза за восемь секунд, потому что один — это демо, а три — уже монтаж.
Каждый звуковой момент стоит на своей строке `SFX:`, привязанной к своему
таймкоду, и каждый вернулся отдельным измеримым событием: первое касание на
1,6 с, нажим на 1,9 с (−7,4 дБ), лезвие проходит насквозь на 3,0 с (−0,1 дБ),
второй разрез на 4,1 с (−1,2 дБ). **Вот что даёт нотация** — отдельно
прописанные звуки приходят по отдельности, а не сплошной кашей.

Два вывода, которые стоит забрать с собой. **Называйте сбой, к которому
подталкивает физика**: стекло под лезвием хочет разлететься, и все ранние
публичные версии этого формата разлетаются. И **описывайте внутренность до того,
как что-то её разрежет**, потому что срез — это главный кадр всего жанра, а
модель не придумает внутренность, о которой ей ничего не сказали.

Здесь же было измерено правило мёртвого хвоста. На восемь секунд попросили
четыре момента; модель сыграла все четыре за первые четыре секунды, и **начиная
с 4,5 с все пики ниже −41 дБ** — три с половиной секунды, 44% ролика, и в
картинке тоже ничего не движется. Последний блок просил звон, затухающий в
тишину, а Veo не заполняет блок, который называет отсутствие. Дайте ему вместо
этого ломтик, который докачивается и замирает.

<details class="guide-fold"><summary>Бриф целиком</summary><pre><code>Extreme close-up, one single continuous unbroken 8-second shot from a locked-off&#10;camera. No pan, no tilt, no zoom, no push-in, no dolly, no handheld drift, no&#10;cuts, no dissolves. Shallow depth of field. The framing at second 8 is identical&#10;to second 0.&#10;&#10;Subject: a solid opaque glass sculpture of a strawberry, in a strawberry's own&#10;natural red, resting on a pale warm wooden cutting board. Glossy blown-glass&#10;surface, seed pits and shoulder dimples moulded into the glass, a small opaque&#10;green glass hull on top. Inside, the glass is a paler milky pink, so every cut&#10;face reveals a clean cross-section of pale core inside red rind. It is a glass&#10;object for the whole shot and never becomes a real fruit: it never softens,&#10;never bleeds juice, never turns to wet flesh or pulp, never sweats. One human&#10;hand holds a stainless steel chef's knife and enters from the right.&#10;&#10;Context: the board sits on a dark uncluttered surface, the background falling&#10;away to soft shadow. Crisp soft studio key from camera-left, gentle specular&#10;highlights along the blade and the glass shoulders, one thin red caustic thrown&#10;onto the wood. The light, the board and the background never change.&#10;&#10;Action:&#10;&#10;[00:00-00:02] The glass strawberry sits perfectly still. The knife lowers from&#10;above and the edge settles against the top of the glass without moving it.&#10;SFX: one faint high glass tick as the steel meets the glass.&#10;&#10;[00:02-00:04] The blade presses down and passes cleanly through in one smooth&#10;unhurried stroke. The first slice separates and tips over flat onto the board,&#10;its pale cross-section facing the camera. SFX: a dense crystalline crunch&#10;building through the stroke and releasing as the blade breaks through, then a&#10;bright glassy clink as the slice lands on the wood.&#10;&#10;[00:04-00:06] The hand lifts the knife clear, shifts a finger's width to the&#10;left, and cuts again, a little faster. A second even slice falls away and comes&#10;to rest beside the first. SFX: a second crunch, shorter and sharper than the&#10;first, then a light double clink as the slice rocks twice and settles.&#10;&#10;[00:06-00:08] The knife lifts up out of the top of frame. The two slices are&#10;still. Nothing else moves. SFX: the last of the glass ringing decaying away into&#10;silence.&#10;&#10;Cutting behaviour: the glass parts cleanly, like cold butter, along the exact&#10;line of the blade. It does not shatter, crack, splinter, crumble, chip or send&#10;shards flying, and no piece leaves the board.&#10;&#10;Ambient noise: a quiet padded studio room tone underneath everything, and&#10;nothing else.&#10;&#10;Style: photorealistic, ultra sharp, calm and premium, high-fidelity ASMR&#10;recording in both picture and sound. The audio is close-miked and intimate, and&#10;the loudest thing in the mix is the glass.&#10;&#10;Avoid: music, score, melody, humming, singing, speech, voice-over, narration,&#10;breathing, a second hand, a second piece of fruit, real fruit juice or pulp,&#10;flying shards, camera movement of any kind, cuts, crossfades, background&#10;changes, extra props, on-screen text, captions, subtitles, watermarks and logos.</code></pre></details>

### Дорога, которую никто не снимал

_Пайплайн D: один референс._

<figure class="guide-example guide-example--wide">
<div class="guide-example-stage"><video src="/showcase/guides/the-commute.mp4" poster="/showcase/guides/the-commute.webp" width="960" height="540" controls controlslist="nodownload noplaybackrate noremoteplayback" disablepictureinpicture playsinline preload="none" aria-label="Йети снимает себя на заснеженном гребне над морем облаков, рассказывает о дороге на работу, попадает под порыв снежной пыли и одним пальцем протирает объектив"></video></div>
<figcaption class="guide-example-side">
<dl class="guide-example-spec">
<div><dt>Длина</dt><dd>8 с, один дубль</dd></div>
<div><dt>Кадр</dt><dd>16:9, 1080p</dd></div>
<div><dt>Передано</dt><dd>Один референс</dd></div>
<div><dt>Цена</dt><dd><span class="credit">7,5</span> + <span class="credit">267</span></dd></div>
</dl>
<img class="guide-example-input" src="/showcase/guides/the-commute-reference.webp" width="760" height="428" loading="lazy" decoding="async" alt="Переданный референс: йети стоит на гребне, одна рука уже тянется за край кадра к объективу" />
<p class="guide-example-input-note">Единственный референс — и рука, уходящая за край кадра, это и есть устройство, уже готовое.</p>
</figcaption>
</figure>

Влог криптида — то, с чего началось персонажное AI-видео, и вся шутка в том,
что он говорит совершенно искренне. Восемь секунд рутины, снятые тем, кто её
выполняет: он идёт, говорит две фразы про дорогу, погода его перебивает, и он
договаривает.

**Посекундный план был выполнен почти в точности.** Расшифровка с таймкодами
слов в сравнении с четырьмя запрошенными блоками:

| Запрошено       | Получено          | Реплика                      |
| --------------- | ----------------- | ---------------------------- |
| `[00:00-00:02]` | 0,00–1,60         | «Forty minutes to the ridge» |
| `[00:02-00:04]` | 1,64–4,10         | «Forty minutes back»         |
| `[00:04-00:06]` | 4,10–6,20, тишина | порыв ветра                  |
| `[00:06-00:08]` | 6,20–7,38         | «Every day of my life»       |

Четыре из четырёх — и самое сильное доказательство того, что модель прочитала
план, — это **2,1 секунды намеренной тишины** в окне порыва. Она промолчала весь
блок, где было названо действие и не было диалога, а потом вовремя вернулась к
речи.

Протирка отрендерилась, причём в правильном порядке: порыв засвечивает кадр
добела около 4,0 с, палец входит справа около 5,0 с, _пока всё ещё белое_, и
картинка проясняется за ним. Три идеи удержаны одновременно: объектив — это
поверхность, на нём снег, а палец принадлежит той руке, что не держит палку.

**И он не идёт.** Бриф просит ходьбу в строке плана, в абзаце про персонажа и в
каждом из четырёх блоков. Референс — портрет стоя, и вернулся он тоже стоя: всё
правило о позе в одном клипе.

<details class="guide-fold"><summary>Бриф целиком</summary><pre><code>A single continuous unbroken 8-second handheld selfie video, filmed by the yeti&#10;himself. He is holding a selfie stick in his right hand, at arm's length, a&#10;little above his own eyeline and angled down at him — that is where the camera&#10;is. The camera never leaves his hand. Wide-angle lens, his head and shoulders&#10;filling the frame, the ridge and the sky behind him. The frame jolts and swings&#10;with every step he takes, and it is already moving at second 0.&#10;&#10;Subject: the creature from the reference image, unchanged — the same dirty&#10;off-white shaggy fur, the same broad flat face, the same tired patient&#10;expression. He is walking for the whole shot and never stops, never sits and&#10;never puts the camera down. He speaks directly into the lens in a deep, low,&#10;rumbling voice, flat and matter-of-fact, like a man describing his commute. His&#10;breath fogs in the cold.&#10;&#10;Context: he is trudging along an exposed snow ridge high above a sea of cloud,&#10;exactly as in the reference image, the wind hard from his left and spindrift&#10;streaming past him. Bright flat diffuse daylight with no sun disc, no cast&#10;shadows and no rim light. The light never changes and the background stays a&#10;soft white cloud layer throughout.&#10;&#10;Action:&#10;&#10;[00:00-00:02] Already mid-stride and already shaking. He glances into the lens&#10;and says, "Forty minutes to the ridge."&#10;SFX: the deep crunch and squeak of huge feet breaking wind-packed snow, one&#10;heavy step at a time, close to the microphone.&#10;&#10;[00:02-00:04] He keeps walking, his breath fogging past the lens, and says,&#10;"Forty minutes back." The wind rises behind him.&#10;SFX: fur and wind buffeting the microphone, a low gust building.&#10;&#10;[00:04-00:06] A hard gust hits from his left and throws a sheet of spindrift&#10;straight across the lens. The picture goes white and grainy and he is only a&#10;dark shape behind it. He does not react and does not stop walking.&#10;SFX: a sharp roar of wind peaking, snow hissing against the lens.&#10;&#10;[00:06-00:08] One enormous furred finger comes into frame from the right and&#10;drags across the lens, smearing the snow clear in a wet streak with a little&#10;still caught in the corners. His face comes back into view, still walking, and&#10;he finishes, "Every day of my life."&#10;SFX: a soft muffled scrape of fur on wet glass, then the footfalls again.&#10;&#10;Ambient noise: a constant high-altitude wind under everything, thin and cold,&#10;with no melody in it.&#10;&#10;Style: photorealistic amateur vlog footage, natural available light only — the&#10;honest look of a phone camera in bad weather, with mild wide-angle distortion, a&#10;little sensor noise, and an exposure that hunts slightly in all the white.&#10;&#10;Avoid: music, score, soundtrack, humming, singing, a narrator, a second voice, a&#10;second character, any other person or animal, on-screen text, captions,&#10;subtitles, titles, watermarks, logos, a locked-off or tripod-steady frame, a&#10;camera that leaves his hand, a third-person shot, a drone shot, cuts, dissolves,&#10;speed ramps, slow motion, the yeti stopping or standing still, bared fangs, a&#10;snarl, a costume seam, a human face.</code></pre></details>

### Реклама с водительского сиденья

_Пайплайн B на Veo 3.1 Fast: один первый кадр, вертикаль._

<figure class="guide-example">
<div class="guide-example-stage"><video src="/showcase/guides/the-ad.mp4" poster="/showcase/guides/the-ad.webp" width="608" height="1080" controls controlslist="nodownload noplaybackrate noremoteplayback" disablepictureinpicture playsinline preload="none" aria-label="Женщина в припаркованной машине держит у лица мятную коробку и рассказывает о ней в четырёх коротких репликах, поворачивая коробку и встряхивая саше"></video></div>
<figcaption class="guide-example-side">
<dl class="guide-example-spec">
<div><dt>Длина</dt><dd>8 с, один дубль</dd></div>
<div><dt>Кадр</dt><dd>9:16, 720p</dd></div>
<div><dt>Передано</dt><dd>Один первый кадр</dd></div>
<div><dt>Цена</dt><dd><span class="credit">11</span> + <span class="credit">100</span></dd></div>
</dl>
<img class="guide-example-input" src="/showcase/guides/the-ad-first-frame.webp" width="540" height="960" loading="lazy" decoding="async" alt="Переданный первый кадр: та же женщина на водительском сиденье держит мятную коробку у лица" />
<p class="guide-example-input-note">Первый кадр, сделанный заранее, чтобы бренд на коробке был решён до того, как что-то задвигается.</p>
</figcaption>
</figure>

<span class="term"><button class="term-word" type="button" popovertarget="def-ugc">UGC</button><span class="term-def" popover id="def-ugc">User-generated content: реклама, снятая так, будто её снял на телефон настоящий покупатель, а не как реклама.</span></span>-реклама в той форме, которую принимает почти любая из них: четыре
момента, четыре реплики в кавычках, неподвижная камера на приборной панели и
продукт, поднятый рядом с лицом.

Она показывает две вещи. **Первый кадр сохраняет 9:16** — на выходе 720×1280, и
вертикальный ролик должен проходить именно через эту дверь, потому что
референсы перевели бы его в горизонталь. И **четыре реплики в кавычках
помещаются в восемь секунд** с запасом: всего восемнадцать слов, меньше
двадцатисловного потолка, и ни одна не обрывается на полуслоге.

Единственное, чего она не показывает, — мелкий шрифт. Следите за коробкой все
восемь секунд: мятный цвет и форма держатся, а надпись под ними сдаётся примерно
к середине. **Крупный шрифт видеомодель переживает. Мелкий шрифт — это
текстура**, а тексту, который должен оставаться читаемым, место в первом кадре,
крупно, а не в промпте.

<details class="guide-fold"><summary>Бриф целиком</summary><pre><code>One continuous unbroken 8-second vertical shot from a completely fixed camera&#10;resting on the dashboard. No pan, no tilt, no zoom, no push-in, no handheld&#10;drift, no cut, no dissolve. The framing at second 8 is identical to second 0.&#10;&#10;Subject: the woman of the first frame, unchanged in every frame — same face,&#10;same hair, same dusty-pink fleece, same seatbelt, same car. She stays in the&#10;driver's seat of the parked car throughout and never opens a door, never starts&#10;the engine, never turns away from the lens.&#10;&#10;Product: the pale mint NUVELO carton of the first frame, its lettering unchanged&#10;and legible whenever it faces the camera, plus one loose stick sachet in the&#10;same mint and coral. The carton never changes size, colour or wording.&#10;&#10;Action:&#10;&#10;[00:00-00:02] She is already holding the carton up beside her face. She looks&#10;into the lens and speaks, her other hand resting on the wheel.&#10;"Okay, I have to talk about these."&#10;SFX: the close soft ambience of a parked car interior.&#10;&#10;[00:02-00:04] She rotates the carton a quarter turn to show its side, then&#10;brings it square to the camera again.&#10;"Thirty sticks, one a day."&#10;SFX: a light card-on-card rustle as the box turns in her hand.&#10;&#10;[00:04-00:06] She lowers the carton out of the bottom of the frame and brings up&#10;a single stick sachet, pinched between thumb and forefinger, and gives it one&#10;small shake.&#10;"You just tear one open."&#10;SFX: a short crisp foil crinkle as the sachet shakes.&#10;&#10;[00:06-00:08] She raises the carton back up beside her face so the box and the&#10;sachet are held up together, one in each hand, nods once and smiles.&#10;"That's the whole thing. Try it."&#10;SFX: nothing but the room.&#10;&#10;Light: constant flat daylight through the windshield for all eight seconds. No&#10;exposure shift, no relight, no flicker, no colour drift.&#10;&#10;Ambient noise: the quiet interior of a parked car, a faint distant street&#10;outside, and nothing else.&#10;&#10;Style: plain front-facing phone video, no colour grade, no cinematic contrast,&#10;faint sensor noise in the shadows. Her voice is close, warm, conversational and&#10;unhurried, as recorded by the phone's own microphone.&#10;&#10;Avoid: music, score, backing track, a second voice, a second person, a second&#10;pair of hands, camera movement of any kind, cuts, crossfades, speed ramps, the&#10;car moving, a face or hair that morphs or re-rolls, clothes that change, the&#10;carton changing its wording or colour, a phone visible in frame, on-screen text,&#10;captions, subtitles, watermarks and logos.</code></pre></details>

---

## О Kuro

Kuro — ИИ-студия изображений: изображения, клипы, озвучка и музыка по промпту, а также фильмы на основе раскадровки с одними и теми же персонажами в каждой сцене.

Агенты подключаются по MCP и могут генерировать напрямую:

```
claude mcp add kuro https://api.meetkuro.com/mcp --transport http
```

Приложение находится на https://app.meetkuro.com и требует аккаунта.

У каждого гайда, страницы модели, сравнения и страницы бесплатного инструмента на этом сайте (кроме вариантов инструмента и страниц-указателей) есть Markdown-двойник по его же URL с `.md` на конце — как и у /benchmarks/, английской страницы /agents/ (это /agents.md) и справочника MCP-инструментов. Все гайды: https://meetkuro.com/ru/guides/
