статья Veo 3 — нейросеть для генерации видео по тексту и фото: русская озвучка, диалоги и продление роликов

[Ardi]

Нейросеть Veo 3 позволяет создавать короткие видео по текстовому описанию или исходному изображению, добавлять русскую озвучку и фоновые звуки, а также управлять движением камеры с помощью промпта. Особенно полезна возможность генерировать видео с диалогами на русском языке. Такая функция заметно упрощает подготовку сюжетных роликов: не нужно отдельно создавать озвучку, синхронизировать речь с видеорядом и подбирать звуковое окружение. При этом результат во многом зависит от промпта. Важно описать не только содержимое кадра, но и развитие сцены: куда смотрит герой, в какой момент начинает говорить, как движется камера, откуда падает свет. Чем сложнее эпизод, тем важнее чёткая последовательность действий в описании. В инструкции разберём, как работает Veo 3 в web-версии платформы Yes AI, чем генерация видео по тексту отличается от генерации по фото, как прописывать в промпте диалоги на русском языке, использовать стартовый и финальный кадры, а также собирать длинные ролики с минимальным количеством визуальных ошибок.

Что умеет Veo 3?

Нейросеть Veo 3 подходит для решения нескольких распространённых задач:

• создания коротких сюжетных роликов;
• анимации фотографий и иллюстраций;
• разработки рекламных и презентационных сцен;
• визуализации идей перед съёмкой;
• подготовки эпизодов с русской речью;
• создания атмосферных сцен со звуковым оформлением;
• продолжения сгенерированных видеороликов;
• создания плавных переходов между начальным и конечным изображениями.

Например, может потребоваться ролик с говорящим персонажем, движение камеры по фантастической локации или анимация фотографии. Универсального промпта, подходящего для всех перечисленных сценариев, не существует. Пользователь в промпте описывает словами желаемое действие. Модель интерпретирует запрос и на его основе создаёт видеофрагмент. Промпт для генерации видео выполняет роль краткого режиссёрского задания.

Как составить промт для Veo 3?

На платформе Yes AI промпты для генерации видео с помощью Veo 3 можно составлять на русском языке.

Необязательно превращать запрос в длинный сценарий — гораздо важнее изложить информацию в логичном порядке. Удобная структура промпта:

1. Тип и жанр сцены.
2. Место и время действия.
3. Персонажи или ключевые объекты.
4. Композиция и ракурс.
5. Последовательность действий.
6. Движение камеры.
7. Освещение, цветовая гамма и фактура.
8. Реплики персонажей.
9. Фоновые звуки.
10. Общая атмосфера.

Вместо общего запроса «моряк стоит на корабле» лучше указать возраст и внешность персонажа, направление взгляда персонажа, описать погоду, атмосферу, положение камеры и последовательность действий в кадре.

Промпт для генерации видео должен быть функциональным. Обилие выразительных прилагательных без чёткого описания действий превращает запрос в описание статичной картинки, а не полноценной видео сцены. Поэтому важно использовать глаголы, передающие конкретные действия: приближается, оборачивается, поднимает карту, отступает, шепчет, открывает дверь и т.д.

Как описывать персонажей

Для персонажей желательно зафиксировать несколько устойчивых признаков:

• приблизительный возраст;
• причёску и цвет волос;
• одежду и аксессуары;
• телосложение;
• характерную мимику;
• положение в кадре;
• выполняемое действие;
• эмоциональное состояние;
• особенности голоса, если персонаж говорит.

Пример:

На палубе корабля, на фоне бурлящего серого моря, стоит старый моряк. Средний план с легким покачиванием камеры в такт качке. Синяя вязаная матросская шапка бини низко надвинута на лоб, оставляя глаза в тени; густая седая борода полностью закрывает подбородок и шевелится на ветру. Моряк поднимает руку с трубкой и указывает ею за борт, на тяжелые, пенящиеся волны. Низким, хрипловатым голосом, с благоговейным трепетом он произносит: «Этот океан — сила, дикая, неукротимая мощь. И она внушает благоговейный трепет при каждом вспыхивании света». Холодное рассеянное освещение периодически сменяется вспышками молний, на мгновение обнажающими суровые черты лица, фактуру вязаной шапки, отдельные пряди бороды и водяную пыль над морем. В звуковом фоне — гул ветра, рев прибоя у борта, скрип корабля и далекие раскаты грома. Сдержанная кинематографичная палитра, ощущение сырости, морской стихии и человеческого трепета перед ее мощью.

Если персонаж появляется в нескольких отдельно сгенерированных сценах, описание внешности лучше сохранять неизменным. Такой подход не гарантирует полного совпадения, но уменьшает количество изменений.

Не стоит перегружать короткий эпизод множеством действий. Если персонаж должен одновременно идти, смотреть в камеру, брать предмет, поворачиваться и произносить длинную реплику, часть инструкций может быть потеряна или выполнена в другом порядке. Сложное действие надёжнее разделить на несколько сцен.

Как описывать движение камеры

Фраза «красивая кинематографичная камера» почти ничего не говорит о траектории движения. Полезнее использовать конкретные формулировки:

• камера медленно приближается к персонажу;
• камера плавно отъезжает, открывая локацию;
• камера сбоку следует за движущимся персонажем;
• камера движется слева направо;
• камера поднимается над сценой;
• статичный средний план;
• крупный план лица;
• вид сверху;
• низкий ракурс;
• лёгкое естественное дрожание камеры.

Пример: 

Под сумеречным небом простирается заснеженная равнина, укрытая тонким слоем радужно мерцающей лунной пыли. Камера плавно следует со спины за одинокой фигурой в меховом плаще, идущей среди кристаллических цветов высотой около девяти метров. Гигантские прозрачные лепестки медленно раскрываются, преломляя холодный свет и рассыпая по снегу неспешно скользящие радуги. Широкая композиция подчеркивает масштаб цветов и хрупкость человеческого силуэта; затем камера приближается к граням кристаллов, улавливая внутренние отражения и тонкую структуру материала. Мех слегка колышется на ветру. За фигурой тянется единственная цепочка следов на нетронутой пыли. Тихий хруст шагов, приглушенный ветер и едва слышный стеклянный звон раскрывающихся цветов создают атмосферу неземного покоя.

В коротком отрезке видео лучше использовать одно основное движение. Сочетание облёта, резкого приближения, панорамирования и перехода на крупный план часто приводит к непредсказуемому монтажу в сгенерированном видео.

Если направление движения принципиально, стоит указать его прямо: «автомобиль движется слева направо», «героиня входит через дверь в правой части кадра», «камера следует за персонажем со спины».

Как описывать последовательность событий

В динамичных сценах помогает временная разбивка:

• в первые секунды — общий план и описание сцены;
• затем герой замечает объект;
• после камера приближается;
• в финале герой произносит реплику или совершает ключевое действие.

Пример: 

Динамичный эпизод экстремального ралли по бездорожью в эстетике найденной записи и жесткой спортивной документалистики. Дикая лесная трасса выходит к широкой мелководной реке с быстрым течением, каменистым дном и разбитыми грязными берегами. Сквозь кроны пробивается резкий солнечный свет, вспыхивают случайные блики на мокром металле и воде. Никакой постановочной чистоты: первобытная энергия, непредсказуемость, ощущение опасной близости к гонке.

Камера находится у самого края переправы, низко над землей, словно зритель снимает происходящее с рук. Нервная тряска, резкие проводки за машинами, короткие потери кадрирования; грязные капли периодически попадают на объектив. Движение передается в реальном времени, без замедлений.

0–2 секунды. Из лесной колеи на огромной скорости вылетает низкий багги с открытой кабиной, открытыми колесами и выступающим каркасом безопасности. Кузов настолько плотно облеплен коричневой грязью, что исходный цвет неразличим; водитель скрыт каркасом, тенями и брызгами. Следом несется массивный самодельный грузовик с высоким клиренсом, усиленными панелями, внешним защитным каркасом, огромными шипованными шинами и высоко выведенными выхлопными трубами. На заднем плане мелькают другие радикально переделанные внедорожники. Никаких логотипов, надписей или узнаваемых марок — только грубая функциональность, сварные соединения, потертый металл и засохшая грязь.

2–4 секунды. Багги без торможения врывается в переправу. Над ним взрывается широкая, почти непрозрачная стена мутной воды с мелкими камнями и речным мусором. На мгновение машина полностью исчезает внутри бурлящего выброса. Камера инстинктивно дергается от летящих брызг, но удерживает переправу в кадре.

4–6 секунд. Когда водяная стена достигает пика, грузовик на полной скорости входит прямо в нее, не выбирая обхода. Его тяжелый силуэт пропадает в грязной завесе и через долю секунды прорывается с другой стороны. С крыши, каркаса и днища срываются потоки воды; крупные дворники лихорадочно счищают мутную пленку с лобового стекла.

6–8 секунд. Грузовик тяжело выскакивает на дальний каменистый берег: подвеска глубоко сжимается, кузов встряхивает, из-под колес разлетаются вода и щебень. Впереди вновь виден багги. Обе машины продолжают яростную погоню по лесной колее, пока камера рывком провожает их сквозь капли на объективе.

Звук плотный, перегруженный близостью происходящего: утробный рев двигателей, вой трансмиссии, удары и скрип подвески, хлесткие всплески, стук камней по днищу; на пиках громкости микрофон слегка захлебывается. Без музыки и закадрового голоса. Главное событие — мгновенная цепная реакция: багги поднимает водяное препятствие, а следующий грузовик с неудержимой мощью пробивает его. Природа ощущается активной силой, сопротивляющейся машинам.

Секундная разметка не гарантирует точного соблюдения тайминга, но помогает модели сохранять заданную последовательность событий.

Приём полезен при генерации видео по текстовому описанию с несколькими связанными событиями по сценарию.

Как создать видео с репликами на русском языке 

Нейросеть Veo 3 может создавать видео с русской речью. Чтобы повысить вероятность получения нужного результата, следует указать нужный язык и написать точную реплику персонажа.

Базовая конструкция:

Персонаж говорит на русском языке: «Текст реплики».

Например: 

Историко-приключенческая сцена в захламлённом кабинете картографа. Средний план с лёгкого бокового ракурса: картограф склонился над огромной старинной морской картой, разложенной на большом деревянном столе среди свитков, книг и чертёжных инструментов. Тёплый свет настольной лампы выделяет его сосредоточенное лицо, потёртую поверхность стола и пожелтевшую бумагу с выцветшими линиями берегов; дальние углы комнаты остаются в мягкой полутьме. Камера медленно приближается. Картограф проводит пальцем по карте, останавливается на едва заметной отметке и, подняв взгляд к собеседнику за кадром, с нарастающим воодушевлением произносит: «Судя по этой старой морской карте, затерянный остров Эреф — не миф! Мы должны немедленно снарядить экспедицию!» Слышны шелест бумаги, поскрипывание деревянного стола и тихое потрескивание лампы. Атмосфера тайны, открытия и предстоящего путешествия.

Для сцены с одним героем такой формулировки иногда достаточно. Если важны голос, интонация и действие, описание следует расширить:

"Картограф проводит пальцем по карте, останавливается на едва заметной отметке и, подняв взгляд к собеседнику за кадром, с нарастающим воодушевлением произносит"

Реплику рекомендуется заключать в кавычки и отделять от остального текста двоеточием.

Не следует помещать внутрь кавычек указания наподобие «громко», «испуганно» или «смеётся». Особенности произношения и поведения необходимо описывать перед репликой.

Диалог персонажей

В сцене с двумя или несколькими героями каждому персонажу необходимо прописать в промте отличительные признаки. Недостаточно написать: «Сначала говорит первый персонаж, затем — второй», особенно при схожей внешности героев.

Более понятная структура:

Девушка в красном пальто поворачивается к мужчине и с тревогой спрашивает по-русски: «Ты слышал этот звук?»

Мужчина в серой куртке смотрит в сторону леса и тихо отвечает по-русски: «Да. Звук становится ближе».

Персонажи не перебивают друг друга: сначала говорит девушка, затем — мужчина.

Дополнительно можно указать:

• очерёдность вступления в разговор;
• направление взгляда говорящего;
• реакцию собеседника;
• необходимость паузы;
• очерёдность произнесения реплик;
• требуемую интонацию каждого голоса.

Пример: 

Кемпинг (покадровая анимация).

Турист говорит на русском языке: «Наконец-то я выбрался на природу, и сейчас я один в лесу!» 

Белка, спрыгивая с ветки дерева отвечает: «Как ты заблуждаешься!».

Даже подробный запрос не гарантирует идеального распределения реплик между персонажами. Модель может изменить тембр или интонацию, а также передать реплику другому герою. Поэтому диалоговые сцены целесообразно генерировать в нескольких вариантах, а затем выбирать лучший.

Для серии роликов особенно важна стабильность голосов: голос одного героя может заметно различаться от ролика к ролику. Если сохранение голосовой идентичности критически важно, практичнее выполнять озвучку отдельно на этапе монтажа.

Для поиска идей или импровизации можно ввести текстовый запрос, чтобы нейросеть сама придумала и сгенерировала диалог между персонажами.

Например: 

Кемпинг (покадровая анимация). Турист и медведь говорят на русском языке о природе.

Генерация видео с помощью Veo 3 в web-версии Yes AI

Перейдите на сайт Yes AI, предоставляющий 👉 доступ к нейросети Veo 3.

Шаг 1. Создайте новый чат

Нажмите кнопку «+ Новый чат» в верхней части боковой панели и создайте отдельный чат. Затем выберите VEO в списке доступных нейросетей.

Шаг 2. Выберите нужные настройки

В левом нижнем углу панели указана выбранная модель Veo. Кнопка с изображением шестерёнки открывает дополнительные настройки.
 

В меню «Пропорции» доступны два варианта:

• 9:16, 1080 × 1920 — вертикальный формат;
• 16:9, 1920 × 1080 — горизонтальный формат.

Вертикальный кадр подходит для мобильных площадок, портретных сцен и роликов с одним персонажем, занимающим большую часть изображения. Горизонтальный формат предоставляет больше пространства для демонстрации локации, движения транспорта, панорамных пролётов и разговоров между несколькими героями.

Формат лучше выбрать до окончательной подготовки промпта. Композиция с двумя персонажами, рассчитанная на соотношение сторон 16:9, может оказаться слишком тесной в вертикальном кадре. Крупный портрет, созданный для формата 9:16, после переноса в широкоформатный кадр иногда выглядит недостаточно выразительно.

Шаг 3. Добавьте промпт

В нижней части рабочего окна расположено поле для ввода промпта, в котором необходимо описать будущую сцену. Рядом находится кнопка в виде самолёта для отправки запроса на обработку.

Генерация видео запускается через браузер на компьютере или телефоне без VPN. Установка отдельного видеоредактора не требуется. Однако для последующего монтажа нескольких видео-фрагментов может понадобиться сторонняя программа, например CapCut.

Перед отправкой запроса полезно проверить пять элементов:

1. Дано ли подробное описание главного героя или объекта?
2. Указано ли действие?
3. Заданы ли ракурс и характер движения камеры?
4. Отделена ли реплика персонажа от остального описания двоеточием и заключена ли в кавычки?
5. Соответствует ли выбранный формат требованиям площадки, на которой планируется публикация?

Шаг 4. Запустите генерацию и оцените результат

После обработки запроса готовый видеофрагмент появляется в отдельном, созданном ранее чате с нейросетью. При клике на созданную генерацию отображаются текст промпта и выбранное соотношение сторон.

С результатом генерации можно выполнить следующие действия:

• «Скачать файл» — сохранить видеофайл на устройстве;
• «Продлить видео» — создать продолжение видеофрагмента.

Как продлить видео в Veo 3 

Функция «Продлить видео» создаёт следующий фрагмент на основе только что сгенерированного ролика. Продлить ролик, созданный в другой нейросети или в Veo 3 несколько дней назад, не получится.

Функция подходит для создания непрерывного движения: прогулки персонажа, поездки автомобиля, полёта камеры, течения воды или перемещения объекта по локации.

Покажу как работает функция продления видео на примере бумажного кораблика, плывущего по ручью.

Промт для первого видео-фрагмента: 

После дождя по узкой канаве, наполненной мутноватой водой, плывёт бумажный кораблик острой кормой вперёд. Камера следует за ним с низкой точки, почти у поверхности: на мокрых складках бумаги поблёскивают капли, вокруг дрожат отражения пасмурного неба. Подхваченный течением, кораблик неожиданно грациозно огибает мелкие препятствия, покачивается на волнах и выравнивается после каждого поворота. Поток увлекает его к тёмному отверстию ливневой канализации. Камера плавно сопровождает кораблик внутрь, где мягкий дневной свет постепенно сменяется полумраком, а журчание воды становится гулким, с эхом. Бумажный силуэт продолжает плыть в глубину водостока, навстречу неизведанным водам. Кинематографичная реалистичная съёмка, естественное рассеянное освещение, выразительная фактура намокшей бумаги и влажного бетона, атмосфера тихого приключения.

Далее нажимаем «Продлить видео» 

Добавляем промпт и запускаем генерацию

Промпт для продолжения видео:

Кораблик острой кормой плавно плывёт вперёд. Камера плавно двигается за корабликом. Течение замедляется, вода становится светлее, и бумажный кораблик выплывает из тоннеля. После полумрака пространство наполняется холодным рассеянным светом и атмосферой пасмурного осеннего дня. Кораблик покачивается на спокойных волнах и продолжает путь по ручью, постепенно удаляясь к серебристой полосе света. Кинематографичная реалистичная съёмка, детальная фактура намокшей бумаги, воды, мшистого бетона и осенней атмосферы, мягкая глубина резкости.

Одно продление видео может выглядеть достаточно естественно. Однако после нескольких последовательных итераций иногда наблюдается накопление искажений:

• лицо героя постепенно меняется;
• одежда теряет исходные детали;
• фон становится менее стабильным;
• мелкие предметы исчезают или деформируются;
• чёткость текстур снижается;
• цветовая температура меняется;
• движения становятся менее естественными;
• возникают ошибки в геометрии объектов.

Проблема заключается в том, что каждый новый фрагмент создаётся на основе уже сгенерированного материала, и возможно, содержащего небольшие отклонения. При следующей генерации отклонения сохраняются, а иногда и усиливаются.

Поэтому результат необходимо проверять после каждого продления. При появлении заметных артефактов в новом фрагменте продолжать генерацию не следует. Лучше вернуться к последнему удачному видеофрагменту.

Как сделать длинный ролик без цепочки автоматических продлений

Более управляемый способ — вручную подготавливать каждую следующую сцену, используя последний удачный кадр предыдущего фрагмента в качестве начального изображения.

Порядок действий:

1. Создайте первый видеофрагмент.
2. Просмотрите финальную часть покадрово.
3. Найдите чёткий кадр без смазывания, закрытых глаз и визуальных деформаций.
4. Сохраните выбранный кадр как изображение.
5. Загрузите сохранённое изображение в качестве стартового кадра.
6. Повторите в промте неизменные характеристики персонажа и локации.
7. Опишите только следующее действие.
8.  Запустите новую генерацию. 
9. Сгенерируйте при необходимости несколько вариантов.
10. Соедините качественные фрагменты в видео-редакторе, например в CapCut.

Такой способ требует больше ручной работы, однако ошибки не переносятся по длинной цепочке продлений. Каждая сцена создаётся как отдельный фрагмент на основе сформулированного промпта.

Особое внимание следует уделить выбору кадра для перехода. Кадр, снятый во время быстрого движения, может оказаться смазанным. Если персонаж повёрнут спиной, в следующем эпизоде модели придётся заново воссоздавать лицо. Для перехода лучше выбрать нейтральную позу, в которой хорошо видны лицо персонажа, одежда и окружение.

Для сохранения облика персонажа  в новом промпте следует повторить описание:

• внешности персонажа;
• одежды;
• времени суток;
• характеристик освещения;
• расположения персонажа;
• направления движения;
• стиля съёмки;
• типа объектива или плана, если такие параметры важны;
• особенности локации, которые необходимо сохранить.

Подробно пересказывать предыдущую сцену не требуется. Достаточно зафиксировать неизменные элементы и описать новое действие.

Ручная сборка не гарантирует абсолютной идентичности: лицо, голос или детали одежды всё равно могут измениться. Однако такой подход снижает риск накопления искажений и позволяет заменить отдельный неудачный эпизод без переработки всей последовательности.

Подробнее о создании видео с одним и тем же персонажем 👉 в этой статье.

Генерация видео по фото: стартовый и финальный кадры

В настройках нейросети Veo 3 можно загрузить начальный и финальный кадры. После загрузки кадры отображаются на экране в виде миниатюр.

Кнопка «+» предназначена для добавления изображений-референсов. Поддерживаются файлы в форматах JPG, JPEG и PNG.

Загрузка финального кадра необязательна.

Начальный кадр задаёт исходное состояние сцены:

• композицию;
• положение персонажей;
• одежду и внешность;
• фон;
• перспективу;
• освещение;
• основные цвета.

Финальный кадр демонстрирует итоговое состояние сцены. Действие, происходящее при переходе от начального кадра к финальному, необходимо описать в текстовом запросе для нейросети.

Например:

Девушка рукой берёт чашку с горячим чаем со стола. Движения медленные и плавные. Камера статична. Фокус на движениях девушки. На фоне звучит тихая и мелодичная музыка.

Именно описание перехода отличает осмысленную анимацию от попытки заставить модель самостоятельно угадать связь между двумя изображениями.

Пользователь загружает визуальную основу, а модель создаёт движение. Однако итоговый ролик зависит не только от исходника. Большую роль играют текстовый запрос, композиция и степень различия между начальным и конечным кадрами.

Если изображения сильно отличаются по ракурсу, освещению, одежде героя или расположению объектов, переход может получиться резким. Возможны деформации, исчезновение деталей и внезапная смена фона.

Для более устойчивого результата начальный и финальный кадры должны восприниматься как две стадии одной сцены, быть похожими, но не идентичными.

Таким образом, чтобы сделать видео из фото, недостаточно загрузить снимок и написать «оживи». Нужно обозначить допустимое движение. Для портрета это может быть лёгкий поворот головы, моргание и движение волос. Для пейзажа — колыхание травы, облака, водная рябь и медленный пролёт камеры.

Практические советы для стабильного результата

Совет 1. Разделяйте сложную историю на сцены.

Если ролик включает разговор, погоню и смену локации, не пытайтесь создать весь материал с помощью одного запроса.

Составьте простой план, например:

• знакомство с персонажем;
• диалог;
• погоня;
• смена локации;
• финальная сцена.

Для каждого фрагмента подготовьте отдельный промпт. Такой подход упрощает контроль над анимацией и позволяет повторно генерировать только неудачные части.

Совет 2. Не меняйте сразу несколько параметров в промпте.

Если результат не устраивает, исправляйте по одной проблеме за раз. Сначала уточните характер действия, затем скорректируйте движение камеры, а после этого — освещение или звук. Полная переработка запроса после каждой попытки мешает определить, какое именно изменение улучшило результат.

Совет 3. Создавайте несколько вариантов диалоговых сцен.

Генерация устной речи сложнее создания немой сцены: модели необходимо одновременно сохранять визуальный образ персонажа, синхронизировать артикуляцию с речью и поддерживать заданные голос и интонацию. Несколько генераций позволяют выбрать вариант с наиболее естественным звучанием реплик.

Совет 4. Точно описывайте звуковое сопровождение.

Вместо формулировки «атмосферный звук» лучше перечислить конкретные источники звука:

• тихий стук капель дождя по крыше;
• потрескивание огня;
• шелест бумаги;
• гул двигателя;
• звук шагов;
• далёкий шум города.

Звуковое сопровождение не должно противоречить видеоряду. Например, для сцены в закрытой комнате громкий шум ветра или морского прибоя требует дополнительного объяснения.

Нейросеть Veo 3: создание видео на основе текста и изображений

Veo 3 — инструмент для генерации видео, позволяющий объединять изображение, движение, речь и звуковое сопровождение. Подобный подход сокращает количество разрозненных этапов работы по монтажу ролика, но не отменяет необходимости в режиссёрской подготовке.

При создании видео по текстовому описанию основная работа сводится к составлению промпта. Для генерации на основе изображения необходимо отдельно описать характер движения. Продолжительный сюжет лучше создавать последовательно: разделяя на отдельные сцены. При желании можно использовать последний удачный кадр видео-фрагмента как исходное изображение для следующей сцены.

Нейросеть Veo 3 упрощает процесс создания видео и позволяет обходиться без съёмочной площадки, однако требует тщательной проработки постановки. Чем точнее описаны персонажи, движения камеры, реплики и развитие действия, тем выше вероятность получить материал, пригодный для монтажа готового ролика.