Вы написали сценарий для короткометражки: фигура из тумана, капли на коже, игра света, плавный фокус-пулл. «Алиса» (Шедеврум / Kandinsky Video) отдала четыре секунды мозаики, где лицо плавит, капли похожи на шум сенсора, а фокус прыгает как сломанный 줌. Привычный текстовый промт для фото здесь — враг.
Видеогенераторы текущего поколения не «читают» промт как книгу. Они решают задачу оптимизации: как расставить пиксели в следующих 16–24 кадрах, чтобы минимизировать ошибку предсказания. Слишком много сущностей (туман + капли + свет + фокус + движение) забивает контекстное окно внимания. Модель теряет нить к 3-му кадру.
Вступление: фигура возникает плавно, словно из тумана, на коже мерцают капли, играющие со светом и создающие нежные блики. Приближение и фокусировка: камера мягко меняет фокус, героиня в фокусе, фон размыт. Поэтическая анимация, естественный вид, без пикселизации, высокая чёткость, 4k, кинематографичное освещение.Анатомия сбоя: что «слышит» модель
Промт выше — список желаний, а не инструкция для рендерера. Каждая фраза тянет латентное пространство в свою сторону.
- «Из тумана» + «Капли» = Борьба текстурМодель пытается сгенерировать объёмную среду (туман) и детали поверхности (капли) одновременно. На низком разрешении (базовое 512×512 или 1024×576) это даёт шум.
- «Меняет фокус» = Временная нестабильностьФокус-пулл требует понимания глубины сцены (depth map). Без стартового кадра с картой глубины модель «гадает», где плоскость резкости, вызывая мерцание (flicker).
- «Без пикселизации, 4k» = ИгнорируетсяНегативные промты и требования разрешения выше нативного не работают в текст-в-видео. Качество закладывается на этапе апскейла, а не генерации.
- Длина промта > Контекст вниманияТрансформер внимания в Kandinsky Video имеет фиксированное окно. Длинное описание «размывает» веса токенов: «туман» и «блики» получают одинаковый низкий вес.
Пять причин, почему качество рухнуло
1. Физика частиц на низком разрешении
Капли, блики, туман — это высокочастотные детали. На 576p они уходят в квантизацию. Модель рисует «идею» капли, а не каплю.
2. Конфликт движений: туман vs фигура
Туман требует диффузного движения, фигура — чёткой траектории. Без ControlNet (OpenPose/Depth) модель усредняет, получая «размытое поведение».
3. Отсутствие стартового кадра (Image-to-Video)
Text-to-Video — лотерея. Для «поэтики» нужен заранее подготовленный ключевой кадр (Midjourney / SDXL) + img2vid. Это даёт 80% успеха.
4. Игнорирование нативных ограничений модели
Kandinsky Video обучался на коротких клипах (2-4с) с фиксированным FPS. Просьба «плавно за 10 секунд» растягивает интерполяцию до артефактов.
5. Стилевые маркеры без веса
«Кинематографично», «поэтично» — стоп-слова. Нужны конкретные референсы: «освещение по Рембрандту», «объектив 85мм f/1.2», «плёнка Kodak Portra 400».
Формула рабочего видео-промта: 5 слоёв
Якорь субъекта (Subject Anchor)
Кто/что? Детально: «молодая женщина, мокрая кожа, крупный план глаз, текстура пор». Никаких «девушка». Это фиксирует идентичность в латентном пространстве.
Вектор движения (Motion Vector)
Что происходит? Одно главное действие: «медленное появление из белого (alpha fade in)», «легкое вращение головы влево». Не «возникает, капает, смотрит».
Хореография камеры (Camera)
Статика, долли, пейн, тильт, зум, фокус-пулл. Один тип за генерацию: «slow push in, subtle focus pull to eyes». Модель понимает термины оператора.
Текстура и свет (Atmosphere)
Материалы и источники: «specular highlights on water droplets», «volumetric backlight», «subsurface scattering on skin», «dust motes dancing». Физика, а не прилагательные.
Технические теги (Tech Spec)
Формат вывода: «16:9, 24fps, high bitrate, temporal consistency, no morphing». Это сигналы декодеру, а не генератору.
Мастерская: пересборка промта под «Алису»
Ключевой момент: этот промт работает только в паре с загруженным стартовым кадром (Image-to-Video). Без него — та же мозаика.
Скрытый 워кфлоу: Text-to-Video — ловушка
Качественная «поэтическая анимация» в текущих открытых моделях (Kandinsky, SVD, Pika, Runway Gen-2/3) собирается из трёх этапов. Прыгать сразу в генерацию — гарантия пикселизации.
- 1Ключевой кадр (Keyframe)Генерируем в Midjourney v6 / SDXL / Flux: «portrait of young woman, wet skin, macro droplets, volumetric backlight, 85mm, f/1.2, Kodak Portra 400, 8k». Апскейлим до 2048px (Magnific / Topaz).
- 2Image-to-Video (Motion)Загружаем кадр в «Алису» / Sherebrum / Runway Gen-3. Промт только про движение и камеру (слои 2 и 3 формулы). CFG 2.5–3.5, Motion Bucket 40–60. Генерируем 4-5 вариантов.
- 3Пост-обработка (Polish)Лучший вариант → Видео-апскейл (Topaz Video AI / RIFE интерполяция до 24/30fps) → Цветокоррекция (Davinci) → Граничная заостренность (Unsharp Mask) → Экспорт ProRes / H.265 High Bitrate.
