Впечатлить современную аудиторию текстами сложно: ей придется читать и… думать. Гораздо проще убедить кликнуть по ссылке или оформить заказ через видео. Не зря маркетологи по всему миру все больше переходят на ролики, а текст остается как запасной вариант для самых вдумчивых. Об этом говорят данные статистики. Перевод слегка корявый, но основную суть передает.
Подготовили материал для тех, кто видит ИИ-ролики, хочет собирать такие же охваты, но не понимает, с чего начать и как это работает на практике. Сегодня разберем, какие ИИ использовать для генерации роликов под УБТ, сколько это стоит и можно ли делать это бесплатно.
Можно ли генерировать видео для УБТ бесплатно
Наш вывод такой: где-то в параллельной вселенной – да. На планете Земля – нет.
Совсем бесплатно дадут только сделать пару секунд видео, которое можно показать коллегам и посмеяться. Чтобы сгенерировать ролик рекламного уровня, не хватит никакого триала, а результат “из коробки” все-равно придется докручивать руками.
Почему так: написать текст и сконструировать ролик – две совершенно разные по сложности задачи для нейросетей. Генерация текста условно сопоставима с конвейером из 100 исполнителей, последовательно формирующих слова. Результат согласован и достигается быстро. Генерация видео требует согласовать 120 кадров для 5 секунд при 24 FPS. Тут и тени, и освещение, и позы, и детали костюма, звук и липсинк. И все это при строгой последовательности этапов. При этом типичный запрос — 30 секунд при 60–120 FPS в 4K или 1080p. Пример условен, но показывает, почему видео существенно дороже и сложнее текста.
Кто-то подумает, что есть локальные модели, которые можно поставить на свое железо и тогда генерация бесплатна. Да, но по сути она условно бесплатна – нужен сетап с хорошей видеокартой, процессором, много оперативки, SSD и другие запчасти. Чтобы не вдаваться в тонкости, ненавязчиво предлагаем оценить стоимость хотя бы одной подходящей для генерации видео видеокарты.
А еще оперативка.
Предполагаем, что не у всех на полке завалялось примерно $8 300 только на эти компоненты. Если такие деньги все же есть, то припасаем еще ~$2 000 на остальные составляющие и получаем домашнюю станцию для генерации 10–20 роликов ежедневно.
Как оплачивать ИИ-сервисы
Veo, Kling, Seedance, Wan и масса других нейронок доступны не во всех странах, поэтому аффилиат сталкивается с популярным вопросом любого новичка – как лучше всего получить доступ.
Лучший вариант – купить официальную подписку. В таком случае юзер сохраняет историю генераций, а система владеет полным контекстом задачи. Кроме того, арбитражник точно знает, куда улетают его запросы и какие мощности их обрабатывают. Для этого ориентируемся на модели Wan, Seedance, Kling и Google Flow. Последний вариант уже тестировали на практике.
Бюджетный вариант – купить доступ через сервис. За рекламу нам не платили, поэтому каждый выбирает сам: в сети таких агрегаторов десятки, если не сотни. Это может быть чуть выгоднее по деньгам, но пользователь сталкивается с массой рисков. Например, сервис обещает работу с одной моделью, а сам отправляет запросы к модели подешевле. Или передает не весь контекст, а только тот, который укладывается в рамки бюджета клиента. К тому же, ребята делают наценку за удобный (или не очень) интерфейс.
Самый дешевый вариант – покупать доступ по API. Это как приходить в ресторан со своими продуктами, а потом просить повара за деньги пожарить мясо и заправить салат с овощами. Здесь аффилиат платит исключительно за использование вычислительных мощностей компании. Полезно, когда не знаешь, какая модель сработает лучше, а желания оплачивать подписку за $20–30 ради пары генераций нет. Кроме того, при отправке промта через API-запрос можно настроить гораздо больше параметров: вотермарка, зерно генерации, дополнительное расширение промта и так далее. Но не спешите потирать ладони: написать полноценный запрос вручную новичок, скорее всего не сможет. Вот пример, с которым помогла нейросеть.
Есть и другие минус – работа по API не предполагает, что система будет помнить контекст. Поменять какую-то деталь в финальном результат, как правило, не получится даже за деньги – система просто ничего не хранит у себя.
Популярные сценарии работы с генераторами видео
Через нейронку пока тяжело сделать полноценный сюжет – это задача не для новичка. Зато можно использовать нейровидео для более привычных сценариев, например, показать эмоции от выигрыша или прорекламировать дейтинг-приложение через красивую девушку.
Рассмотрим два сценария использования ИИ для генерации роликов под условно-бесплатный трафик. Сначала приведем примерный ход мысли читателя в каждом, затем разберем технологический стек и покажем, что использовать.
Мне бы просто попробовать
Для кого: «часто вижу ролики в ленте Reels, Shorts или TikTok. Понимаю, что они сделаны в нейронке, но охваты впечатляют. Теперь хочу понять, как оно делается и сколько на это надо ресурсов.»
Стек: используем самый холостяцкий вариант – триалы разных нейронок. Для такого старта пригодится PixVerse и Kling. Мы выбрали именно эти, так как они позволяют пощупать интерфейс и сделать пару генераций бесплатно. Более продвинутые варианты типа Google Flow или Kling такой щедростью не обладают.
PixVerse. Ребята щедро насыпают кредитов сразу после регистрации – 60 штук. Но потом они восполняются.
Сначала чутка покопаемся в документации, а потом создадим промт:
| Five-second vertical 9:16 realistic selfie-style video, one continuous shot. An attractive 25-year-old woman with shoulder-length dark hair stands near the front door of a modest contemporary apartment. She is dressed for a casual first date: a fitted black jacket over a simple white top, natural makeup, a small shoulder bag. She looks into the smartphone camera, gently tucks a loose strand of hair behind her ear, then gives a shy, playful smile. By the end of the clip she makes direct eye contact and gives a subtle, confident wink. Authentic social media video, ordinary lived-in apartment, natural warm indoor lighting, realistic facial micro-expressions, subtle handheld smartphone camera movement. Medium close-up, chest and face visible. Natural unposed behavior. Audio: light fabric movement and soft indoor ambience. No music, no talking, no subtitles, no text, no visual effects. |
По замыслу это будет короткая сцена для рекламы приложения для дейтинга. Для первой генерации загрузим этот промт и приложим референс: это модель Джордан МакИвен.
Примерно за минуту PixVerse выдает результат.
Теоретически можно за неделю наклепать таких сцен, потом добавить музыку, в конце небольшую заставку приложения, и крео готов.
Теперь оставляем промт, но убираем референс.
Примечательно, что система в первую очередь смотрит на параметры, заданные в интерфейсе, а не в промте: в тексте мы просили 9:16, а в окне настроек поставили 16:9. На фоне обоих видео звучит шум, как и хотели.
Теперь Kling. Он не хочет получать на входе сцену, ему нужны конкретные параметры и их значения. Гайдов на эту тему в сети масса. В результате работы естественного и искусственного интеллекта получаем вот такой промт:
| FORMAT: Exactly 6 seconds, vertical 9:16, one continuous POV shot. SUBJECT: A beautiful but natural-looking 26-year-old woman with dark brown hair, wearing a casual cream sweater. She is sitting alone at a small table in a cozy contemporary coffee shop, with a cappuccino in front of her. 0–1.5s: The woman waits quietly, looking toward the cafe entrance. Her expression is neutral and slightly expectant. 1.5–3s: She notices the approaching camera, representing the person she is meeting for a first date. Her face lights up with an authentic warm smile, her eyes showing recognition and excitement. 3–5s: Maintaining eye contact, she gently raises her coffee cup a few centimeters in a playful greeting and gives the viewer an inviting smile. CAMERA: Natural eye-level POV, slow and smooth forward movement toward the table, medium close-up by the end. No cuts or angle changes. STYLE: Photorealistic lifestyle footage, authentic human expressions, natural skin detail, soft window daylight, realistic cafe interior, shallow background depth of field. AUDIO: Quiet cafe ambience, soft cup clink, no speech, no background music, no subtitles or graphics. |
Вставляем в окно и ждем.
На месяц дают всего 66 кредитов. Каждые 10 секунд видео – 10 кредитов. Поэтому либо две генерации по 3 секунды, либо одна более-менее нормальная на 6 секунд. Идем ва-банк и сливаем все кредиты на одно видео.
В сервисе была очередь, поэтому генерация шла около 5 минут. Делает долго, но результат достаточно красивый (хотя скорее кинематографичный, чем явно дейтинговый).
Хочу протестировать полноценную связку
Для кого: «насмотрелся референсов, прикинул пару гипотез. Уже выбрал оффер и определился с сорсами. Осталось только понять, какая модель подойдет лучше. Но платить за какую-то одну подписку не собираюсь, не в падлу потратить $20–30, чтобы потыкать разные нейронки и выбрать топовую.»
Здесь мы пойдем на сделку с совестью и отдадим кровные на оплату работы моделей через сервис OpenRouter. Для чистоты эксперимента зададим трем передовым нейронкам один и тот же промт:
| A 10-second ultra-photorealistic vertical 9:16 smartphone selfie video, filmed in one continuous handheld shot. A naturally beautiful 25-year-old brunette woman with shoulder-length dark brown hair stands near the front door of a modest, cozy Eastern European apartment. She is getting ready for her first date. She wears a stylish fitted black jacket over a simple white top, natural makeup, small earrings, and a black shoulder bag. The video feels like a spontaneous personal selfie recorded for a close friend. She holds the smartphone in her left hand, outside the frame. 0–2 seconds: She looks directly into the camera with a slightly nervous but excited expression, as if thinking about the date ahead. A tiny shy smile appears. 2–4 seconds: She gently brushes a loose strand of hair away from her face and tucks it behind her right ear. Her movement is relaxed and natural. 4–6 seconds: She adjusts the strap of her shoulder bag, takes a small breath, and smiles to herself, visibly gaining confidence. 6–8 seconds: She briefly glances toward the apartment door, then looks back at the camera with a playful expression, almost laughing at her own nervousness. 8–10 seconds: She gives the camera a warm, charming, confident smile, followed by one subtle, natural wink. She then takes a small step toward the door, as if finally leaving for her date. CAMERA: Natural front-facing smartphone perspective, medium close-up showing her face and upper body. Very subtle handheld movement. Her face stays clearly visible. No cuts, no zooms, no camera angle changes. VISUAL STYLE: Authentic TikTok-style footage, natural skin texture, realistic pores and minor imperfections, believable facial micro-expressions, soft warm apartment lighting, ordinary lived-in interior. No cinematic glamour. MOVEMENT: Smooth natural human gestures, realistic eye movement, physically accurate hands, consistent facial features and clothing throughout the entire video. No speech, no subtitles, no on-screen text, no logos, no beauty filters, no background music, no exaggerated expressions, no artificial visual effects. |
Специально не накладываем надписи. По работам нейронок на скриншоте ниже получаем вот такой результат.
Нам больше всего понравился результат работы Kling. Поэтому его решили протестировать отдельно. Заряжаем промт, который должен сделать целый сюжет на 15 секунд:
| 15-second photorealistic vertical 9:16 social media video. One continuous shot inside a cozy, modest Eastern European apartment at evening. A naturally attractive 25-year-old brunette with shoulder-length hair, realistic skin and light makeup is preparing for her first date. She wears a fitted black jacket over a white top, small earrings and a black shoulder bag. Warm indoor lighting. A front door is clearly visible behind her. 0–4s: Standing by the door, she nervously straightens her jacket, tucks her hair behind one ear and checks her appearance. She smiles shyly, then takes a small calming breath. 4–8s: Her smartphone vibrates. She glances at its screen, smiles with genuine excitement and lowers the phone. The screen is not visible to the viewer. 8–11s: The doorbell rings. Surprised and happy, she looks toward the door, adjusts her bag and opens it. 11–15s: A friendly 27-year-old man in a gray coat stands outside, holding a small bouquet. He smiles and offers the flowers. She accepts them and laughs warmly. They exchange a shy, happy look. Camera: Natural smartphone-style footage from a fixed position inside the hallway, medium-wide shot showing the woman and front door. Subtle handheld feel, no cuts. Natural real-time pace, believable facial expressions, realistic hands, consistent faces and outfits. Ordinary lived-in apartment, no glamour filters. Audio: soft phone vibration, doorbell, quiet indoor ambience and natural laughter. No dialogue, music, subtitles, text or logos. |
Если не обращать внимания на мелкие детали типа улыбки, результат получился достаточно хороший.
Напоследок протестируем Wan 3.0 Prime. Это самая новая модель компании Alibaba, которая позволяет за один раз генерировать видео до 30 секунд. Некоторые практики уже делают достаточно убедительный контент с ее помощью. Ей поручим полноценный сюжет на русском языке с надписями поверх видеоряда.
| 30s vertical 9:16 photorealistic Russian ad for «Dating App»: six 5s shots, clean cuts, authentic TikTok/Reels style, ordinary Eastern European city, warm light, romantic humor. One consistent heroine: brunette 25, shoulder-length brown hair, natural makeup, silver earrings. At home beige sweater; on date white top, black jacket, small bag. Man: friendly 27, short dark hair, gray coat. SHOT 1 [0-5s] HOOK: Modest apartment at dusk, lamp, rainy window. Handheld medium shot: she sits alone on sofa with tea and TV remote, looks bored, picks up phone. TOP TEXT: «Пятница. Планов — ноль.» Female Russian VO: «Пятница. А у меня опять сериал.» SHOT 2 [5-10s] CURIOSITY: Over-shoulder phone shot, screen unreadable, no fake UI. She scrolls; close-up as curiosity replaces boredom. TEXT: «Решила попробовать Dating App». VO: «Зашла в Dating App просто посмотреть.» SHOT 3 [10-15s] MATCH: Phone buzzes. Close-up: she reads, raises eyebrows, tries not to smile, then laughs happily. Slow push-in. TEXT: «Взаимная симпатия!» VO: «И вдруг — взаимная симпатия!» SHOT 4 [15-20s] PREPARATION: Cut to hallway mirror. Same woman now in white top, black jacket. Puts on shoulder bag, tucks hair behind ear, exhales, smiles nervously. TEXT: «Кажется, у меня свидание». VO: «И вот я уже собираюсь на встречу.» SHOT 5 [20-25s] MEETING: Modest city cafe at blue hour, wet pavement, golden windows. Medium shot: man waits with two coffees, sees her and raises one cup. She approaches, smiles. TEXT: «Встречаемся вживую». VO: «Он оказался ещё милее вживую.» SHOT 6 [25-30s] END: First 2s: inside cafe, both laugh over coffee, two-shot. Last 3s: cut to solid deep violet title card. EXACT three centered white lines: «Dating App» «Знакомься. Общайся. Встречайся.» «Попробуй сейчас» VO: «Dating App. Начни свою историю.» AUDIO: one friendly female Russian narrator, natural pronunciation, upbeat soft instrumental below voice; phone vibration and cafe ambience; characters silent. EDIT: natural smartphone footage, realistic skin, hands, eye contact, expressions; stable faces and clothes, no glitches or extra people. Overlay only specified readable Cyrillic text, clean sans-serif, away from faces; no watermarks or extra text. |
Модель работа 6 минут, а генерация стоила почти $10 – вариант явно не для быстрых тестов. Итог можно посмотреть вот тут. Надписи все-таки лучше сделать самому в CapCut, а озвучку, например, – в HeyGen.
Вместо заключения
Если нет желания рисковать своими данными или постоянно вести контекст в одном файле на компьютере, покупаем условный PixVerse или Kling, а потом набиваем руку. Стоит это не так дорого.
Помимо этого, можно пойти и другой дорогой – генерировать фотографии и анимировать их. Посмотреть живые референсы можно здесь. Практика показывает, что даже такие крео неплохо приводят УБТ, хотя короткие анимации можно назвать видео с натяжкой.
Комментарии (0)