Видео из фото нейросетью: как собрать ролик из снимка

Главное:

• Модель не двигает ваш снимок, а достраивает новые кадры: исходник становится первым кадром сцены.
• Рабочая длина ролика из одного фото — 4–8 секунд, дальше движение обрывается или начинает плыть.
• Портрет с крупным лицом, предмет на чистом фоне и пейзаж с небом заходят лучше тёмных и размытых кадров.
• Промпт держится на формуле: объект, действие, окружение, свет, камера. Одно действие на клип.
• В IskraGen ролик из фото стоит от 28 ₽ на Hailuo Standard и от 100 ₽ на Kling 2.6 со звуком.

Запрос «видео из фото нейросеть» набирают больше 13 тысяч раз в месяц, и почти половина уточняет: «бесплатно». За цифрой стоят два разных человека. Один хочет, чтобы старая фотография ожила — заморгала, повернула голову, поймала ветер в волосах. Второй собирает ролик под задачу: карточку товара, поздравление, обложку для соцсети. Видео из фото нейросетью делается в обоих случаях, но снимок, промпт и модель нужны разные. Дальше — что именно происходит с вашим кадром, какой оригинал не сработает и сколько стоит генерация в рублях.

Что происходит, когда вы делаете видео из фото нейросетью

Модель не анимирует ваш снимок, а генерирует новые кадры, для которых он служит первым. Это не движущаяся фотография, а короткая сцена, построенная вокруг неё.

Внутри процесс распадается на три шага. Сначала модель разбирает сцену: находит человека, предметы, фон, оценивает глубину пространства и направление света. Потом решает, что должно двигаться, — по самому кадру и по вашему текстовому описанию. И только затем собирает последовательность промежуточных кадров, стараясь сохранить визуальную связность с исходником.

Отсюда вытекает главное следствие: результат каждый раз новый. Тот же снимок и тот же промпт дадут два похожих, но не одинаковых ролика. Это не сбой, а свойство генерации — модель заново достраивает движение, а не воспроизводит записанный сценарий.

Второе следствие касается длительности. Видео из фото нейросетью живёт короткими отрезками: практика сходится на 4–8 секундах с внятной динамикой. Дальше модели не хватает опоры — единственный кадр перестаёт удерживать сцену, и она начинает уходить от оригинала.

Третье — узнаваемость. Чем крупнее и чётче объект на входе, тем дольше он остаётся собой. Мелкое лицо в углу кадра модель «дорисовывает» по своим представлениям, и через две секунды человек на видео уже не тот, что на фото.

В каталоге IskraGen этот режим называется image-to-video и вынесен в отдельные карточки моделей: Hailuo Standard Image to Video, Kling 2.6 Image to Video, Kling O3 — Картинка в видео. Вы загружаете снимок, описываете движение словами, выбираете формат — и получаете готовый ролик. Соседний сценарий, когда оживает именно портрет, мы разобрали подробно в статье как оживить фото нейросетью.

Какой снимок оживёт, а какой сломает ролик

Хорошо работают четыре типа кадров: портрет с чётко видимым лицом, предмет на чистом фоне, интерьер с глубиной и пейзаж с небом, водой или деревьями. Общее у них — понятный центр и место, куда двигаться.

Пейзаж выигрывает потому, что в нём уже заложено естественное движение: облака плывут, вода идёт рябью, листва качается. Модели достаточно продолжить то, что глаз и так достраивает. Портрет работает по другой причине — лицо крупное, границы объекта читаются, и модель не путает его с фоном.

Плохо заходят четыре вещи. Слишком тёмные снимки: в тенях нет деталей, и модель заполняет их шумом. Кадры с размытием — генератор принимает смаз за форму объекта и растягивает его. Объекты, обрезанные краем кадра: продолжения нет, и модель дорисовывает его наугад. И перегруженные коллажи без понятного центра — сцена рассыпается на несогласованные куски.

Отдельная зона риска — руки и надписи. Пальцы у видеомоделей ломаются чаще всего, поэтому руки лучше не ставить в центр кадра и не просить активной мелкой моторики: «руки спокойно лежат» надёжнее, чем «перебирает струны». Текст в кадре между кадрами не сохраняется — логотип, ценник или вывеска поплывут. Титры добавляют потом, на монтаже.

Подготовка занимает минуту и экономит генерацию. Кадрируйте снимок под тот формат, в котором нужен ролик, — 16:9 для горизонтального, 9:16 для вертикального. Берите оригинал, а не пересланный через мессенджер файл: сжатие съедает детали, а модель принимает артефакты компрессии за фактуру. Если фото старое или мутное, сначала приведите его в порядок, а потом отправляйте в генерацию.

Проверить кадр дешевле, чем гадать. Видео из фото нейросетью на простой модели стоит меньше чашки кофе, и первые секунды сразу показывают, держит ли снимок движение: если лицо поплыло уже на второй секунде, дело в оригинале, а не в формулировке промпта.

Что определяет результат ещё до промпта — сгенерировано в IskraGen

Чем сделать видео из фото нейросетью: модели и цены

Выбор модели решает три вещи: длину ролика, наличие звука и цену кадра. Видео из фото нейросетью получается у всех перечисленных ниже, разница — в контроле и бюджете.

Hailuo Standard Image to Video — от 28 ₽. Самый дешёвый вход в жанр. Берёт снимок, добавляет движение, отдаёт короткий ролик. Подходит, чтобы проверить идею и понять, что вообще выйдет из этого кадра, до того как платить за флагман.

Kling — V2.5 Turbo Image to Video Pro — от 55 ₽. Плавное движение и аккуратные облёты камеры. Нативного звука здесь нет: он появился у Kling начиная с версии 2.6, и на 2.5 дорожку придётся накладывать отдельно.

Kling 2.6 Image to Video — от 100 ₽. Ролики фиксированной длины 5 или 10 секунд, форматы 16:9, 1:1 и 9:16, и звук за один проход: диалоги, эффекты и эмбиенс генерируются вместе с картинкой. Это рабочая лошадка для соцсетей, где ролик без звука не смотрят.

Kling O3 — Картинка в видео — от 190 ₽. Принимает до семи изображений или референсное видео длиной 3–10 секунд и выдаёт до 15 секунд. Режим для случая, когда герой должен остаться одним и тем же в нескольких планах.

MiniMax H3 — Картинка в видео — от 150 ₽ и Seedance 2, в каталоге bytedance-seedance-2, — от 290 ₽ закрывают верх: сложные сцены, несколько референсов, аккуратная физика. Grok Imagine Image to Video — от 50 ₽ стоит между Hailuo и Kling и годится для быстрых экспериментов.

Цена в IskraGen списывается за факт генерации, а не за месяц подписки. Оплата российской картой, без зарубежных сервисов и VPN. Стоимость складывается из удачных попыток: видео из фото нейросетью почти всегда требует двух-трёх заходов, и на дешёвой модели этот перебор обходится в разы дешевле, чем на флагмане. Разбор всей линейки видеомоделей с примерами — в обзоре лучших нейросетей для генерации видео.

Промпт для движения: формула, которая держит кадр

Рабочий промпт собирается по формуле: объект, действие, окружение, свет, камера. Пять слотов, каждый закрывается одной короткой фразой, без литературы.

Промпт для видео из фото нейросетью отличается от промпта для картинки одним: здесь описывают не сцену, а изменение. Статичное «красивая девушка в кафе» модель уже видит на входе — ей нужно знать, что именно должно поменяться за эти пять секунд.

Слабое место новичка — попытка уложить в пять секунд целый сюжет. «Девушка оборачивается, улыбается, идёт к окну, за окном закат» — это четыре действия, и модель смешает их в кашу. Одно, максимум два действия на клип; длинную сцену режут на несколько генераций и склеивают на монтаже.

Камеру нужно называть прямо. Без указания модель выбирает хаотичный дрейф и добавляет дрожание, которого вы не просили. В конец промпта дописывают «камера статична», «медленный наезд» или «плавная панорама» — одну траекторию на сцену, не две сразу.

Амплитуда движения — второй регулятор. Морфинг, когда предметы плывут и меняют форму, лечится уменьшением размаха: поворот головы на 30 градусов вместо 180, шаг вместо пробежки, «медленно наливает» вместо «наливает». Модель тем стабильнее, чем меньше ей приходится придумывать.

Действие подбирают под длину клипа. Если человек должен встать, подойти к двери и открыть её, а ролик длится пять секунд, движение оборвётся на середине. Либо берите модель с более длинным форматом, либо оставляйте одно короткое действие, которое успевает завершиться.

Пример рабочего промпта для портрета: «Женщина на фото, лёгкая улыбка и медленный поворот головы вправо, кафе с размытым фоном, мягкий вечерний свет из окна, камера статична». Пример для предмета: «Керамическая кружка на столе, от кофе поднимается пар, кухня утром, тёплый боковой свет, очень медленный наезд». Оба укладываются в один слот действия и не трогают руки.

Пять слотов промпта, которые держат кадр — сгенерировано в IskraGen

Слайдшоу с музыкой или генерация из одного кадра

Это два разных инструмента, и путаница между ними стоит людям денег. Слайдшоу показывает ваши снимки по очереди, генерация достраивает новое движение вокруг одного кадра.

Слайдшоу полностью предсказуемо: вы выбираете фотографии, порядок, переходы и трек, а программа собирает их в ролик. Содержание кадров не меняется — меняется только подача. Для семейной подборки, поздравления или отчёта о поездке это правильный выбор, и нейросеть тут не нужна вовсе.

Генерация даёт эффект, которого в слайдшоу не бывает: снимок оживает, камера входит в сцену, появляется глубина. Плата за это — непредсказуемость. Результат отличается от исходника, каждая генерация своя, и часть попыток уходит в корзину. Поэтому сделать видео из фото нейросетью дешевле сначала на простой модели, а флагман включать, когда кадр и промпт уже проверены.

Разница видна и в бюджете. Слайдшоу собирается из десятка снимков за один проход, а видео из фото нейросетью считается поштучно: каждый кадр — отдельная генерация со своей ценой.

Между этими полюсами есть третий сценарий — серия планов с одним героем. Здесь помогает Kling O3 — Картинка в видео: до семи изображений на входе удерживают внешность персонажа, а на выходе получается не один кадр с движением, а связка сцен. Дальше их монтируют в общий ролик.

Звук решается по-другому. Kling 2.6 генерирует дорожку вместе с картинкой, и для короткого ролика этого достаточно. Если нужна музыка под настроение или закадровый голос, дорожку собирают отдельно и накладывают на монтаже — так контроля больше, а перегенераций меньше.

Проверять идею стоит на дешёвой модели и одном кадре. Когда стало понятно, что снимок держит движение, а промпт не разваливает сцену, тот же кадр отправляют на Kling 2.6 или Kling O3 — и получают чистый ролик с первой-второй попытки.