Главная → Блог

Промты для видео: как описать сцену, чтобы вышло с первого раза

Ден Ах · 18 сентября 2026

Промт для видео устроен иначе, чем для картинки. Модели нужно не описание кадра, а описание того, что в нём меняется за пять секунд.

Человек пишет для видеомодели то же, что писал бы для генератора картинок: подробное описание сцены, свет, настроение, стиль. Получает красивый неподвижный кадр, в котором едва заметно дрожит трава.

Модель сделала ровно то, что попросили. Про движение в промте не было ни слова.

Четыре слоя промта

Сцена. Кто и где находится, одним предложением и без литературных красот.

Движение. Что именно меняется в кадре: кто шевелится, что качается, что течёт. Это главная часть промта, и чем конкретнее она написана, тем ближе результат к задуманному.

Камера. Стоит на месте или движется, и если движется, то как. По умолчанию лучше ставить неподвижную, потому что движение камеры съедает тот запас правдоподобия, которого модели и так не хватает.

Характер движения. Медленно, естественно, едва заметно. Одного-двух слов достаточно, чтобы задать масштаб происходящего.

Собранный промт выглядит так:

A woman reads a book by the window in a quiet room. She turns a page and blinks, curtains move slightly in the draft, dust floats in the light. Static camera. Slow natural motion, realistic.

Слова, которые ломают результат

Глаголы больших перемещений — walks across, runs, jumps, turns around. За пять секунд модель не успевает сделать это чисто, и начинает разваливаться анатомия.

Несколько действий подряд — «открывает дверь, входит и садится». Это три сцены. В одной генерации получится месиво, а нужный результат собирается монтажом из трёх роликов.

Абстракции вроде «атмосферно», «красиво» или «стильно». Модель не знает, что вы вкладываете в эти слова, и подставляет усреднённое представление, собранное из миллионов чужих роликов.

Точные тексты и цифры в кадре — вывески, надписи, документы. Буквы рассыпаются, и лечится это только редактором после.

Формулы под типовые задачи

Портрет, самый безопасный вариант.

Static camera. The person blinks and turns their head a few degrees toward the light, hair moves slightly. Subtle natural motion, realistic.

Предмет или еда:

Static camera. Steam rises from the dish, a drop slides down the glass, light shifts slowly across the surface. Everything else stays still. Minimal realistic motion.

Пейзаж:

Static camera. Clouds drift slowly, grass and leaves sway in the wind, light changes as clouds pass. Slow cinematic motion.

Вход в фотографию, для моделей с управляемой камерой:

Very slow camera push-in toward the subject, subtle parallax between foreground and background, subject remains still. Cinematic, realistic.

Дальше эти формулы меняются по одному слову: hair на scarf, steam на smoke, clouds на fog. Замена по одному показывает, что именно повлияло.

Приём для зацикленных роликов

Если модель позволяет задать первый и последний кадр, поставьте туда одну и ту же картинку. Движение уйдёт и вернётся, а ролик можно крутить по кругу без видимого стыка. В промте это стоит подкрепить словами про возврат в исходное положение и обязательно неподвижной камерой.

Сколько попыток закладывать

Модели вероятностные, и два одинаковых запуска дают разный результат. Три-четыре генерации на один кадр — это рабочая норма, а не признак того, что промт написан криво.

Отсюда практика, которая экономит. Сначала доводится исходная картинка, она стоит копейки. Потом пишется промт движения. И только потом запускается видео, где каждая попытка дороже сотни изображений.

И последнее, что стоит помнить про границы: промт управляет движением, но не сюжетом. История длиной в минуту не заказывается одной фразой — она собирается из отдельных пятисекундных кусков, как обычный монтаж. Нейросеть здесь работает камерой, а режиссёром остаётесь вы.