Когда нейросети научатся генерировать длинное видео

Генерация видео нейросетями за пару лет прошла путь от дрожащих трёхсекундных фрагментов до убедительных сцен. Но вопрос «когда можно будет сделать фильм по описанию» остаётся без ответа — и это не осторожность, а честное отражение ситуации.

Что это за проект

Речь не о конкретном продукте, а о технологической задаче, над которой работают сразу несколько команд: OpenAI с Sora, Google с Veo, Kuaishou с Kling и целый ряд более мелких разработчиков.

Задача формулируется просто: получить по текстовому описанию связный ролик, где персонажи не меняют внешность, предметы не исчезают между кадрами, а действие развивается по заданной логике. Сложность в том, что каждое из этих требований решается отдельно.

К этому добавляется звук. Даже там, где генерация речи и шумов работает, синхронизация с изображением остаётся отдельной задачей: губы, шаги, удары должны совпадать с картинкой. Для короткого фрагмента расхождение незаметно, на длинной сцене оно бросается в глаза сразу.

Что известно о дате

Даты нет ни у кого, и в карточке страницы поэтому стоит «технологическое ограничение», а статус — «слух». Это принципиальный момент: ни одна компания не объявляла, что готовит модель для длинного связного видео, и не называла сроков.

Публично известно другое — текущий потолок. Ведущие модели уверенно работают с отрезками в несколько секунд, а дальше начинается накопление ошибок.

Слухи о «длинное ИИ-видео»

Задача не решена, а не отложена. Дату объявляют, когда результат получен и остаётся упаковать его в продукт. Здесь же неизвестно, какой именно подход даст связную минуту, — значит, обещать нечего.

Согласованность растёт сложнее, чем длительность. Удержать одно лицо, один свет и одну логику сцены на минуте на порядок труднее, чем на пяти секундах: ошибка в каждом следующем кадре опирается на предыдущую.

Вычисления дорожают нелинейно. Ролик вдвое длиннее стоит заметно дороже, чем вдвое. Это ограничивает не только исследования, но и экономику будущего продукта.

Утечка или демонстрация — не анонс. Показ впечатляющего ролика на конференции говорит о возможностях модели, но ничего не сообщает о дате публичного доступа.

Права и ограничения тормозят выпуск не меньше техники. Чем длиннее и качественнее ролик, тем острее вопросы об использовании чужих образов и материалов. Компании вводят ограничения и проверки, и это добавляет времени между работающей моделью и доступным продуктом.

Что уже показали

Публично доступны инструменты, работающие с короткими фрагментами: генерация по тексту и по изображению, продление ролика, управление движением камеры. Появились и вспомогательные функции — сохранение персонажа между сценами, редактирование отдельных элементов кадра.

Длинные ролики, которые встречаются в сети, почти всегда собраны вручную: автор генерирует десятки фрагментов, отбирает подходящие и монтирует их. Это не одна генерация, а обычная монтажная работа поверх нейросетевого материала.

Чего ждать от проекта

Реалистичный сценарий — эволюция, а не скачок. Растёт длительность отдельного фрагмента, улучшается управляемость сценой, появляются инструменты для сохранения персонажей и стиля между кадрами.

Побочный эффект тоже предсказуем: раньше «длинного видео по промпту» появятся производственные инструменты для монтажёров — вставки, дорисовка фона, замена планов. Индустрия обычно принимает технологию именно так, по частям.

Стоит держать в голове и обратную сторону прогресса. Чем длиннее и убедительнее генерация, тем больше внимания к маркировке и проверке подлинности видео. Требования такого рода способны повлиять на сроки публичного доступа сильнее, чем скорость исследований.

Что делать, пока ждём

Практичнее всего разбираться с тем, что уже работает. Подробности — на странице Kling, историю закрытия Sora разбираем отдельно; по российским сервисам генерации видео есть отдельный материал.

Общее правило для этой темы: смотреть на условия доступа и ограничения по длительности в официальной документации, а не на ролики из соцсетей — там показывают лучший результат из многих попыток.

За каким сигналом следить

Главный сигнал — не ролик, а строчка в документации: максимальная длительность генерации и цена за секунду. Именно она показывает реальный потолок технологии на сегодня.

Второй сигнал — появление функций, отвечающих за связность: постоянные персонажи, управление сценой, редактирование по кадрам. Пока эти инструменты не станут надёжными, разговоры о полнометражном видео по описанию остаются разговорами.