Конвейер ИИ-мультсериала: сценарий по секундам, опоры, Kling и автоматическая проверка серии

Мы собираем вертикальный мультсериал «Лесная улица» из облачных моделей: в этой пробе серия на 24 секунды, постоянные герои, русская речь. За 29–31 октября 2026 года одну серию пересобрали примерно десятью способами на Wan, Kling, Veo, Seedance, GPT Image и Nano Banana Pro. Ниже — порядок шагов, который сложился после испытаний, таблица расходов, пары «брак / исправление» и список того, что мы так и не починили. Ограничение одно: зрительских чисел по этому способу пока нет, речь только о производстве. На 31 октября опубликованы «А телефон куда?» и «Подменишь?». «Агитация запрещена» и «Посидеть потом» ниже — производственные пробы.

Производственная проба «Агитация запрещена». Слева ранний дубль Kling: выпечка видна уже на 5-й секунде. Справа третий дубль: ватрушки раскрыты в финале, около 21-й секунды.

Результат и его границы

На выходе шаг за шагом получается ролик 1080×1920, 23–26 секунд, с громкостью около −14 LUFS, с подтверждёнными распознаванием репликами и проверенными кадрами. Лучшая сцена с полной анимацией — третий дубль Kling 4.0 за 54 кредита Higgsfield; дешёвая версия той же истории — десять картинок GPT Image с движением камеры.

Главный вывод отличается от того, что мы ожидали. В первых пробах мешали размытый сюжет, размытые запросы и отсутствие опор. Когда сцена расписана по секундам с репликами и эмоциями, модели собирают ролик почти с первого раза. «Почти» здесь важно: картинкам хватало одной-двух переделок на серию, а Kling на ту же сцену потребовал трёх дублей. Весь разбор ниже основан на единичных пробах и не годится как рейтинг моделей. Повторяемость мы не измеряли.

Домашние компьютеры только управляют задачами, хранят файлы и монтируют, тяжёлая генерация идёт в облаке. Сборку и техническую проверку выполняют ИИ-помощники, решение о качестве принимает человек. Перед выпуском отдельно проверяем понятность с первого взгляда: в первом кадре видны герой, его цель и помеха. Свежий помощник пересказывает сцену по кадрам без звука; если смысл не совпал с задумкой, серия не выходит.

Схема

Библия героев → сценарий по секундам → человек: да/нет
→ опоры (листы героев, одно место) → кадры GPT Image
→ голоса ElevenLabs eleven_v4 → сборка с камерой → проверка
→ человек смотрит черновик
→ понравилось: Kling 4.0 одним планом, 2–3 дубля → Voice Changer → проверка
→ выпуск

Порядок задан намеренно. История проверяется на дешёвых картинках, а деньги на анимацию идут только в сцену, которая уже понравилась. Поэтому анимация идёт после просмотра черновика.

Сценарий по секундам

Перед этим конвейером мы разобрали 16 чужих проектов и 24 выпуска. Грубые замеры показали разрыв: у семи коротких зарубежных образцов движение в кадре занимало в медиане около 70 % времени, у нашего «живого комикса» — 3,7 %; отдача наступала на 8–13 секунде, у нас примерно на 35-й; длина около 26 секунд против наших 40–45. Это замеры по небольшой целевой выборке, но они дали рабочую рамку: 15–25 секунд, первая секунда уже внутри ситуации, отдача к 8–12 секунде, финальная реплика или жест.

Сценарий идёт цепочкой: фраза для друга, кадры по секундам, реплики с подачей, отметка, где должен быть смех. Сюжет утверждает человек ещё до картинок. Для видеомодели такой сценарий превращается в запрос, где расписаны реплики, работа слушающего, паузы и момент раскрытия предмета.

Первый запрос к Kling просил сдержанной мимики, и лица вышли плоскими. Доказать связь мы не можем, но после замены на игру по секундам в кадре появились расписанные взгляды, брови и реакции слушающих. Дальше проблемы стали конкретными. В первом дубле запрет произносили и Светлана, и Зина, хотя Зина говорить его не должна. Во втором поднос скачком перешёл со стола в руки. В третий запрос добавили запрет эха, точные интервалы речи и один неподвижный план, и все пять реплик распознались без повторов.

EXACTLY FIVE SPEECH TURNS IN THIS ORDER, each quoted line ONCE ONLY.
No repeated or echoed words, no improvisation, no laughing sounds.
The person listening NEVER mouths or repeats the other person's sentence.
SILENCE between turns is intentional.

19.0-22.0 ZINA ONLY: «Это не пирожки. Это ватрушки».
Delivery: невозмутимо, мягкая хитринка, тёплая победа; short pause
after «пирожки», warm emphasis on «ватрушки». She first looks directly
at Svetlana. DURING the pause at 20.5s she draws the cloth completely
aside, revealing the cheese pastries for the first time.
Neighbors' faces brighten into silent delight ONLY now.

Смешение русского и английского в запросе — наш рабочий приём: реплики и подача остаются русскими, постановка английская. Отдельно его пользу мы не сравнивали.

Опоры

Внешность героя лежит в одном изображении. Для Зины это лист с двумя ракурсами в полный рост, сделанный для пробы «Касса»; он без изменений используется в «Агитации» и в трёх сезонах. Для остальных героев такие листы созданы по их библиям. Точные лица и одежда берутся из изображений, текстовая примета в запросе служит подсказкой.

На этапе опор возник самый глупый наш дефект. Управление браузером отправляло задание раньше, чем загрузилась картинка, и генератор получал предыдущую опору. Один запуск ушёл в посторонний старый стиль. Сервисы к тому же сами подставляют в форму прошлую картинку: при переходе на Kling это случилось ещё раз, и файл пришлось заменять вручную. Теперь запуск идёт только после подтверждения снимком формы, листы сверяются по виду и хешам, а одна задача работает в одной своей вкладке.

Лист не всегда попадает в модель. Flow не дал совместить начальный кадр с листами героев, поэтому новых соседей в продолжении Veo пришлось описывать словами, и именно там герои смешались. А Seedance при явном указании «один лист — один человек» всё равно поставил двух Зин. Причину в обоих случаях мы не устанавливали.

Опорный лист Зины: один герой в двух ракурсах. Все изображения в статье созданы нейросетями для нашего производства.

Картинки и видео

Кадры делаем через встроенный GPT Image в Codex, запас — Nano Banana Pro 2K. Картинка приходит в 941×1672 и увеличивается до 1080×1920. Каждый запрос повторяет описание места и правила, например: Зина справа, Тёма слева, место под субтитры свободно, никаких подписей. Текст на листках тоже рисуем в картинке, 1–3 слова или короткий заголовок. GPT Image и Nano Banana написали русские надписи без ошибок. Теперь субтитры располагаем на 60–75 % высоты кадра. Это новое правило, старые пробы ниже ему не всегда соответствуют.

Это пришлось выяснять на браке. Сначала мы накладывали надписи сами при сборке и вели их за листком, и они всё равно съезжали на движении. Видеомодели буквы портят: один вариант Wan сам дорисовал их на чистом листе, Seedance написал «ПИРОКИЙ АГИТАЦИЯ», Kling заполнил доску псевдострочками. Правило теперь такое: для видео все листы и доски чистые, а смысл передаётся речью и действием.

Видео в 720p увеличивается до 1080×1920 при сборке: у нас мультфильм, а 1080p при генерации Kling 4.0 стоил 96 кредитов против 54 за те же 24 секунды. Формат запроса — один непрерывный план, игра по секундам, опоры, 2–3 дубля, лучший проходит дальше. Полная генерация с внутренними склейками у Kling меняла расположение двери, стола и героев на смене плана. Сложные действия руками в одном кадре не даём: чистого вязания не вышло ни в одном из шести роликов слепой пробы.

Слева Seedance 2.5: две Зины и «ПИРОКИЙ АГИТАЦИЯ». Справа GPT Image: «АГИТАЦИЯ ЗАПРЕЩЕНА» без ошибки.

Таблица испытаний

Все пробы от 30.10.2026 на одной истории, «Агитация запрещена», около 24 секунд. Единицы разные и не складываются: кредиты Higgsfield, бонусы Flow. Это фактические расходы этих проб, а не публичные тарифы. Оценка «да» или «нет» — решение человека после просмотра; пометка «проверка» значит, что ролик отсеяли по нашей проверке.

Варианты Kling и Veo с планами брали готовые ключевые кадры и общую звуковую дорожку, поэтому первые строки сравнивают только движение. Отдельно в слепой пробе на шести роликах (162,5 кредита) человеку понравился Wan 3.0 Prime, и этот выбор потом не удержался: на сцене с репликами и эмоциями лучше выступил Kling. Seedance 2.5 с эмоциями в двух дублях тоже посмотрели и из производства убрали за качество, хотя на него действовал безлимит.

Слева Veo 3.1 Fast: сосед с чертами Светланы. Справа Kling 4.0: герои не смешались.

Голоса: eleven_v4, темп и ударения

Для серий из картинок озвучка строится на ElevenLabs eleven_v4 с метками эмоций. На серию уходит от 267 до 373 знаков вместе с метками. Первый голос Зины, Nadia, пришлось снять: в библиотеке он помечен как молодой, а героине 74 года. Мы провели кастинг: 24 кандидата на восемь героев, 2 992 кредита ElevenLabs. Для Зины выбрали Babushka Valya. Выбор сделан по описаниям и библиям, на слух возраст и естественность не подтверждены.

С темпом получилось измеримо. Пробы мы считали как число слов на полную длительность MP3, с паузами внутри.

В коротких пробах Зина держится около 130 слов в минуту, остальные в диапазоне 141–168. Медленные записи ускоряются до ×1,30 без изменения высоты. Проба короткая, около трёх секунд, поэтому о длинной речи она не говорит.

С ударениями хуже. Мы подготовили словарь из 31 слова, но подключить его не удалось: создание вернуло HTTP 401 и missing_permissions, ключу не хватает pronunciation_dictionaries_write. Поэтому проверяли подсказками прямо в тексте. Главная находка неприятная: распознавание возвращает слова, а не ударные слоги, и совпавшая расшифровка ударение не доказывает. Знак U+0301 помогает не всегда. После все́ три записи подряд распознались как «все», а не «всё». Но в именах знак дал «Динаида» и «Китрович», а ватру́шки устойчиво сработало у одного голоса и не сработало у другого. Правило выпуска: имена пишем обычно, спорное место меняем точечно и сравниваем обе записи.

Замена голоса в готовом видео

Kling генерирует речь сам, и его родные голоса не совпадают с утверждёнными голосами героев. Нам нужны постоянные. Схема такая: Audio Isolation отделяет речь, реплики режутся по окнам из разметки, каждая проходит Voice Changer eleven_multilingual_sts_v2, затем ложится на тихий фон, взятый из пауз самого ролика. Смех и звук между окнами остаются исходными. Картинка не трогается: SHA-256 видеопотока до и после совпадает.

Проба проведена ещё с прежним голосом Зины, Nadia, вместе со Светланой и Романом, и заняла 603 кредита вместе с пробами и проверками. Главное условие — не менять время реплик. Отклонение границ слов для основных реплик составило до 0,06 с, ускорение не применялось. Это оценка Scribe по границам слов, а не прибор, замеряющий губы, поэтому совпадение каждой артикуляции не подтверждено.

Из проблем: последняя реплика после очистителя искажала слово «ватрушки», её пришлось преобразовывать прямо из исходной дорожки, без очистки. Короткое «хм» восстановили отдельно, синтезом eleven_v4 с меткой [skeptical]. Прямое вычитание очищенного звука оставило почти всю речь, от него отказались, из-за этого бытовые звуки под заменёнными репликами могли потеряться. В запасе остаётся Kling внутри ElevenLabs.

В промежуточной производственной версии «А телефон куда?» заменили все семь реплик: Зина — Babushka Valya, Тёма — Dimitri. Три коротких фрагмента пришлось восстановить синтезом eleven_v4. Вырезанные из окончательного файла реплики Scribe распознал полностью, максимальное отличие границ слов от исходной речи — 0,08 с. При этом Whisper на всём ролике всё ещё выдаёт спорные слова. Расход этой работы — 604 кредита ElevenLabs; независимое прослушивание и совпадение каждой артикуляции не подтверждены.

Автоматическая проверка

По правилу конвейера проверка отделена от сборки, хотя пока её часто делает тот же помощник вторым проходом. В неё входят кадры, речь и громкость.

Кадры снимаются каждые 0,25 секунды; на сменах планов смотрятся точки −0,5…+0,5 с и все смешиваемые кадры перехода. На ролик выходит около 100 кадров. Поиск смен планов идёт через select='gt(scene,0.22)'. Просматривает их ИИ-помощник, поэтому находки описательные: перескок героя, сдвинутая лампа, лишняя кисть руки. Речь распознаётся локально через faster-whisper small, а в пробе с заменой голосов ещё и Scribe. Громкость мерится фильтрами ebur128 и приводится двухпроходным loudnorm к −14 LUFS.

# кадры через 0,25 с
ffmpeg -v error -i src.mp4 -vf "fps=4,scale=180:-1" -q:v 3 out/frame-%04d.jpg

# смены планов
ffmpeg -hide_banner -i src.mp4 -vf "select='gt(scene,0.22)',showinfo" -an -f null -

# громкость и истинный пик
ffmpeg -hide_banner -i src.mp4 -vn -af ebur128=peak=true -f null -

# первый проход выравнивания
ffmpeg -hide_banner -i src.mp4 -vn \
  -af "loudnorm=I=-14:TP=-1.5:LRA=9:print_format=json" -f null -

Итоговая громкость у проверенных файлов −14,0 и −14,13 LUFS, а исходная дорожка моделей гуляла: Kling −11,7, дубль с пиком +0,1 dBTP, Veo −18,3, причём третья часть −23,3. Без выравнивания финал Veo был бы заметно тише начала. Распознавание показало повторы реплик и дало ложные тревоги: «Выбор и совета дома», «Я зату», «самая нужная». Поэтому спорное слово мы вырезаем отдельным фрагментом и прогоняем заново.

Главная граница такая: ни один помощник не слышит звук. Попытка передать WAV вернула audio input not supported. Интонации, шипение, естественность голоса и ударения автоматикой не подтверждаются. Движение проверяется по кадрам, а не глазами в реальном времени. Поэтому отчёт без ошибок здесь не означает готовую серию, и последний шаг проверки всегда остаётся за человеком. Первая наша серия вышла файлом нужного формата и оказалась слайд-шоу.

Десять кадров версии из картинок GPT Image, с интервалами сцен и субтитрами. Это производственная проба «Агитация запрещена».

Брак и исправление

Выпуск

План выпуска — по одной серии на героя в день. Основная сюжетная линия — «Тёма сам», её первая опубликованная серия — «А телефон куда?». Другие сюжетные линии держим в запасе: готовые серии можно добавлять через день в другое время. Из этих историй уже опубликована «Подменишь?». Через 48 часов сравниваются досмотр и длина, и по ним правятся расписание и частота. На момент написания цифр по этому способу нет.

Что осталось нерешённым

Перенос удачной картинки в видео пока ненадёжен. Для серии «А телефон куда?» 31 октября сравнили два полученных видео и выбрали дубль с более выразительным недоумением Тёмы. Это промежуточная производственная версия на 24,46 секунды: после «Всё. Работай» вернули около 2,2 секунды немой реакции, кадр обрезали плотнее, два перехода сгладили шестью промежуточными кадрами. Лица и одежда сохранились, лишних людей не обнаружили. Но большая коробка по-прежнему закрывает лоток, лампа смещается без ясно показанного действия, телефон поднимается раньше задуманной паузы. Эти недостатки остались и после монтажа. Для публикации файл доработали ещё раз: добавили завязку сверху, подняли субтитры и разделили их цветом по героям, убрали хвост. На каналы вышла версия на 23,25 секунды; двухсекундная реакция относится к промежуточному монтажу, а не к ролику по ссылке.

В выбранном для производственной пробы дубле «Агитации» соседи смеются мимикой раньше развязки, распознаются лишние «хм», очередь уже стоит вместо того, чтобы собраться, а опускание ручки занимает полсекунды вместо двух. У версий из картинок на пятикадровых переходах двоятся силуэты, позы меняются скачком, мелкие узоры расходятся. Лист Тёмы выглядит младше 16 лет, и это наследуется всеми кадрами. Слуховых подтверждений по голосам нет. Словарь ударений не подключён.

Экономика тоже не закрыта: мы знаем цену отдельных попыток, но не цену регулярно получаемой хорошей серии, в рублях и во времени человека. Интересно услышать, кто уже решил проверку ударений без прослушивания и как вы держите постоянный голос в моделях с родной озвучкой без потери губ.