Видео из фото нейросетью: связка Nano Banana 2.1 и Hailuo 3.0, физика движения и промпты

Чтобы сделать видео из фото нейросетью, нужны кадр и описание движения. Разбираю связку Nano Banana 2.1 и Hailuo 3.0 (MiniMax H3).

Материал актуален на 12 октября 2026 года. Nano Banana 2.1 делает первый кадр, Hailuo 3.0 по нему снимает видео. Задача простая: есть фото, или его нужно сгенерировать, и кадр должен ожить без неприятных сюрпризов. Идеального кадра не бывает: речь о кадре и описании, которые оставляют модели меньше поводов ошибиться.

Об уровне доказательности сразу. Параметры, формулы промптов и возможности моделей взяты из документации MiniMax и Google, шаблоны промптов построены по этой формуле. Итоги запусков описаны в разделе «Что показал запуск»: это наблюдения по пяти роликам, а не бенчмарк. Где я рассуждаю, а не цитирую источник.

Короткий ответ

1. Выберите фото с одним понятным героем движения, свободным местом в кадре и чёткими границами предметов. Если подходящего фото нет, сгенерируйте кадр в Nano Banana 2.1: связка описана ниже.

2. Определите пропорции до загрузки (у сгенерированного кадра задайте их сразу): в режиме image-to-video ролик повторяет соотношение сторон исходника.

3. Опишите то, чего на фото нет: что происходит дальше, в каком порядке, с какой скоростью и как движется камера. Внешность героя и сцену модель уже видит.

4. Начните с короткой фразы, затем попробуйте структурный вариант по формуле MiniMax: якорь кадра, начало действия, развитие, результат.

5. Сделайте минимум три генерации на вариант, оцените по чек-листу из этой статьи и меняйте за раз одну вещь.

Что за модель и как она называется

Видеосервис компании MiniMax называется Hailuo AI. Hailuo 3.0 вышел 31 июля 2026 года под официальным именем MiniMax H3. В агрегаторах его можно встретить как Hailuo Minimax 3.0, а в схеме API он обозначен как Hailuo-03. Все эти названия относятся к одной модели.

По официальному анонсу, H3 понимает единый контекст из текста, изображений, видео и аудио и генерирует видео со стереозвуком до 15 секунд в 2K. Среди сильных сторон разработчик называет следование инструкциям, точную отрисовку текста и брендов и перенос движения из эталонного видео. Он же прямо пишет, что детализацию картинки в ряде сценариев ещё предстоит улучшать.

Для задачи «оживить фото» важен режим первого кадра. Ваше изображение в нём не ориентир по стилю, а нулевая секунда ролика: так сказано в руководстве MiniMax.

Параметры из документации API MiniMax для модели MiniMax-H3 (проверено 12 октября 2026):

Это параметры API, интерфейс конкретного сервиса может открывать только часть из них. В SYNTX.AI, где сделаны запуски для этой статьи, для Hailuo доступны шесть форматов: 21:9, 16:9, 4:3, 1:1, 3:4 и 9:16. Режим «по референсам» (до девяти изображений, трёх видео и трёх аудио) устроен иначе: он не совмещается с режимом первого кадра, и в этой статье о нём речи нет.

Физика движения: чего нет на фото

У фотографии нет оси времени. Мяч завис в воздухе: он летит вверх или падает? Человек стоит с поднятой ногой: шаг начинается или заканчивается? Из одного кадра этого не вывести. Всё, что происходит после нулевой секунды, модель достраивает из двух источников: из того, что видела в обучающих видео, и из вашего текста.

О физике именно в H3 документация и анонс от 31 июля 2026 ничего конкретного не говорят: разработчик делает акцент на следовании инструкциям, точном тексте и брендах и переносе движения из видео. Независимых замеров физики для H3 на 12 октября 2026 найти не удалось. Это не значит, что физика плохая, просто механику придётся оценивать самому, на своих кадрах.

Зато есть данные по предыдущей модели линейки, Hailuo 2.3. Документация API MiniMax описывала её как модель с прорывом в физическом реализме. Независимую проверку провели авторы Physion-Eval (Physion Labs, Stanford, MIT, Harvard; препринт arXiv 2603.19607). Условия близки к нашей задаче: для каждого эксперимента брали первый кадр реального видео и его подпись, отдавали пяти моделям в режиме «текст и изображение» (Sora 2, Veo 3.1 Fast, Kling 2.5, Hailuo 2.3, Wan 2.2), а эксперты с физическим образованием размечали сбои в готовых роликах. Для Hailuo 2.3 разметили 1719 роликов с физическими явлениями, снятыми со стороны, и 423 ролика от первого лица (действия руками на кухне).

Результаты из таблицы 2 препринта:

Ни одна модель не вышла чистой: даже лучший результат со стороны, у Kling 2.5, это 73,8% роликов хотя бы с одним сбоем. В съёмке со стороны Hailuo 2.3 оказался худшим из пяти по всем трём показателям. От первого лица доля роликов со сбоями у него ниже среднего, но сбоев на ролик больше, чем у остальных моделей, и они тяжелее.

По всем пяти моделям чаще всего встречались нарушение временной согласованности (детали предмета меняются без причины) и несоответствие материала или состояния. В кадре от первого лица к ним добавлялись нарушения постоянства объектов: предмет появляется, исчезает или дублируется. Спокойные процессы вроде горящего пламени и заката выглядели правдоподобно. Реализм резко падал там, где есть контакт, необратимые изменения и резкие переходы: удар, разрезание, разрушение. В одном из примеров авторов после падения тарелки модель показывает целые предметы вместо осколков.

Оговорки: это другая версия модели, а вместо ваших описаний в запросах были подписи к реальным видео. Выборку собирали из сцен с чётко видимым физическим процессом, поэтому цифры не равны доле неудачных роликов в обычной работе. Это препринт, и авторы сами признают долю субъективности в оценках. Переносить цифры на H3 нельзя, но как ориентир, какие сцены проверять первыми, они годятся.

В шаблонах ниже пять сцен: три спокойные (портрет, кружка с паром, тюльпан), побережье с прибоем, где главное движение даёт вода, и одна контактная с необратимыми последствиями: стакан падает, ударяется о пол и разливается. Шаблон 4 относится к тому типу сцен, где, по описанию авторов, модели ломались заметнее всего. Как с ним справилась H3, показано в разделе «Что показал запуск».

Из этого следуют четыре рабочих правила. Это выводы из логики задачи и из структуры официального руководства, а не результаты замеров.

Дайте недостающее время. Направление, скорость и порядок событий должны быть в тексте. Вместо «девушка с чашкой» пишите: подносит чашку к губам, делает глоток, опускает её на стол.

Описывайте причину и следствие видимыми глаголами. Руководство MiniMax требует, чтобы каждая деталь описания соответствовала тому, что видно или слышно. Для механики это значит цепочку: задели, наклонилось, упало, ударилось, покатилось, расплескалось. Фраза «эффектно разбивается» цепочки не содержит. Сцены с ударом и необратимыми последствиями, по данным Physion-Eval, ломались у моделей заметнее всего, поэтому слова стоит тратить на такие цепочки.

Оставляйте один главный механизм на ролик. Чем больше независимых движений в сцене, тем больше мест для ошибки.

Берите кадр, в котором физика уже читается. Размытие, направленное по ходу движения, поза в середине шага, волосы и ткань, уже подхваченные ветром, предмет, наклонившийся на краю стола. Такой кадр отвечает на часть вопросов о времени сам.

Какой кадр выбрать и как подготовить файл

Если фото становится нулевой секундой, то оно же задаёт и пропорции, и стиль, и состояние сцены. Качество исходника здесь важнее, чем длина промпта.

Критерии выбора. Это практические соображения, а не требования документации:

Форматы Hailuo и где они использованы в шаблонах ниже:

Подготовка файла:

1. Подготовьте кадр сразу в одном из шести форматов Hailuo из таблицы выше. По документации API, в режиме image-to-video ролик повторяет пропорции изображения, и отдельным параметром это не настраивается. Как интерфейс обходится с кадром другого формата, не проверялось, поэтому обрежьте или сгенерируйте кадр в нужном формате заранее.

2. Не берите картинку меньше, чем планируемое разрешение ролика. Минимум по документации 256 px, но брать его как ориентир не стоит: чем больше деталей в исходнике, тем меньше модели приходится придумывать.

3. Уберите лишнее: случайных людей на заднем плане, водяные знаки, интерфейсные элементы. Всё, что есть в первом кадре, может начать двигаться.

4. Если на кадре есть текст, который должен остаться читаемым, решите заранее, нужен ли он в ролике. Если нужен, процитируйте его в промпте дословно (об этом ниже).

Связка: Nano Banana 2.1 делает первый кадр, Hailuo 3.0 его оживляет

Нужного кадра может просто не быть: для рекламы, карточки товара или иллюстрации к посту его проще создать, чем искать. Тогда кадр можно сделать сразу «под движение»: с понятной фазой действия, свободным местом и одним источником света. Такой кадр уходит в Hailuo как нулевая секунда.

Для первого шага подойдёт Nano Banana 2.1, модель Google для генерации и редактирования изображений. По документации Gemini API, она вышла 6 октября 2026 года под кодом gemini-nano-banana-2.1, это обновление Nano Banana 2, а Google называет её более экономичным аналогом Nano Banana Pro. Для нашей задачи важно следующее:

• разрешения 1K, 2K и 4K (по умолчанию 1K);

• до 14 референсных изображений, из них до четырёх персонажей для сохранения внешности и до десяти предметов;

• редактирование диалогом: можно попросить изменить одну деталь и оставить остальное;

• три уровня «обдумывания» перед генерацией: minimal, medium (по умолчанию) и high;

• метка SynthID на всех сгенерированных изображениях.

Пара новая: Nano Banana 2.1 вышла 6 октября, поэтому систематических замеров о том, как её кадры переживают оживление в H3, нет. Есть пять запусков по шаблонам ниже, они описаны в разделе «Что показал запуск», а остальное построено на документации обеих моделей.

Чтобы кадр и видеопромпт не дублировали друг друга, поделите между ними работу:

Порядок работы:

1. Решите сцену и пропорции. Сначала определите, что произойдёт в ролике и где он будет показан. Просите у Nano Banana ровно один из шести форматов Hailuo (таблица выше). Сверхширокие и сверхвысокие форматы, которые она умеет (по документации, до 8:1 и 1:8), в Hailuo не нужны.

2. Напишите промпт кадра. Google советует связное описание сцены вместо набора ключевых слов. Шаблон из их руководства для фотореалистичной сцены: тип плана, объект, окружение, описание света, ракурс и объектив. Формат укажите в параметрах или фразой в конце, например Aspect ratio 16:9. Дальше мои рекомендации, а не требования Google: описывайте момент, а не процесс («стакан уже накренился на краю стола», а не «стакан падает»), оставляйте один главный объект и одно направление света, а если надписи не нужны, прямо пишите no text, no watermark.

3. Берите 2K. Hailuo выдаёт максимум 2K, поэтому 4K для этой связки не нужен, а файл станет тяжелее. Лимит Hailuo на вес изображения 30 МБ.

4. Правьте диалогом. Google показывает приём: попросить изменить одну деталь и добавить «Do not change any other elements of the image». Меняйте по одной детали за ход и сохраняйте принятый вариант отдельным файлом.

5. Сверьте кадр с якорем. Список после preserving в видеопромпте берите из промпта кадра, но проверьте, что детали действительно получились: свитер бежевый, прядь у щеки на месте, пар над кружкой виден. Если чего-то нет, поправьте список, а не гоняйте кадр заново.

6. Загрузите кадр в Hailuo и добавьте видеопромпт по формуле из следующего раздела.

Для режима двух кадров второй кадр делайте правкой первого. Документация Google заявляет для 2.1 улучшенную согласованность персонажей между последовательными правками. Про предметы и фон такого заявления нет, поэтому одинаковость кадрирования и света проверяйте глазами.

Как оживить фото: формула промпта для режима «фото в видео»

Универсальная формула для генерации с нуля включает шесть элементов: план и движение камеры, объект и его описание, действие, сцену, свет и стиль. Для оживления фото половина пунктов уже закрыта картинкой: внешность героя, сцена и свет на ней есть. Если описывать их заново, лишние слова либо повторяют кадр, либо с ним спорят. Слова стоит тратить на то, чего на фото нет.

Официальное руководство MiniMax по промптам для базовых режимов лежит в репозитории открытой модели на Hugging Face. Для режима «фото как первый кадр» (в руководстве он называется I2VA) оно задаёт структуру из четырёх блоков:

Рекомендованная последовательность внутри главного блока: якорь первого кадра, начало действия, непрерывное развитие, результат. Якорем руководство называет стиль, героя, композицию и ключевые детали сцены. В нём сказано сохранять личность персонажа, одежду, цвета, основные предметы и их взаимное положение.

Строка-инструкция для первого кадра выглядит так, и её нужно ставить первой, с пустой строкой после:

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

Ещё несколько правил из руководства:

• На первом плане метку времени не ставят. Следующие планы начинаются с возрастающего времени среза, например [Shot 2] At 00:03.500, the camera cuts to....

• Срез должен приносить новую информацию о герое, пространстве, времени или точке зрения. Если нужно лишь сменить дистанцию или угол, лучше двигать камеру. Для одного фото и ролика в несколько секунд обычно хватает одного плана, и все примеры I2VA в руководстве устроены так.

• Музыку описывают инструментами, темпом, ритмом и динамикой, а не словами «грустная» или «тревожная».

Короткий и структурный вариант. В документации API пример для image-to-video совсем короткий: одно предложение вроде «сфокусируйся на людях на заднем плане и добавь пара над миской рамена» (оригинал на английском). Структура из руководства придумана под родной формат модели, а сервисы могут сами расширять короткий текст: у MiniMax есть отдельная задача H3-Context-IR, которая возвращает более полный промпт, а у H3 Max параметр расширения промпта. Какой вариант даст лучший результат именно в вашем интерфейсе, из документации не следует. Это решается сравнением, и протокол приведён ниже.

Нужно ли писать промпт по-английски. Все примеры официального руководства английские. Текст на экране в нём требуется брать в двойные кавычки и приводить дословно, без перевода. Реплики оформляются так: <d>[English] I get off at the next station.</d>, с сохранением каждого слова. Запрета на другие языки в руководстве нет, но и проверенных примеров на русском тоже. Сцену разумно описывать по-английски, а текст на экране и реплики оставлять на их языке; формат языковой метки для русской речи проверьте на своей генерации.

Камера, звук и текст в кадре

Руководство MiniMax разбирает движение камеры по трём осям: тип, амплитуда, скорость. Амплитуду и скорость добавляют, когда они значимы: средняя амплитуда и обычная скорость подразумеваются.

Zoom меняет фокусное расстояние при неподвижной камере, а Push In физически сдвигает камеру вперёд, поэтому перспектива меняется иначе. Записывать движение рекомендуется естественной фразой внутри плана, а не набором ярлыков в конце предложения. Например: «The camera pushes in with small amplitude at slow speed toward the folded letter in her hands».

Для оживления портрета достаточно либо Static Shot, либо одного медленного движения с малой амплитудой. Несколько движений камеры в одной фразе лучше не смешивать.

Про звук. H3 генерирует видео со стереозвуком, и в формуле это отдельные поля. В overall_soundscape пишут то, что можно услышать на самом деле: шум ветра, шаги, стук, шорох ткани. Реплики и диегетическую музыку, то есть ту, что слышат герои, руководство относит в основное описание.

Шаблоны: пять сцен, от кадра до ролика

Каждый шаблон состоит из двух промптов. Первый для Nano Banana 2.1 создаёт кадр, второй для Hailuo 3.0 оживляет его по формуле MiniMax. Итоги запусков приведены в разделе «Что показал запуск»: это наблюдения по пяти роликам, поэтому считайте шаблоны отправной точкой, а не отлаженными рецептами. Если у вас есть своё фото, пропустите первый блок и опишите в якоре видеопромпта то, что действительно на фото.

Промпты кадров собраны по двум скелетам: связное описание сцены с одной фазой движения для Nano Banana 2.1 и четырёхблочная формула MiniMax для видео. Оба скелета даны ниже.

Кадр, Nano Banana 2.1. Одно связное описание, а не набор ключевых слов. Порядок частей:

[тип плана] of [единственный главный объект] in [окружение], caught mid-moment as [фаза действия: что уже происходит и куда идёт]. [Свободное место в направлении движения]. [Один источник света] from [сторона]. [Границы, которые должны остаться резкими]. Shot [ракурс] with [объектив]. No [лишние люди и предметы], no text, no logo, no watermark. Aspect ratio [один из шести форматов].

Формат дублируется в параметрах генерации, разрешение ставьте 2K: больше Hailuo всё равно не примет.

Видео, Hailuo 3.0. Четыре блока по формуле MiniMax, строка-инструкция первой и с пустой строкой после:

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] [стиль], [план и главный объект] shown in <Picture 1>, preserving [список из промпта кадра]. Starting from the state in <Picture 1>, [движение камеры естественной фразой: тип, амплитуда, скорость]. [Начало действия], [непрерывное развитие], [результат или реакция, с направлением и скоростью].

overall_soundscape: [1-4 предложения о том, что слышно: фон, звуки действий].

non_diegetic_music: N/A

Если музыка нужна, опишите её инструментами, темпом и динамикой, как в правилах выше.

Шаблон 1. Портрет с минимальным движением

Кадр: женщина у окна по грудь, мягкий дневной свет, пропорции 3:4. Камера неподвижна, а механика сводится к повороту головы и волосам, подхваченным сквозняком. Кадр ловит фазу до поворота, поэтому направление движения читается по позе.

Кадр, Nano Banana 2.1 (3:4, 2K):

A photorealistic medium close-up portrait of a woman in her early thirties standing by an open window, framed from the chest up, caught mid-moment just before she turns her face from the window toward the camera: her head is still turned slightly away and her gaze is off to the side, one loose strand of dark brown shoulder-length hair is lifted away from her cheek by the draft from the window, and the rest of her hair stays flat. Soft natural daylight falls on her face from the open window on the left and leaves the right side of her face in gentle shadow; the warm interior behind her is out of focus. She wears a beige knit sweater with a clearly defined collar and sleeve edge. Her eyes, ear, jawline, the sweater edge and the lifted strand are in sharp focus, with shallow depth of field only in the background. Shot at eye level with an 85mm lens. No other people, no text, no logo, no watermark. Aspect ratio 3:4.

Видео, Hailuo 3.0:

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium close-up of the woman by the window shown in <Picture 1>, preserving her face, hairstyle, clothing and the soft daylight coming from the window on the left. Starting from the state in <Picture 1>, her head turned slightly away, the camera holds a static shot. She turns her head slowly toward the camera until her gaze settles on the lens, the corner of her mouth lifts into a faint smile, and the loose strand of hair drifts a little further from her cheek and settles back against it as her head stops moving.

overall_soundscape: Quiet room tone, a faint breeze breathing through the open window, and the soft rustle of knit fabric as she turns.

non_diegetic_music: N/A

Шаблон 2. Предмет на столе

Кадр: керамическая кружка с кофе на деревянном столе, боковой свет, пропорции 1:1. Движение здесь задаёт камера, а физику обеспечивает пар. В кадре пар уже отклонён вправо, поэтому в ролике он отклоняется дальше в ту же сторону: направление видно на нулевой секунде, и модели не приходится его выдумывать. К концу ролика пар опадает и истончается: это результат, а не возврат в исходное состояние. Пар движется сам, за счёт тепла, внешняя причина ему не нужна, а облёт камеры остаётся главным механизмом и идёт сквозь весь план.

Кадр, Nano Banana 2.1 (1:1, 2K):

A photorealistic close shot of a handmade ceramic mug with a matte pale-blue glaze, filled with black coffee, standing on a rustic oak table with visible wood grain, caught mid-moment as a thin wisp of steam rises from the surface of the coffee and bends to the right of the frame. The mug sits centred in the frame with clear free space around it on all sides. Soft side light comes from the left and casts a gentle shadow to the right of the mug; the glaze of the mug, the wisp of steam and the grain of the oak are equally sharp. Shot from a slightly raised angle just above the rim with a 50mm macro lens, with a blurred neutral kitchen behind. No hands, no other objects, no text, no logo, no watermark. Aspect ratio 1:1.

Видео, Hailuo 3.0:

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a close shot of the ceramic mug on the wooden table shown in <Picture 1>, preserving the shape and matte pale-blue glaze of the mug, the wood grain of the table and the soft side light from the left. Starting from the state in <Picture 1>, the camera moves in an arc around the mug with small amplitude at slow speed. As the camera passes the mug, the wisp of steam leans further in the direction it already leans in <Picture 1>, then straightens, drifts slower and thins out by the end of the shot.

overall_soundscape: Low room tone with the faint hum of a distant refrigerator, and the quiet hiss of steam from the cup.

non_diegetic_music: N/A

Шаблон 3. Пейзаж

Кадр: скалистое побережье, пасмурное небо, пропорции 16:9. Движение в пейзаже даёт природа, камера лишь медленно приближается. Главный механизм один: прибой. Трава на краю обрыва остаётся неподвижной и входит только в список preserving. Второе независимое движение в сцене противоречило бы правилу «один главный механизм на ролик».

Кадр, Nano Banana 2.1 (16:9, 2K):

A photorealistic wide shot of a rocky coastline under an overcast sky, caught mid-moment as a wave breaks against the base of the cliffs: dark grey rock, white foam spreading along the waterline, and the sea rolling in from the left toward the shore. A strip of green grass stands along the cliff edge in the foreground, a long low horizon sits in the upper third, and there is clear open sky and open water ahead of the cliffs for the camera to move into. Flat diffuse light, no direct sun and no hard shadows, muted colours, and even sharpness across the whole frame. Shot from standing height with a wide-angle lens. No people, no boats, no birds, no text, no logo, no watermark. Aspect ratio 16:9.

Видео, Hailuo 3.0:

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot of the rocky coastline shown in <Picture 1>, preserving the shape of the cliffs, the grey-green colour of the water, the strip of grass on the cliff edge and the flat overcast light. Starting from the state in <Picture 1>, the camera pushes in with small amplitude at slow speed. The wave that is breaking in <Picture 1> carries on: it collapses into white foam against the rock, the foam slides back down the cliff face and the sea pulls away, so the waterline ends lower and calmer than it was at the start of the shot.

overall_soundscape: A breaking wave washing over rock and draining back, with steady wind across the open coast.

non_diegetic_music: N/A

Шаблон 4. Сцена с механикой

Кадр: бумажный стакан с водой ещё стоит на краю стола и только начал наклоняться, пропорции 4:3: падению нужен запас по высоте, это практическое соображение, а не замер. Это проверка физики, а не эффектный ролик. Правило «физика читается» здесь выполняется буквально: стакан касается стола передней частью донышка, задняя часть донышка уже оторвалась от дерева, наклон умеренный, по нему видно направление падения, а тень задаёт единственный источник света. Вода налита примерно наполовину и стоит ниже венчика со всех сторон. Кадр, где стакан уже висит в воздухе под краем стола, для этого шаблона не подходит: у падения не остаётся точки опоры.

Кадр, Nano Banana 2.1 (4:3, 2K):

A photorealistic medium close shot of a white paper cup about half full of water standing on the tabletop of a light wooden table, close to the open edge of the table, caught in the very first moment of tipping over. The cup is not airborne: the front of its base is still flat on the wood and takes its weight, only the back of the base has just lifted clear of the tabletop, and the whole cup tilts toward the open edge at a shallow angle, so the direction of the fall is already readable. The lip of the cup stays at the level of the tabletop or just above it, and nothing of the cup hangs below the tabletop. The surface of the water has tilted with the cup and stays below the lip on every side, and a single drop of water hangs from the lowest point of the lip. The edge of the tabletop runs diagonally across the upper left of the frame, the cup sits in the upper third of the frame, and a grey ceramic tile floor fills the open space below and in front of it. Soft window light comes from the right in a minimalist neutral interior and casts a soft shadow of the cup to the left across the tabletop. The cup, the tabletop and the tiles below it are all in sharp focus. No hands, no people, no text, no logo, no watermark. Aspect ratio 4:3.

Видео, Hailuo 3.0:

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium close shot of the paper cup of water tipping over the edge of the wooden table shown in <Picture 1>, preserving the shape of the cup, the texture of the table, the window light from the right and the tiled floor below. Starting from the state in <Picture 1>, where the cup still touches the table along the near edge of its base, the camera holds a static shot. In one continuous motion in real time, without a pause: the cup loses its balance on the edge, its base slides and rolls off the tabletop, the cup pivots over the edge and starts to drop, and it keeps rotating as it falls the short distance to the floor at increasing speed, so that it reaches the tiles turned onto its side rather than staying upright. The water pours over the lip and leaves the cup during the fall, splashes against the tiles and spreads toward the camera in one sheet. The cup does not bounce: it lands on its side with a slap, rolls a short distance away from the table and comes to a stop, and the water settles into a shallow puddle that stops short of the table leg.

overall_soundscape: A dry rasp of paper on wood at the edge, then the slap of the cup on the tiles and the hiss of the splash, with the slow trickle of water settling on the tiles.

non_diegetic_music: N/A

Если кадр вышел неудачным. Нужное положение стакана получилось не с первой попытки, потребовалось несколько. Выбрасывать кадр не обязательно: Nano Banana 2.1 правит изображение диалогом. Правка касается опоры и воды, остальное перечислено в keep:

Keep the same cup, the same tabletop, the same tiles below, the same lighting from the right and the same framing. Change only the pose of the cup: it must now stand on the tabletop itself, not hang below it. The front of its base is flat on the wood and carries the weight, the back of the base has just lifted off, and the cup tilts toward the open edge at a shallow angle with its lip at the level of the tabletop. Reduce the water to about half the cup so the surface sits well below the lip on all sides, and remove the flat water plane at the lip. Add one small drop hanging from the lowest point of the lip. Do not change any other elements of the image.

Диалог сохраняет камеру, стол, свет и плитку, поэтому ролики до и после правки сопоставимы по чек-листу.

Если модель упорно рисует стакан висящим. Отрицание (not airborne, «не в воздухе») работает через раз: часть моделей вставляет названный объект, даже когда его отрицают. Та же ловушка у фразы Do not change any other elements. Поэтому опору лучше описывать положительно и через физику, а не через запрет:

• «донышко лежит на дереве и держит вес» вместо «стакан не висит»;

• «задняя часть донышка только оторвалась от стола»: задаёт точку вращения;

• «тень от стакана ложится на столешницу»: если тень на столе, предмет заведомо на столе, и это проверяется глазами за секунду;

• «над венчиком видно столешницу и открытое место»: тогда венчик заведомо не под кромкой.

Для отбора кадра пригодятся два ориентира. Мысленно продолжите линию столешницы вправо: если донышко или венчик оказались ниже этой линии, кадр не подходит, как бы аккуратно ни была нарисована вода. Затем проведите горизонталь через поверхность воды: если она совпадает с венчиком в его нижней точке и держится ровно, вода налита до края, и для падения такой кадр не годится.

Шаблон 5. Два кадра: начало и конец

Кадры: закрытый бутон тюльпана и раскрытый цветок, пропорции 9:16 у обоих. Это режим первого и последнего кадров, по руководству FL2VA. Руководство советует для него один план и описание непрерывного пути между кадрами. Метка последнего кадра должна совпадать с длительностью, записанной с двумя знаками после запятой: в шаблоне стоит 6.00, для ролика другой длины замените её на его длительность. Первый кадр показывает бутон в состоянии перед раскрытием: видны швы между лепестками, иначе ролику нечего раскрывать.

Первый кадр, Nano Banana 2.1 (9:16, 2K):

A photorealistic macro shot of a single tightly closed pink tulip bud on a green stem, caught in the state just before opening: the petals are folded tight and pressed together with the seams between them clearly visible, tiny dew droplets sit on the outer petals, and the bud points upward with its tip tilted slightly to the right. The flower is centred in the frame with clear free space around it, and the stem enters from the bottom edge. Soft diffused morning light comes from the upper left over a blurred green garden. The petals, the dew droplets and the stem are in sharp focus. Shot at the height of the bud with a 100mm macro lens. No insects, no text, no logo, no watermark. Aspect ratio 9:16.

Второй кадр: правка первого в том же диалоге, Nano Banana 2.1:

Keep the same stem in the same position and at the same angle, the same camera angle and framing, the same soft morning light from the upper left, the same blurred green garden background and the same pink colour of the petals. Change only the flower: the tulip is now fully open, its petals spread wide and separated with the centre visible, the tip still tilted slightly to the right as before, and a few dew droplets remain on the petals. Do not change any other elements of the image.

Видео, Hailuo 3.0:

How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot 1) aligns with the 6.00-second mark of the target video.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a macro shot that begins in the state established by Picture 1: a tightly closed pink tulip bud on a green stem, with dew droplets on the outer petals, shown in Picture 1, preserving the green stem and its angle, the tilt of the tip to the right, the soft morning light from the upper left, the blurred green garden behind and the framing of the first frame. Starting from the state in Picture 1, the camera holds a static shot. In one continuous motion, without a pause, the seams between the outer petals open, the petals loosen at the tips and separate, the bud widens and the petals peel back one by one; the dew beads slide down the lowering petals and gather at their base, until the flower comes to rest fully open in the pose, spacing and framing established by Picture 2 at the end of the shot.

overall_soundscape: A faint outdoor ambience, a soft breeze moving the garden, and a single distant bird.

non_diegetic_music: N/A

Что показал запуск

Все пять шаблонов прогнаны в связке Nano Banana 2.1 и Hailuo 3.0 по структурным промптам из этой статьи, длительность каждого ролика 5 секунд. Это отдельные запуски, а не замер: выводы относятся к этим роликам и не переносятся на модели целиком.

Хорошо получились крупные события: раскрытие лепестков, поведение пара, начало и финал сцены со стаканом. Слабее всего вышли вода в движении (прибой, середина падения стакана), мелкие детали (локон, капли росы) и плотность пара. Так выглядят именно эти пять роликов, но на своих кадрах эти места стоит проверять первыми.

Короткие версии тех же сцен

Для сравнения те же сцены в короткой записи: одна-две фразы вместо четырёх блоков. Порядок событий и результат в них те же, поэтому сравнивать можно именно формат. Запускайте их на тех же кадрах, что и структурные промпты.

Ниже ролик по нескольким коротким промптам, как пример:

Как оценивать результат и менять промпт

Видеомодель выдаёт вероятностный результат, поэтому по одной генерации вывод делать нельзя. Минимальный протокол для сравнения двух вариантов промпта:

1. Один кадр, два промпта (короткий и структурный). Всё остальное одинаково: длительность, разрешение, сервис.

2. По три генерации на каждый промпт.

3. Каждый ролик оценивается по шести вопросам с ответом «да» или «нет».

4. Сравниваются суммы «да» по вариантам, а не впечатление от самого красивого ролика.

Чек-лист:

1. Герой узнаваем на последней секунде: лицо, одежда, цвета, предметы в руках?

2. В кадре нет людей и предметов, которых не было ни на фото, ни в тексте?

3. Действие идёт в заданном порядке и направлении?

4. Границы не «плывут»: пальцы, края предметов, текст?

5. Физика правдоподобна: у падения есть удар, у жидкости направление, у ткани инерция?

6. Камера сделала то, что написано?

Если результат не устраивает, меняйте за раз одну вещь. Таблица подскажет, с чего начать:

Что считать дефектом кадра, а что дефектом промпта. Опора, полный стакан и ровная плоскость воды при наклоне относятся к дефектам кадра: их лечит только новая картинка или правка диалогом. Направление вращения в падении и отсутствие отскока относятся к дефектам видеопромпта: они правятся текстом без перегенерации кадра.

Проверьте физику на своём кадре

Возьмите сцену с механикой, как в шаблоне 4. Запустите на одном кадре короткий и структурный промпт по три раза каждый и посчитайте «да» по чек-листу. Пятый пункт полезно считать числом: сколько физических сбоев вы насчитали на ролик. Так считали авторы Physion-Eval (плотность сбоев), и ваши результаты можно будет сопоставить с их цифрами. Результат одного прогона вывода не даёт. Если сбой повторяется во всех прогонах, меняйте кадр или упрощайте сцену. Если он появился в одном прогоне из трёх, это разброс самой генерации, и для оценки промпта нужны ещё запуски.

Отдельно проверьте формат на шаблоне 3. Сгенерируйте кадр побережья дважды: с Aspect ratio 16:9 и с Aspect ratio 21:9, остальной текст промпта кадра оставьте тем же. Видеопромпт тоже тот же, по три прогона на формат. Сравните ответы по чек-листу, особенно по пунктам про порядок и направление движения и про поведение камеры. Композиция широкого кадра отличается, поэтому вы сравниваете связку «формат и композиция», а не формат в чистом виде, и вывод относится только к этой сцене.

Ограничения, права и безопасность

Физика не гарантирована. У предыдущей модели линейки независимая проверка нашла физические сбои в большинстве роликов, независимого замера для H3 пока нет, а в моих запусках вода и мелкие детали вышли неестественно. Если механика важна (производство, обучение, демонстрации), проверяйте результат вручную и не выдавайте синтетическое видео за съёмку.

Права на исходник и на генерацию. Берите свои фото или изображения с понятной лицензией. Правила Google для Nano Banana требуют иметь права на всё, что вы загружаете, и запрещают генерировать материалы, которые обманывают, преследуют или вредят. Условия использования готовых роликов смотрите в правилах сервиса, где вы работаете с Hailuo.

Данные. При облачной генерации файл уходит на сервер сервиса. Не загружайте документы, снимки с персональными данными и фото детей без согласия родителей.

Частые вопросы

Сколько длится ролик и какое разрешение? Для MiniMax-H3 в документации API: от 4 до 15 секунд, 768P или 2K. Ваш сервис может ограничивать этот набор.

Можно ли оживить сразу несколько фото в одном ролике? В режиме первого и последнего кадров допустимо по одному изображению на каждую роль. Несколько изображений (до девяти) принимает режим референсов, но там они задают героев и стиль, а не первый кадр, и сочетать его с режимом первого кадра нельзя.

Чем image-to-video отличается от генерации по тексту? В image-to-video фото становится нулевой секундой, а пропорции ролика берутся из него. В text-to-video пропорции задаются явно, а содержание строится с нуля.

Обязательно ли делать кадр в Nano Banana 2.1? Нет. Hailuo принимает любое изображение подходящего формата: фото, рендер, кадр из другой нейросети. Все советы по подготовке файла и по якорю остаются теми же.

Где ломается физика у вас

В моих пяти роликах слабее всего вышли вода в движении и мелкие детали. Если физика у вас ломается стабильно, то на каком типе сцены: жидкости, ткань, контакты рук с предметами, быстрые действия? Помогает ли явное описание порядка событий, или модель всё равно придумывает своё? Результаты с кадром и промптом приносите в комментарии: по таким данным карту слабых мест можно составить лучше, чем по любому одиночному запуску.

Попробовать связку на своём кадре

Хотите проверить это на своём кадре, не переключаясь между сервисами? В SYNTX.AI сгенерируйте первый кадр в Nano Banana 2.1, загрузите его в Hailuo 3.0 и запустите на нём структурный промпт из шаблона, а затем короткий. Получатся два ролика на одном кадре, которые можно сравнить по чек-листу. Для читателей Хабра действует промокод CTRLAI: скидка 20% на любой тариф.

Источники

• MiniMax, анонс MiniMax H3, 31 июля 2026: https://www.minimax.io/blog/minimax-h3

• Google AI for Developers, Nano Banana image generation (документация Gemini API): https://ai.google.dev/gemini-api/docs/image-generation

• Google AI for Developers, карточка модели Gemini Nano Banana 2.1: https://ai.google.dev/gemini-api/docs/models/gemini-nano-banana-2.1

• MiniMax API Docs, Create Video Generation Task (V2): https://platform.minimax.io/docs/api-reference/video-generation-v2-create

• MiniMax, Video Prompt Writing Guide (T2VA / I2VA / FL2VA / L2VA), репозиторий MiniMaxAI/MiniMax-H3 на Hugging Face: https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md

• MiniMax API Docs, Video Generation Intro (описание Hailuo 2.3): https://platform.minimax.io/docs/api-reference/video-generation-intro

• Zhang Q. и др. Physion-Eval: Evaluating Physical Realism in Generated Video via Human Reasoning, препринт arXiv 2603.19607: https://arxiv.org/abs/2603.19607