Nano Banana 2.1 и Hailuo 3.0 собрали в связку: видео из одного фото

Два входа, две модели, один результат. Чтобы получить видео из фотографии, нейросети нужны стартовый кадр и описание движения. На этой схеме построен разбор на Habr: Nano Banana 2.1 готовит изображение, Hailuo 3.0 (он же MiniMax H3) его оживляет. В RSS-анонсе есть только тезис, а промпты и примеры лежат в полном тексте за катом. Поэтому ниже речь о том, что следует из заявленной схемы и что придётся проверять самостоятельно.

Зачем делить работу между двумя моделями

При генерации видео напрямую из текста модель одновременно решает три задачи: придумывает композицию, подбирает внешность героя и считает движение. Любая ошибка в первой или второй задаче потом тянет за собой всё остальное. Режим image-to-video убирает часть неопределённости. Лицо, одежда, свет и фон фиксируются до того, как начнётся анимация, а видеомодель отвечает только за движение.

Именно так разделена работа в разобранной связке. Nano Banana известна как линейка генераторов и редакторов изображений, Hailuo входит в семейство видеомоделей MiniMax. Версии 2.1 и 3.0 указаны в заголовке автора. Независимых спецификаций по ним в материале нет, поэтому сравнений с конкурентами я не делаю. Для практики хватает самой логики: кадр можно доработать и переснять несколько раз, пока он не станет безупречным, и только потом запускать более тяжёлую анимацию.

Физика движения: где такие схемы ломаются

Автор выносит в тему физику движения, и это самое слабое место любой видеомодели. Типичные провалы известны. Руки и пальцы меняют форму в процессе движения. Ноги скользят по поверхности. Ткань и волосы не реагируют на ветер или инерцию. Предметы появляются из ниоткуда или исчезают за границей кадра.

Отсюда логика промпта движения. Он не должен повторять то, что уже есть на фото: героя, одежду и интерьер модель видит сама. Ему нужно описывать только изменение: что делает субъект, как двигается камера, насколько быстр темп, что происходит с фоном. Чем конкретнее глагол и чем проще действие, тем меньше шансов получить физический артефакт. Одно плавное движение обычно надёжнее, чем сцена из пяти событий.

Конкретных формулировок и сравнений результатов в анонсе нет. Их стоит искать в основном тексте статьи.

Что известно о схеме

• Вход 1: стартовый кадр, подготовленный в Nano Banana 2.1.
• Вход 2: текстовое описание движения.
• Видеомодель: Hailuo 3.0 (MiniMax H3).
• Фокус разбора: физика движения и структура промптов.
• Источник: статья на Habr, полный текст за катом.
• Не раскрыто в анонсе: длительность клипа, разрешение, стоимость генерации, условия лицензии.

Как повторить схему на практике

Начните с кадра. Соберите изображение с чистой композицией: герой целиком или по пояс, без перекрытых рук, с понятным источником света. Чем проще геометрия, тем легче видеомодели её сохранить.

Дальше пишите промпт движения короткими фразами в порядке «субъект, действие, камера, темп». Например: человек медленно поворачивает голову к окну, камера плавно приближается, ткань слегка колышется. Не добавляйте в промпт стиль и детали внешности, они уже зашиты в кадр.

Генерируйте несколько вариантов одного и того же запроса и сравнивайте их по конкретным признакам: держится ли форма рук, не плывёт ли фон, совпадает ли инерция с заявленным темпом. Если артефакт повторяется, упрощайте действие, а не усложняйте описание.

Перед коммерческим использованием проверьте то, о чём анонс молчит: лимиты по длительности, разрешение на выходе, цену за секунду и права на материалы. От этих параметров зависит, годится ли связка для рабочего потока или только для экспериментов.