ИИ-мультсериал: 24-секундную серию собрали десятью способами, лучший стоил 162 кредита

Команда, которая делает вертикальный мультсериал «Лесная улица» целиком из облачных моделей, опубликовала разбор производства. За 29–31 октября 2026 года она пересобрала одну серию, «Агитация запрещена», около десяти способами на Wan, Kling, Veo, Seedance, GPT Image и Nano Banana Pro. Серия идёт 24 секунды, герои постоянные, речь русская. Расходы указаны в кредитах Higgsfield (внутренняя валюта сервиса, где запускают Kling) и в бонусах Flow (так считается Veo). Единицы между собой не складываются. Зрительских цифр у способа пока нет, а каждая проба одиночная, так что рейтингом моделей разбор считать нельзя.

Порядок шагов: сначала дешёвый черновик, потом анимация

Схема такая: библия героев, сценарий по секундам, одобрение человека, опорные листы героев, кадры в GPT Image, голоса ElevenLabs, сборка с движением камеры, проверка, просмотр черновика человеком. Только после этого сцену отдают Kling 4.0: один непрерывный план, 2–3 дубля. Так деньги на анимацию тратятся лишь на историю, которая уже понравилась.

Главный вывод авторов: слабым местом были размытые запросы, а не сами модели. Сценарий расписывают по секундам: кто говорит, с какой подачей, что делает слушающий, где пауза, когда раскрывается предмет. В третий запрос к Kling добавили запрет эха, точные интервалы реплик и пометку «ZINA ONLY». Все пять реплик распознались без повторов. Перед выпуском свежий ИИ-помощник пересказывает сцену по кадрам без звука. Если смысл не совпал с задумкой, серия не выходит.

Десять проб на одной истории

Все пробы от 30 октября, история «Агитация запрещена», около 24 секунд:

• Wan 3.0 Prime + Speak 2.0, по планам: 116 кредитов, около 47 минут.

Прищепка уже в руке, буквы дорисованы сами. Отбракован человеком. • Kling 4.

0 + Avatars 2.0, по планам: 61,75 кредита, около 17 минут. Лишние буквы на футболке, Зина моргает вместо прищура.

Отбракован. • Veo 3.1 Fast, по планам: 180 бонусов, около 29 минут.

Двигался лист героя вместо прищепки. Отбракован. • Картинки с камерой («комикс»): новых затрат нет.

Заметные смены планов, отбракован. • Kling 4.0 целиком: 54 кредита, около 6 минут.

Ватрушки видны заранее, на доске псевдотекст, комната меняется. Отсеян автопроверкой. • Seedance 2.

5 целиком: 168 кредитов, около 8 минут. Две Зины, ошибочные надписи, нет звука. Отсеян.

• Veo 3.1 Fast, три части: 80 бонусов, около 10 минут. Герои смешались, ватрушки не раскрыты, громкость −18,3 LUFS.

Отсеян. • Kling 4.0 с игрой по секундам, 3 дубля: 162 кредита, около 16 минут.

Один план, пять реплик, ватрушки раскрыты в финале. Принят. • GPT Image + камера, 10 кадров: 12 генераций, 373 знака озвучки.

Позы меняются скачком, текст без ошибок. Принят как дешёвая версия. • Nano Banana Pro 2K + камера (безлимит): позы меняются сразу, голубь не на месте.

Оценки нет.

В слепой пробе на шести роликах (162,5 кредита) человеку больше всего понравился Wan 3.0 Prime. Но на сцене с репликами и эмоциями Kling выступил лучше, и выбор не удержался. Seedance убрали из производства за качество, хотя на него действовал безлимит. Видеомодели портят буквы, поэтому теперь все листы и доски в видео чистые, а надписи рисуют в картинках GPT Image и Nano Banana. Видео генерируют в 720p и растягивают до 1080×1920. Генерация Kling в 1080p стоила 96 кредитов против 54.

Голос и проверка: чего автоматика не слышит

Озвучку делает ElevenLabs eleven_v4 с метками эмоций. Для восьми героев провели кастинг из 24 кандидатов (2 992 кредита). Первый голос Зины, Nadia, снят: он помечен как молодой, а героине 74 года. Выбрана Babushka Valya, но по описанию, а не на слух. Медленные записи ускоряют до ×1,30 без смены высоты тона.

Kling говорит собственными голосами, поэтому речь заменяют. Audio Isolation отделяет голос, реплики режут по окнам, каждая проходит Voice Changer (eleven_multilingual_sts_v2) и ложится на тихий фон. Видеопоток не меняется, его хеш SHA-256 до и после совпадает. Границы слов сдвинулись максимум на 0,06–0,08 с по оценке Scribe, сервиса распознавания ElevenLabs. Артикуляцию губ это не подтверждает.

Проверка отделена от сборки. Кадры снимают каждые 0,25 секунды, около 100 на ролик, и смотрит их ИИ-помощник. Речь распознаёт локальный faster-whisper small. Громкость меряют через ffmpeg и выравнивают до −14 LUFS. Родная дорожка плавала: Kling около −11,7, Veo −18,3 с провалом до −23,3 в третьей части. Ни один ИИ-помощник не слышит звук: загрузка WAV вернула «audio input not supported». Распознавание возвращает слова, а не ударные слоги, поэтому ударение им не проверить. Словарь из 31 слова подключить не удалось: у ключа API не хватало права pronunciation_dictionaries_write.

Что осталось нерешённым

Перенос удачной картинки в видео ненадёжен. В «А телефон куда?» коробка закрывает лоток, лампа смещается без видимого действия, телефон поднимается раньше паузы. Лист Тёмы выглядит младше 16 лет, и это наследуют все кадры. Версии из картинок двоят силуэты на пятикадровых переходах. Слуховых подтверждений голосов нет. Главное, что авторы не знают: во сколько рублей и часов человека обходится регулярно получаемая хорошая серия, а не одна удачная попытка. Практический вывод для тех, кто делает ИИ-видео: распишите сцену по секундам, проверьте её на дешёвых кадрах и не доверяйте отчёту автопроверки без собственных ушей.