Эфир 18.11 · Поток 318 ноября в 19:00 МСК — бесплатный практический эфир по ИИ-агентам · Живой Поток 3 стартует 23.11Эфир 18 ноября →Поток 3 (23.11)
РелизРазбор · На радарHabr AI→ оригинал

Ролик из одного фото товара обошёлся в $4,25 вместо $2,42 из-за брака Seedance 2.0

Продавцу на маркетплейсе нужен вертикальный ролик на 15 секунд, а у него есть одно фото флакона и нет бюджета на съёмку. Автор собрал конвейер: Gemini рисует раскадровку из шести кадров, текстовая модель пишет промпт, Seedance 2.0 снимает ролик. Первый дубль стоит $2,42, но в нём есть четыре типа брака, например слоган с буквой «Е» вместо «Э». Три пересъёмки добавили $1,83, и итог вырос до $4,25, поэтому закладывайте на ролик почти вдвое больше.

AI-обработка оригинала Habr AI; редакция Hamidun News
Ролик из одного фото товара обошёлся в $4,25 вместо $2,42 из-за брака Seedance 2.0
Источник: Habr AI. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникHabr AI ↗
Главный редактор
Оплачено 27 секунд видео, в ролик вошли 15коэффициент расхода 1,8
Ключевой факт #2Шаги 1–4 занимают около получаса, из них 8 минут ждём видео
Ключевой факт #3Seedance 2.5 отклонил фото людей, героя придётся описывать словами

Продавцы на маркетплейсах часто просят одно и то же: есть единственное фото товара, нужен вертикальный рекламный ролик на 15 секунд, а денег на предметную съёмку нет. Автор разбора на Habr собрал конвейер, который делает такой ролик через API, и посчитал, что получается на практике. Первый дубль, то есть первая сгенерированная версия, стоит $2,42 (картинки, промпт и видео Seedance 2.0). Но в ролике нашлись дефекты: например, в слогане вместо буквы «Э» модель нарисовала «Е». Исправления (три пересъёмки сломанных планов) добавили ещё $1,83, и общий счёт составил около $4,25. Если вы делаете такие ролики для клиентов или встраиваете их в сервис для селлеров, считайте себестоимость почти вдвое выше цены первого дубля.

Как устроен конвейер

Схема из пяти шагов. Сначала фото товара и бриф уходят в генератор картинок. В тесте фото выдуманной сыворотки «СЕВЕР» сгенерировали в gemini-3.1-flash-image. Генератор рисует раскадровку: шесть кадров сеткой 2 на 3 с хронометражем под каждым. Затем раскадровка попадает в текстовую модель, и та пишет промпт для видео по кадрам с таймкодами. Третий шаг — генерация в bytedance/seedance-2.0 через OpenRouter: 15 секунд, формат 9:16, 720p, со звуком. Четвёртый и пятый шаги — покадровый просмотр и пересъёмка сломанных планов по одному. Текст ставится уже в монтаже.

OpenRouter отдаёт видеомодели асинхронно. Вы создаёте задачу через POST /api/v1/videos, затем опрашиваете GET /api/v1/videos/{id}, пока статус не станет completed. В готовом ответе есть ссылка на файл и usage.cost в долларах, так что цену дубля не нужно считать по токенам.

У Seedance два основных режима. В режиме input_references картинки служат ориентиром: с фото модель берёт упаковку и цвета, с раскадровки — порядок планов, а кадры строит сама. В режиме frame_images с first_frame картинка становится точным первым кадром. Первый режим нужен для всего ролика, второй — для пересъёмки одного плана. Есть и третий вариант: first_frame плюс last_frame, когда модель достраивает движение между двумя кадрами. Чтобы защитить упаковку от перерисовки, автор в начале промпта называет роль каждой картинки: первая — единственный образец флакона, этикетку не менять; вторая — только порядок планов.

Для пересъёмки он вырезает ffmpeg-ом последний кадр предыдущего плана, отдаёт его как first_frame и просит продолжить движение. Стык получается без прыжка. Звук во вставках отключён: цена не изменилась (около $0,15 за секунду и со звуком, и без), зато одна пересъёмка со звуком упала на модерации, которая сочла сгенерированную музыку похожей на чужую.

Четыре типа брака

С первого дубля ролик выглядит готовым, но покадровый просмотр находит четыре проблемы.

Первая — ошибка в тексте на экране. Слоган пришёл из раскадровки, текстовая модель перенесла его в промпт, а видеомодель нарисовала с опечаткой. Теперь в промпте для видео не должно быть нового текста, кроме надписи на этикетке. Текстовой модели автор прямо пишет: «Не добавляй слоганы, титры и любой новый текст».

Вторая — «приклеенная» этикетка. При облёте камеры фон меняется, а этикетка всё время смотрит в объектив. С одного фото модель знает только одну сторону флакона. Надёжнее боковой проезд или облёт не больше четверти круга. Несколько ракурсов на входе, вероятно, помогут, но автор это не проверял.

Третья — прыжок на стыке. Два соседних плана сняты почти с одной точки, и флакон смещается на пару сантиметров. Соседние планы должны заметно отличаться крупностью или ракурсом.

Четвёртая — игнорирование переходов. Вместо мягкого растворения между четвёртым и пятым планом получилась жёсткая склейка, а камера на стыке развернулась не туда. Продолжение надо описывать видимым движением: «вся сцена уезжает вправо» надёжнее, чем «камера едет влево». Переходы лучше делать в монтаже.

Сколько это стоит и какие есть ограничения

Раскадровка и фото товара (2 картинки 1K) — $0,14, промпт от gemini-3.5-flash — около $0,01, ролик на 15 секунд со звуком — $2,27. Вместе это $2,42. Три пересъёмки по 4 секунды без звука стоили $1,83, итого около $4,25. Оплачено 27 секунд видео, в ролик вошли 15, поэтому коэффициент расхода равен 1,8. Цены даны на 8 октября 2026 года, без комиссий.

Шаги 1–4 занимают около получаса, из них восемь минут уходит на ожидание видео. План на 4 секунды генерируется около трёх минут. Шаг 5 съедает остаток вечера, и автоматизировать его целиком не вышло.

Есть и ограничения API. Seedance 2.5 через OpenRouter отклонил фотореалистичные изображения людей с ошибкой InputImageSensitiveContentDetected.PrivacyInformation. На версии 2.0 автор это не проверял, но линейка и защита ByteDance общие. Поэтому ролик «товар в руках у героя» с вашим персонажем так не сделать, героя придётся описывать словами. Отклонённые запросы денег не стоили. Модерация срабатывает и после генерации: в тестах отсекали и видео, и музыку. Списания шли только за удачные попытки, но время ожидания терялось. Кроме того, модель держит надпись с фото, но любит её подправлять, поэтому каждую надпись нужно сверять с оригиналом буква в букву в каждом плане.

Перед сдачей автор проверяет шесть пунктов: надписи совпадают с оригиналом; нового текста в кадре нет; на облёте этикетка поворачивается вместе с товаром; соседние планы различаются крупностью или ракурсом; движение на стыке идёт в одну сторону; в звуке нет случайной речи и пения. Последний пункт автоматизируется легко: клип целиком уходит в gemini-flash-latest (видео inline, до ~18 МБ), и модель перечисляет всю речь с таймкодами. Первые пять пунктов пока проверяются только глазами, по листу кадров.

Главный вывод: ролик из одного фото собирается примерно за полчаса, но первый дубль почти никогда не финальный. Закладывайте на исправления столько же, сколько на первый прогон, держите текст вне генерации и проверяйте этикетку покадрово.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: как устроен конвейер?

Схема из пяти шагов. Сначала фото товара и бриф уходят в генератор картинок. В тесте фото выдуманной сыворотки «СЕВЕР» сгенерировали в gemini-3.1-flash-image. Генератор рисует раскадровку: шесть кадров сеткой 2 на 3 с хронометражем под каждым. Затем раскадровка попадает в текстовую модель, и та пишет промпт для видео по кадрам с таймкодами. Третий шаг — генерация в bytedance/seedance-2.0 через OpenRouter: 15 секунд, формат 9:16, 720p, со звуком.

Что известно по теме: четыре типа брака?

С первого дубля ролик выглядит готовым, но покадровый просмотр находит четыре проблемы. Первая — ошибка в тексте на экране. Слоган пришёл из раскадровки, текстовая модель перенесла его в промпт, а видеомодель нарисовала с опечаткой. Теперь в промпте для видео не должно быть нового текста, кроме надписи на этикетке. Текстовой модели автор прямо пишет: «Не добавляй слоганы, титры и любой новый текст». Вторая — «приклеенная» этикетка. При облёте камеры фон меняется, а этикетка всё время смотрит в объектив.

Что известно по теме: сколько это стоит и какие есть ограничения?

Раскадровка и фото товара (2 картинки 1K) — $0,14, промпт от gemini-3.5-flash — около $0,01, ролик на 15 секунд со звуком — $2,27. Вместе это $2,42. Три пересъёмки по 4 секунды без звука стоили $1,83, итого около $4,25. Оплачено 27 секунд видео, в ролик вошли 15, поэтому коэффициент расхода равен 1,8. Цены даны на 8 октября 2026 года, без комиссий. Шаги 1–4 занимают около получаса, из них восемь минут уходит на ожидание видео. План на 4 секунды генерируется около трёх минут.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…