Фёдор Ананин Путешествую по миру с кошкой и обожаю технологии. В iGaming нашел идеальное сочетание: технологии, психология и развлечения — пишу об этом здесь.
В одном из прошлых материалов мы вместе с KULT AFF разбирали топовые креативы, которые нашли в спай-сервисе Tyver. Два из них зацепили больше всего: первый — где Криштиану Роналду в формате подкаста рассказывает про игру Chicken Road, второй — где девушка бурно реагирует на крупный выигрыш, а окружающие ее поддерживают. Мы решили повторить оба крео, но с двумя допущениями:
Дальше показываем весь процесс по шагам: какие инструменты нужны, сколько это стоит и на каких этапах можно сэкономить, не теряя в качестве.
Чтобы получить говорящего человека в кадре, нам нужно решить три задачи:
Под каждую задачу есть свои подходящие модели — Nano Banana для фото, ElevenLabs для аудио, Kling или Seedance для видео. Можно использовать их по отдельности, а можно взять агрегатор, где все модели уже доступны «под одной крышей».
Мы пошли по второму пути и воспользовались Higgsfield. В нем собраны самые актуальные модели для генерации, поэтому нам не пришлось прыгать между десятком вкладок и разбираться в каждом сервисе отдельно. Для демонстрации это идеальный вариант. А почему в продакшене иногда выгоднее собрать собственный пайплайн — разберем в конце.
Видео стоит дорого, фото — дешево, а иногда и вовсе бесплатно. Поэтому логика простая: сначала мы получаем качественный кадр, убеждаемся, что персонаж похож на искомую знаменитость, а также, что в генерации нет артефактов и косяков. И только потом анимируем его. Если создавать видео сразу, без референсного кадра, мы потратим в разы больше времени и денег без гарантии результата.
Берем из интернета фотографию лица Скарлетт Йоханссон, загружаем в нейросеть и просим сгенерировать ту же девушку, но в интерьерах подкаст-студии.
Но помните: использование внешности реальных людей в коммерческих материалах (да и не только в них) может создать немало юридических проблем. Мы «заимствуем» лицо Скарлетт только для примера.
Мы попробовали два агрегатора — Google Flow и Higgsfield. Качество вышло одинаковым, потому что под капотом одни и те же модели с одинаковыми настройками. Просто так совпало, что кадр из Google Flow лучше подошел под наши цели.
Отсюда первый важный нюанс: не каждая генерация будет удачной. Иногда один и тот же запрос приходится прогонять несколько раз, пока не получится нужный результат. Это нормально, и именно поэтому фото мы делаем заранее — на дешевом этапе.
Готовое фото — это первый кадр нашего будущего видео. Теперь переходим в раздел липсинка в Higgsfield, где есть модель Kling Avatars 2.0. Она оживляет статичное фото и синхронизирует движение губ с аудио. Загружаем туда нашу фотографию и звуковую дорожку.
С аудио есть несколько вариантов. Если у вас уже записан голос — используйте его. Если нет — можно выбрать один из готовых голосов или сгенерировать свой. Мы взяли первый попавшийся, чтобы не усложнять процесс и сосредоточиться на механике.
Промпт писали максимально простой: «женщина говорит на камеру». Но в наших экспериментах модель почему-то упорно добавляла субтитры, хотя ее об этом никто не просил. Пришлось четко прописать в промпте, что субтитры не нужны.
Конечное видео получилось ровно таким, как и задумывалось: Скарлетт Йоханссон произносит наш рекламный текст на камеру.
Стоимость липсинка в Kling Avatars 2.0 на Higgsfield — примерно один кредит за секунду аудио. Наш ролик длиной 17–18 секунд обошелся в 18 кредитов на стандартном качестве 720p. Для подобного креатива этого более чем достаточно.
А теперь главное. Посмотрите на кнопку выбора качества.
Если переключить стандартное качество на высокое, цена того же ролика подскакивает с 18 до 35 кредитов. Почти в два раза.
Совет: если вам все-таки нужно максимальное качество, сначала сгенерируйте ролик в низком, убедитесь, что нейросеть делает ровно то, что нужно, и только потом перегенерируйте в высоком. Так вы не сольете кучу кредитов на неудачные дубли.
Нас устраивает получившийся липсинк. Но что делать, если голос не понравился? Можно вернуться на предыдущий этап и выбрать другое аудио. А можно поменять голос уже в готовом видео.
В наших тестах замена голоса обошлась в два кредита за файл. За такие деньги можно экспериментировать практически бесконечно, подбирая идеальное звучание. Главное — не нужно заново делать дорогой липсинк.
Higgsfield позволяет создать и собственный голос — как из готовых пресетов, так и из загруженного аудио. То есть при желании можно найти интервью со Скарлетт Йоханссон, вырезать ее реплики, в пару кликов обучить на них модель и получить полную копию ее голоса. Технически это совершенно не сложно.
Свой ролик мы сгенерировали полностью — все 17–18 секунд с цельной репликой. Но так стоит поступать не всегда.
Если персонаж присутствует в кадре от начала до конца — генерируйте видео целиком. Если же по сценарию он появляется только в начале и в конце, а в середине идет геймплей, генерируйте отдельно два коротких фрагмента под нужные реплики. Так вы заметно сэкономите.
Этот же прием снимает ограничение по длине. Kling Avatars поддерживает ролики до 5 минут, но большинство других моделей упираются в потолок 10–15 секунд. Разбивая видео на короткие фрагменты, вы можете использовать любые модели, не упираясь в их лимиты.
Со вторым креативом схема немного другая. Здесь девушка бурно реагирует на выигрыш, а окружающие ее поддерживают. Сделаем такой же кадр и снова со Скарлетт Йоханссон.
Сначала идем в любую текстовую нейросеть и просим подготовить промпт. Отправляем исходный кадр из оригинального креатива, описываем сцену — девушка выиграла крупную сумму, люди вокруг ликуют — и просим сделать промпт для генерации похожего фото с нашим персонажем. Полученный промпт вместе с фотографией Скарлетт отправляем в генератор изображений.
Higgsfield выдал отличный кадр с нашей выигравшей героиней. Прямо в интерфейсе есть кнопка Turn to Video — нажимаем ее и попадаем в генерацию видео.
Промпт снова простой: «девушку переполняют эмоции от выигрыша, люди вокруг поддерживают, а мужчина снимает на видео».
Мы прогнали один и тот же кадр через две модели — Kling 3.0 и Grok Imagine Video 1.5.
Kling сделал спокойное и сдержанное видео, которое идеально легло под задачу. Девушка, эмоции, поддержка окружающих — ничего лишнего. 10 секунд в качестве 720p обошлись в 20 кредитов.
Grok пошел дальше и выдал куда более динамичную сцену — добавил разговоры, упоминания крупного выигрыша. Интересно, но это не то, о чем мы просили. Grok вообще склонен добавлять собственные элементы и почему-то всегда норовит вставить речь, даже когда его об этом не просят. При этом кадры получились на удивление живыми и тоже вполне годятся для какого-нибудь креатива.
Само собой, вместо Скарлетт Йоханссон можно взять любого человека или сгенерировать персонажа с нуля. Использовать одно лицо во всех роликах или каждый раз новое — никакой разницы, делайте как удобно.
С учетом всех генераций, в том числе неудачных дублей, мы потратили ровно 150 кредитов.
Тариф на 1000 кредитов стоит около $50. То есть наш эксперимент с двумя креативами, повторными генерациями и тестами разных моделей обошелся примерно в $7,5. Для понимания порядка цен: один липсинк на 17–18 секунд — 18 кредитов, 10 секунд видео на Kling 3.0 — 20 кредитов, замена голоса — 1,5–2 кредита.
Отдельно про качество: в Higgsfield генерация фото через Nano Banana в 1K и 2K разрешениях стоит одинаково, отличается только время — 2K обрабатывается дольше. А вот 4K обойдется вдвое дороже. Так что переход на более высокое разрешение не всегда бьет по кошельку, а вот 4K стоит включать только осознанно. Не забывайте, что видео все равно будут генерироваться в 720–1080p, поэтому нет смысла гнаться за 4K качеством изначального фото.
Higgsfield удобен для демонстрации и тестов, но это не единственный путь. Если у вас большая команда с бюджетом и опытными разработчиками, то, возможно, выгоднее собрать собственный инструмент через API разных нейросетей.
Доступ к Nano Banana можно получить через OpenRouter или собственный API модели от Google и платить за каждую генерацию отдельно, а не за месячную подписку с лимитами. Видео генерируется через, например, Replicate.com — там тоже есть API. В определенных сценариях это выходит дешевле.
Более того, многие сервисы и агрегаторы предоставляют MCP-сервер или API, который можно подключить прямо к вашим нейросетям — ChatGPT, Claude и Gemini. Тогда вместо ручного переключения между вкладками вы просто просите ИИ сгенерировать нужное видео с необходимым персонажем, и он через MCP-сервер делает все сам. Весь пайплайн при желании автоматизируется почти полностью.
Но если вам нужно просто понять, какая модель на что способна, начинать стоит с агрегатора. Все в одном месте, единый интерфейс, низкий порог входа и общий на все модели и инструменты баланс.
Как мы уже выяснили в спецпроекте про ИИ в арбитраже трафика, ключевое преимущество нейросетевого контента в том, что его можно делать быстро и много. Даже если качество пока не дотягивает до реальных съемок, вы получаете возможность дешево валидировать гипотезы.
Логика такая: прогоняете 10 гипотез на ИИ-видео, находите самую удачную и дальше либо переснимаете ее с живыми людьми, либо вкладываетесь в более качественную генерацию. Это в разы быстрее и дешевле, чем сразу снимать каждую идею вживую.
И сразу оговоримся про модели. Мы упомянули Nano Banana, Kling, Grok Imagine Video — прямо сейчас это лучшее из того, что есть на рынке. Но завтра, через месяц или через полгода выйдет что-то кратно мощнее. Поэтому воспринимайте эту статью не как инструкцию на все времена, а как набор общих принципов и источник вдохновения. Сам подход — фото, потом аудио, потом видео, с экономией на дешевых этапах — останется актуальным надолго.
Отдельно стоит затронуть тему «18+», потому что вопросов по ней всегда много. Если коротко — цензура победила.
Публичные нейросети жестко зацензурированы. Сложности начнутся уже на генерации фото в нижнем белье или откровенной одежде вроде чулков и корсетов. С видео ситуация ровно та же — доступных инструментов даже для легких намеков на откровенность попросту нет.
Для полноценного контента «18+» приходится использовать совсем другие модели, у которых принципиально иной уровень качества — заметно ниже. За километр видны пластиковые лица, неестественные тела и полное несоответствие реальности. Артефакты вроде шести пальцев тоже вылезают куда чаще. Так что будьте приличными.
Мы прошли полный путь создания креатива: от фотографии из интернета до двух готовых видеофрагментов с говорящим и эмоционирующим персонажем — и потратили на это около $7,5 со всеми неудачными дублями.
Главное, что стоит вынести из этого разбора, — это не конкретные модели и не точные цифры в кредитах, а сам подход. Сначала дешевое фото как референс, потом аудио, потом видео. Тестируем на низком качестве, пересоздаем на высоком только то, что точно подошло. Разбиваем длинные ролики на короткие фрагменты, чтобы экономить и обходить лимиты моделей.
Эти принципы переживут любое обновление нейросетей — а они будут и очень скоро.
Семейная гемблинг-империя Galaxy: азиатский подход к построению стратегии роста
Дэвид Склански: математик, который превратил покер в точную науку
Топ-5 брендированных слотов. Часть 2. «Симпсоны», «Мстители», Playboy и не только.
Связка на тысячи FTD, лид по $1 и советы по безопасности: как построить прибыльную экосистему в Telegram
Отчет BitHide: как выбрать криптоплатежное решение для бизнеса