Если коротко ответить на вопрос, что не умеет ИИ-видео, то ему не хватает точности и контроля, а вовсе не красоты. Сгенерированные кадры могут выглядеть великолепно, но модель до сих пор плохо справляется с точным продуктом, читаемым текстом, выверенным движением, реальным человеком и непрерывной минутой действия. Ниже десять ограничений по состоянию на сентябрь 2026 года: что идёт не так, почему и что с этим делает студия. Иногда честный ответ звучит как «снимите это на камеру».
Почему нейросеть ошибается в деталях
Видеомодель не строит сцену из объектов, как это делает 3D-программа. Она предсказывает правдоподобные пиксели, опираясь на огромное количество просмотренных видео. Ключевое слово здесь «правдоподобные». Модель знает, как в целом выглядит флакон духов, и понятия не имеет, как выглядит ваш. Почти все ограничения ниже вытекают из этого.
Десять ограничений и что с каждым делает студия
1. Точный продукт и читаемый текст
Этикетки плывут, пропорции меняются, логотипы превращаются в «почти буквы». Крупная короткая надпись латиницей сейчас часто получается, а вот мелкий шрифт и состав на упаковке по-прежнему ломаются. Кириллицу мы не доверили бы ни одной модели. Обход такой: каждый кадр с продуктом начинается с ваших настоящих фотографий или 3D-файлов, продукт двигается просто, каждый кадр проверяется, а текст, логотипы и финальный пэкшот добавляются на монтаже. Так мы подходим к видео о продукте, а по шагам этот метод расписан в статье о том, как сохранить товар точным в сгенерированном видео. Если зритель должен прочитать этикетку, пока продукт крутят в руке, это нужно снимать.
2. Руки и мелкие действия
В статике руки стали получаться гораздо лучше. Проблемы начинаются, когда они делают что-то точное: открывают застёжку, завязывают узел, печатают, красят ресницы, режут лук. У модели нет понятия контакта, поэтому пальцы проходят сквозь предметы, а предметы двигаются сами. Студия обходит момент контакта склейкой, берёт общий план или снимает настоящую руку на телефон и вставляет этот кадр в монтаж. Обучающие ролики, где важна техника, стоит снимать.
3. Длинные непрерывные планы
Одна генерация короткая. В документации Veo Google указывает клипы по 4, 6 или 8 секунд и продление шагами по 7 секунд до 148 секунд, причём только в 720p. Kling 3.0 генерирует от 3 до 15 секунд. Seedance 2.5, вышедшая 31 июля 2026 года, даёт до 30 секунд за один проход. Продление стартует с последней секунды клипа, поэтому лица, свет и реквизит с каждым шагом уплывают чуть дальше. Обходом служит обычный киноязык: короткие шоты и монтаж. Двухминутный проход с разговором без единой склейки нужно снимать.
4. Один и тот же герой во многих шотах
Одно лицо в трёх шотах получается легко. Тот же человек в тридцати шотах, при разном свете, в разной одежде и с разных ракурсов, требует настоящей работы. Помогают референсы: Veo 3.1 принимает до 3 референсных изображений, а Seedance 2.5, по словам ByteDance, до 30. Студия сначала собирает лист персонажа, каждый ключевой кадр генерирует как картинку на основе этих референсов и отбраковывает любой дубль, где лицо «съехало». Весь этот процесс мы описали в статье о том, как удержать одинакового персонажа в 20 кадрах. Мелкие различия в зубах, ушах и линии волос ловятся только покадровой проверкой.
5. Точная хореография и физика
Танец под конкретный счёт, удар в гольфе, жидкость, налитая до нужной отметки, гимнастка, двое людей, которые жмут руки, а потом обнимаются. Движение, которое должно быть правильным, а не просто убедительным, остаётся ненадёжным. ByteDance сама пишет об этом в анонсе Seedance 2.5: модели есть куда расти в физической достоверности сложных движений и в сценах, где взаимодействуют несколько объектов. Обходы: снятое референсное видео, которое ведёт движение, замедленная съёмка и склейка до того, как физика сдастся. Спорт и танец, которые будут смотреть профессионалы, нужно снимать.
6. Реальные люди и реальные места
Модель может создать улицу, похожую на Сохо. Она не создаст вашу витрину, ваш зал или вашего основателя такими, какие они есть. А «почти похоже» хуже, чем ничего, потому что клиенты придут и сравнят. Всё, что работает как доказательство, будь то помещение, сотрудники, клиенты или результаты, нужно снимать. Хватит телефона. Подробнее об этом разделении мы писали в заметке AI-видео или обычная съёмка.
7. Точные цвета бренда
Модели мыслят светом, а не номерами Pantone. Ваш фирменный бирюзовый выйдет теплее в одном шоте и зеленее в другом, потому что его меняет сгенерированное освещение, ровно так же, как изменило бы настоящее. Исправляется это на постпродакшне: продукт или фирменный элемент выделяется на цветокоррекции и приводится к эталону в каждом шоте. Плоскую графику в цветах бренда добавляют на монтаже и никогда не генерируют.
8. Липсинк на крупном плане
Встроенная речь появилась в 2025 году и стала обычным делом, но лучше всего она держится на средних планах и коротких репликах. На крупном плане зритель замечает смазанные согласные, меняющиеся зубы и рот, который чуть не попадает в звук. Важен и язык. Google указывает, что в Veo 3.1 полностью поддерживается английский, а остальные языки не оценивались. Kling называет китайский, английский, японский, корейский и испанский. Поэтому русскую речь мы сначала тестируем и только потом что-то обещаем. Обходы: план пошире, короткие реплики, закадровый голос поверх действия либо отдельный процесс для AI-ведущих, построенный вокруг реального человека, который дал согласие. Встроенный звук моделей, AI-голоса и живых дикторов мы сравниваем в статье про звук для AI-видео.
9. Режиссура точными командами камере
«Медленный наезд» работает. «Начни на уровне колена, поднимайся краном шесть секунд, на четвёртой секунде переведи фокус на флакон, закончи кадром на 35 мм» не работает. Модели понимают операторский язык приблизительно и нередко выполняют одну команду за счёт другой. Контроль студия получает иначе: первый кадр, а иногда и последний, рисуется как статичная картинка, затем делается несколько дублей и выбирается лучший. Если шот обязан совпасть с раскадровкой кадр в кадр, закладывайте много попыток, 3D-превизуализацию или камеру.
10. Закон, этика и чужая внешность
Это ограничение не техническое, и следующая модель его не снимет. В Великобритании раздел 6 кодекса CAP настоятельно рекомендует получать письменное разрешение, прежде чем изображать частное лицо, упоминать публичного человека или создавать впечатление, что кто-то лично одобряет товар. Правила TikTok об AI-контенте запрещают ролики, где публичные люди что-то рекламируют, а также использование внешности частных взрослых людей без их разрешения, и требуют помечать реалистичный AI-контент. Статья 50 европейского закона об ИИ, которая, по данным Еврокомиссии, применяется со 2 августа 2026 года, обязывает раскрывать дипфейки. На практике это значит: никаких знаменитостей, никаких двойников, никаких настоящих голосов без подписанного согласия. Это общая информация, а не юридическая консультация.
Все десять ограничений в одной таблице
| Ограничение | Студийный обход | Когда снимать |
|---|---|---|
| Точный продукт, читаемый текст | Настоящие фото в основе, текст на монтаже | Этикетку нужно читать в движении |
| Руки, мелкие действия | Склейка вокруг контакта, вставки с настоящей рукой | Суть ролика в технике |
| Длинные планы | Короткие шоты и монтаж | Важен один непрерывный дубль |
| Один герой во многих шотах | Лист персонажа, сначала картинки, строгая проверка | Герой существует на самом деле |
| Хореография, физика | Референсное видео, замедление | Смотреть будут профессионалы |
| Реальные люди и места | Обхода нет | Почти всегда |
| Точный цвет бренда | Цветокоррекция каждого шота | Требуется редко |
| Липсинк на крупном плане | План пошире, закадровый голос | Длинная речь на камеру |
| Точное движение камеры | Первый и последний кадр, много дублей | Раскадровка кадр в кадр |
| Чужая внешность | Письменное согласие либо придуманный персонаж | Согласия нет: не делать вовсе |
Как понять, подходит ли идея для ИИ
В Zero Shot, лондонской студии AI-видео, перед тем как назвать цену, мы задаём четыре вопроса.
- Должно ли что-то в кадре быть абсолютно достоверным? Продукт, место, человек, результат. Если да, этот элемент приходит с камеры или с фотографии, а ИИ достраивает всё остальное.
- Можно ли рассказать идею шотами по несколько секунд? Если да, длина генерации не помеха.
- В чём сложность: в зрелищности или в точности? Зрелищность, то есть невозможные локации, масштаб, погода и фантастика, даётся ИИ лучше всего. Точность даётся хуже всего.
- Дёшево ли это снять? Человек, который говорит на телефон в собственном магазине, почти ничего не стоит. Не генерируйте то, что снимается за час.
Большинство брифов в итоге оказываются смешанными, а студия, которая ни разу не сказала «эту часть лучше снять», заслуживает некоторого недоверия. Подробнее об этом в нашем чек-листе, как выбрать студию AI-видео.
Если не уверены, по какую сторону границы находится ваша идея, пришлите нам короткий бриф. Мы скажем, что сгенерировали бы, что сняли бы, и назовём фиксированную цену.
Частые вопросы
Какой длины может быть видео, сделанное нейросетью?
Готовый ролик может быть любой длины, потому что он монтируется из множества коротких клипов. Одна генерация короткая: на сентябрь 2026 года Google указывает для Veo 3.1 клипы по 4, 6 или 8 секунд, Kling 3.0 предлагает от 3 до 15 секунд, а Seedance 2.5 от ByteDance доходит до 30 секунд.
Сможет ли нейросеть показать именно мой продукт?
По текстовому описанию надёжно не сможет. Студии работают от ваших фотографий или 3D-файлов, генерируют окружение вокруг них, проверяют каждый кадр и часто возвращают настоящий пэкшот и этикетку на монтаже.
Можно ли показать в AI-видео знаменитость или реального человека?
Только с письменного разрешения этого человека. Британские правила рекламы настоятельно рекомендуют получать разрешение перед тем, как изображать кого-либо или намекать на его одобрение, а TikTok запрещает AI-контент, где публичные люди что-то рекламируют. Это общая информация, а не юридическая консультация.
Скоро ли эти ограничения исчезнут?
Часть из них сокращается быстро: длина клипа, встроенный звук и работа с референсами персонажа заметно выросли за 2026 год. Точный контроль над продуктом, текстом, цветом и движением улучшается медленнее. Ограничения, связанные с реальными людьми, юридические, а не технические, поэтому они останутся.