Создание видео из фото с помощью ИИ: 10 лучших нейросетей, бесплатный старт и реальные тесты

Сделать видео из фото с помощью ИИ технически уже несложно — гораздо труднее получить сцену, которая выглядит цельно от первого до последнего кадра. Чем больше в ролике движений, предметов и смен ракурса, тем выше риск рывков, деформаций и странных переходов. Поэтому на результат влияют не только возможности нейросети, но и выбранный исходник, длительность генерации, количество референсов и то, как описано действие в промпте.

Для этой статьи я сделал несколько прогонов одного сюжета в MiniMax H3, Wan 3.0, Gemini Omni Flash 1.1 и Seedance 2.5. Девушка ждет трамвай, заходит внутрь, садится у окна и взаимодействует с телефоном. Качественные референсы помогли сохранить внешний вид сцены, но сложная последовательность быстро выявила слабые места: скрытые скачки между действиями, ошибки с небольшими предметами и нестабильную геометрию пространства. Когда сценарий стал короче и проще, результат заметно улучшился.

Поэтому основной вопрос здесь — не только какую нейросеть для создания видео из фото выбрать, а как правильно поставить ей задачу. Разберем, когда достаточно одного кадра, зачем нужны дополнительные референсы, как писать промпт, когда лучше продлить удачную сцену, а когда разбить сюжет на несколько генераций. Отдельно покажу, как снизить число артефактов и получить хороший результат даже при бесплатном первом запуске.

Попробовать генерацию можно бесплатно. После регистрации начисляются стартовые токены.

Как нейросети справляются с реальным видео из фото

Для тестов я использовал одну визуальную историю: девушка в московском трамвае после дождя. Исходники были сгенерированы заранее, поэтому у моделей уже были качественные референсы внешности, одежды и интерьера. Это важный момент: задача состояла не в том, чтобы придумать персонажа с нуля, а именно в превращении готовых фотографий в связное движение.

MiniMax H3: короткая сцена внутри трамвая

В более компактном варианте я оставил действие в одном пространстве: девушка сидит у окна, трамвай начинает движение, она достает iPhone из кармана, читает сообщение, улыбается и начинает печатать. В финале камера плавно переводит внимание на московскую улицу за окном.

Для такого сценария восьми секунд достаточно. Есть одно место действия, небольшое количество действий руками и одно плавное движение камеры. При этом ролик все равно проверяет сразу несколько сложных вещей: стабильность лица, руки, взаимодействие с телефоном, движение транспорта и параллакс за окном.

Gemini Omni Flash 1.1: более длинная последовательность

Во втором варианте задача была сложнее: использовать несколько состояний одной героини и связать их в видеосцену. Gemini Omni Flash 1.1 хорошо подходит для такого подхода, поскольку умеет работать с несколькими визуальными исходниками и воспринимать их как контекст для дальнейшей генерации.

Этот тест хорошо показывает разницу между обычным «оживлением фотографии» и современной генерацией видео по фото. Исходник здесь задает персонажа и окружение, а модель уже строит движение между состояниями, работу камеры и развитие сцены.

Главный вывод после нескольких прогонов оказался довольно простым: качество Image-to-Video сейчас сильнее зависит не от количества эффектных действий, а от того, насколько логично они помещаются в одну сцену. Чем понятнее траектория героя и камеры, тем стабильнее результат.

Чем генерация видео из фото отличается от обычного оживления

Под запросом «видео из фото нейросеть» до сих пор смешиваются три разных сценария.

В третьем случае фотография может быть только первым кадром. Дальше человек начинает двигаться, камера следует за ним, открываются части пространства, которых на исходнике вообще не было, а окружающие предметы реагируют на происходящее.

Именно с этим форматом работают MiniMax H3, Seedance 2.5, Wan 3.0, Kling, Veo и другие современные видеомодели.

Как сделать видео из фото с помощью нейросети

Шаг 1. Подготовьте подходящий исходник

Пример исходника для видео "Девушка улыбается глядя в телефон"

Нейросеть умеет дорисовывать пространство, но хороший первый кадр заметно упрощает ей работу. Если герой должен идти, лучше не зажимать его между стеной и краем кадра. Если камера собирается отъезжать, полезно сразу оставить немного пространства вокруг.

Для первого теста лучше использовать фотографию, где:

• главный объект хорошо виден;

• лицо и руки достаточно четкие;

• герой не перекрыт другими людьми или предметами;

• фон имеет понятную геометрию;

• есть свободное пространство для будущего движения;

• свет выглядит естественно и не меняется хаотично по всему кадру.

Крупный портрет отлично подходит для мимики, но плохо — для внезапной прогулки в полный рост. Модель просто не знает, как выглядит половина персонажа, и начинает ее придумывать.

Шаг 2. Выберите режим генерации

Одна фотография — самый простой вариант, но далеко не единственный.

• Image-to-Video / First Frame — фотография становится первым кадром будущего видео.

• First & Last Frame — задаете начало и финал, нейросеть строит движение между ними.

• Reference-to-Video — изображения используются как референсы лица, одежды, товара или окружения.

• Motion Control — фотография задает персонажа, а отдельное видео показывает нужное движение.

• Video Extension — модель продолжает уже готовый ролик.

Для простого сюжета достаточно первого кадра. Несколько референсов становятся особенно полезны, когда внешность героя нужно сохранить после смены ракурса или в нескольких последовательных состояниях.

Шаг 3. Описывайте движение, а не содержимое фотографии

Если нейросеть уже видит девушку в пальто возле трамвая, нет смысла половину запроса посвящать цвету ее пальто. Гораздо полезнее объяснить, что произойдет после старта.

Удобная формула:

Например:

Девушка замечает приближающийся трамвай и поворачивает голову в его сторону. Трамвай плавно останавливается рядом с платформой. Камера медленно движется параллельно девушке, сохраняя ее в среднем плане. Поток воздуха слегка двигает волосы и край пальто, мокрый асфальт отражает свет и движущийся вагон. Движения естественные, без позирования и взгляда в камеру.

Такой промпт сообщает модели то, чего нет на фотографии: последовательность, направление движения и поведение камеры.

Шаг 4. Не перегружайте одну генерацию

На практике это один из самых важных пунктов.

Если за 15 секунд человек должен дождаться трамвая, войти внутрь, пройти через салон, сесть, достать предмет, посмотреть в телефон и еще дать камере красивый финальный ракурс, модель получает сразу несколько сложных переходов.

Картинка при этом может оставаться красивой. Проблемы появляются между действиями: нейросеть пытается выиграть время, ускоряет момент, пропускает часть движения или перестраивает пространство быстрее, чем это возможно физически.

Для 8–10 секунд лучше оставить одно основное действие и одно дополнительное. Для 15 секунд — короткую последовательность внутри одного пространства. Сценарии на 20–30 секунд уже можно делить на несколько смысловых фаз.

Шаг 5. Как получить видео на 20–30 секунд

Есть три нормальных способа, и «запихнуть весь фильм в один промпт» среди них не самый надежный.

1. Использовать модель с длинной генерацией. Seedance 2.5 и Wan 3.0 рассчитаны в том числе на ролики продолжительностью до 30 секунд.

2. Продлить удачный клип. Создаете первую сцену, затем используете Video Extension.

3. Продолжить по последнему кадру. Берете чистый финальный кадр первого ролика и используете его как начало следующего.

Третий способ дает особенно много контроля. Например, вместо одной сложной сцены «девушка ждет трамвай → садится → едет» можно сделать три:

• подъезжает трамвай, девушка идет к двери;

• девушка уже внутри и садится у окна;

• трамвай движется, девушка пользуется телефоном.

Сюжет остается тем же, но каждая отдельная генерация становится значительно проще.

Шаг 6. Звук добавляйте там, где он действительно нужен

Некоторые современные модели генерируют видео сразу со звуком. Это хорошо работает для окружения: транспорта, улицы, шагов, ветра, посуды, короткой речи.

Музыку для Reels, Shorts или рекламного ролика чаще удобнее добавлять после. Так можно выбрать трек отдельно и точно подогнать монтаж, не выбрасывая хорошее видео из-за неудачного музыкального сопровождения.

Промпт для видео из фото: пример из реального теста

Для короткого видео выше я специально упростил сценарий. Здесь нет смены локации, посадки в транспорт и большого количества мелких действий. При этом ролик остается содержательным. Длинную версию промпта на 15 секунд с разными действиями и сменой локации размещу в конце статьи.

Create one continuous photorealistic 8-second live-action shot with no cuts, jump cuts, hidden edits or time skips. Use the same young woman from both reference images and preserve her identity, face, hairstyle, clothing and the exact tram interior throughout the whole scene.

The woman is seated by the tram window and calmly looks outside. The tram smoothly begins to move, and the Moscow street starts sliding naturally past the window with realistic parallax. Reflections move across the glass, while changing daylight from passing buildings softly moves across her face.

Without changing her seated position, she smoothly takes her iPhone out of the pocket of her coat in one complete visible motion. She looks at the screen, reads something, gives a small natural smile and begins typing with both thumbs.

While she continues typing, the camera very slowly drifts toward the window without changing height or focal length. The woman gradually moves toward the edge of the composition. End with the moving Moscow street seen through the tram window: wet roadway, passing cars, buildings, autumn trees and realistic reflections on the glass.

The entire video should feel like one uninterrupted observational moment captured by a real camera. Natural documentary realism, normal real-time speed, realistic hands, stable phone, subtle facial expression, no posing.

Обратите внимание: промпт не пытается повторно описывать всю внешность девушки. Для этого уже есть референсы. Основное место занимают действия, последовательность и движение камеры.

Еще 5 идей для видео из одной фотографии

Непостановочный fashion-бэкстейдж

Девушка выходит из небольшой примерочной и быстро идет по светлому коридору. На ходу поправляет рукав и на секунду отвечает проходящему ассистенту. Она не смотрит в объектив. Камера движется рядом с естественной ручной пластикой, немного отстает, затем оказывается чуть впереди. В финале девушка толкает тяжелую дверь, и снаружи появляется яркий дневной свет. Сохранить лицо, одежду и пропорции. Нормальная скорость, без slow motion и постановочных поз.

Утро на городском рынке

Человек идет вдоль небольшого утреннего рынка. Продавец в глубине переставляет ящик с фруктами, прохожий пересекает передний план. Герой останавливается, берет один фрукт и коротко рассматривает его. Камера идет следом примерно в двух метрах, затем мягко смещается в сторону и показывает сцену через край тканевого навеса. Свет периодически перекрывается людьми, экспозиция камеры слегка адаптируется естественным образом.

Предметная реклама без стерильной студии

В кадр входит рука и плавно сдвигает бутылку ближе к окну. На стекле меняются мягкие отражения дневного света, одна капля конденсата медленно стекает вниз. Камера делает небольшой боковой объезд, сохраняя форму упаковки и этикетку. В глубине человек проходит мимо окна и создает мягкую движущуюся тень. В финале рука забирает бутылку, оставляя небольшое мокрое кольцо на столе.

Жизнь в интерьере

Сохранить точную архитектуру, мебель и материалы помещения. Камера медленно движется вперед. В глубине человек входит на кухню, ставит бумажный пакет на стол и открывает окно. Поток воздуха начинает двигать легкую занавеску. Второй человек проходит через передний план с двумя чашками. Свет и отражения естественно меняются вместе с движением камеры. Не добавлять новую мебель и двери.

Реалистичная сцена с одной странной деталью

Люди спокойно ждут транспорт на обычной остановке. Через несколько секунд из-за угла появляется человек с огромным букетом полевых цветов, настолько большим, что за ним почти не видно самого человека. Он проходит через кадр, несколько лепестков падают на мокрый асфальт. Окружающие почти не реагируют. Камера слегка поворачивается вслед, как будто оператор случайно заметил происходящее. Все, кроме размера букета, остается полностью реалистичным.

10 лучших нейросетей для генерации видео из фото

1. MiniMax H3 — универсальный вариант для Image-to-Video

MiniMax H3 особенно интересен, когда кроме фотографии нужны дополнительные референсы и более сложная сцена. Модель работает с изображениями, видео и аудио как с контекстом, поэтому ей можно передать не только внешность героя, но и другие визуальные ориентиры.

Одна генерация может доходить до 15 секунд. Есть работа с первым и последним кадром и генерация со звуком. В моих тестах H3 особенно хорошо показал себя после упрощения сценария: короткая сцена внутри трамвая оказалась заметно стабильнее попытки выполнить длинную последовательность со сменой пространства.

• Хорошо подходит для людей и сюжетных сцен.

• Можно использовать несколько референсов.

• Поддерживает более сложное движение камеры.

• Подходит для последовательной сборки нескольких сцен.

Отдельный сценарий — видео по фото без цензуры. По моим тестам H3 сравнительно спокойно принимает прямые формулировки с эротическим подтекстом, хотя это не означает полного отсутствия модерации или ограничений платформы.

2. Seedance 2.5 — один из лучших вариантов для длинной сцены

Seedance 2.5 выделяется продолжительностью: одна генерация может доходить до 30 секунд, а удачный ролик можно развивать дальше. Для задачи «сделать видео из фото на 20–30 секунд» это одно из самых интересных решений.

Модель работает с изображениями, видео и аудио в качестве референсов. Поэтому можно отдельно показать персонажа, окружение или нужное движение, а затем построить из этого более сложную последовательность.

Seedance особенно подходит для сценариев, где есть начало, развитие и финальная точка, а не одно движение в петле.

• До 30 секунд за одну генерацию.

• Продление готовой сцены.

• Несколько типов референсов.

• Подходит для multi-shot и сюжетных роликов.

По моим тестам Seedance 2.5 также относится к более гибким вариантам для генерации видео из фото без цензуры: прямые фразы с эротическим подтекстом проходят чаще, чем в некоторых более жестко модерируемых моделях. Ограничения сервиса при этом все равно сохраняются.

3. Kling Motion Control — точное движение по референсу

Когда нужно повторить конкретную походку, танец или жестикуляцию, текстовый промпт не всегда лучший инструмент. Kling Motion Control позволяет использовать фотографию персонажа вместе с отдельным видео движения.

Модель берет внешность из изображения и переносит действие из ролика. Это особенно полезно для танцев, fashion-съемки, жестов, походки и сцен, где движение должно быть не просто правдоподобным, а определенным заранее.

Референс движения может быть достаточно длинным, поэтому Motion Control подходит и для более продолжительных последовательностей.

4. Gemini Omni Flash 1.1 — несколько референсов и последовательная работа

Gemini Omni Flash 1.1 удобен, когда одной фотографии недостаточно. В генерацию можно передавать несколько изображений и использовать их как последовательные состояния героя или сцены.

В моем тесте с трамваем модель в целом хорошо связала несколько визуальных состояний в один ролик и сохранила привлекательное качество изображения. Такой сценарий особенно интересен, когда заранее есть отдельные референсы персонажа до и после определенного действия.

Также модель подходит для генерации со звуком, продолжения и последовательной доработки результата.

5. Wan 3.0 — длинное видео и хороший контроль начала

Wan 3.0 стоит рассматривать, если хочется получить длинное видео по фото и тексту без сборки из множества коротких клипов. Модель поддерживает продолжительность до 30 секунд и работает с первым и последним кадром.

В моем тесте Wan удалось сохранить сцену без резких монтажных скачков, что само по себе полезно для длинного прохода камеры. Но сложные взаимодействия с предметами и геометрией пространства потребовали бы более простой постановки задачи или разделения сцены на несколько генераций.

Сильный сценарий для Wan — небольшой рекламный или сюжетный ролик, где заранее понятны стартовая композиция, последовательность действия и финальное состояние.

6. Kling 3.0 — универсальная генерация по фото

Kling 3.0 подойдет, когда готового видео движения нет и действие нужно построить непосредственно из изображения и текстового описания.

Модель хорошо подходит для сцен, где важны движение человека и работа камеры: камера может идти рядом с героем, немного отставать, менять крупность или смещаться относительно объекта.

Если движение должно совпадать с конкретным референсом, лучше выбрать Motion Control. Для свободной генерации Kling 3.0 универсальнее.

7. HappyHorse 1.1 — простой путь от фотографии к ролику

HappyHorse 1.1 подойдет для более прямолинейного Image-to-Video: есть одна фотография, одно понятное действие и нужен законченный видеоклип.

Продолжительность может доходить до 15 секунд. Есть варианты разрешения вплоть до 1080p и работа со звуком.

Для сложной сцены с несколькими референсами логичнее смотреть на H3 или Seedance. Для человека, товара или пейзажа с одним основным действием HappyHorse выглядит проще.

8. VideoGen — надстройка над Luma и Hailuo

VideoGen в Study AI отличается от остальных вариантов. Это не отдельная фундаментальная видеомодель, а надстройка над Luma и Hailuo, которая помогает подготовить запрос и подобрать генератор под задачу.

Идею можно описать обычным русским языком. Система переводит и адаптирует промпт, после чего выбирает подходящий ИИ для генерации.

По моим тестам такой промежуточный этап действительно может улучшать результат по сравнению с прямым запуском исходного пользовательского промпта. Особенно это полезно новичкам, которые не хотят отдельно изучать особенности каждой модели.

9. Veo 3.1 — first/last frame и видео со звуком

Veo 3.1 особенно интересен для коротких управляемых сцен. Модель поддерживает первый и последний кадр, референсные изображения, продолжение видео и нативное аудио.

Первый и последний кадр полезны, когда результат должен прийти в конкретную композицию. Например, стартовое изображение показывает человека перед дверью, а финальное — уже внутри помещения. Задача модели состоит в том, чтобы построить движение между этими состояниями.

Такой формат подходит для переходов, рекламы, небольших трансформаций и коротких сюжетных сцен.

10. Runway Gen-4.5 — качественные отдельные шоты

Runway Gen-4.5 хорошо вписывается в классический Image-to-Video, когда нужен отдельный аккуратный шот, а не обязательно длинный ролик целиком.

Для этой модели особенно полезно описывать именно движение: что делает герой, куда идет камера, что происходит с окружением. Внешний вид уже задается изображением.

Один клип сравнительно короткий, поэтому Runway удобен для производства отдельных сцен, которые затем собираются монтажом в более длинное видео.

Какую нейросеть выбрать

Для первого знакомства с Image-to-Video я бы начал с MiniMax H3 или VideoGen. H3 дает больше контроля и пространства для сложных задач, VideoGen проще, если не хочется разбираться в особенностях промптов разных видеомоделей.

Для 20–30 секунд прежде всего стоит смотреть на Seedance 2.5 и Wan 3.0.

Для точного танца, жестов или походки — Kling Motion Control. Здесь видео-референс движения часто полезнее длинного текстового описания.

Для нескольких изображений одного персонажа — MiniMax H3, Seedance 2.5 или Gemini Omni Flash 1.1.

Для первого и последнего кадра — Wan 3.0 или Veo 3.1.

Для отдельных рекламных или кинематографичных шотов — Kling 3.0, Veo 3.1 или Runway Gen-4.5.

Что пошло не так в сложном 15-секундном тесте

Первоначально я хотел получить более амбициозную сцену одним дублем. Девушка стоит на трамвайной остановке, подъезжает трамвай, она заходит внутрь, проходит к месту, садится, достает аксессуары и телефон, а затем камера переводится на улицу за окном.

Выглядит логично, но для одной генерации здесь слишком много потенциально сложных точек:

• переход из улицы в салон;

• прохождение через узкую дверь;

• смена внешнего пространства на интерьер;

• ходьба и посадка;

• несколько взаимодействий руками с небольшими предметами;

• начало движения трамвая;

• финальный перевод камеры на окно.

В одном из прогонов MiniMax H3 картинка в целом оставалась качественной, но модель начала сокращать сложные переходы резкими рывками. Небольшие наушники в руках также были интерпретированы неправильно и заметно увеличились.

Сам по себе этот результат оказался полезнее, чем очередное идеальное демо. После упрощения той же истории до одного пространства и нескольких действий получился значительно более стабильный восьмисекундный ролик, который показан выше.

Почему видео из фото получается с ошибками

Слишком много действий

Если герой одновременно идет, поворачивается, берет предмет, садится и взаимодействует с окружением, модель должна постоянно пересчитывать положение тела и рук. Лучше разбить движение на последовательные сцены.

Смена пространства внутри одного дубля

Улица → дверь → салон — гораздо более сложная задача, чем человек, уже сидящий внутри трамвая. Нейросети приходится одновременно сохранять героя и полностью перестраивать окружение.

Мелкие предметы появляются в середине сцены

Телефоны, очки, украшения и другие небольшие объекты повышают риск артефактов. Особенно если на первом кадре их вообще нет.

Лучше заранее решить, откуда берется предмет: например, «достает iPhone из наружного кармана пальто одним плавным движением». Это заметно конкретнее фразы «берет телефон».

Камера проходит слишком сложную траекторию

Резкий облет героя заставляет модель реконструировать пространство, которого нет на исходнике. Для сохранения лица и геометрии безопаснее небольшой tracking, dolly или плавное боковое смещение.

Исходный кадр не подходит будущему движению

Если на фотографии видны только лицо и плечи, а в видео человек должен встать и пойти, нижнюю часть тела модель полностью придумывает. Для ходьбы лучше использовать хотя бы средний или полный план.

Как бесплатно создать видео из фото

Бесплатный генератор видео из фото не обязательно должен означать отдельный полностью бесплатный сервис. Для первых экспериментов удобнее использовать стартовый баланс.

После регистрации в Study AI начисляются бесплатные токены. Их можно потратить на первую генерацию и попробовать видео по фото бесплатно без оформления отдельной подписки на каждую модель.

Чтобы не расходовать баланс на случайные попытки, сначала:

1. подготовьте качественный исходник;

2. выберите одну модель под задачу;

3. сделайте сцену на 5–8 секунд;

4. проверьте лицо, руки и движение;

5. только после этого увеличивайте продолжительность или усложняйте сюжет.

Для бесплатного теста такой подход заметно выгоднее попытки сразу сделать насыщенный 30-секундный ролик.

Как улучшить результат: короткий чек-лист

• Оставляйте одно главное действие на короткую сцену.

• Пишите, куда именно движется герой.

• Отдельно задавайте траекторию камеры.

• Не заставляйте камеру резко облетать персонажа без необходимости.

• Показывайте дополнительными референсами то, что модель не должна придумывать.

• Для мелких предметов описывайте конкретное физическое действие.

• Сложный сюжет делите на несколько генераций.

• Сохраняйте хороший последний кадр — он может стать первым кадром продолжения.

• Не перегружайте промпт красивыми словами, если они ничего не говорят о движении.

Можно ли сделать видео по фото и тексту

Да. Именно так работает классический Image-to-Video: фотография фиксирует внешний вид героя или исходной сцены, а текст описывает то, что должно произойти дальше.

Если модель поддерживает несколько референсов, можно добавить отдельное изображение лица, одежды, помещения или финального состояния. Это полезнее, чем пытаться описать все детали словами.

Можно ли сделать видео из фото с музыкой и речью

Нативное аудио современных видеомоделей подходит для звуков окружающей среды, шагов, транспорта, ветра и короткой речи. В некоторых сценариях этого достаточно, чтобы получить готовый короткий ролик.

Музыку и длинную озвучку чаще удобнее добавлять отдельно. Так можно независимо менять видеоряд, голос и трек, а затем точно синхронизировать их на монтаже.

Как сделать качественное видео с фото-референсами

Чтобы сделать хорошее видео из фото с помощью ИИ, не обязательно писать огромный промпт. Намного важнее подобрать правильный исходник и дать модели выполнимую последовательность действий.

Для универсального Image-to-Video я бы в первую очередь смотрел на MiniMax H3. Если нужен длинный ролик на 20–30 секунд — на Seedance 2.5 и Wan 3.0. Для переноса конкретного танца, походки или жестов лучше подходит Kling Motion Control, а для работы с несколькими визуальными состояниями интересен Gemini Omni Flash 1.1.

Главный вывод после реальных прогонов оказался немного прозаичнее рекламных демо: чем сложнее сцена, тем полезнее разбить ее на части. Хорошие 8–10 секунд с естественным движением почти всегда смотрятся убедительнее, чем 15 секунд, где нейросеть половину времени героически пытается одновременно перестроить вагон, руки, телефон и законы физики.

Начать можно бесплатно со стартовых токенов, а первый тест лучше делать на короткой сцене. Если она получилась чистой, уже потом увеличивайте продолжительность, добавляйте новые референсы и собирайте из нескольких генераций более длинный ролик.