Агрегатор нейросетей для фото и видео: когда нужны оба формата сразу

Фотограф снял бутылку оливкового масла на сером фоне, свет сбоку, капля на горлышке. Кадр красивый. Через неделю тому же селлеру понадобился ролик: та же бутылка, та же капля, только она должна стекать. Выяснилось это уже в процессе: картинку делали в одном сервисе, видео пришлось начинать заново в другом, и бутылка получилась другой формы. Агрегатор нейросетей для фото и видео нужен ровно для того, чтобы этой пересъёмки не было.

Почему кадр и ролик это одна задача

Видеомодели работают в двух режимах. Текст в видео, когда вы описываете сцену словами. Картинка в видео, когда на входе изображение, а модель его оживляет.

Для товарки второй режим побеждает почти всегда. Причина простая: в описанной словами сцене товар получится похожим, но не тем. Этикетка поедет, пропорции сместятся, цвет крышки станет чуть другим. Покупатель такое замечает сразу, и обратно едет не только товар, но и рейтинг карточки.

Значит, цепочка выглядит так: сначала хорошая картинка с реальным товаром, потом она уходит на вход видеомодели. Мы про сам приём писали отдельно, тут важнее другое: между двумя этапами есть шов, и от него зависит результат.

Где рвётся цепочка

Шов рвётся в четырёх местах, и все четыре про техническую ерунду, а не про творчество.

Разрешение. Картиночная модель отдала 4K, видеомодель принимает не больше определённого размера и молча ужимает. Детали, ради которых вы выбирали дорогую модель для кадра, исчезают на входе в ролик.

Пропорции. Квадрат на входе, вертикаль на выходе. Модель дорисовывает недостающее по краям, и там появляется то, чего в товаре нет.

Формат файла. Картинка в PNG с прозрачностью, видеомодель ждёт непрозрачный кадр. Прозрачность заливается чёрным или белым, и вы получаете рамку.

Цвет. Между сервисами теряется цветовой профиль, и оттенок уплывает. На косметике и одежде это заметно сразу.

Когда оба этапа в одном сервисе, эти четыре шва закрыты по умолчанию, потому что картинка передаётся дальше без экспорта и повторной загрузки. Когда в разных, вы чините их руками каждый раз.

Как выглядит рабочий порядок

Мой порядок на товарном ролике, если коротко.

Беру фото товара, обычное, хоть с телефона. Прогоняю через картиночную модель, чтобы получить чистую сцену: Nano Banana для честной фактуры, Seedream 5.0 когда нужны мелкие детали.

Смотрю на кадр придирчиво, потому что дальше все его косяки поедут в видео и станут заметнее. Кривая этикетка на картинке превращается в кривую этикетку, которая ещё и движется.

Кадр отправляю в видеомодель. Kling 3.0 держит предмет на движении лучше остальных, Veo 3.1 беру когда нужен звук.

Движение задаю минимальное. Тут главная ошибка новичков: хочется эффектного облёта камерой, а товар от этого разваливается. Медленный наезд работает лучше, чем попытка снять рекламу парфюма.

На четвёртом шаге меня до сих пор заносит: прошу слишком много динамики, потом переделываю и злюсь на себя.

Агрегатор нейросетей для фото и видео на объёме

Отдельная история, когда товаров не один, а сорок.

При разнесённых сервисах каждый товар это цикл: сгенерировали кадр, скачали, переименовали, загрузили в другой сервис, дождались, скачали снова. Пять минут ручной возни на позицию, и это без учёта неудачных попыток. На сорока позициях набегает больше трёх часов чистой рутины.

Когда всё в одном месте, цикл сжимается до «выбрал кадр, нажал оживить». Мы под это в Flami и делали генерацию пачками: каталог закрывается за один присест, а не растягивается на неделю.

Ещё один плюс, который замечаешь не сразу: одинаковый стиль. Когда сорок роликов сделаны в одном процессе с одинаковыми настройками, карточки выглядят как серия. Когда они собирались в разных сервисах в разные дни, это видно.

Кому хватит одного формата

Не всем нужны оба.

Если вы продаёте на площадке, где видео не поддерживается или почти не смотрится, ролики не нужны, нужны хорошие кадры.

Если вы ведёте только соцсети с живой съёмкой, генерация картинок может быть лишней, а вот доводка видео пригодится.

Про то, как выбирать сам сервис под видео, есть отдельный чек-лист.

И если объём совсем маленький, два товара в месяц, разница между одним сервисом и двумя незаметна. Она начинается там, где появляется поток.

Часто задаваемые вопросы

Зачем нужен агрегатор нейросетей для фото и видео сразу? Потому что на товарных задачах это одна цепочка: сначала кадр с реальным товаром, потом он оживляется в ролик. Когда этапы в разных сервисах, между ними теряются разрешение, пропорции и цвет, и результат приходится чинить руками.

Можно ли сделать ролик сразу, без картинки? Можно, это режим «текст в видео». Для абстрактных сцен подходит, для конкретного товара нет: модель нарисует похожий предмет, а не ваш. Для карточки это провал: приедет не та вещь, которую человек рассматривал в ролике.

Какая модель лучше оживляет фотографию товара? Зависит от товара. Kling аккуратнее держит форму предмета на движении, Veo даёт звук и более связную сцену, Hailuo сильнее в мимике, если в кадре человек. Правильный ответ обычно находится прогоном одного кадра через две-три модели.

Сколько времени занимает связка кадр плюс ролик? Картинка обычно от нескольких секунд до минуты, ролик от минуты до нескольких. Основное время уходит не на генерацию, а на отбор: на один принятый кадр приходится несколько отклонённых.

Источники

1. Flami: image-to-video, как оживить фото товара
2. Flami: обзор Kling 3.0
3. Flami: нейросети для изображений и видео вместе