Как сделать мультфильм нейросетью в одиночку: весь путь

Раньше, чтобы снять короткий фильм самому, приходилось выбирать между качеством и масштабом. Написать сценарий и срежиссировать — можно в одиночку. А вот съёмка, спецэффекты, музыка и озвучка уже требовали команды или большого бюджета.

Сейчас это правило сломалось. Один автор собрал 3-минутную анимационную фантастику полностью сам — на трёх нейросетях. Картинку и раскадровку делал в GPT Image 2, оживлял кадры в Seedance 2.0, а голоса и звук собирал в ElevenLabs. Ни съёмочной группы, ни студии, ни дорогого оборудования.

Ниже — весь путь по шагам: сценарий, референсы, анимация, звук и монтаж. Все три модели уже встроены в нашего бота, так что повторить можно прямо у себя. Это рабочий воркфлоу для тех, кто хочет сделать первую короткометражку нейросетью или ускорить то, что уже делает руками.

Прежде чем идти по шагам, разберём, за что отвечает каждая модель. Это не три случайных инструмента, а связка, где выход одного становится входом для другого.

GPT Image 2 рисует картинку по тексту. Для фильма это концепт-арт, дизайн персонажей и раскадровка. Главная сила модели — держать единый стиль на всех кадрах, если вы аккуратно пишете запросы. Именно это превращает набор разрозненных картинок в один цельный мир.

Seedance 2.0 от ByteDance делает видео. Она умеет и из текста, и из готовой картинки. Для одиночной работы важен второй режим: вы рисуете кадр в GPT Image 2, отдаёте его в Seedance 2.0, и модель добавляет движение — камеру, атмосферу, лёгкую анимацию персонажа.

ElevenLabs закрывает звук. Она озвучивает реплики живым голосом, умеет держать один и тот же голос персонажа на весь фильм, делает звуковые эффекты и фоновую музыку. Для соло-проекта это сразу весь звуковой цех: и актёр озвучки, и звукорежиссёр, и композитор.

Все три модели живут в одном боте, открываются после команды /start. Запускаем бота @gptcyber_bot в Telegram и работаем по шагам ниже. Под каждым шагом написано, какую кнопку нажать и что выбрать.

Старт всегда здесь. Нейросеть поможет, но сама история должна идти от вас.

Не прыгайте сразу к картинкам. Сначала текст. Даже короткий сценарий даёт основу, чтобы спланировать кадры по порядку. Для 3-минутного фильма берите примерно 300-400 слов — это около 90 слов экранного текста на минуту.

На что смотреть в сценарии:

• Чёткие границы сцен — каждая сцена потом станет набором кадров

• Реплики, которые потянут 1-3 голоса

• Описания действия, которые легко превратить в визуальный запрос

Когда сценарий готов, разбейте его на отдельные кадры. На 3 минуты обычно нужно 20-40 кадров — зависит от ритма. На каждый кадр напишите одно предложение-описание. Из него потом получится запрос для картинки. Пример описания кадра:

Это предложение почти готово к работе — его осталось чуть доработать и отдать в GPT Image 2.

Тут фильм начинает выглядеть как фильм.

Сначала задайте единый стиль. До того как рисовать конкретные сцены, выберите общий вид: жёсткая фантастика, чистый ретрофутуризм, аниме, комикс. Опишите его одним блоком и приписывайте к каждому запросу. Пример стилевого блока:

Один и тот же стилевой блок на всех кадрах — вот что держит фильм цельным.

Дальше сделайте лист персонажа. Перед сценами нарисуйте героев с разных ракурсов в выбранном стиле. Эти картинки сохраните — вы будете ссылаться на внешность героя в каждом кадре, где он есть. Структура запроса на персонажа:

Теперь идите по списку кадров. В каждом запросе соберите четыре вещи: тип плана и ракурс (общий, крупный, от первого лица), описание сцены (окружение, свет, атмосфера), персонажей с тем же описанием внешности и ваш стилевой блок.

Готовьтесь переделывать. Большинству кадров нужно 2-4 генерации, прежде чем получится годный вариант. Делайте несколько версий и выбирайте лучшую. Плохую картинку не чините новыми правками — начинайте заново. На фильм из 30 кадров заложите примерно 90-120 генераций.

🛠 Где это в боте: 🖼 Создать изображение → 🎨 Images 2.0 (ChatGPT) → ⚙ Задать параметры → Модель: GPT Image 2 → Пропорция: 16:9 → Качество: 2K → Описание: ваш запрос. Чтобы держать одного героя, грузите лист персонажа в раздел Референсные изображения.

Когда лучшие кадры выбраны, добавляем движение.

Seedance 2.0 хорошо тянет атмосферу и спокойное движение: плывущие облака, меняющийся свет, частицы в воздухе, медленные наезды и панорамы камеры, лёгкое дыхание и жесты персонажа, воду, огонь, технику и погоду.

Слабее модель в сложном действии и сценах с активной речью, где важна точная синхронизация губ. Планируйте список кадров с этим в голове: видео берите для атмосферных и общих планов, а крупные планы с речью оставляйте статичными кадрами.

Важный момент про режим. Если в кадре есть конкретный объект или герой, которого вы уже нарисовали в GPT Image 2, работайте через картинку (image-to-video), а не через текст. Так модель не уплывёт в чужую сцену, а оживит именно ваш кадр.

В режиме оживления вы всё равно пишете запрос на движение. Держите его коротким и точным:

Размытые запросы дают размытый результат. Конкретные — годные кадры. Seedance 2.0 выдаёт клипы по 4-8 секунд. На 3-минутный фильм нужно примерно 25-40 клипов с учётом того, что часть кадров останется статичной или уйдёт в обрезку при монтаже. Каждый клип сразу смотрите и либо принимайте, либо перегенерируйте. Ведите простой журнал: номер кадра, описание, имя файла, статус. Это спасает от путаницы на монтаже.

🛠 Где это в боте: 🎬 Создать видео → 🧧 Seedance 2.0 → ⚙ Задать параметры → Режим генерации: Первый и последний кадр → Качество: 720p → Длительность: 5-8 секунд → загрузите кадр из GPT Image 2 в Первый кадр → в поле Описание видео опишите только движение.

На звуке многие соло-фильмы и рассыпаются. Дежурный голос робота и стоковая музыка убивают даже сильную картинку. ElevenLabs даёт больше контроля.

На каждого говорящего героя заведите свой голос. Можно взять готовый из библиотеки ElevenLabs или сделать клон, если хотите озвучить базовый голос самому. Когда голоса распределены по героям, не меняйте их. Все реплики одного персонажа гоните через одну и ту же настройку голоса.

Подача тоже важна. Модель слышит знаки препинания и ритм. Ставьте паузы многоточием, расставляйте запятые осознанно, длинные фразы дробите на короткие — так речь звучит живее.

Не вставляйте весь сценарий разом. Озвучивайте по одной реплике. Так вы держите ритм, можете переозвучить одну строку без переделки всей дорожки, и собирать в монтажке потом проще. Файлы называйте по системе: char1_line01.mp3, char1_line02.mp3 и так далее.

Звуковые эффекты тоже на ElevenLabs. Инструмент звуковых эффектов делает короткие звуки по текстовому описанию: фоновую атмосферу (гул станции, ветер, техника), точечные звуки (замок двери, сигнал тревоги, шаги), текстуру под диалогом. Для фоновой музыки генератор музыки выдаёт инструментал в заданном настроении. Сделайте 2-3 трека под разные эмоции фильма: напряжение, тишину и кульминацию.

🛠 Где это в боте: 🎵 Музыка и Озвучка → 🗣 ElevenLabs → Режим: Озвучка диалога → Язык: Русский → Стабильность: Сбалансированный → добавляйте реплики по одной. Для музыки вернитесь в меню и откройте 🎸 Suno.

Теперь у вас есть видео, статичные кадры, реплики, звуки и музыка. Это этап сборки.

Подойдёт любая монтажка: DaVinci Resolve, CapCut, Adobe Premiere или даже iMovie для простых склеек. Тяжёлую работу нейросети уже сделали. Монтаж — обычная работа: разложить клипы на дорожке, синхронизировать звук, резать по ритму.

Пара приёмов, которые особенно хорошо работают с ИИ-видео:

• Режьте по звуку, а не только по картинке. У ИИ-клипов движение не всегда ровное, поэтому склейка по репликам и звуковым акцентам выходит чище.

• Используйте статичные кадры с умом. Не каждому кадру нужно движение. Иногда неподвижный кадр со слоями звука работает сильнее, чем насильно оживлённый.

• Сделайте единый цвет. ИИ-картинки слегка плавают по цветовой температуре. Простая цветокоррекция — выровнять чёрный, подтянуть света, добавить общий оттенок — делает фильм цельным.

Добавьте субтитры, если в фильме есть речь. С синтезированными голосами субтитры заметно улучшают понимание. Экспортируйте минимум в 1920×1080, а если клипы рендерились выше — в том же разрешении.

• Пропустить стилевой блок. Без единого описания стиля картинки уплывают по виду, и ранние кадры выглядят так, будто их рисовали разные люди. Напишите стилевой блок один раз, отшлифуйте на первой партии тестов и зафиксируйте.

• Перегрузить движение. Слишком много инструкций движения в одном запросе Seedance 2.0 дают хаос. Берите один-два элемента на клип: либо движение камеры, либо действие героя, не всё сразу.

• Делать звук в последний момент. Тайминг реплик влияет на монтаж. Если собрать весь звук после черновой склейки, придётся переделывать. Озвучивайте рано — до или параллельно с видео.

• Менять голос героя по ходу. Чуть другие настройки при переозвучке дают заметную разницу. Зафиксируйте голос на каждого персонажа и не трогайте до конца.

• Забыть про ритм. ИИ-фильмы часто идут медленно. Атмосферные клипы красивые, но накапливаются. 3-минутный фильм должен ощущаться как 3 минуты, а не как 5. Режьте смелее.

Сколько времени уходит на 3-минутный фильм?

Для первого проекта — примерно 20-40 часов. Сюда входит сценарий (2-4 часа), генерация и отбор картинок (6-10 часов), видео (4-8 часов), звук (4-6 часов) и монтаж (4-8 часов). Разброс зависит от того, сколько вы переделываете на этапе картинок.

Нужны ли технические навыки?

Код не нужен. У всех трёх моделей понятный интерфейс. Главный навык — писать запросы: ясно и конкретно описывать, что вы хотите получить. Это приходит с практикой быстро.

Какая нейросеть для видео лучше — Seedance, Sora или Veo?

У каждой свои сильные стороны. Seedance 2.0 хороша в стилизованном и атмосферном видео. Sora и Veo дают больше фотореализма, но для анимации это часто перебор. Для соло-короткометражки выбор модели решает меньше, чем качество исходных картинок и запросов на движение.

Можно ли сделать мультфильм нейросетью без рисования от руки?

Да, в этом и смысл связки. Рисует GPT Image 2, оживляет Seedance 2.0, озвучивает ElevenLabs. От вас — история, отбор кадров и монтаж.

Как держать единый вид по всему фильму?

Три привычки: фиксированный стилевой блок в каждом запросе, лист персонажа до генерации сцен и единое направление по свету и цвету. Общая цветокоррекция на монтаже добивает остатки разнобоя.

Ещё пару лет назад такой уровень соло-съёмки был недоступен почти никому. Инструменты появились. Узкое место теперь — процесс, и понятный воркфлоу как раз отличает проект, который доводят до конца, от того, который бросают на полпути.

Если воркфлоу зашёл — закиньте лайк, так статья дойдёт до большего числа людей. А в комментариях расскажите, какую короткометражку хотели бы собрать первой.

Больше гайдов и промптов: TG | MAX