Генерация видео из текста — text-to-video нейросети 2026

Главная путаница новичков. Разделим раз и навсегда:

Text-to-video (t2v):

• Даёшь только текст («корабль плывёт по океану на закате»).
• Нейросеть создаёт видео с нуля, ничего не имеет за основу.
• Результат — «придуманная» сцена, не привязанная к реальным объектам.
• Подходит для: креативных задач, концепций, фантастических сцен, рекламных ассоциаций.
• Стоит дороже (вычислений больше).
• Длительность: 5–20 секунд.

Image-to-video (i2v):

• Даёшь фото + текстовое описание движения.
• Нейросеть оживляет существующее изображение.
• Результат сохраняет идентичность исходного фото.
• Подходит для: оживления портретов, продуктовых видео, конкретных сцен с реальными людьми.
• Стоит дешевле.
• Длительность: 5–10 секунд.

Когда что использовать:

• Хочешь оживить семейное фото → i2v (Seedance 2.0).
• Хочешь видео фантастической сцены → t2v (Veo 3.1).
• Карточка товара с движением → i2v (Seedance).
• Рекламный ролик с придуманным мужчиной в придуманном городе → t2v (Veo).
• Видео конкретного человека из фотобанка → i2v.
• Концепт-арт для презентации → t2v.

В этом гайде фокус на text-to-video. Для image-to-video — полный гайд по Seedance 2.0.

1. Veo 3.1 (Google DeepMind) — лидер

Сильное:

• Кинематографичные сцены с движением камеры.
• Поддержка звука (диалоги, музыка, эффекты) — единственная модель в мире с этой функцией в 2026.
• Понимание сложных промптов (до 200 слов) с несколькими объектами.
• Доступ из России через @veo4youbot без VPN.

Слабое:

• Длительность ограничена 5–8 секундами (Pro-режим).
• Дороже Kling (7 vs 3 токена).
• Скорость генерации — 60–90 секунд.

Когда брать: премиум-видео, рекламные ролики, кинематографичные сцены, видео со звуком.

Подробнее: страница продукта /veo-3, Veo 3.1 vs Kling.

2. Sora 2 (OpenAI) — топ по длительности

Сильное:

• Самые длинные клипы — до 20 секунд за один запрос.
• Креативное понимание абстрактных описаний.
• Сложные нарративные сцены с переходами.
• Стилизация под разные жанры (нуар, документалка, мультик).

Слабое:

• В России — только через ChatGPT Plus с VPN ($20/мес).
• Зарубежная карта обязательна.
• Качество кинематографа уступает Veo 3.1.

Когда брать: длинные креативные клипы (15–20 секунд), сложные сцены с историей, есть подписка ChatGPT Plus.

3. Kling 2.0 (Kuaishou) — бюджетный аналог

Сильное:

• Самая дешёвая модель из топ-3 (3 токена ~ 15 ₽).
• Хорошая физика (вода, ткани, дым).
• Скорость 45 секунд.
• Доступ через @veo4youbot без VPN.

Слабое:

• Хуже понимает русский, чем Veo и Sora.
• Качество ниже Veo 3.1 на сложных сценах.
• Иногда странные артефакты на лицах.

Когда брать: массовая генерация, бюджетные задачи, эксперименты до перехода на Veo.

Хороший t2v-промпт включает 6 компонентов:

[Тип сцены] + [главный объект и его действие] + [камера и её движение] + [освещение] + [стиль/настроение] + [технические параметры]

Пример (минимальный — 30 слов):

Пример (продвинутый — 80 слов):

Разница в качестве: второй промпт даёт результат, который сложно отличить от профессионального кино. Первый — типовой результат «AI-видео».

Главные техники:

1. Указывай движение камеры явно. «Камера медленно приближается», «панорамирует слева направо», «облетает объект по дуге». Без этого камера статична и видео «плоское».

2. Конкретизируй освещение. «Тёплый золотой свет» — общо. «Тёплый янтарный свет от настольной лампы + холодный синеватый из окна» — конкретно. Разница огромная.

3. Используй имена режиссёров и стили. «В стиле Уэса Андерсона» — задаёт цветовую палитру и композицию. «В стиле Жан-Пьера Жене» — даёт характерное «французское» освещение.

4. Указывай объектив и параметры. «Объектив 50mm f/1.4» = малая глубина резкости + натуральная перспектива. Модель понимает оптику реальных камер.

5. Длительность в конце. «5 секунд, формат 16:9» — финализирует промпт. Без этого модель выбирает стандартную длительность.

1. Кинематографичный портрет в кафе

2. Пейзаж с динамикой

3. Городская сцена с динамикой

4. Рекламный креатив (продукт)

5. Природа с физикой

6. Sci-Fi сцена

7. Уютная домашняя сцена

8. Анимация животного

9. Сцена со звуком (Veo 3.1 only)

10. Атмосферный пейзаж со звуком (Veo 3.1)

1. Открой @veo4youbot в Telegram. Если впервые — получишь бесплатные токены автоматически.

2. Выбери «Сгенерировать видео» → Veo 3.1 (или Kling 2.0 для бюджета).

3. Напиши промпт по формуле выше. Чем подробнее — тем лучше результат.

4. Выбери длительность и формат. 5 секунд / 16:9 — для YouTube, 5 секунд / 9:16 — для рилсов и сторис, 5 секунд / 1:1 — для постов в Instagram.

5. Если используешь Veo 3.1 со звуком — укажи в промпте описание звука явно (диалог, музыка, эффекты). Без явного указания модель сгенерирует немое видео.

6. Подожди 60–90 секунд. Видео придёт в чат сообщением.

7. Скачай и проверь. Если результат не идеален — скорректируй промпт (добавь больше деталей, измени стиль) и попробуй снова. Хорошие text-to-video результаты часто получаются с 2–3 попытки.

8. Доработай в редакторе. В CapCut добавь финальную цветокоррекцию, музыку (если не Veo 3.1), текст-overlay.

Стоимость первого видео: 0 ₽ на бесплатных токенах. Полная кампания из 10 кадров — ~350 ₽.

1. «Сделай красивое видео». Абстрактное — модель додумает. Используй конкретные термины: «кинематографичный», «lifestyle», «документальный».

2. Не указывать камеру. Без явного указания движения камера часто статична. Прописывай: «медленный наезд», «панорама слева направо», «облёт объекта».

3. Слишком много объектов и действий. Если в 5-секундном кадре 7 разных событий — модель упростит сцену. Максимум 2–3 главных элемента.

4. Конфликтующие стили. «В стиле документального фильма и в стиле фэнтези» — выбери одно. Модель не может одновременно.

5. Игнорировать длительность. Не указал — модель выберет стандарт. Указывай в конце промпта: «5 секунд, формат 16:9».

6. Текст внутри сцены. Если хочешь конкретный текст на вывеске или в кадре — заключи в кавычки: «вывеска "Кофе" над дверью». Без кавычек модель может сгенерировать неразборчивые буквы.

7. Длинные расплывчатые промпты (250+ слов). Чем длиннее, тем больше фокуса теряется. Оптимум — 60–120 слов.

8. Не использовать звук в Veo 3.1. Если ты заплатил за Pro Veo, но не указал звук в промпте — переплачиваешь. Всегда добавляй описание аудио.

Будь честным с возможностями технологии:

1. Конкретные реальные лица. Если просишь «Иван Иванов из Москвы», модель сгенерирует придуманного «русского мужчину», не конкретного человека. Для реальных людей — image-to-video.

2. Точные брендовые элементы. Логотипы конкретных компаний (Coca-Cola, Apple, Wildberries) могут получиться неточно или вовсе не сгенерироваться (этические ограничения).

3. Длинные нарративные истории. 20 секунд (Sora) — максимум за один запрос. Длинная история — это склейка нескольких клипов в редакторе.

4. Идеальный lipsync с конкретным голосом. Veo 3.1 делает базовый lipsync, но не «копирует голос Путина». Для точного lipsync — Runway или HeyGen с конкретными моделями.

5. Сложные физические взаимодействия. Если в кадре 7 человек играют в баскетбол с правильным следованием правилам — модель упростит сцену.

6. Точные технические схемы. Архитектурные чертежи, инженерные планы, технические диаграммы в движении — лучше делать вручную в After Effects.

7. Озвучка с конкретными словами. Veo 3.1 умеет короткие фразы, но длинные монологи (20+ слов) синтезируются неточно. Лучше — генерация немого видео + отдельная озвучка через ElevenLabs.