Актуально на 31 жовтня 2026. Це друга частина до статті Як робити ШІ-відео: покрокова інструкція та найкращі інструменти 2026. Там був старт. Тут про те, як зробити ролик, який не соромно віддати клієнту.
Після першої статті мене питали: “Добре, а як зробити не просто гарне демо, а нормальну роботу?”
Відповідь не дуже приємна: справа не в моделі.
Новачок пише промпт, тисне Generate і сподівається. Той, хто віддає клієнту результат, будує процес, у якому кожну проблему можна виправити точково.
Ланцюжок виглядає так:
сценарій → фіксація персонажа → окремі шоти → точкові правки → монтаж і колір → звук → перевірка.
Персонаж пливе? Character sheet це лише початок
Текстовий опис персонажа в кожному промпті допомагає. Але не рятує. На практиці тримається комбінація кількох речей.
Спочатку картинка. Зафіксуйте ключові кадри зображеннями і тільки потім оживляйте їх.
Потім референси й keyframes. Seedance 2.5 приймає до 50 референсів і збирає мультишот до 30 секунд зі звуком. У Kling 4.0 можна поставити до 10 keyframes, у Luma Ray 3.2 до 16. Ви задаєте не лише “хто в кадрі”, а й траєкторію руху.
LoRA для серіалу. Якщо у вас бренд-герой, якого треба тримати десятки роликів, відкриті моделі дають найжорсткіший лок. Для LTX 2.3 у ComfyUI вже є workflow з character LoRA. Для разового ролика це зайве.
Дефект правте маскою. Попливло обличчя на крупному плані? Не перегенеровуйте весь кліп. Виправте проблемне місце.
Чесно скажу: навіть з усім цим брак буде. Закладайте кілька дублів на кожен шот.
Не перегенеровуйте, правте
Це найдорожча звичка новачків: щось не те, тож ще раз Generate.
Тепер є інструменти для правки готового кліпа:
Runway Aleph 2.0 редагує до 30 секунд у 1080p і зберігає те, що не треба міняти;
Luma Modify Video працює з готовим матеріалом;
Gemini Omni правиться текстовими командами в чаті.
Змінити предмет, світло чи фон швидше й дешевше, ніж шукати щасливий seed.
Промпт як техзавдання
Для початку вистачало формули суб'єкт + дія + локація. Для роботи вже треба писати, як режисер оператору:
Shot 04 / 5 s / 24 fps.
Medium close-up, ~50 mm, camera at eye level,
slow dolly-in over 5 s, shallow depth of field.
Subject: [CHARACTER_BLOCK v3].
Action: turns head toward the window and exhales.
Location: small kitchen, 07:30, overcast window light from the left,
warm lamp in background.
Color: muted teal and amber, fine film grain.
Sound: room tone, distant traffic, no music, no dialogue.
Constraints: no text in frame, no camera shake.Об'єктив, висота камери, швидкість руху, світло, колір, звук і заборони. Чим конкретніше, тим менше сюрпризів.
І ведіть журнал шотів: номер шота, модель, версія промпту, seed, референси, статус. Через тиждень без нього ви не відтворите вдалий кадр.
ComfyUI: потрібен не всім
Багато хто думає, що без ComfyUI це несерйозно. Це не так.
Відкриті моделі (LTX 2.3, Wan 2.2) варто брати, коли:
клієнт вимагає, щоб матеріали не йшли в хмару;
потрібен жорсткий контроль: LoRA, depth, сегментація (Wan 2.2 VACE вміє video-to-video саме з нею);
обсяг такий, що платити за секунду невигідно.
Мінуси: потрібна потужна відеокарта (орієнтовно 16–24 ГБ VRAM залежно від моделі), а граф треба налаштовувати й підтримувати. Для більшості малого бізнесу цілком вистачає хмарних моделей і точкових правок.
Колір: чого чекати від AI-кліпів
Більшість моделей віддає стиснутий SDR. Kling 3.0 був 8-bit SDR, а 10-bit HDR у Kling 4.0 заявлений як “скоро”. Запасу для жорсткого грейдингу мало.
Виняток: Luma Ray 3.2 має нативний 16-bit HDR і вивід в EXR.
Як склеїти кліпи з різних моделей:
приведіть їх до одного кольорового простору;
вирівняйте кожен шот під референс;
накладіть спільну LUT і однакове плівкове зерно.
Саме зерно найбільше склеює картинку з різних джерел.
Звук і українська озвучка
Нативний звук у моделей часто без української. У Kling 4.0, наприклад, її немає серед мов. Тому озвучку робіть окремо:
ElevenLabs (Eleven v4) підтримує 90+ мов і теги для емоцій. Безкоштовний план без комерційної ліцензії, для клієнтських проєктів беріть платний;
Google Vids вміє українську озвучку й аватарів (24 мови).
Українська синхронізація губ на крупних планах лишається слабким місцем. Практичне рішення: показуйте людину в середньому плані або кладіть голос поверх B-roll.
…І не забудьте звук у кадрі: room tone на кожен шот, фолі для ключових дій, музика тихіше за голос.
Скільки це коштує насправді
Орієнтовні ціни за секунду відео (платформи й тарифи змінюються):
Модель | Ціна за секунду |
|---|---|
Runway Gen-4.5 | $0.12 |
Runway Aleph 2.0 (редагування) | $0.28 |
Gemini Omni Flash (720p) | ~$0.10 |
MiniMax H3 | від $0.08 |
Але ця цифра обманлива. Закладайте кілька дублів на кожен шот, і 30-секундний ролик з приблизно 8 шотів реально коштує в рази більше, ніж “ціна за секунду фінального відео”.
Для старту Higgsfield оголосила для нових користувачів 7 днів генерації Seedance 2.5 без витрат кредитів (писав тут в телеграм). Умови й терміни таких акцій змінюються, тому перед реєстрацією перевірте їх на сайті Higgsfield.
Не забувайте про правила
Омні-відео мають SynthID і C2PA-мітки. Реалістичний AI-контент позначайте, якщо цього вимагає платформа.
Перевіряйте комерційні права на модель, голос і музику.
Не клонуйте голос без письмової згоди.
Факти зі сценарію, який написав ШІ, перевіряйте окремо.
Підсумок: ви режисер
Якщо звести все до п'яти пунктів:
Зафіксуйте персонажа й стиль до відео.
Керуйте камерою через keyframes і промпт-техзавдання.
Правте точково, не перегенеровуйте.
Збирайте кліпи через єдиний колір і зерно.
Озвучуйте окремо, особливо українською.
Ви вирішуєте, що буде в кадрі. ШІ вирішує, як це намалювати. Ви відбираєте найкращий дубль, а ШІ допомагає зробити наступний.
Більше розборів без хайпу я публікую в Telegram-каналі, а кейси та промпти збираю в групі t.me/aibiz_chat. Якщо потрібна конкретна ніша, напишіть там.
