Урок 1 із 7
Кіно зі слів
10 хв читання
Ти вводиш речення — паперовий човник пливе канавою, повною дощу — і за кілька секунд є коротке відео саме цього, воно рухається, хоча його ніхто не знімав. Ні камери, ні знімальної групи, ні монтажу. То звідки береться рухома картинка?
Кліп з нічого
Ще недавно кілька секунд відео означали справжню роботу: постав камеру й зніми, найми групу або малюй кадр за кадром, як аніматор. І якщо цього не знято — сцени просто не існувало. Тепер ти описуєш її словами, і інструмент робить короткий рухомий кліп — маленьку сцену, якої не було перед жодним об'єктивом. Це схоже на магію. Це не магія: усередині одна напрочуд проста ідея, повторена багато разів, і решта уроку її розбирає.
Описати сцену й отримати короткий рухомий кліп — це text-to-video. Ти не знімаєш і не монтуєш наявний матеріал — інструмент створює цілком нові кадри з твоїх слів.
Усе починається з шуму
Ось несподіванка. Інструмент не малює кліп штрих за штрихом. Він починає з цілого кліпу чистого шуму — кожен кадр просто випадкове зерно, як неналаштований телевізор — а тоді очищає його потроху, керуючись твоїми словами, доки не проявиться картинка. І він не завершує один кадр, щоб перейти далі: він очищає всю низку кадрів одразу, тож усі вони наводяться на різкість разом. Потягни повзунок очищення внизу й дивись, як кліп із шуму проявляється в паперовий човник — кожен кадр прояснюється в такт.
Почати з шуму й прибирати його крок за кроком, керуючись твоїми словами, — це diffusion — та сама ідея, що в інструментах для зображень, лише запущена над цілим стосом кадрів одразу.
Кадри, що узгоджуються
Очищення стосу кадрів породжує справжню проблему відео. Кожен кадр має бути гарною картинкою й узгоджуватися з сусідніми — той самий човник, той самий колір, те саме світло — інакше кліп мерехтить і спотворюється замість того, щоб текти. Тож, очищаючи, інструмент ще й тримає кадри зчепленими, підштовхуючи кожен кадр збігтися із сусідами. Прибери це узгодження у сцені внизу — і човник перестає бути одним човником: він стрибає, змінює розмір, з'їжджає з води. Додай його — і кадри зчеплюються в одну рухому річ.
Наскільки кожен кадр узгоджується із сусідніми — це temporal consistency. Це найскладніша частина відео — і саме вона робить так, що низка кадрів читається як один рухомий об'єкт, а не мерехтливий слайдшоу.
Чому кліпи лишаються короткими
Із цього випливають дві речі. Перша — вартість: одне зображення це один кадр, а п'ятисекундний кліп це понад сотня кадрів, усі очищені разом і втримані в узгодженні — величезний обсяг обчислень заради кількох секунд. Друга — тривалість: що далі триває кліп, то важче тримати кожен кадр узгодженим, тож дрібні відмінності накопичуються, і об'єкт поволі дрейфує. Обидві штовхають в один бік — сьогодні кліпи короткі, зазвичай кілька секунд, а довші відео роблять, генеруючи кілька й склеюючи їх один за одним.
Інструменти, що це роблять, швидко кращають — Google Veo, Runway, Kling, Pika, Luma та інші — а сфера змінюється щомісяця, тож будь-яке конкретне обмеження чи ціну, яку прочитаєш, сприймай як миттєвий знімок, а не сталий факт. Ці ідеї ти ще зустрінеш як практичні навички далі в курсі; наразі варто триматися за сам механізм.
Суть
- —Ти описуєш сцену, і інструмент генерує короткий рухомий кліп — він не знімає й не монтує наявний матеріал
- —Він починає з цілого кліпу шуму й очищає його крок за кроком, кожен кадр проявляється разом — це diffusion, запущений у часі
- —Кадри мають узгоджуватися між собою, інакше кліп мерехтить (temporal consistency); тримати це важко, тому кліпи короткі й дорогі
Друг каже, що зробити п'ятисекундне AI-відео — це майже те саме, що зробити одне зображення: просто раз натискаєш «згенерувати». Який опис кращий?
Продовжити в застосунку
Пройди весь курс «AI-відео» — з відстеженням
Отримай персональний план, прогрес і стріки в застосунку — цей урок і кожен наступний, по порядку.