Если искать ИИ для создания мультфильмов, выдача быстро упирается в демо-ролики. Они красивые, но из них непонятно, как собрать серию с постоянными героями, русской речью и предсказуемым расходом. Команда вертикального мультсериала «Лесная улица» опубликовала на Хабре разбор своего конвейера. 29–31 октября 2026 года она пересобрала одну 24-секундную серию примерно десятью способами на Wan, Kling, Veo, Seedance, GPT Image и Nano Banana Pro.
Результат команда приводит сразу. Лучшая сцена с полной анимацией получилась в третьем дубле Kling 4.0, один дубль стоил 54 кредита Higgsfield. Дешёвая версия той же истории — десять картинок GPT Image с движением камеры. Обе прошли оценку человека, остальные способы — нет.
Я разбираю этот кейс из-за его устройства, а не ради выбора модели: порядок шагов, отдельная проверка и правило «деньги на анимацию — только после одобрения» переносятся на любое производство контента. Сами авторы честно ограничивают выводы: это единичные пробы, повторяемость не измерялась, зрительских цифр нет. На запросы вроде «как сделать ИИ мультфильм» или «создать ИИ мультфильм» кейс отвечает про производство, а не про успех у аудитории.
ИИ для создания мультфильмов: точка старта
Задача — короткая вертикальная серия 1080×1920 с героями, которые не меняются от кадра к кадру, и с русскими репликами. Тяжёлая генерация идёт в облаке. Домашние компьютеры только управляют задачами, хранят файлы и монтируют. Сборку и техническую проверку делают ИИ-помощники, решение о качестве принимает человек.
До конвейера команда разобрала 16 чужих проектов и 24 выпуска, и грубые замеры показали разрыв. У семи коротких зарубежных образцов движение в кадре занимало в медиане около 70 % времени, у их собственного «живого комикса» — 3,7 %. Отдача у образцов наступала на 8–13 секунде, у команды — примерно на 35-й. Длина — около 26 секунд против их 40–45.
Выборка маленькая, и авторы так её и называют. Но из неё получилась рабочая рамка: 15–25 секунд, первая секунда уже внутри ситуации, отдача к 8–12 секунде, в конце реплика или жест.
Главный вывод оказался неожиданным для самой команды. В первых пробах мешали не модели: сюжет был размыт, запросы расплывчаты, опор не было. Когда сцену расписали по секундам с репликами и эмоциями, модели стали собирать ролик почти с первого раза.
Порядок шагов: дешёвый черновик раньше дорогой анимации
Схема, которая сложилась после испытаний:
- Библия героев.
- Сценарий по секундам — человек говорит «да» или «нет».
- Опоры: листы героев и одно место действия.
- Кадры в GPT Image.
- Голоса в ElevenLabs eleven_v4.
- Сборка с движением камеры и проверка.
- Человек смотрит черновик.
- Если понравилось — Kling 4.0 одним планом, 2–3 дубля, замена голосов через Voice Changer, ещё одна проверка.
- Выпуск.
Логика порядка простая: историю проверяют на дешёвых картинках, а деньги на анимацию тратят только на сцену, которая уже понравилась. Для меня это самая переносимая часть кейса. Дорогой шаг стоит после человеческого «да», а не перед ним.
Сценарий тоже собран цепочкой: фраза для друга, кадры по секундам, реплики с подачей, отметка, где должен быть смех. Сюжет утверждают до первой картинки.
Кадры делают через встроенный GPT Image в Codex, запасной вариант — Nano Banana Pro 2K. Картинка приходит в 941×1672 и увеличивается до 1080×1920. Каждый запрос повторяет описание места и правила: Зина справа, Тёма слева, место под субтитры свободно, никаких подписей. Текст на листках рисуют прямо в картинке, 1–3 слова. По данным команды, GPT Image и Nano Banana написали русские надписи без ошибок.
Kling: генерация видео одним планом
Для анимации команда в итоге выбрала Kling 4.0 и пришла к нему через три дубля одной сцены. Первый запрос просил сдержанной мимики, и лица вышли плоскими. После замены на «игру по секундам» в кадре появились расписанные взгляды, брови и реакции слушающих. Связь авторы доказать не могут и прямо об этом пишут.
Дальше ошибки стали конкретными:
- в первом дубле запрет произносили и Светлана, и Зина, хотя Зина говорить его не должна;
- во втором поднос скачком перешёл со стола в руки;
- в третий запрос добавили запрет эха, точные интервалы речи и один неподвижный план — все пять реплик распознались без повторов.
Запрос смешивает языки: реплики и подача на русском, постановка на английском. Начинается фрагмент третьего дубля так:
EXACTLY FIVE SPEECH TURNS IN THIS ORDER, each quoted line ONCE ONLY.
The person listening NEVER mouths or repeats the other person's sentence.Отдельно пользу смешения команда не сравнивала — это рабочий приём, а не проверенное правило.
Ещё три решения выросли из брака. Генерация с внутренними склейками меняла расположение двери, стола и героев на смене плана, поэтому теперь сцена идёт одним непрерывным планом. Сложные действия руками в один кадр не ставят: чистого вязания не вышло ни в одном из шести роликов слепой пробы. Буквы видеомодели портят: Wan сам дорисовал их на чистом листе, Seedance написал «ПИРОКИЙ АГИТАЦИЯ», Kling заполнил доску псевдострочками. Правило теперь такое: в видео все листы и доски чистые, смысл передаётся речью и действием.
Видео генерируют в 720p и увеличивают при сборке. Для мультфильма команда сочла это достаточным: 1080p в Kling 4.0 обошёлся бы в 96 кредитов против 54 за те же 24 секунды.
Опоры и голоса: как удержать постоянных героев
Создание мультсериала нейросетью упирается в постоянство героев. Здесь внешность каждого героя лежит в одном изображении. У Зины это лист с двумя ракурсами в полный рост: его сделали для пробы «Касса», и без изменений он используется в «Агитации» и в трёх сезонах. Лица и одежду модель берёт из изображения, текстовая примета в запросе служит подсказкой.
Самый, по словам авторов, глупый дефект возник как раз на опорах. Управление браузером отправляло задание раньше, чем загружалась картинка, и генератор получал предыдущую опору. Сервисы к тому же сами подставляли в форму прошлое изображение. Теперь запуск идёт только после подтверждения снимком формы, листы сверяются по виду и хешам, у каждой задачи своя вкладка.
С голосами команда работает в два слоя. Для серий из картинок озвучка строится на ElevenLabs eleven_v4 с метками эмоций, на серию уходит 267–373 знака вместе с метками. Первый голос Зины, Nadia, сняли: в библиотеке он помечен как молодой, а героине 74 года. Кастинг занял 24 кандидата на восемь героев и 2 992 кредита ElevenLabs. Для Зины выбрали Babushka Valya — по описаниям и библиям, на слух возраст не подтверждали.
Темп измерили. Исходные записи ускоряли без изменения высоты: Зину — с 107,1 до 129,4 слова в минуту (×1,14), Светлану — с 114,1 до 149,3 (×1,30), Романа — с 119,3 до 149,2 (×1,23). Проба длилась около трёх секунд, о длинной речи она ничего не говорит.
Kling генерирует речь сам, и его голоса не совпадают с утверждёнными. Поэтому в готовом видео голос меняют: Audio Isolation отделяет речь, реплики режутся по окнам из разметки, каждая проходит Voice Changer eleven_multilingual_sts_v2 и ложится на тихий фон из пауз того же ролика. Картинку не трогают — SHA-256 видеопотока до и после совпадает. Отклонение границ слов, по оценке Scribe, составило до 0,06 с в пробе и до 0,08 с в серии «А телефон куда?». Расход — 603 и 604 кредита ElevenLabs соответственно.
Что получилось: расходы и таблица проб
На выходе — ролик 1080×1920 длиной 23–26 секунд с громкостью около −14 LUFS, с репликами, подтверждёнными распознаванием, и проверенными кадрами. На 31 октября опубликованы две серии: «А телефон куда?» и «Подменишь?».
Все пробы ниже сделаны 30.10.2026 на одной истории, «Агитация запрещена». Единицы разные и не складываются: кредиты Higgsfield и бонусы Flow. Это фактический расход этих проб, а не публичные тарифы.
| Способ | Расход | Время, мин | Оценка человека |
|---|---|---|---|
| Wan 3.0 Prime + Speak 2.0, планы | 116 кр. | ~47 | нет |
| Kling 4.0 + Avatars 2.0, планы | 61,75 кр. | ~17 | нет |
| Veo 3.1 Fast, планы | 180 бон. | ~29 | нет |
| Kling 4.0 целиком | 54 кр. | ~6 | нет, отсеян проверкой |
| Seedance 2.5 целиком | 168 кр. | ~8 | нет, отсеян проверкой |
| Veo 3.1 Fast, три части | 80 бон. | ~10 | нет, отсеян проверкой |
| Kling 4.0, игра по секундам, 3 дубля | 162 кр. | ~16 | да |
| GPT Image + камера, 10 кадров | 12 генераций, 373 знака | — | да |
Одна деталь хорошо показывает, почему авторы не называют таблицу рейтингом. В слепой пробе на шести роликах (162,5 кредита) человеку понравился Wan 3.0 Prime, но выбор не удержался: на сцене с репликами и эмоциями лучше выступил Kling.
Громкость показывает, зачем нужна отдельная проверка. Исходные дорожки гуляли: у Kling −11,7 LUFS, у Veo −18,3, у его третьей части −23,3. После двухпроходного loudnorm проверенные файлы вышли на −14,0 и −14,13. Без выравнивания финал Veo звучал бы заметно тише начала.
Что оказалось сложнее
Самая честная часть материала — перечень нерешённого, и он длинный.
Звук автоматика не слышит. Попытка передать помощнику WAV вернула audio input not supported. Интонации, шипение, естественность и ударения автоматика не подтверждает, движение она оценивает по кадрам с шагом 0,25 секунды, а не в реальном времени. Первая серия команды вышла файлом нужного формата и оказалась слайд-шоу. Отчёт без ошибок здесь не значит, что серия готова.
Ударения. Словарь на 31 слово подключить не удалось: создание вернуло HTTP 401 и missing_permissions, ключу не хватило права pronunciation_dictionaries_write. Подсказки в тексте работают через раз. После «все́» три записи подряд распознались как «все», а не «всё». В именах знак ударения дал «Динаида» и «Китрович». «Ватру́шки» у одного голоса сработало устойчиво, у другого — нет. Есть и неприятная находка: распознавание возвращает слова, а не ударные слоги, и совпавшая расшифровка ударения не доказывает.
Замена голоса. Последняя реплика после очистителя искажала слово «ватрушки», её пришлось преобразовывать из исходной дорожки. Короткое «хм» восстановили синтезом с меткой [skeptical]. Прямое вычитание очищенного звука оставило почти всю речь, от него отказались — и бытовые звуки под заменёнными репликами могли потеряться.
Перенос картинки в видео. В серии «А телефон куда?» лица и одежда сохранились, но коробка закрывает лоток, лампа смещается без видимой причины, телефон поднимается раньше паузы. В «Агитации» соседи смеются мимикой раньше развязки, а ручку опускают за полсекунды вместо двух. У версий из картинок на переходах двоятся силуэты. Лист Тёмы выглядит младше 16 лет, и это наследуют все кадры.
Экономика. Команда знает цену отдельных попыток, но не знает цену регулярно получаемой хорошей серии — ни в рублях, ни во времени человека. Плюс нет зрительских цифр: план — серия на героя в день и сравнение досмотра через 48 часов, но на момент публикации данных не было.
Кому подойдёт такая схема
Опыт снят на коротких вертикальных роликах до 25 секунд, на облачных кредитах и единичных пробах. Для длинного хронометража и диалогов на минуты он ничего не доказывает. Если нужен ответ, какая модель лучше вообще, этот кейс его не даёт, и авторы об этом предупреждают.
Что я бы забрал из него в любое производство контента, даже далёкое от мультфильмов:
- Сценарий по секундам до первой генерации. Здесь он сократил переделки больше, чем смена модели.
- Дешёвый черновик раньше дорогого шага. Картинки и голос проверяют историю, анимацию оплачивают только после человеческого «да».
- Текст — только там, где модель его не портит. В этом кейсе это картинки, а в видео листы оставляют чистыми.
- Проверка отдельно от сборки и последнее слово за человеком. Особенно там, где автоматика физически не может проверить результат, как со звуком.
- Считать цену хорошего результата, а не попытки. Без этой цифры, как признаёт сама команда, экономика конвейера остаётся открытым вопросом.
Источник: Конвейер ИИ-мультсериала: сценарий по секундам, опоры, Kling и автоматическая проверка серии