🛠 Сценарий по секундам решает больше выбора видеомодели Один 24-секундный дубль Kling 4.0 стоил 54 кредита Higgsfield, а дешёвая версия той же истории — 12 генераций GPT Image. Для попадания в серию Kling потребовал три дубля — 162 кредита. Команда проекта «Лесная улица» с 29 по 31 октября пересобрала одну серию десятью способами на Wan, Kling, Veo, Seedance, GPT Image и Nano Banana Pro — и выложила полный разбор на Habr. Зрительских чисел нет, только производство. Ключевое изменение не в модели, а в разметке. Когда сценарий расписан по секундам с репликами, эмоциями и паузами, Kling 4.0 собирает 24-секундный ролик почти с первого раза — третий дубль с запретом эха и точными интервалами речи дал все пять реплик без повторов. Без этого модель эхом повторяла чужие слова, а поднос скачком переходил со стола в руки. Опоры тоже критичны: один лист героини в двух ракурсах переиспользуется с пробы «Касса», но ранняя отправка задания с незагруженной картинкой один раз загнала в генерацию старую опору. Слабое место — контроль речи. Кастинг 24 голосов ElevenLabs на восемь героев обошёлся в 2 992 кредита, но распознавание возвращает слова без ударных слогов: после трёх записей подряд «все» так и не стал «всё». Автоматическая проверка кадров через ffmpeg каждые 0,25 с ловит двойников и лишние руки, но помощник не слышит звук — ввод аудио не поддерживается, поэтому интонации и шипение остаются на человеке. Повторяемость не измеряли, зрительскую реакцию не проверяли, а замена голоса через Voice Changer в готовом видео потребовала 603 кредита и ручного восстановления трёх коротких фрагментов синтезом. Это лабораторная проба, а не тиражируемый пайплайн. Но показательно: производственный конвейер упёрся не в генерацию изображений, а в подтверждение ударений и артикуляции — метрик, которых нет ни в одном бенчмарке видеомоделей. Пока все меряют FID и CLIP-score, реальный контент спотыкается о разницу между «все» и «всё». #Kling #ElevenLabs #видеогенерация #мультсериал #производствоИИ