Как сделать мультфильм с ИИ: сказка от сценария до озвучки
Как снять сказку с ИИ на примере 50-секундной «Золушки»: рассказчица в Drama 3, места и героини в Nano Banana Pro, сцены в Seedance 2.5. Все промпты и цены.
Сняли 50-секундную «Золушку» с рассказчицей за кадром. Показываем сценарий, голос, места, листы героинь, сцены, промпты и цену.
Мультфильм или кино-сказку с ИИ можно снять в одиночку, но одной кнопкой «сделать мультфильм» тут не обойтись. Нужны те же шаги, что и на студии: сценарий, голос, героини, места, сцены и монтаж. Так мы сняли 50-секундную «Золушку» в духе европейских киносказок конца 80-х. Героини играют молча, а историю рассказывает голос за кадром. Ниже — каждый шаг с исходниками, промптами и ценой.
«Золушка», 50 секунд, со звуком. Картинка — Seedance 2.5 в 720p, голос — Drama 3.
Шесть шагов
Сценарий. Четыре сцены по 12–13 секунд и что происходит в каждой.
Голос в Drama 3. Текст рассказчицы с подсказками интонации в квадратных скобках.
Места и героини в Nano Banana Pro. Пустые локации и лист на каждую героиню.
Единый вид. Одна строка описания стиля в каждом промпте и цветокор в конце.
Сцены в Seedance 2.5. Первые кадры и промпт сцены с несколькими планами.
Проверка, пересъёмки и склейка. Покадровая проверка, точечные пересъёмки, звук.
Сказку берём знакомую всем: зрителю не нужно объяснять, кто такая Золушка и зачем ей карета. Шутка одна и сквозная: фея колдует одним словом и получает не то. На «Платье!» Золушку заваливает горой цветов, на «Карету!» тыква становится чайником. Тогда фея перестаёт командовать одним словом, подробно расписывает карету на длинном свитке, и всё получается. Мораль: «хочешь чуда — опиши его подробно». С нейросетями то же самое.
Героини у нас не говорят. В кадре они только шевелят губами, а их реплики произносит рассказчица за кадром. Так не нужно попадать губами в слова, а один голос держит тон всего фильма.
Четыре сцены по порядку, текст рассказчицы к ним — в шаге 2:
Зал вечером, 12 с. Мачеха и сёстры в бальных платьях у лестницы, Золушка с метлой. Мачеха беззвучно что-то говорит и показывает веером на пол.
Зал ночью, 13 с. Золушка одна на ступенях. Облако розового дыма, появляется фея, взмах палочкой — и на Золушке платье-клумба.
Терраса, 12 с. Фея колдует над тыквой, и вместо кареты появляется чайник. Фея достаёт свиток и пишет.
Ворота, 13 с. Чайник становится хрустальной каретой, Золушка уже в бальном платье. Фея отдаёт ей свиток, и Золушка пишет сама.
Сначала пишем и озвучиваем текст, потом снимаем картинку: длину сцен задаёт голос. На 12–13 секунд хватает 15–20 слов с паузами. Больше рассказчица не успеет сказать без спешки.
Шаг 2. Голос рассказчицы в Drama 3
Озвучку мы делали на модели Drama 3, она есть в студии озвучки. Перед фразой в квадратных скобках пишем по-английски, как её сыграть. Например, «[warm, ironic storyteller, brisk]» — тепло, с иронией, бодро; «[mocking, imitating a haughty lady]» — передразнивая надменную даму. Drama 3 не читает эти подсказки вслух, а играет по ним.
Текст рассказчицы для Drama 3, по строке на сцену
[warm, ironic storyteller, brisk] Во дворце собирались на бал. Золушка тоже хотела. [mocking, imitating a haughty lady] — Тебе? На бал? — удивилась мачеха. — Сначала подмети. Весь дворец. [brisk] Все уехали. [suddenly lively, amused] И тут — бах! — фея-крёстная. С причёской выше люстры. [commanding] — Платье! [dry, ironic] Платье получилось. Просто очень много. [commanding] — Карету! — велела фея тыкве. [dry, ironic] Тыква стала чайником. [warm, brisk] Тогда фея перестала колдовать одним словом — и расписала всё подробно. [delighted] И вот это сработало. [warm, wise] Мораль: хочешь чуда — опиши его подробно. [playful, smiling] А принца Золушка описала сама.
Голос выбирали так: одну фразу прогнали на четырёх голосах из каталога и взяли тот, в котором слышна сказочница. Каждую сцену озвучивали отдельно, по нескольку дублей, и лучший выбирали на слух. Это дёшево: весь текст за один проход стоит около 5,5 кредита.
Шаг 3. Места и героини в Nano Banana Pro
Каждое место сначала делаем пустым, со строкой «No people anywhere in the frame». Пустой кадр потом прикладываем ко всем сценам в этом месте, и модель держит архитектуру, свет и реквизит. Тыкву мы поставили прямо в кадр террасы, чтобы она была одинаковой во всех планах.
Ночной зал не генерировали заново, а сделали из вечернего. Приложили вечерний кадр и попросили тот же кадр поздно ночью: синие окна, лунный свет, часть свечей погасла. Лестница, люстры и пол остались прежними, и зрителю понятно, что это тот же зал.
Зал вечером, Nano Banana Pro, 2K, 16:9.Тот же зал ночью: сделан из вечернего кадра.Терраса с тыквой.Ворота: здесь потом встанет карета.
Вид мы подгоняли под популярный ролик со сказочным дворцом, поэтому к каждой локации приложили три его кадра как образец. Сами кадры здесь не показываем. Для своего фильма такой образец удобно собрать из своих фото или из картинок, заранее сгенерированных в нужном стиле.
Для каждой героини делаем лист: три панели одной актрисы в одном костюме на ровном сером фоне. В полный рост спереди, в профиль и крупно лицо. В промпте листа просим, чтобы героиня смотрела в сторону: взгляд в объектив с листа легко переходит в кадр. Модель слушается не всегда, и на некоторых панелях наших листов героини всё равно смотрят почти в камеру. Поэтому взгляд мы ещё раз задаём в первом кадре сцены. Для бального платья Золушки сделали отдельный лист: приложили её первый лист и попросили ту же девушку в новом платье.
Золушка. Промпт листа — ниже, в разделе про сцены.Мачеха.Сёстры: две героини на одном листе.Фея. Костюм и парик сделаны по кадрам ролика-образца.Золушка в бальном платье: лицо взято с первого листа.Платье-клумба после первого заклинания.
Шаг 4. Одна строка вида на весь фильм
Чтобы четыре сцены выглядели одним фильмом, вид описан одной строкой: какое это кино и на какую плёнку снято, какой свет, палитра, костюмы и мир. Она стоит в начале каждого промпта картинки и в блоке STYLE каждого промпта видео, слово в слово:
A frame from a lavish late-1980s European live-action fairy-tale feature film shot on 35mm Kodak film: Pro-Mist diffusion, so every candle flame and highlight blooms with a soft warm golden halation; creamy highlights, soft milky blacks, fine visible film grain; warm peach skin tones. Beautiful actresses with flawless real skin and real skin texture, luminous faces, glossy hair. Enormous, richly textured period costumes: iridescent satin and organza that shift between pink, pearl and silver, lace, ruffles, rosettes, crystals and feathers. Real actors in real costumes on real sets: not CGI, not a cartoon, not a clean modern digital look. Inside the palace everything glows warm amber and gold: carved gilded rococo panels and tall gilded mirrors, grey-green marble pilasters, heavy teal-green velvet drapes, crystal chandeliers dripping with crystals and lit with real candles, and a soft golden haze in the air. The light is warm, rich and glowing, mid-key with soft golden shadows: never a bright, evenly lit hotel brochure and never a murky dark room. Late at night the same golden candlelight glows against deep blue moonlit windows. Night exteriors: a deep navy-blue sky with a full moon, warm amber lantern pools on wet stone, low silver mist. Long lenses and shallow depth of field: backgrounds melt into soft round golden bokeh.
Чтобы снять рисованный мультфильм, замените эту строку своей. Например, начните её с «A frame from a hand-drawn 2D animated feature film» и опишите линию, цвет и фоны. Остальные шаги те же.
Вторая половина единого вида — цветокор. Мы разделили сцены на три группы по свету: вечерний зал, ночной зал и ночная улица. Каждую группу подогнали под свой образец: перенесли палитру, добавили мягкое свечение вокруг ярких мест, виньетку и зерно. Это сделано нашими скриптами на ffmpeg, в Fyro такого инструмента нет.
Левая половина кадра — сырой дубль, правая — после цветокора: меньше оранжевого, свет мягче.
Шаг 5. Сцены в Seedance 2.5
Первый кадр каждой сцены собираем в Nano Banana Pro из пустой локации и листов героинь. Локация идёт первой картинкой, листы — следующими, а в тексте написано, кто где стоит и куда смотрит. Для сцен с превращением делаем ещё один кадр, «после чуда». Прикладываем первый кадр и просим тот же кадр, где на месте тыквы стоит чайник. В видео он идёт второй картинкой, и модель знает, каким должен быть чайник, а не придумывает его на ходу.
Первый кадр сцены «Терраса».Кадр «после чуда»: сделан из первого.
Одна сцена — одна генерация на 12–13 секунд с двумя-тремя планами внутри. В промпте отмечаем, где склейка («CUT at 5.4 s»), и расписываем каждый план по секундам. Так модель видит всю сцену сразу, а склеек при монтаже меньше. Камера на всех планах стоит на штативе, без наездов и проводок, как в старом кино.
Промпт сцены собираем из блоков:
Блок
Зачем он нужен
ACTIVE REFERENCES
роль каждой картинки: первый кадр, кадр «после чуда», листы героинь, пустая локация
FORMAT
сколько планов, где склейки, без замедлений и титров
CAMERA
штатив: без наездов, зума и панорам
SCENE CONTEXT
что происходит и почему это смешно
SHOT 1, SHOT 2
план за планом по секундам: кто что делает
PERFORMANCE
характер: холодная мачеха, рассеянная фея
SILENT ACTING
героини шевелят губами без звука, голос добавят потом
STYLE
строка вида из шага 4
AUDIO
только шумы действия: шёлк, искры, скрип пера; без голосов и музыки
POSITIVE LOCKS
кто как выглядит; никто не смотрит в объектив
Настройки: Seedance 2.5, режим «Референс», 720p, 16:9, 12 или 13 секунд. Вложения: первый кадр, кадр «после чуда», если он есть, листы героинь в кадре и пустая локация. Видео-референс мы не прикладывали.
Сцена «Терраса» после цветокора, 12 секунд, два плана. Здесь без звука.
ACTIVE REFERENCES Image 1 - FIRST FRAME: frame 0 is this image exactly; the motion begins from it. Image 2 - the same frame after the magic: the pumpkin has become this gigantic porcelain teapot. Image 3 - identity reference of the fairy godmother: face, towering white wig with crystal stars, pink iridescent organza gown with bubble sleeves, star wand; ignore its backdrop and panel layout. Image 4 - identity reference of Cinderella in her absurdly enormous white flower gown; ignore its backdrop and panel layout. Image 5 - the moonlit terrace: statues, balustrade, cypresses, gates, lanterns, moon and wet flagstones stay like this in every shot.
FORMAT: two shots joined by one hard cut at 5.4 s. Real-time motion at natural speed; no slow motion, no speed ramps, no freeze frames. No subtitles, text, logos, film border or graphics.
CAMERA: every shot is locked off on a tripod: no push-in, no zoom, no dolly, no pan, no drift, no handheld shake.
SCENE CONTEXT On the moonlit terrace the fairy orders the pumpkin, in one word, to become a carriage. It becomes a teapot. So the fairy stops casting spells in one word and writes the whole thing out in detail, on a very long scroll.
SHOT 1 (0.0-5.4 s): the medium-wide shot of Image 1, the camera locked off. 0.45-1.2 s: THE FAIRY SPEAKS SILENTLY one short grand word, her star wand pointed at the pumpkin. 1.2-3.0 s: she draws a big flourish in the air with the wand; Cinderella holds her breath. 3.0-3.4 s: a burst of pink sparkles and smoke at the pumpkin. 3.4-5.4 s: the smoke drifts away: in place of the pumpkin stands the gigantic porcelain teapot of Image 2, taller than both women, steam curling from its spout. Both stare at it in disbelief; Cinderella slowly turns her head to the fairy. CUT at 5.4 s. SHOT 2 (5.4-12.0 s): a medium shot of the two women, the teapot soft behind them, the camera locked off. 5.6-7.0 s: the fairy pulls a long parchment scroll and a white quill out of her bubble sleeve; with a flick the scroll unrolls down to the flagstones and keeps rolling away along the terrace. 7.0-12.0 s: the fairy writes very fast with total concentration, the quill racing, her lips pursed, filling line after line; Cinderella in her huge flower gown leans over the fairy's shoulder, reading along with growing interest.
PERFORMANCE The fairy's embarrassment at the teapot is quick and sweet, then she becomes a determined scholar. Cinderella is curious, a little amused. The teapot is a real, solid porcelain object with real weight, catching the moonlight and the lantern light.
SILENT ACTING: this film is told by an off-screen narrator who is added later, so nobody is heard speaking. Where a beat says a character SPEAKS SILENTLY, her lips move naturally as if saying the words in Russian, with the matching small facial expression, but no sound comes out. At all other moments every mouth stays closed.
STYLE: [LOOK] Elegant, graceful performances of a classic European live-action fairy-tale film: beautiful actresses, small precise expressions, lively pacing with no dead pauses; real bodies with real weight and breath; the comedy lives in looks, reactions and timing, never in mugging.
AUDIO: no dialogue, no voices, no singing, no narration and no music; only natural sound effects of the action (a soft magical pop and tinkling, steam hissing from the teapot spout, the rustle of unrolling parchment, the scratching of a quill, night crickets).
POSITIVE LOCKS: the fairy looks like Image 3 and Cinderella like Image 4 in both shots; the teapot stays as in Image 2 once it appears; the terrace, the moon and the night light stay as in Images 1 and 5. Nobody ever looks into the lens: every eye-line goes to another character, an object in the scene or a point beyond the edge of the frame. Nobody moves stiffly or like a mannequin; hands hold props firmly and never pass through them. The warm golden late-1980s 35mm fairy-tale film look with soft halation holds for the whole video.
Промпт кадра «после чуда» (Nano Banana Pro)
Image 2 — кадр ролика-образца с чайником, его мы не публикуем.
[LOOK]
Image 1 is the frame just before this one: keep the terrace, the camera position, the light and both women exactly. Image 2 is a still from the film we are matching: copy the look of its giant teapot; ignore the people in it. Image 3 is the identity reference: copy the face, hair and costume exactly; ignore its backdrop, border and panel layout of the fairy godmother. Image 4 is the identity reference: copy the face, hair and costume exactly; ignore its backdrop, border and panel layout of Cinderella in her enormous flower gown.
The same frame a moment later: where the big pumpkin stood there is now a gigantic porcelain teapot, taller than both women, glossy white porcelain painted with pink roses, gilded handle, gilded spout and lid with a golden knob, studded with coloured jewels, a few pink sparkles and wisps of pink smoke still drifting around it. The fairy, wand still raised, and Cinderella both stare at the teapot in disbelief, their faces in profile.
Nobody looks into the lens: every face is turned toward another person, an object in the scene or a point beyond the edge of the frame, in three-quarter view or profile. No text, no logos, no subtitles, no film border, no black bars.
Промпт пустой террасы (Nano Banana Pro)
Image 1–3 — кадры ролика-образца, их мы не публикуем.
[LOOK]
Reference images 1-3 are stills from the film we are matching: copy their architecture, decor, materials, palette, light, haze and film look exactly; ignore the people in them.
A new wide horizontal frame of this place, seen from standing eye height, empty and ready for the actors.
The palace garden terrace at night under a big full moon: wet stone flagstones shining with reflections, a carved stone balustrade with white marble statues on pedestals and a few steps, tall dark cypresses, the pale baroque palace facade on the left with warm glowing windows and climbing roses, tall gilded wrought-iron gates between stone piers in the background, iron lanterns with warm flames. A deep navy sky with a few silver clouds, low silver mist over the stones. In the foreground on the flagstones a big round glossy orange pumpkin with a curly green stem sits among several small pumpkins, fallen autumn leaves and rose bushes; behind it the open flagstone terrace, the balustrade with statues and the gates.
No people anywhere in the frame. No cameras, tripods, lights or any film equipment. No text, no logos, no film border.
Промпт ночного зала из вечернего (Nano Banana Pro)
Image 1 — вечерний зал, Image 2 и Image 3 — кадры ролика-образца с ночным светом, их мы не публикуем.
[LOOK]
Image 1 is the same ballroom earlier in the evening: keep its architecture, staircase, mirrors, chandeliers, drapes, floor and the camera position exactly. Images 2 and 3 are stills from the film we are matching: copy their architecture, decor, materials, palette, light, haze and film look exactly; ignore the people in them, for the night look.
The same frame late at night, after everyone has left for the ball: the tall arched windows glow deep blue with moonlight, the teal velvet drapes turn grey-blue, cool blue moonlight falls in long soft shafts across the polished marble floor. Only part of the candles still burn: warm golden pools around the chandeliers and candelabra, the rest of the hall in soft blue-grey shadow, the gold still glinting. Quiet, magical, a little lonely.
No people anywhere in the frame. No cameras, tripods, lights or any film equipment. No text, no logos, no film border.
Промпт листа Золушки (Nano Banana Pro)
Без вложений, только текст. Этот лист мы сделали раньше, для прошлой версии ролика, поэтому строка вида в нём другая.
A frame from a lavish 1980s European live-action fairy-tale feature film shot on 35mm Kodak film: a rococo palace with crystal chandeliers blazing with hundreds of candles, gilded mirrors and polished marble; strong soft diffusion filter with a warm golden halation glow around every highlight and candle flame, creamy highlights, lifted soft milky blacks, gentle visible film grain, a pastel, pearl and gold palette. Beautiful actresses with flawless natural skin and real skin texture, glossy hair and luminous faces in a soft warm key light. Real actors in real costumes on real sets: not CGI, not a cartoon, not a modern digital look.
A costume-department reference sheet for this film, photographed on a plain warm mid-grey studio backdrop with soft flattering beauty light. Three panels side by side of the SAME actress in the same costume: on the left a full-body front view standing straight with arms relaxed; in the middle a full-body side view facing right; on the right a large head-and-shoulders close-up in three-quarter view. She looks off to the side in every panel, never into the lens.
The character: Cinderella, a breathtakingly beautiful young woman of about 18 with long straight glossy platinum-blonde hair, a delicate oval face, large clear blue-grey eyes, soft natural pink lips, luminous fair skin and a sweet hopeful expression; a simple faded dove-grey dress with a laced bodice over a white blouse with short puffed sleeves and a white apron. She is the most beautiful girl in the film: a fresh, natural, gentle beauty like a young 1980s European film star.
Full rich natural colour: the three panels fill the whole image edge to edge on the grey backdrop, with no border, no paper, no tape. No text, no labels, no titles, no numbers, no logos.
Шаг 6. Проверка, пересъёмки и склейка
Готовую сцену смотрим целиком, а затем раскладываем на кадры, по два на каждую секунду. Так нашли три проблемы:
Мачеха и сёстры смотрели прямо в объектив. Этот план пересняли отдельно, 6 секунд. В новом первом кадре камера стоит правее, а на краю кадра виден затылок Золушки, и всем троим есть на кого смотреть.
У феи в последней сцене сменился костюм: вместо рукавов-пузырей появились узкие рукава. Новый первый кадр сделали правкой старого в два захода. Первый заход поменял парик и платье, но оставил узкие рукава, поэтому во втором мы описали только силуэт костюма. Потом пересняли 6 секунд.
Seedance дописал в звук голоса. Английское «Dress», мужская фраза и шёпот, хотя в промпте стояло «no voices». На склейке мы заглушили шумы в этих местах.
Слева первый дубль: мачеха смотрит в объектив. Справа пересъёмка: все трое смотрят на Золушку.Слева костюм феи поменялся. Справа после пересъёмки он снова как на листе.
Склейка простая: сцены встык, без переходов. В звуке три слоя: голос рассказчицы, музыка и шумы из самих дублей Seedance — шелест шёлка, искры, скрип пера. Главный слой — голос: пока рассказчица говорит, музыка и шумы звучат тише. Итог выровняли до −16 LUFS.
Чему научил ролик. Лист героини в каждой сцене ещё не гарантирует одинаковый костюм: во второй сцене парик феи сменил форму прямо на склейке планов. Проверяйте по листу костюм в каждом плане, а не только лицо. И если героиня должна куда-то смотреть, дайте ей в кадре, на что смотреть: затылок Золушки на краю кадра помог лучше строки «nobody looks into the lens».
Сколько стоит
В расчёт входят все генерации этого ролика, включая отброшенные кадры и дубли видео и озвучки. Четыре листа героинь мы взяли из прошлой попытки снять эту сказку и посчитали по одному разу.
Что сделано
Цена
Видео Seedance 2.5, 720p, без видео-референса
4 сцены: 12, 13, 12 и 12 с
1 637 кр
Пересъёмки
2 плана по 6 с
402 кр
Картинки Nano Banana Pro, 2K, по 17 кр
4 места, 6 листов, 11 первых кадров
357 кр
Озвучка Drama 3
пробы 4 голосов и около 30 дублей сцен
около 45 кр
Итого
около 2 440 кр
Seedance 2.5 доступна с тарифа «Продвинутый», а Nano Banana Pro есть и в бесплатном. Тарифы — на странице цен.
Шаблон промпта сцены с рассказчиком
Скелет наших промптов сцен. Замените описания в скобках на свои и приложите картинки в том же порядке:
ACTIVE REFERENCES Image 1 - FIRST FRAME: frame 0 is this image exactly; the motion begins from it. Image 2 - identity reference of [the heroine]: face, hair and costume; ignore its backdrop and panel layout. Image 3 - [the place]: it stays like this in every shot.
FORMAT: two shots joined by one hard cut at [N] s. Real-time motion at natural speed. No subtitles, text, logos or graphics. CAMERA: every shot is locked off on a tripod: no push-in, no zoom, no pan. SCENE CONTEXT: [two sentences: what happens and why it is funny]. SHOT 1 (0-[N] s): [framing]. [second by second: who does what]. CUT at [N] s. SHOT 2 ([N]-[M] s): [framing]. [second by second: who does what]. SILENT ACTING: this film is told by an off-screen narrator who is added later, so nobody is heard speaking. Where a beat says a character SPEAKS SILENTLY, her lips move as if saying the words in Russian, but no sound comes out. At all other moments every mouth stays closed. STYLE: [your LOOK line]. AUDIO: no dialogue, no voices, no music; only natural sound effects of the action ([what we hear]). POSITIVE LOCKS: [who looks like which image]. Nobody ever looks into the lens.
Если собирать всё вручную не хочется, Видео-режиссёр в чате сам делает листы, кадры и сцены по описанию идеи. А как мы снимаем трендовые ролики для ленты, мы показывали в разборе с промптами.
