Как сделать ролик-коллаж без видеонейросети: Claude, GPT Image 2 и код, пошаговая инструкция

Идея для ролика есть, и она хорошая. Дальше начинается то, что знакомо каждому, кто ведёт блог параллельно с основной работой. Видеонейросеть сегодня выдаёт красивый кадр, а завтра тот же запрос даёт совсем другой, и стиль плывёт от сцены к сцене. Студия требует бюджета, а ручной монтаж тянется вечерами, поэтому ролик откладывается на следующую неделю.

Оглавление

1. Что за ролик
2. Что понадобится
3. Шаг 1. Образец стиля
4. Шаг 2. Идея и список сцен
5. Шаг 3. Картинки сцен
6. Шаг 4. Оживление кодом
7. Шаг 5. Голос и тайминги
8. Шаг 6. Музыка и громкость
9. Шаг 7. Проверка перед публикацией
10. Где у способа границы
11. Кому подойдёт
12. Памятка
13. Частые вопросы
14. Источники

Так блог и замирает. Идей хватает, но каждый ролик собирается заново с нуля. Пока ролик лежит в черновиках, объяснение, которое могло привести к Вам людей, остаётся у Вас в голове.

Есть путь, где результат не зависит от капризов видеонейросети. Я собрала рилс-коллаж: картинки нарисовала нейросеть для изображений, а движение создал код. Ниже семь шагов, и в каждом готовые фразы, которые можно сказать Claude.

Что за ролик

Это вертикальный ролик 1080 на 1920 длиной 43,5 секунды. В нём 17 сцен, 11 картинок в стиле винтажного бумажного коллажа, четыре плашки с шагами (бумажные карточки с заголовком) и два штампа. Первая фраза ролика: «Здесь не было ни одной видеонейросети».

Это правда. Картинки сцен нарисовала модель GPT Image 2. Всё, что на них движется, оживил код, а код написал Claude по моему описанию.

Что понадобится

Команды Вам вводить не придётся, их запустит Claude Code.

1. Образец стиля. Одна картинка, которая Вам нравится.
2. Claude Code. Он делит идею на сцены, пишет тексты и код.
3. GPT Image 2. Я рисую сцены через Codex, это входит в подписку ChatGPT.
4. Remotion. Программа, которая собирает видео из кода. По условиям лицензии она бесплатна физическим лицам и коммерческим компаниям до трёх сотрудников.
5. Whisper и ffmpeg. Первая расшифровывает речь и ставит время на каждое слово, вторая склеивает звук и проверяет громкость.
6. Ваш голос. Живая запись подойдёт лучше всего.

Шаг 1. Образец стиля

Выберите одну картинку, которая задаёт технику. У меня это рваные края бумаги, мягкие тени, зерно, морская волна и тёплое золото. Первым образцом был кадр, который мне понравился по стилю. По нему нейросеть нарисовала первую картинку для ролика, свиток на фоне Везувия, и она стала образцом для остальных десяти.

Благодаря образцу все картинки получатся как одна серия, поэтому его прикладывают к каждому запросу. Суть запроса, который я отправляла в Codex вместе с образцом:

«Нарисуй вертикальный кадр 9:16 в стиле приложенной картинки: бумажный фотоколлаж, рваные края, мягкие тени, зерно, морская волна и золото. Сюжет: обугленный свиток на фоне Везувия. Верх кадра оставь пустым под подпись. Текста на картинке не должно быть. Сюжет образца не копируй, бери только технику и палитру.»

Текст на картинке лучше не заказывать: нейросеть рисует буквы с ошибками. Подписи надёжнее печатать кодом.

Шаг 2. Идея и список сцен

Дайте Claude образец и идею одной фразой. У меня идея звучала так: как нейросеть читает сгоревший свиток. Для примера я взяла свитки Геркуланума. Они обуглились при извержении Везувия в 79 году нашей эры, их нашли в XVIII веке, и раскрыть их нельзя без серьёзных повреждений. Читают их по трёхмерному скану на рентгеновском томографе, а чернила на снимках находит модель машинного обучения.

Первое целое слово изнутри нераскрытого свитка опубликовали 12 октября 2023 года. Это «πορφύρας», по-русски «пурпур». В ролике сказано «нейросеть помогла прочитать», потому что слово прочитал человек по картинке, которую выдала модель.

Скажите Claude:

«Вот образец стиля. Идея ролика: как нейросеть читает сгоревший свиток. Разбей её на сцены: что нарисовано, что в этот момент говорит голос и что напечатано на экране. Одна сцена держится от 1,4 до 3,6 секунды, один смысл на сцену. Ролик не длиннее 35 секунд.»

Сцены короткие, чтобы зритель успевал рассмотреть картинку и услышать фразу. Дальше сразу идёт следующая.

Шаг 3. Картинки сцен

Каждую сцену я отдаю нейросети отдельным запросом, и к каждому прикладываю один и тот же образец. Запрос строится по схеме из шага 1: стиль образца, сюжет сцены, пустой верх, никакого текста. Меняется только сюжет. Для проектора это «старинный кинопроектор на зелёном холме пускает в небо луч света, в луче ночное небо с луной и птицами».

Картинок получилось 11. Картинки для плашек шагов я не заказывала. Окна и надписи на них собирает код.

Шаг 4. Оживление кодом

Здесь вся суть. Картинка неподвижна, и оживает она слоями. Слой это объект, вырезанный с картинки на прозрачный фон. Он лежит поверх исходной картинки и двигается отдельно от фона, поэтому зритель видит, что объект живёт.

Вырезку делает бесплатный механизм macOS, а скрипт для него пишет Claude. Скажите:

«Напиши скрипт для Mac, который вырезает передний план с картинки и сохраняет его в PNG с прозрачным фоном.»

Вырезка срабатывает не всегда. У меня объект нашёлся в 8 картинках из 11. Для людей, художника с кистью и пурпурного свитка слоя нет, и там эффекты идут без него.

Дальше всё собирает Remotion. Попросите Claude описать ролик списком сцен: у каждой картинка, время, движение камеры, слой и эффекты. Эффекты просят по одному. В запросе укажите название эффекта, место на кадре и характер движения. Вот один из моих запросов:

Сделай эффект «дым из кратера»: 14 мягких облачков дыма. Они поднимаются
вверх от кратера (61 % ширины кадра, 36 % высоты), растут и тают, чуть сносятся
вправо. Дым должен ехать вместе с камерой.

Так же просятся и другие эффекты:

«Сделай полосу сканера, которая идёт по свитку слева направо и видна только на нём, не на фоне.»

«Сделай угольки, летящие вверх от свитка, и серый пепел, падающий вниз по всему кадру.»

«Сделай удар штампа: плашка падает с поворотом, кадр на миг трясётся, во все стороны летят бумажные брызги.»

Объяснять процесс заново на каждом ролике утомительно, поэтому я оформила его навыком. Навык это папка с инструкцией для Claude. Как навыки подключаются, рассказано в статье Claude Skills: что это и как подключить готовый навык. Попросите:

«Оформи наш процесс как навык Claude Code: название, описание, когда запускать, шаги и проверка.»

Шаг 5. Голос и тайминги

Озвучку я записала сама, живым голосом. Монтаж подгоняется под запись, а не наоборот: тайминги, посчитанные по тексту, с живым голосом не совпадут.

Время каждого слова даёт Whisper. Он ошибается, например, «видео нейросети» у меня распозналось двумя словами, поэтому ошибки исправляются по тексту. Скажите Claude:

«Прогони мою запись через Whisper с временем слов, исправь ошибки распознавания по моему тексту и запиши слова с временем в список сцен. Субтитры выведи по словам.»

Вот первые слова моего ролика: «Здесь» звучит с 0,76 до 1,32 секунды, «не» с 1,32 до 1,58, «было» с 1,58 до 1,80. Плашка «79 г. н. э.» появляется на слове «Везувий» (32,52 с), а границы сцен подогнаны под фразы.

Шаг 6. Музыка и громкость

Музыку я нашла в каталоге HeyGen: это сгенерированный трек без слов, в описании каталога он назван таинственным кинематографичным эмбиентом. Условия трека для соцсетей я сверила до публикации. У каждой музыкальной библиотеки правила свои.

Чтобы музыка не перебивала голос, она становится тише на 8 дБ (децибел, единица громкости), пока звучит речь, и громче в паузах. Вход и выход плавные. Скажите Claude:

«Подложи музыку под голос: тише на 8 дБ, пока звучит речь, громче в паузах, вход и выход плавные. На последнем слове и штампе добавь громкости.»

В конце выровняйте громкость всего ролика. LUFS это средняя громкость: чем ближе число к нулю, тем громче. Я привожу ролики к минус 14 LUFS. Остальные параметры оставьте как есть. Команда:

ffmpeg -i raw.mp4 -af loudnorm=I=-14:TP=-1.5:LRA=11 -c:v copy final.mp4

Итог моего ролика: минус 14,0 LUFS.

Шаг 7. Проверка перед публикацией

Сразу ролик не публикуйте. Мой ролик в третьей версии: после каждой сборки я смотрела кадры и правила, что мешало. Скажите Claude:

«Проверь ролик по списку: размер 1080 на 1920, длительность, нет провалов тишины, громкость минус 14 LUFS, нет пустых кадров и заглушек, текст в безопасных зонах Instagram, озвучка совпадает с текстом. Сделай контактный лист из кадров.»

Контактный лист это сетка маленьких кадров, на которой сразу видны пустые места и ошибки. Безопасная зона для текста: по высоте от 250 до 1500 пикселей, а по бокам поля в 70, нижние 420 пикселей закрывает интерфейс Instagram.

Финальный кадр ролика: слово «Пурпур» и штамп «ПРОЧИТАНО».

Где у способа границы

Ролик получился неидеальным. Вырезка нашла объект не во всех картинках, поэтому в трёх сценах движение скромнее. Окна чата на плашках шагов я собрала кодом как иллюстрацию, это не запись реального диалога. Шаблон рассчитан на 35 секунд, а этот ролик вышел 43,5, потому что к рассказу о процессе добавился пример со свитками. Сколько просмотров он наберёт, покажет публикация.

Кому подойдёт

Подойдёт, если Вы объясняете сложное: подборки, разборы, короткие истории, обзоры без лица. Не подойдёт, если нужен ролик, где Вы говорите в камеру: там монтаж устроен иначе. Про видео без камеры другим способом есть статья Как сделать видео без камеры и монтажа: 5 шагов с Claude.