Клуб авторов YouTubeРаздел 7 · урок 1 из 5
12345уроки раздела 7
Раздел 7. Генерация визуала, озвучка и монтаж в CapCut

Покадровая разметка сценария и пакетная генерация визуала во Flow и Veo

≈ 16 минВладимир

Перед вами вычитанный сценарий на 20 минут, и под него нужно получить 150–250 иллюстраций и анимированных клипов в единой логике. Если пытаться придумывать, рисовать и оживлять каждый кадр поштучно, производство одного ролика растянется на неделю, а на монтаже вы утонете в сотнях разноимённых файлов из папки загрузок.

Чтобы превратить эту рутину в предсказуемый конвейер на пару часов, весь процесс выстраивается цепочкой: сначала сценарий размечается номерами кадров, затем модель снимает визуальную «шапку промта» и пишет промты пачками по 38–50 штук, после чего картинки массово рендерятся в FastGen AI, приводятся к единой нумерации через PowerShell и пакетно оживляются в Veo 3.1.

Покадровая разметка текста номерами 1–N и извлечение «шапки промта» визуального стиля

Перед запуском промтов убедитесь, что подаёте в нейросеть максимально чистый текст сценария. Удалите названия глав, редакторские пометки, таймкоды и служебные комментарии — внутри файла должен остаться только тот текст, который зачитает диктор.

Откройте новый чат в Gemini (выбирайте думающую модель) и загрузите этот очищенный текст вместе с промтом для покадровой разметки. Модель расставит номера строго перед сменой визуального контекста, не меняя и не выкидывая ни одного слова оригинала.

ЗАДАЧА: Взять оригинальный сценарий пользователя СЛОВО В СЛОВО, ничего не удаляя, не сокращая, не перефразируя. Расставить в нём номера кадров. Номер кадра ставится там, где меняется визуальный контекст — то есть то, что зритель видит на экране. Один объект/сцена/персонаж/локация = один кадр. Если в одном предложении два разных визуальных объекта (Хаммурапи И Навуходоносор), предложение разбивается на два кадра. Текст между номерами — это ТОЧНАЯ КОПИЯ оригинала, ни одно слово не выброшено и не заменено. Дай мне строго результат в окне TXT для прямого копирования.
Смотри пример разбивки:
1.Искать истоки Вавилона — 2. всё равно что вглядываться в туман. 3. Нам неизвестно, кем и когда был основан легендарный город. 4. Первое письменное упоминание Вавилона приходится на двадцать третий век до нашей эры, 5. во времена правления внука Саргона Аккадского. 6. Тогда город назывался Ка-дингир, 7. что на шумерском означало «врата бога».

Иногда Gemini начинает выносить номера в отдельный столбец с отступом или в интерактивный виджет, из которого текст неудобно копировать. В этом случае сразу напишите модели короткое уточнение: «Дай мне строго в окне текст», и она выдаст монолитный блок для копирования.

Скопируйте разметку в рабочий документ, как на скриншоте ниже с подготовленными вкладками сценария и пометок, и бегло просмотрите плотность цифр. Если на длинную фразу в 15–20 слов стоит всего один номер, смело вписывайте дополнительные цифры прямо между словами — допустим, у вас был кадр 200, а вы ставите рядом 201 и 202, чтобы разбить длинный фрагмент на три визуальных образа.

Рабочее окно Google Docs с размеченным историческим сценарием о Крестовых походах и боковыми вкладками

Перенумеровывать весь хвост сценария из 400 кадров вручную не нужно. Отправьте отредактированный фрагмент в Gemini со следующим коротким промтом на восстановление сквозного счёта:

Я добавил несколько новых кадров. В связи с чем получилось так, что некоторые кадры повторяются или идут не по необходимому порядку. Твоя задача внимательно еще раз все просмотреть и расставить все по порядку. Дай результат строго в окне TXT для прямого копирования.

После этого модель выровняет всю цепочку (201, 202, 203, 204 и так далее) за один проход. Помните, что у разных дикторов разный темп речи, поэтому на финальном монтаже всё равно может потребоваться докрутить 5–10 кадров — это нормально, не застревайте на идеальной подгонке на этом шаге.

Когда текстовая разметка готова, нужно зафиксировать единый визуальный почерк ролика. Если вы ориентируетесь на эстетику конкретного канала-конкурента, загрузите в Claude 5–10 скриншотов из его видео и запустите промт извлечения стилевой шапки:

Ты — эксперт по AI-визуалу для YouTube. Я загружаю тебе 5–10 скриншотов кадров из видео конкурента. Твоя задача — разобрать визуальный стиль и выдать мне готовую шапку промта, которую я смогу использовать для генерации кадров в этом же стиле.
Проанализируй каждый скриншот и выдай:
═══ БЛОК 1: ПЕРСОНАЖ
— Как выглядит главный персонаж (манекен, силуэт, реальный человек, существо) — Какие детали одежды, позы, пропорции — Есть ли лицо или оно скрыто/отсутствует — если отсутствует, как именно это реализовано — Ключевые фразы для промта, которые воспроизведут этого персонажа
═══ БЛОК 2: СРЕДА И ЛОКАЦИИ
— Какие типы локаций повторяются (интерьеры, экстерьеры, специфические места) — Уровень детализации среды (гиперреализм, стилизация, минимализм) — Какие объекты и реквизит присутствуют в кадрах — Ключевые фразы для промта, которые воспроизведут эту среду
═══ БЛОК 3: ОСВЕЩЕНИЕ
— Тип освещения (естественное, студийное, кинематографическое, неоновое) — Направление света (контровой, боковой, верхний, рассеянный) — Есть ли объёмные лучи, блики, тени — Ключевые фразы для промта
═══ БЛОК 4: ЦВЕТОВАЯ ПАЛИТРА
— Доминирующие цвета и оттенки — Тёплая или холодная гамма — Есть ли цветовой грейдинг (тил-оранж, десатурация, vintage и тд) — Ключевые фразы для промта
═══ БЛОК 5: КОМПОЗИЦИЯ И РАКУРСЫ
— Какие ракурсы повторяются (средний план, крупный план, over-the-shoulder, wide shot) — Как расположен персонаж в кадре (центр, правило третей, спиной к камере) — Есть ли глубина резкости (боке, размытый фон) — Ключевые фразы для промта
═══ БЛОК 6: ОБЩЕЕ ОЩУЩЕНИЕ
— Одним предложением: какой фильм или сериал это напоминает визуально — Какая атмосфера (кинематографичная, документальная, игровая, сюрреалистичная, техническая)
═══ ФИНАЛ: ШАПКА ПРОМТА
Собери из всех ключевых фраз готовую шапку промта — универсальный префикс, который я буду вставлять перед описанием каждой конкретной сцены. Шапка должна содержать все необходимые технические и стилистические указания, чтобы каждый сгенерированный кадр попадал в стилистику конкурента.
Формат шапки: один абзац на английском, 60–100 слов.

На выходе вы получаете единый английский префикс длиной 60–100 слов. В нём уже зашиты тип освещения, палитра, фактура среды и поведение персонажа, так что следующие 200 кадров не развалятся на случайный зоопарк из 3D-рендеров и акварели.

Генерация промтов пачками по 38–50 кадров: базовый режим и пресет «Ридли Скотт встречает BBC History»

Даже если у вас на руках сценарий на 300 кадров, никогда не скармливайте его генератору промтов одним куском. К 80-му или 100-му пункту любая языковая модель начинает лениться, сжимать описания и повторять одни и те же ракурсы.

Оптимальный рабочий батч — от 38 до 50 кадров за один запрос. Такой объём легко просмотреть глазами и точечно поправить без ощущения, что вы утонули в таблице.

Для создания самих промтов у вас есть три рабочих инструмента под разные задачи. Если у вас уже есть стилевая шапка с предыдущего шага (например, под стилизованных силуэтных персонажей или особую эстетику канала), отдайте её в Claude вместе с очередным куском размеченного сценария:

Ты — режиссёр-постановщик AI-видео для YouTube. Я даю тебе две вещи:
1. ШАПКУ ВИЗУАЛЬНОГО СТИЛЯ — это набор ключевых фраз, которые определяют стилистику всех кадров (персонаж, освещение, палитра, ракурсы, атмосфера). Шапка должна присутствовать в КАЖДОМ промте как неизменяемый префикс.
2. СЦЕНАРИЙ, РАЗБИТЫЙ НА КАДРЫ — пронумерованные блоки текста, каждый из которых соответствует одному визуальному кадру.
ТВОЯ ЗАДАЧА: Для каждого пронумерованного кадра из сценария напиши один промт для генерации изображения.
ПРАВИЛА ГЕНЕРАЦИИ ПРОМТОВ:
1. Каждый промт начинается с шапки стиля — дословно, без изменений.
2. После шапки — описание конкретной сцены из этого кадра сценария: что делает персонаж (действие, поза, жест), где он находится (локация с деталями, мебель, текстуры), что происходит вокруг (другие люди, движение, погода), ракурс камеры (крупный план, средний, общий, over-the-shoulder, POV, low angle, bird's eye), эмоциональная функция кадра через освещение и композицию.
3. Чередуй ракурсы: НЕ делай все кадры одинаковыми. Каждые 2–3 кадра меняй крупность плана: wide establishing shot → medium shot → close-up на деталь → over-the-shoulder → wide.
4. Промт должен быть на английском, 40–80 слов (не считая шапку).
5. Каждый промт должен быть самодостаточным.
ФОРМАТ ОТВЕТА:
Кадр 1: [шапка стиля] + [описание сцены]
Кадр 2: [шапка стиля] + [описание сцены]

Для исторических, документальных и биографических ниш лучше работает прямой генератор на базе Gemini — именно он тоньше понимает режиссуру, свет и материальную культуру эпохи. Здесь есть облегчённый базовый промт и усиленный кинематографический вариант с ориентиром «Ридли Скотт встречает BBC History»:

У меня есть такой сценарий для видео Ютуб. Тебе нужно придумать кинематографические иллюстрации-промты к каждой фразе, перед которой стоит цифра с точкой.

Каждый кадр — это раскадровка режиссёра с самостоятельным высококлассным замыслом. Ни одно изображение не должно быть «просто иллюстрацией к тексту» — за каждым стоит осознанный выбор ракурса, света, композиции, эмоции и символики. Каждое изображение должно выглядеть как стоп-кадр из высокобюджетного исторического документального фильма или кинематографической реконструкции — никогда как цифровая живопись, иллюстрация, концепт-арт или скриншот из видеоигры. Ориентир: Ридли Скотт встречает BBC History.

ПРЕДСТАВЛЕНИЕ ГЕРОЯ — ИЗОЛИРОВАННЫЙ ПОРТРЕТ. Когда в повествовании впервые вводится ключевой персонаж (правитель, полководец, пророк, лидер), он должен быть показан одиночно, изолированно от толпы, в центре кадра или по правилу третей, с прямым взглядом в камеру. Свет — драматический: диагональный луч, контровой ореол, или единственный боковой источник.

РАЗНООБРАЗИЕ ПЛАНОВ ОБЯЗАТЕЛЬНО. Чередуй сверхкрупные планы (руки, глаза, текстуры), портретные крупные планы, средние планы на двоих, групповые композиции, общие устанавливающие планы, экшн-планы, вид сверху, POV, кадры с обрамлением (арки, дверные проёмы), дроновые планы. Никогда не повторяй один и тот же тип кадра подряд.

СВЕТ — ЭТО НАРРАТИВ. Один доминирующий мотивированный источник света (божественные лучи через каменные окна, контровой свет костра, золотой час с дымкой, факельное кьяроскуро, свет масляных ламп). Избегай плоского студийного освещения.
ТЕКСТУРА — ПРИОРИТЕТ: патина на бронзе, грязь на сапогах, ржавчина на кольчуге, трещины в камне, потрёпанная ткань.
ЦВЕТОВАЯ ПАЛИТРА: комплементарный контраст по кругу Иттена (2–3 доминирующих оттенка на кадр). ПОГОДА И АТМОСФЕРА: дождь, облака пыли, дым, туман — никогда не используй пустое небо. ЧЕЛОВЕЧЕСКОЕ ПРИСУТСТВИЕ: вес, гравитация в позе, взаимодействие с окружением. ФОТОГРАФИЧЕСКИЕ КАЧЕСТВА: малая глубина резкости, естественная дисторсия широкоугольника, лёгкая хроматическая аберрация, зернистость плёнки.

Перед тем как начинать генерировать промты, проведи анализ того, как выглядела эпоха, предметы, одежда, здания и вся материальная культура моего сценария. И только потом приступай.
Каждый промт начинай с фразы: Ultra detailed, hyper realistic photo of
Указывай цветовую палитру.
Выдавай результат так:
001. [промт]
002. [промт]
003. [промт] …
Файлом TXT, чтобы я мог скопировать. Ничего лишнего — только номер и промт.

ТЕПЕРЬ: вот мой сценарий. Проведи анализ эпохи, затем сгенерируй промты для каждой пронумерованной строки:

[ВСТАВЬ СЦЕНАРИЙ СЮДА]

Обратите внимание на строчку про предварительный анализ эпохи перед выдачей промтов. Она не случайна: пока модель сначала расписывает одежду, архитектуру, оружие и материалы конкретного века, она настраивает собственный контекст, и в кадрах про Древний Вавилон или Крестовые походы не всплывают пластиковые детали или фэнтезийные доспехи.

В облегчённом базовом варианте (если ниша проще и вам не нужны правила вроде изолированного портрета и масштаба через поваленные монументы) убирают расширенные режиссёрские блоки, оставляя ядро: правило третей, один мотивированный свет, тактильные текстуры, палитру по кругу Иттена, префикс «Ultra detailed, hyper realistic photo of» и чередование планов от макро до дроновых. В обоих случаях перед загрузкой в генератор скопируйте готовый список в Блокнот и проверьте, чтобы в .txt-файле не осталось анализа эпохи — только строки вида 001. ..., 002. ....

Конвейер отрисовки в FastGen AI (Nano Banana 2 Flow), догенерация брака и PowerShell-скрипт нумерации

Когда пачка .txt-промтов лежит на рабочем столе, пора запускать массовый рендер. Для этого используется десктопный сервис FastGen AI: берите подписку только на картинки — либо тариф Lite (500 картинок в час), либо Medium за $40 (2 000 картинок в час), оплачивается через крипту или карту. Тариф с видео там брать бессмысленно, потому что автогенерация видео внутри него часто сыплет ошибками.

Этап конвейераСервис / МодельРазмер пачкиВыходной артефакт
Разметка сценарияGemini (думающая модель)Весь чистый текст сценарияТекст с номерами [1]–[N] без потерь слов
Извлечение шапки и промтовGemini / Claude38–50 кадров за батчФайл .txt со строками 001. ...
Массовая отрисовка статикиFastGen AI (Nano Banana 2 Flow)38–50 промтов (до 100–200)Изображения 16:9 в выбранной папке
Точечная догенерация бракаGoogle Flow (Nano Banana 2 / Pro)По 1–4 кадра вручнуюКартинки в 2K (для хука — 4K)
Выравнивание имён файловPowerShell в папке загрузокВся папка с кадрамиСтрогая очередь 001.jpg, 002.jpg...
Промты движения и анимацияClaude + десктопный софт Veo 3.1 / FlowПачки по 10–200 кадровВидеофрагменты 720p или 1080p

Настройка массовой генерации в FastGen AI занимает минуту:

  1. Выберите папку автоматического экспорта на диске, чтобы картинки сразу падали в один каталог проекта.
  2. В списке моделей выберите Nano Banana 2 Flow (она даёт меньше всего сбоев, тогда как Nano Banana Pro Flow чаще падает, а Whisk и базовый вариант Gemini заметно хуже по качеству).
  3. Если в сцене сквозной герой должен повторяться из кадра в кадр, загрузите его портрет на однотонном фоне в окно референса.
  4. Подгрузите .txt-файл с промтами, выставьте альбомную ориентацию 16:9 и запустите генерацию.

Не пугайтесь, если из 38 промтов успешно сгенерируются 27, а 11 выдадут ошибку — для пакетных парсеров это обычная рабочая статистика. Если же ошибки посыпались сплошняком на всех кадрах подряд, значит упал шлюз на стороне провайдера: просто закройте окно на 1–1,5 часа и повторите запуск.

Чтобы не выискивать пропавшие номера глазами среди сотни файлов, сделайте скриншот папки с готовыми картинками и отдайте его в тот же чат Gemini, где лежат ваши 38 промтов. Попросите модель сверить номера в именах файлов и выдать недостающие промты по отдельности с их номерами — после этого откройте Google Flow, переключите папку загрузок браузера на каталог проекта и догенерируйте эти 5–10 кадров вручную (для хука скачивайте в 4K, для середины ролика достаточно 1K–2K).

Когда все картинки лежат в одной папке, перед запуском анимации их имена нужно жёстко стандартизировать в формат 001.jpg, 002.jpg, 003.jpg. Если оставить нумерацию 1, 2, 10, 11, софт для пакетного рендера видео отсортирует их по алфавиту и поставит десятый кадр сразу после первого.

Откройте папку с картинками в Проводнике Windows, кликните в адресную строку, сотрите путь, введите powershell и нажмите Enter — откроется консоль прямо внутри этой папки. Вставьте следующую команду одной строкой и выполните её:

Get-ChildItem -File | Where-Object { $_.Name -match '^\d+' } | Sort-Object { [int]($_.Name -replace '^(\d+).*','$1') } | ForEach-Object -Begin {$i=1} -Process { $n="{0:D3}{1}" -f $i,$_.Extension; Rename-Item $_ -NewName $n; Write-Host "$($_.Name) --> $n"; $i++ }

Скрипт находит все файлы, чьё имя начинается с цифр, сортирует их строго по числовому значению, а не по алфавиту, и переименовывает с ведущими нулями в трёхзначный формат ({0:D3}), сохраняя исходное расширение файла. В консоли тут же выведется лог вида 2 --> 002.jpg, так что вы сразу увидите, что последовательность выровнялась без сдвигов.

Запускайте скрипт только на полной папке

Не выполняйте переименование до того, как догенерируете недостающие кадры из Google Flow. Если файла с номером 18 в папке нет, скрипт сдвинет девятнадцатый файл на место 018, и дальше вся видеодорожка разъедется со сценарием.

Промт оператора-постановщика и пакетная анимация статики в Veo 3.1 и Google Flow

Просто загрузить 200 картинок в генератор видео с командой «сделай красиво» — верный способ получить странные искажения лиц и хаотичное дёрганье камеры. Нейросети нужно указать точный вектор движения, уже заложенный в статике, и при этом не пересказывать заново, что нарисовано на картинке.

Возьмите отсортированные файлы по 10 штук в порядке возрастания и загрузите их в Claude (или Gemini) вместе с промтом оператора-постановщика:

Ты — оператор-постановщик мирового класса и режиссёр анимации. Я загружу пачку кадров (изображений). Для КАЖДОГО изображения ты должен сгенерировать точный промт для анимации в Kling.
ТВОЙ ПРОЦЕСС ДЛЯ КАЖДОГО КАДРА:
ШАГ 1 — ПРОЧИТАЙ КАДР
Определи все ключевые объекты, фигуры, их расположение (лево/право/центр, передний/средний/задний план), позу, направление жеста и взгляда, подразумеваемое движение (наклон тела, поднятая рука, пыль, всплеск), свет и глубину сцены.
ШАГ 2 — НАЙДИ «ЗЕРНО ДВИЖЕНИЯ»
Человек наклонён вперёд = идёт или бежит в этом направлении; поднятое оружие = ударит вниз; лошадь в галопе = продолжить галоп; пыль/дым = подъём и рассеивание; широкий пейзаж без фигур = медленное движение камеры (долли, панорама или кран).
ШАГ 3 — ВЫБЕРИ ПОВЕДЕНИЕ КАМЕРЫ
- КРУПНЫЙ ПЛАН лица → плавный наезд (медленный зум) с морганием и дыханием
- СРЕДНИЙ ПЛАН в действии → боковое сопровождение за движением
- ШИРОКИЙ ОБЩИЙ ПЛАН → медленный или быстрый долли вперёд, панорама или подъём крана
- НИЖНИЙ РАКУРС → подъём крана вверх; ВЕРХНИЙ РАКУРС → спуск крана вниз
- СИММЕТРИЧНАЯ КОМПОЗИЦИЯ → центрированный долли вперёд
- ДИНАМИЧНЫЙ ЭКШН → ручное сопровождение с лёгкой тряской
ШАГ 4 — НАПИШИ ПРОМТ
Структура: [Действие субъекта] + [вторичные движения] + [движение окружения] + [движение камеры] + [атмосфера/частицы]
Правила:
- Пиши на простом английском в настоящем времени.
- Описывай ТОЛЬКО ЧТО ДВИЖЕТСЯ и КАК, не пересказывай сцену. Всегда указывай направление движения и микроанимацию окружения (пыль, дым, ветер, ткань, пламя).
- Заканчивай "24fps" для кинематографичного или "30fps" для плавного движения.
- Объём: 40–80 слов, без выдуманных объектов и смены композиции.
ТЕПЕРЬ: Проанализируй каждое загруженное изображение и сгенерируй один анимационный промт на изображение. Пронумеруй их в соответствии с порядком изображений.
ВАЖНО: Выдавай промт в формате txt в таком виде:
001. [промт]
002. [промт]
003. [промт] …
Файлом TXT, чтобы я мог скопировать.

Несмотря на упоминание Kling в шапке этого промта, структура с «зерном движения» и микроанимацией окружения универсально работает и для Veo 3.1. На выходе вы получаете чистый файл 001. ..., 002. ..., который без переписывания уходит в десктопный софт для пакетной генерации видео.

В программе перейдите на вкладку «Изображение в видео», загрузите папку с переименованными кадрами (можно сразу пачку до 200 штук, но удобнее проверять блоками) и вставьте текстовый список промтов. Перед запуском обязательно проверьте глазами совпадение номеров в левой колонке софта (позиция 7 = 007.jpg = промт 007), выберите пейзажную ориентацию и качество 1080p (оно рендерится около 3 минут на ролик, но даёт запас разрешения, чтобы при монтаже чуть подрезать логотип Veo в углу; на тарифе с 9 одновременными потоками пачка пройдёт заметно быстрее, чем на 3).

Вся автоматическая анимация в этом режиме приходит со сгенерированным звуком, который потом нужно будет вырезать в редакторе, а отдельные кадры всё равно дадут артефакты. Такой брак — в среднем 5–15% от пачки — не нужно прогонять пакетом заново: откройте конкретную картинку вручную во вкладке видео Google Flow, выберите Veo 3.1 Fast (или Quality, хотя на практике разница часто незаметна) и догенерируйте замену за пару минут.

Где граница автоматизации

Пакетный конвейер закрывает основное «тело» ролика со 2-й по 25-ю минуту, но он никогда не заменит режиссёрские акценты. Чтобы зритель не пролистал видео на старте, в первые 90–120 секунд и каждые пару минут по ходу рассказа в поток нужно вплетать прицельные киношные приёмы из Kling 3.0 и Higgsfield.