Как устроена режиссура «Сторикона» и что мы забираем себе
Первый этап: разобрана логика выбора кадров, консистентность повествования и производственный тракт. Дальше — наш визуальный стиль, система ассетов и выбор инструментов под каждый шаг.
статичных кадров в ролике. Перемерил правильно: не по первому и последнему кадру шота, а по остаточному локальному движению внутри кадра с компенсацией движения камеры. Минимум по всем 143 шотам — 0,92 единицы яркости, медиана 5,6. Порог «глаз не отличит от стоп-кадра» — примерно 0,3. Ниже него нет ни одного шота. Анимировано абсолютно всё, включая кадры с картой и книгой; предыдущая классификация «почти статика» была артефактом метода, а не свойством ролика.
шота прогнаны через оживление — значит норматив на ролик такой длины это ~145 генераций картинки + 145 анимаций по 2–5 секунд, а не «часть можно закрыть зумом по картинке». Отсюда сразу два следствия. Первое: анимировать надо дёшево и пачкой, иначе экономика не сходится. Второе: чёрные карточки глав — единственное неанимированное место у них, и это наша самая дешёвая точка превосходства. Оживший титр стоит копейки и сразу читается как «сделано лучше».
Как выбирается кадр: 10 правил их режиссуры
Это не догадки — каждое правило подтверждается конкретными шотами с таймкодами. Я сверял текст озвучки, который звучит на шоте, с тем, что в этом шоте показано.
Начинать с конца
Первая же фраза — «Он прожил всего 32 года» — идёт не на мальчика и не на битву, а на мёртвого героя на ложе. Зритель с первой секунды знает, чем всё кончится, и смотрит уже не «что будет», а «как он к этому пришёл».
Кольцо замыкается в финале: последний кадр — мальчик над огромной долиной (7:46, 5,1 с — самый длинный кадр ролика).
Антитеза в тексте = два соседних кадра встык
«Он мечтал о единой цивилизации» → герой смотрит на живой город сверху. «И утопил её в крови» → макро окровавленного кулака. Противопоставление в предложении всегда разбивается на пару кадров: широкий-светлый против крупного-тёмного.
Тот же приём: 2:32 «сотни тысяч воинов» (бесконечная колонна) → 2:40 «у Александра около 40 000» (горстка всадников в пустом кадре).
Перечисление — по кадру на каждый пункт
«Отец — жёсткий реалист» (0:33, трон) / «политик, полководец» (0:35, перед войском) / «мать Олимпиада, мистичная, религиозная» (0:38, у жертвенного огня). Никаких «одна картинка на весь абзац»: каждое определение получает свой шот на 2–2,6 с.
Так же режется список причин смерти на 6:41–6:48: малярия / брюшной тиф / раны — три кадра подряд.
Внутреннее состояние — через отражение и предмет
«Он не хочет быть царём. Он хочет быть великим». В кадре мальчик держит корону и отворачивается от неё, а в зеркале за ним — конный полководец. Абстрактная мотивация показана предметом и отражением, без единого слова на экране. Лучший шот ролика по режиссуре.
Сюда же: 7:14 «наследника нет» — пустой освещённый тронный зал.
География — вид сверху, а не карта со стрелками
«Пролив между Европой и Азией» показан с орбиты, как спутниковый снимок в живописи. Ни одной анимированной карты со стрелочками, ни одной подписи. Масштаб доносится точкой съёмки, а не графикой.
Карта — это предмет в кадре, а не интерфейс
Когда карта всё-таки нужна, она лежит на столе: пергамент, свеча, рука. Карта всегда часть сцены, никогда не оверлей. Тот же приём в финале главы о распаде — рука капает чернила на карту (7:00).
Числа показываются композицией, а не цифрами
«Армия меньше, беднее и дальше от дома» — четыре всадника в пустом широком кадре. Соотношение сил читается занятой площадью кадра. За весь ролик на экране не появилось ни одной цифры, ни одной подписи, ни одного инфографического элемента.
Лицо героя — это знак препинания, а не иллюстрация
Крупные планы Александра не рассыпаны равномерно: они стоят ровно на выводах. «Он уже не наследник, он царь» (2:03), «между освободителем и тираном» (4:00, лицо расколото светом надвое), «не пример для подражания» (7:42). Между выводами герой либо в общем плане, либо его вообще нет в кадре.
Глава закрывается тишиной, а не музыкальным акцентом
2,88 с чёрного экрана с золотым титром, жёсткий вход и выход без затемнения и полная тишина в озвучке — диктор молчит только здесь. Это одновременно разметка структуры, передышка для зрителя и точка, где он решает досматривать или нет.
Вывод ролика бьёт самым тяжёлым кадром
На фразу «Александр Македонский не пример для подражания. Это предупреждение» идут два самых жёстких кадра за весь ролик — окровавленное кричащее лицо в гуще боя, подряд, с нарастанием крупности. Самый сильный визуал приберегается под тезис, а не под битву.
Как устроен их сценарий
Скелет, который повторяется в каждой главе
- Якорь — «336 год до нашей эры. Македония». Дата и место первой же фразой, всегда на широком плане локации.
- Событие — что произошло, 2–4 фразы, каждая со своим кадром.
- Механика — почему это сработало: расстановка сил, решение, ресурс.
- Поворот — цена или последствие, обычно через антитезу и крупный план.
- Вывод главы — одна короткая фраза-обобщение, после неё сразу чёрная карточка.
Где у них слабо — и где место нашему авторству
- Голоса автора нет вообще. 802 слова нейтрального энциклопедического пересказа: ни одной оценки, ни одной шутки, ни одного «а теперь смотри, что он сделал». Текст можно скормить любому каналу и он не изменится.
- Нет вопросов к зрителю. Ни одного риторического крючка внутри глав — только в описании под роликом.
- Все главы одинаковой интонации. Ровный темп 102 слова в минуту от начала до конца, ни ускорения на битве, ни замедления на смерти.
- Ноль современных параллелей. История заканчивается в 323 году до нашей эры и никак не касается зрителя.
Каркас при этом безупречный и от текста не зависит. Сетка трёхсекундных шотов и паузы на карточках только усилят панч, если он в тексте есть — а у них его нет.
Консистентность: система ассетов
У «Сторикона» с этим ровно та проблема, которую ты назвал: Александр из кадра в кадр — то же амплуа, но не то же лицо. Держится типаж (светлые кудри, красный плащ, бронза), а не личность. На широких планах это не видно, на крупных — заметно. Мы это чиним системно.
Три уровня ассетов
| Уровень | Что это | Что фиксируем | Когда обязателен |
|---|---|---|---|
| Персонажи | Александр, Филипп, Олимпиада, Аристотель, Дарий, Гефестион, Парменион | core-ref на нейтральном фоне (3/4, фас, профиль) · палитра одежды · 3 неизменных признака (шрам, наклон головы, застёжка плаща) · возрастные версии (мальчик / 20 / 32) | появляется ≥2 раз или есть крупный план |
| Артефакты | копьё, лавровый венец, карта-пергамент, перстень-печатка, шлем, чаша с ядом | ref-кадр предмета на чистом фоне с 3 ракурсов · размер относительно руки · материал и степень износа | предмет несёт смысл и возвращается |
| Локации | Пелла, Фивы, Вавилон, Персеполь, Гидасп | палитра (3 цвета) · один архитектурный признак · тип света и время суток · погода | глава происходит в этом месте |
Технический тракт консистентности — то, что у нас уже проверено
- Reference-image в каждый промпт.
vertex_image_ref.pyуже умеет принимать core-ref. Без рефа лицо плывёт всегда, с рефом держится. - Фиксированный seed.
VERTEX_SEEDуже поддержан в обёртке — одна серия кадров = один seed. - Core-ref строго на белом фоне. Проверено на прошлых проектах: реф со сценой тянет за собой композицию и ломает новый кадр.
- Keyframe-цепочка против плывущих лиц при анимации. Шот = 2 коротких сегмента между 3 сгенерированными кадрами (начало → середина → конец), а не один длинный проход. Модели нечего додумывать — она интерполирует между заданными точками.
- На крупных планах — рот закрыт. Персонаж в наших роликах не говорит; открытый рот при оживлении даёт «щелкунчика». Эмоция играется глазами и бровями, в негатив-промпт идёт
mouth opening, talking, warping. - Правило одного движения. На крупном плане — одно субтильное движение на месте. Два разнесённых ключа на крупном плане дублируют персонажа.
Что ломается предсказуемо — знать заранее
- Толпа с лицами в кадре-старте блокируется фильтрами Veo. Обход: либо толпа только как текстура в расфокусе, либо кадр без узнаваемых лиц, либо оживление другим движком.
- Второй персонаж в кадре удваивает шанс дрейфа. Диалоговые сцены строим через восьмёрку — по одному лицу в кадре.
- Предмет в руке плывёт чаще лица. Артефакт либо крупно и отдельно, либо в статичной части кадра.
Наш стиль: четыре направления на пробу
Ты назвал ориентиры — «Человек-паук: Паутина вселенных» и «Аркейн». Оба про одно: трёхмерная форма, но поверхность нарисована рукой. У «Сторикона» этого нет — у них ровная цифровая историческая живопись без графического характера. Вот четыре направления, где мы можем встать; в каждом заложена своя авторская нота.
Терракота и тушь
Аркейн + греческая вазопись. Объёмная нарисованная форма, тушевый контур только на переднем плане, фактура фрески с микротрещинами по всему кадру.
Наша нота: золото — единственный ненатуральный цвет в палитре и появляется только там, где в тексте идёт речь о власти или её цене. Чистого чёрного нет вообще, самый тёмный тон — тёплая умбра.
Сильно: мгновенно узнаётся в превью, цвет работает на смысл.
Аркейн в лоб
Плотный живописный 3D, толстый мазок на коже и ткани, тяжёлый объёмный свет, приглушённая база с одним ядовитым акцентом.
Наша нота: холодный мир, тёплый герой — Александр всегда в тёплом пятне света, окружение всегда холоднее на пару шагов.
Риск: ближе всего к тому, что уже у всех; авторства меньше всего.
Печатный рельеф
Паутина вселенных на античном материале. Растровая точка в тенях, сдвиг красного канала по краю героя, жёсткий контур, ризограф-палитра из четырёх красок.
Наша нота: кадр как страница античного комикса — диагональная энергия, зерно бумаги, плашки цвета вместо градиентов.
Риск: тяжелее анимируется, печатная фактура «плывёт» при движении — нужен тест.
Пепел и золото
Почти монохром: пепел, кость, дым, тёплая пыль. Цвет только два — золото и запёкшаяся кровь, и только на смысловом.
Наша нота: огромное пустое пространство и один тёмный читаемый силуэт. Это же решает главную болезнь ИИ-кадра — кашу в деталях.
Сильно: самый дешёвый в производстве и самый непохожий на конкурентов.
Как будем выбирать
Каждое направление прогоняется через три одинаковые контрольные сцены, подобранные так, чтобы поймать всё, что обычно ломается: крупный план лица (консистентность и «пластилин»), эпический общий план с массовкой (каша в толпе, читаемость силуэта), макро-предмет (узнаваемость артефакта). Двенадцать кадров, один взгляд, один выбор. Скрипт написан и лежит в projects/youtube-factory/research/storikon-teardown/style_probe.py — запускается одной командой, как только откроется генерация.
Чем что делать: выбор из нашего арсенала
| Этап | Берём | Почему именно это | Что НЕ берём и почему |
|---|---|---|---|
| Ключевые кадры | Gemini 3 Pro Image на Vertex, с core-ref и фиксированным seed | Единственный из наших, кто уверенно держит референс персонажа и не сыплется на кириллице, если титр всё-таки нужен внутри кадра | Свободные text-to-image без рефа — лицо не удержат |
| Оживление обычного шота ~120 шотов из 145 |
Wan 2.7 через Higgsfield (план ultra уже оплачен) | Дешевле Seedance в 2,5 раза, быстрее вдвое, минимум 2 секунды — ровно наш формат. 8 задач параллельно | Veo на каждый шот — переплата за то, что в спокойном кадре не видно |
| Сложный шот с камерой ~20 шотов |
Veo 3.1 на Vertex, keyframe-цепочка | Единственный, кто внятно водит камеру и держит лицо на крупном. JSON-промптинг, длительность строго 4/6/8 с | Wan на крупном лице — риск «пластилина» |
| Батальный экшен ~13 шотов |
Seedance 2.0 через Higgsfield или OpenRouter | Лучше остальных держит массу и пыль в движении | Veo блокирует толпу с лицами |
| Приёмка шотов | video-qc (Gemini смотрит клип целиком) | Ловит то, что видно только в движении: плывущее лицо, дрожащий предмет, мёртвую анимацию. Меньше $0,10 на 20 шотов | Проверка по стоп-кадрам — пропускает ровно те дефекты, ради которых всё затевалось |
| Озвучка | ElevenLabs, темп 100–105 слов/мин | Норматив снят с их ролика и подтверждён замером | Бесплатные TTS — на восьмиминутном ролике слышно |
| Титры глав | Remotion (движок уже есть) | Оживлённая карточка вместо статичной — наша бесплатная точка превосходства | Статичный PNG, как у них |
| Сборка | Remotion по паспорту ролика + ffmpeg на мастер | Уже работающий тракт из video-nextgen: раскадровка данными, кэш этапов, гейт темпа | Ручной монтаж — не масштабируется на серию |
Экономика — честный порядок цифр
Твёрдо знаем одно: Seedance стоит примерно $0,12 за секунду — то есть весь ролик на нём в лоб это 145 шотов × 3 с × $0,12 ≈ $52. Wan через уже оплаченный ultra-план даёт основной объём фактически без доплаты, и тогда живыми деньгами платим только за ~20 шотов Veo и ~13 Seedance. Точные цены Vertex за кадр и Veo за секунду я не подтверждал замером — их надо снять на первом же прогоне, а не брать из головы.
Пайплайн: восемь шагов с гейтами
Сценарий под норматив
800 ± 50 слов на 8 минут. 7 глав по скелету «якорь → событие → механика → поворот → вывод». Фразы 6–12 слов. Плюс наш слой: авторская оценка в конце каждой главы и одна современная параллель на ролик.
Гейт: read-aloud вслух под таймер — 100–105 слов/мин, иначе режемРаскадровка по фразам
Каждая фраза получает шот: тип (общий / средний / крупный / макро-предмет), функцию (событие / антитеза / вывод / передышка) и длительность 2–5 с. Сумма длительностей сходится с хронометражом озвучки. Выход — storyboard.json, как в video-nextgen.
Ассет-лист и core-refs
Из раскадровки выписываются все персонажи, артефакты и локации с числом появлений. Всё, что встречается дважды и чаще, получает core-ref на белом фоне до генерации сцен.
Гейт: ни один шот не уходит в генерацию, пока у его героя нет refКлючевые кадры
Генерация всех ~145 кадров с core-ref, единым seed и единым стилевым блоком промпта. Сложные шоты сразу получают по 3 кадра под keyframe-цепочку.
Гейт: контактный лист всей раскадровки одним листом — стиль и герой держатся по всему роликуОживление
Пачкой, по 8 параллельно. Обычный шот — Wan, крупный план с камерой — Veo по цепочке, экшен — Seedance. Правило одного движения на крупном, рот закрыт.
Гейт: video-qc по каждому клипу, score ниже порога — переснять, а не «и так сойдёт»Озвучка и карточки глав
ElevenLabs на 100–105 слов/мин, пословные тайминги на выходе. Семь карточек глав в Remotion — с живым фоном и оживающими буквами.
Гейт: на карточке в озвучке тишина — проверяется по таймингам автоматическиСборка
Шоты режутся по таймингам озвучки. Переходы: 70% встык, 20% провал в чёрное на 0,8 с, карточки жёстко. Музыка — один готовый оркестровый трек на ролик, пока просто подкладываем.
Гейт: мастер −14 LUFS, true peak не выше −1 dBFSПриёмка и публикация
Полный просмотр, policy-чек площадки, обложка, описание с таймкодами глав.
Гейт: policy-чек YouTube обязателен до заливкиГде мы делаем лучше них
- Оживить титры. Фон карточки дышит (пыль, дым, тлеющий уголёк), буквы проявляются с лёгким сдвигом и микро-дрожью. Стоит копейки, а разница видна сразу.
- Дать герою одно лицо. Через core-ref и seed. Это то, чего у них нет, и это единственное, что зритель замечает подсознательно на протяжении всех восьми минут.
- Ускорять и замедлять темп. Битва — короче фразы и шоты по 2 с, смерть — длиннее паузы и шоты по 5 с. У них метроном не меняется никогда.
- Вернуть смысл в кадр через цвет. Золото только на власти и её цене — правило, которое зритель не осознаёт, но чувствует.
- Закончить обращением к зрителю. У них ролик заканчивается в 323 году до нашей эры. У нас — здесь и сейчас.
Звук: как это устроено у них
Разбирал по замерам, не на слух: яркая полоса спектра держится на ровном уровне 0,24 весь ролик — то есть отдельных звуковых эффектов в ролике практически нет. Ни свиста стрел, ни лязга, ни ветра. Только оркестровая подложка и голос.
- Один непрерывный музыкальный слой, темп ~94 BPM, без пауз и без смены трека между главами — меняется только плотность низа: в боевых главах низкие частоты заметно громче, чем во вступлении.
- Голос всегда над музыкой. Подложка в паузах речи не вырастает — то есть никакого «музыка выходит на первый план в паузе», просто ровный фон.
- Генерации звука здесь нет и она не нужна: это библиотечный оркестровый трек. Ровно то, что ты сказал — на этом этапе просто склеиваем.
Как звук делают консистентным в таких проектах
Консистентность даёт не генерация, а один источник на весь ролик: берётся длинный оркестровый трек с одной гармонией и одним инструментальным составом, и внутри него меняется только громкость и плотность. Как только начинают склеивать разные треки по главам, ролик рассыпается на куски. Если позже захотим генерить музыку — генерить надо один длинный кусок под весь хронометраж, а не по фрагменту на главу.
Что нужно от тебя, чтобы двинуться дальше
Генерация сейчас заблокирована — одна кнопка
Проверил фактически: Vertex отвечает BILLING_DISABLED на всех трёх проектах Google (project-2a14e28f, claudebot-video, gen-lang-client), отдельного бесплатного ключа Gemini в системе нет. Higgsfield MCP уже оплачен планом ultra, но требует OAuth-авторизации, а её нельзя пройти из этой сессии — нужна интерактивная. То есть картинки прямо сейчас генерировать нечем.
Дешёвый путь: авторизовать Higgsfield — там план уже оплачен, новых трат не будет вообще. Быстрый путь: включить биллинг на Vertex — тогда работает уже написанный style_probe.py и весь наш проверенный тракт с core-ref и seed.
И один творческий выбор
Направление стиля — A «Терракота и тушь», B «Аркейн в лоб», C «Печатный рельеф» или D «Пепел и золото». Можно не выбирать вслепую: как только откроется генерация, прогоняю все четыре по трём контрольным сценам и присылаю двенадцать кадров одним листом. Моя ставка — A: самая узнаваемая в превью и единственная, где цвет работает на смысл текста.
Честные оговорки
Что измерено, а что пока рассуждение
- Измерено: отсутствие статичных кадров, длительности и границы всех 143 шотов, типы переходов, темп речи, попадание резов в бит, громкость мастера, отсутствие SFX.
- Наблюдение по кадрам, не замер: все десять правил режиссуры. Каждое подтверждено конкретными шотами с таймкодами, но это разбор одного ролика — на второй ролик канала я их не проверял.
- Непроверенное утверждение: «у них плывёт лицо героя» — я сравнивал кадры глазами, численного теста идентичности лица не делал.
- Стилевые направления — гипотезы. Ни один кадр ещё не сгенерирован, промпты написаны, но не прогнаны. Как поведёт себя печатная фактура направления C при оживлении — узнаем только на тесте.
- Цены: подтверждена одна — Seedance ≈ $0,12 за секунду. Vertex за кадр и Veo за секунду надо снять замером на первом прогоне.