Кліп на підписках: код, генератор і Veo

Створено за допомогою ШІ: картинку й рух згенеровано.

Сюжет і розподіл роботи між інструментами

Дія кліпу — Черкаси 2077 року. Над містом висить Купол, що керує погодою; після грози він завис у режимі ночі. Дрон із «ключем від світанку» впав у Дніпро. Ретриверка Тоффі веде Софію через місто — бульвар, готель «Слов'янський», будинок Щербини, Річковий вокзал. Ключ стережуть пси-роботи, які бачать лише мережевий сигнал, тож живу собаку без чипа не помічають — і Тоффі виносить ключ у зубах. Купол відкривається лише «для живого тепла», від дотику носа Тоффі.

Роботу я розподілив між трьома інструментами й собою. Генератор картинок OpenAI (через Codex на моєму сервері) робив кадри: три фото героїв стали зразком, місто генерувалось лише з текстових підказок. Рух — 38 відео Veo 3.1 Fast, які я сам зробив у Google AI Pro за кадрами й підказками агента. Камеру, світло, дощ, монтаж у такт, неонові титри, вертикальну версію й рендер зробив мій агент Claude Code — на p5.js + Canvas2D у headless Chrome, з виводом через ffmpeg. За мною лишались сюжет, рішення, фото героїв, вибір пісні з варіантів Suno й самі відео Veo.

Де картинка і рух розходяться з задумом

Генератор домальовує те, чого не просили: сторонніх людей у порожньому кадрі, написи російською, собори й «сталінські» висотки. Ліки — пряма заборона в загальному стилі підказок і перевірка кожного кадру на збільшенні.

Veo вигадує вже всередині одного відео: герой перетворюється на іншу людину, з'являється другий ретривер, чужі вивіски. Ліки — камера в підказці стоїть на місці, склейки знаходить скрипт, і у фільм іде лише чистий відрізок без мутацій. З 380 секунд згенерованого відео у фільм зрештою пішло 148 секунд.

Монтаж, прив'язаний до слів, а не до секунд

Текст пісні — українською, жіночий вокал, drum and bass, 174 BPM, написав агент, музику згенеровано в Suno. Щоб монтаж точно лягав у такт, Demucs відділяє голос, Whisper порівнює варіанти пісні з текстом, а MMS_FA прив'язує кожне слово до голосу; склейка робиться на долі перед рядком. Сцени прив'язані саме до рядків пісні, а не до секунд — коли пісню замінили на нову, монтаж переїхав сам, без перемонтажу.

Технічна деталь: відео Veo виходять 24 кадри в секунду, а фільм зібраний на 30. У сповільнених сценах це давало повторювані кадри — прибрала їх інтерполяція руху ffmpeg minterpolate. Для вертикальної версії (1:10, для Reels, TikTok і Shorts) монтаж лишився той самий, але вікно 9:16 підбиралось для кожної сцени окремо, щоб у кадрі були і Софія, і Тоффі.

Підписки проти прайсу API

Окремо за токени й генерації я не платив — усе на звичайних місячних підписках: Claude Max для агента ($100), ChatGPT для генератора картинок ($20), Google AI Pro для Veo, Suno Pro для пісні ($10). Агент спожив 606,7 млн токенів, із них 587 млн — читання з дешевого кешу; за прайсом API Opus 5.5 це вийшло б приблизно $273, але це лише еквівалент для масштабу, реальних платежів за токени не було.

Чистий час роботи агента — 6 год 49 хв, календарно проєкт зайняв 4 дні (10–13.10). Рендер фінальної версії — 13 хв 25 с, вертикальної — 3 хв 51 с. У фіналі — 58 сцен (у вертикалі 18), 7698 кадрів, 58 кадрів генератора і 35 відео Veo; код монтажу, камери, рендеру й інструментів — приблизно 3500 рядків.

Висновки для бізнесу

• Реальних людей краще передавати генератором зі зразком фото, а камеру, світло й монтаж — кодом: зразок дає схожість, код дає контроль і повторюваний результат, включно з окремою вертикальною версією з того самого монтажу.
• Генератор і відео-модель здатні додавати в кадр те, чого не просили, — від сторонніх людей до написів іншою мовою; потрібна пряма заборона в підказках і перевірка кожного кадру.
• Генероване відео може «мутувати» всередині одного ролика — тому варто фіксувати камеру в підказці й автоматично відбирати лише чисті відрізки, не весь матеріал.
• Монтаж, прив'язаний до слів пісні, а не до секунд, дозволяє замінити звукову доріжку без перемонтажу.
• Рішення про сюжет, героїв, пісню й що прибрати з кадру лишаються за людиною — інструменти виконують ремісничу частину й перевірку.