Wan 2.5 для сложной составной сцены в видео
Сложная сцена — это кадр, в котором одновременно живут несколько объектов, и каждый занят своим делом. Такие кадры разваливаются у дешёвых моделей первыми: третий объект подменяется, действия перепутываются, задний план плывёт. Wan 2.5 стоит 320 токенов — вторая цена в наборе после veo-2, и главный вопрос перед генерацией не «как описать сцену», а «нельзя ли эту сцену вообще не снимать одним кадром».
Почему Wan 2.5 подходит для этой задачи
Составная сцена — это набор одновременных условий, и модель удерживает их не бесконечно. Дешёвая генерация обычно честно отрабатывает один-два объекта, а третий превращает в размытое пятно или сливает с соседним. Wan 2.5 держит больше связей разом: несколько предметов сохраняют раздельность и не обмениваются признаками, когда пересекаются в кадре.
Вторая вещь, ради которой берут дорогую модель, — планы. В сложном кадре есть передний план, средний и задний, и в каждом что-то происходит. Дешёвые модели тратят всю согласованность на то, что крупнее и ближе, а задний план начинает жить своей жизнью: люди на фоне теряют очертания, вывески расползаются, линии стен ломаются. Именно фон обычно и выдаёт, что видео сгенерировано.
Теперь честная арифметика. 320 токенов — это 37 генераций на месячный пакет в 12 000, каждая генерация съедает 2,7% месяца, а сцены такого класса редко получаются с первого раза. Поэтому первый вопрос — можно ли сцену разбить. Три простых клипа на pixverse — это 240 токенов вместе, дешевле одного прогона Wan, и на монтаже они дают тот же смысл. Wan 2.5 оправдан, когда объекты обязаны взаимодействовать в одном кадре и склейка разрушает смысл: рукопожатие, передача предмета, реакция одного человека на действие другого.
Какие входные данные подготовить
Перечень значимых объектов с указанием плана: что на переднем, что на среднем, что на заднем. Не больше трёх-четырёх значимых — остальное описывается как фон общими словами.
По одному действию на объект, короткой фразой. Два действия у одного объекта в коротком клипе не помещаются.
Характер взаимодействия, если оно есть: кто на кого смотрит, кто что кому передаёт. Это и есть причина снимать сцену одним кадром.
Единые для всей сцены свет, время суток и погода. Разнобой в освещении между планами читается как ошибка мгновенно.
Точка съёмки и формат: откуда смотрит камера, на какой высоте, 16:9 или 9:16. Пропорции задаются при генерации, кадрированием потом не спасти.
Пошаговый процесс
Проверьте, нельзя ли разбить сцену
Выпишите, что происходит в кадре, по пунктам. Если пункты не зависят друг от друга — их можно снять отдельными клипами и склеить, и это будет дешевле и надёжнее. Оставляйте одним кадром только то, где связь между объектами и есть содержание: взгляд, передача, реакция. Этот шаг экономит больше токенов, чем все остальные вместе.
Разложите кадр по планам
Пишите промпт от переднего плана к заднему, отдельными строками. Такой порядок задаёт модели приоритет: первым описан тот объект, за чью целостность вы держитесь сильнее всего. Свалка перечислений в одном предложении даёт равномерно посредственный результат по всей глубине кадра.
Дайте каждому объекту одно простое действие
Продавец подаёт свёрток, покупатель протягивает руку, за спиной проходят люди. Три объекта — три коротких действия. Как только у объекта появляется цепочка «взял, повернулся, положил», короткий клип превращается в кашу из движений, и никакая цена модели этого не исправит.
Обкатайте композицию на дешёвой модели
Прогоните сцену на pixverse за 80 токенов и посмотрите не на качество, а на то, читается ли композиция: понятно ли, кто где, не сливаются ли объекты. Если на черновике сцена не читается, дорогая модель сделает её красивее, но не понятнее. Правьте формулировку на дешёвых прогонах.
Снимите чистовик и проверьте по списку объектов
Финальную генерацию делайте на Wan 2.5 и сразу сверяйте результат с исходным перечнем: все ли объекты на месте, все ли на своих планах, никто ли не сросся с соседом. Проверка по заранее написанному списку ловит подмены, которые при обычном просмотре мозг достраивает сам.
Пример готового промпта
Сцена: небольшая столярная мастерская, дневной свет из большого окна справа. Передний план: мастер в фартуке проводит рукой по краю деревянной столешницы, проверяя гладкость. Одно движение, медленное. Средний план: помощник ставит на верстак банку с маслом и отходит на полшага. Задний план: у дальней стены стоят вертикально несколько досок, на них падает свет из окна, в воздухе видна древесная пыль. Взаимодействие: мастер коротко поднимает взгляд на помощника, помощник кивает. Камера: неподвижна, съёмка с уровня груди, общий план всей мастерской. Свет: один источник — окно справа, тёплый дневной, мягкие тени влево. Стиль: документальная съёмка, естественные цвета, без глянца. Горизонтальный кадр 16:9. Без текста и надписей в кадре.
Сцена держится на взгляде и кивке — ради них её и снимают одним кадром. Если убрать эту строку, кадр распадается на три независимых действия, и его дешевле собрать из трёх клипов PixVerse на монтаже.
Как проверить результат
Пересчитайте объекты по исходному списку: пропажа третьего объекта или его подмена — самый частый сбой в составных сценах.
Проверьте, не срослись ли два объекта там, где они пересекаются в кадре: руки, края предметов и силуэты на пересечении ломаются первыми.
Отдельно и внимательно посмотрите задний план — именно он выдаёт генерацию: расползающиеся вывески, плывущие линии стен, люди без очертаний.
Проверьте единство света: если тени от объектов на разных планах падают в разные стороны, сцену придётся переснимать, а не чинить цветокоррекцией.
Типичные ошибки
Перечисляют восемь объектов и получают кашу
Чем длиннее список, тем меньше внимания достаётся каждому пункту, и на пятом-шестом объекте модель начинает их смешивать. Рабочий предел — три-четыре значимых объекта, остальное описывается обобщённо: «на дальнем плане несколько человек». Сцена, где важны восемь предметов, снимается не одним кадром, а серией.
Платят 320 токенов там, где хватило бы склейки
Самая дорогая ошибка в этом гайде. Сцена «человек заходит, садится, открывает ноутбук» не является составной — это три последовательных действия, которые монтируются из трёх клипов по 80 токенов. Wan 2.5 нужен только там, где объекты обязаны быть в кадре одновременно и связаны друг с другом.
Описывают сцену литературно
Абзац художественного текста про уютную мастерскую и запах дерева модель разбирает как набор атмосферных слов, а не как разметку кадра. Запахи, мысли и предыстория не имеют визуального выражения, зато занимают место в промпте. Работает сухой перечень: план, объект, действие, свет.
Альтернативные модели для этой задачи
PixVerse
80 токенов за прогон композиции. Если на черновике непонятно, кто где стоит и что делает, проблема в описании сцены, и дорогая генерация её не решит.
falKling
110 токенов. Правильный выбор после того, как сцену разложили на простые кадры: с одним-двумя объектами и внятным движением камеры Kling справляется, а разницу в 210 токенов вы оставляете себе.
Частые вопросы
Когда 320 токенов оправданы, а когда это переплата?
Оправданы, когда объекты взаимодействуют и разнести их по разным кадрам нельзя без потери смысла: передача предмета, реакция на действие, диалог взглядами. Переплата — когда действия просто идут подряд: такую сцену дешевле и надёжнее собрать склейкой из клипов PixVerse.
Сколько объектов Wan 2.5 держит в одном кадре?
Практический потолок — три-четыре значимых объекта со своими действиями, плюс обобщённый фон. Дальше начинаются подмены и слияния, причём предупреждения вы не получите: модель уверенно выдаст кадр, в котором просто нет одного из перечисленных предметов.
Как обкатать сцену, не тратя дорогие генерации?
Тот же промпт прогоняется на PixVerse за 80 токенов, и вы смотрите только на композицию: читается ли расстановка, не сливаются ли объекты. Формулировку правят на дешёвых прогонах, а на Wan 2.5 идут с уже проверенным текстом. Обычно это три черновика и один чистовик — 560 токенов вместо тысячи.
Почему разваливается именно задний план?
Модель распределяет согласованность по кадру неравномерно и отдаёт её крупным ближним объектам. Лечится это не ценой модели, а описанием: задний план нужно задавать простым и малодетальным — стена, доски, ровный свет. Чем меньше мелочей на фоне, тем меньше там ломается.
Сколько таких сцен помещается в месячный тариф?
12 000 токенов — это 37 чистовых генераций Wan 2.5. С обкаткой на дешёвой модели один готовый кадр обходится примерно в 560–900 токенов, то есть за месяц реально сделать 13–20 сложных сцен. Токены общие для веб-кабинета и бота.
Модель Wan 2.5 доступна в FatherGPT: без VPN, картой РФ, единый баланс токенов на все нейросети. Переключайтесь между моделями в одном чате — под каждую задачу своя.