Нейросети для создания видео из текста

Нейросеть для создания видео из текста снимает ролик по одному описанию. Вы пишете, кто в кадре, что он делает, какой свет и как движется камера, а через одну–шесть минут получаете клип длиной от нескольких секунд до полуминуты, чаще всего сразу со звуком. Картинка не нужна, поэтому так делают мультяшные сценки для детей, заставки, рекламу напитка или кафе и ролики для Reels.

Нейросетей в разделе под сорок, от черновиков в 360p до роликов в 4K. Мы дали шести лидерам одну и ту же сценку и одну надпись по-русски и выложили все ролики как есть. Если хочется начать сразу, берите Grok Video: ролик готов примерно через минуту и сразу со звуком, а русскую надпись она написала без ошибок. Дешевле всего секунда видео из текста выходит у Veo 3.1 в модели Lite, но надписи ей лучше не доверять.

Одна сценка в шести нейросетях

В сценке три действия подряд, и сразу видно, какая нейросеть дочитывает задание до конца. Условия одинаковые: только текст, 720p, формат 16:9, звук включён. Длительность 5 секунд, кроме трёх случаев: у Grok Video меньше шести секунд не бывает, у Gemini Omni пяти секунд в форме нет (взяли 6), а Veo 3.1 всегда снимает 8.

Пять нейросетей из шести сыграли все три действия. Grok Video остановилась на первом: ёжик толкнул яблоко, оно откатилось на пару шагов, и ролик кончился вихрем листьев вокруг героя, который так никуда и не побежал. Самая живая съёмка у Seedance 2.5: камера несётся сбоку вместе с ёжиком, яблоко катится под горку, а в конце листья летят прямо в объектив. Только Wan 3.0 показала, как ёжик вылезает из кучи обратно, шапка при этом осталась на месте. Kling 3.0 сняла сцену в самом реалистичном свете, а Veo 3.1 за свои 8 секунд успела ещё и вскарабкаться с ёжиком на кучу. Толкать яблоко носом, как в задании, Wan и Omni не стали: у них ёжик толкает лапами.

Быстрее всех ответили Omni (минута) и Grok (полторы), дольше всех считала Seedance 2.5, шесть с лишним минут. Дороже всего ролик тоже вышел у Seedance 2.5, дешевле всего — у Veo 3.1 и Grok Video.

Надписи и речь по-русски

Вторая проверка про надпись. Её часто просят в поздравлениях и рекламе, а с буквами у нейросетей до сих пор хуже всего. Здесь мы взяли дешёвые настройки: 480p у Grok, Seedance и Wan, 720p без звука у Kling (ниже разрешения в форме нет), модель Lite у Veo и 4 секунды у Gemini Omni.

«ОТКРЫТО ДО УТРА» без единой ошибки написали Seedance 2.5, Wan 3.0, Gemini Omni и Grok Video. Первые три к тому же зажгли буквы по очереди, как просили, а у Grok вывеска горит с первого кадра. Kling 3.0 перевела надпись на английский, да ещё с опечаткой: OPEN UNTIL MORIING. Veo 3.1 выдала набор похожих на русские букв. Мы повторили задание в её модели Fast, которая дороже, и снова получили бессмыслицу, так что русский текст в кадре Veo лучше не заказывать.

С речью картина другая. Её мы проверяли распознаванием на примерах ниже и на роликах из фото: фразу по-русски внятно произносили Grok Video, Wan 3.0, Veo 3.1 и Gemini Omni. Seedance 2.5 справилась почти без ошибок, хотя русского в её языках разработчик не заявляет. У Kling 3.0 русская речь не вышла ни разу. Две реплики разных героев в одном ролике дословно сказала P-Video 2 Pro, этот пример ниже, в разделе о Pruna.

Как сделать видео из текста на сайте

Откройте нейросеть по ссылке или карточке выше. В поле Тип генерации выберите «Видео из текста»: у многих по умолчанию стоит режим с картинкой. У Gemini Omni режим называется «Видео», в нём не загружайте картинки. Сцену опишите в поле Задание, писать можно по-русски. Это и есть промпт, если встретите это слово.

Дальше выберите длительность, разрешение и Соотношение сторон: 9:16 для Reels, Shorts и ВК Клипов, 16:9 для YouTube. Разрешение подбирайте под задачу: 480p — для проб, 720p — для экрана телефона, 1080p и 4K (2160p) — для большого экрана. Цена видна на кнопке Отправить до запуска и меняется вместе с настройками. У большинства нейросетей платите за секунду ролика, у Veo 3.1, Gemini Omni и части старых версий — за ролик целиком.

Если не знаете, как начать описание, нажмите Генератор промпта у поля Задание: он развернёт пару слов в сцену. Готовый ролик появится под формой и в разделе Мои результаты. Хранится он 7 дней, нужный лучше сразу скачать. Если сайт для вас новый, начните с инструкции по сайту.

С каких нейросетей начать

Grok Video: быстро, дёшево, со звуком

Из текста на сайте чаще всего снимают в Grok Video от xAI, за последний месяц её запускали так в несколько раз чаще любой другой нейросети раздела. Она делает от 6 до 30 секунд в 480p или 720p, звук и речь добавляет сама, соотношений сторон на выбор пять. В поле Режим есть «Весёлый»: движение становится мультяшнее и смешнее. Все наши ролики в Grok пришли за минуту–полторы, а стоит она от 2 ₽/сек.

Мультяшный рыжий кот в костюме ведущего прогноза погоды стоит у карты и говорит по-русски бодрым голосом: «Завтра в Москве плюс двенадцать и солнце, а кто забудет зонтик — тот сам виноват!» Подмигивает в камеру, по карте за его спиной скачут маленькие солнышки. Звук: весёлая заставка новостей.

Распознавание речи вернуло фразу кота слово в слово, «плюс двенадцать» тоже. Слабые места Grok видны в сравнении выше: максимум 720p, а длинное задание она может сыграть не до конца.

Seedance 2.5: несколько сцен в одном ролике

Seedance 2.5 от ByteDance вышла в конце июля 2026 года. Она снимает до 30 секунд одним куском, до 1080p, со звуком, и, по словам разработчиков, умеет выстроить в ролике несколько связанных сцен. Проверили на короткой истории.

Короткий фильм из трёх сцен, одна и та же героиня во всех. Сцена 1: раннее утро, девушка в жёлтом дождевике выходит из подъезда с бумажным стаканом кофе, камера идёт за ней сзади. Сцена 2: она бежит к трамваю, двери закрываются прямо перед ней, крупный план её лица — досада. Сцена 3: трамвай снова открывает двери, водитель машет ей рукой, девушка смеётся и запрыгивает внутрь. Реалистичная съёмка, мокрый город, мягкий утренний свет. Звук: дождь, звонок трамвая, шум улицы.

Три сцены уложились в 12 секунд, героиня в жёлтом дождевике одна и та же от начала до конца, стакан кофе не потерялся. Досаду на лице нейросеть сыграла крупным планом, как просили. В третьей сцене из дверей трамвая выглядывает мужчина и машет, но смеха девушки не видно: она к камере спиной. Ждали четыре с половиной минуты. Секунда из текста у Seedance 2.5 дороже, чем у остальных лидеров, поэтому пробы делайте в 480p: там секунда заметно дешевле, чем в 720p. Цена «от» в карточке и таблице у неё указана для режима с видео-референсами.

Wan 3.0: до 30 секунд и ролик по статье

Wan 3.0 Video Prime от Alibaba вышла в августе 2026 года. Она делает от 2 до 30 секунд за один запуск, звук включён сразу и на цену не влияет, по-русски говорит. Главное её отличие — в поле Тип генерации: кроме текста там есть «Документ» (PDF, Word, PowerPoint, таблицы, до 50 страниц) и «Публичная страница». Мы дали ей ссылку на нашу инструкцию о зацикленном видео.

Сделай короткий объясняющий ролик по этой статье: что такое бесшовная петля и где она пригодится. 3–4 сцены с примерами из статьи, спокойный женский голос за кадром по-русски.

Из страницы получились четыре сцены: знак бесконечности, трава на ветру, ноутбук с роликом на паузе и свеча. Голос за кадром по-русски объяснил, что это цикл без разрывов, где конец плавно переходит в начало, и что такие ролики годятся для фона стримов и сайтов. Распознавание разобрало фразу целиком. А вот текст на экране ноутбука вышел бессмысленным набором латинских букв, мелкие надписи Wan пока не даются. Сами разработчики в блоге Alibaba Cloud пишут, что звук и надписи в кадре у Wan 3.0 ещё дорабатывают.

Prime стоит от 9 ₽/сек. в 480p. У Wan 3.0 Video та же форма и те же режимы, а секунда дешевле: от 5 ₽/сек. в 480p. Prime, по описанию на её странице, — ускоренный вариант. Наши пятисекундные ролики в ней пришли меньше чем за две минуты, десятисекундный по странице — за четыре с лишним.

Kling 3.0: несколько сцен и 4K

Kling 3.0 от Kuaishou вышла в феврале 2026 года. Она снимает от 3 до 15 секунд в 720p, 1080p или 4K (2160p), а в поле Сцены можно выбрать «Один ролик», «Умное планирование», при котором нейросеть сама делит ролик на сцены, или «Свои сцены», где каждую сцену описываете отдельно. Мы попросили рекламу лимонада и доверили раскадровку нейросети.

Рекламный ролик домашнего лимонада. Бутылка с каплями конденсата стоит на деревянном столе летнего кафе. Рука открывает крышку, над горлышком поднимается лёгкий пар. Лимонад льётся в стакан со льдом, долькой лимона и мятой. Девушка делает глоток и улыбается, за её спиной солнечный пляж. Яркие сочные цвета, солнечный день.

Вышло три сцены примерно по три секунды: рука снимает крышку с запотевшей бутылки, лимонад льётся в стакан со льдом, мятой и долькой лимона, девушка пьёт на фоне пляжа. Для рекламы в соцсетях такое можно брать почти как есть. Звук здесь — отдельный переключатель Нативное аудио, по умолчанию он выключен, а включённый добавляет к цене. Kling 3.0 стоит от 11 ₽/сек. в 720p без звука. В форме есть поле Версия, варианты отличаются настройками и ценой, мы запускали вариант по умолчанию. Слабое место Kling 3.0 — русский язык: речь она не произносит, разработчик заявляет пять языков, и русского среди них нет.

Veo 3.1 и Gemini Omni от Google

Veo 3.1 всегда снимает 8 секунд со звуком, до 4K. В поле Версия сразу выбрана 1, в ней три модели: Lite умеет только текст, и секунда видео у неё самая дешёвая в разделе, Fast работает ещё и с картинкой, Обычная самая дорогая. Стоит Veo от 10 ₽. Вот что Lite сняла в 1080p.

Бабушка на даче снимает с плиты медный таз с вишнёвым вареньем, розовая пенка пузырится, над тазом кружат осы, она отгоняет их полотенцем и смеётся. Солнечный август, деревянная веранда, реалистичная съёмка. Звук: бульканье варенья, жужжание ос, птицы в саду.

Бабушка, пенка и медный таз получились живыми, а ос нейросеть нарисовала целый рой. Снимать таз с плиты она не стала, он так и стоит на столе. Ждали две с половиной минуты. Для сцен без текста в кадре Lite годится, чтобы дёшево проверить идею.

Gemini Omni Google показала в мае 2026 года. Ролик длится 4, 6, 8 или 10 секунд, 720p и 1080p стоят одинаково, есть 4K. Сценку с ёжиком она прислала первой, через минуту. Кроме видео в поле Тип генерации есть «Персонаж» и «Аудио»: героя и голос создают один раз, а потом добавляют в ролики, до трёх персонажей в одном. Цена от 60 ₽ за ролик.

Остальные нейросети раздела

Другие версии лидеров

Для видео из текста на сайте чаще всех после Grok берут Seedance 1.5 Pro. Ролик на 4, 8 или 12 секунд недорогой, звук включается переключателем Сгенерировать звук, а Фиксированная камера не даёт кадру плыть. Вот готовый пример с её страницы, звук здесь главный.

Создай ASMR-видео: крупный план — руки медленно режут спелый арбуз острым ножом. Звуки: хруст разрезаемой корки, сочный звук мякоти, капли сока на деревянной доске. Никакой музыки, только пространственный звук. Медленное движение ножа, тёплое освещение, капли воды на поверхности арбуза.

В семействе есть и другие версии. Seedance 2.0 снимает до 15 секунд, в её поле Версия три варианта с разными настройками и ценой. У Seedance 2.0 Mini в режиме из текста есть переключатель Поиск в интернете: пригодится, если в ролике нужны свежие факты. Первая версия, Seedance 1.0, как и 1.5 Pro, умеет фиксировать камеру, но снимает до 1080p (у 1.5 Pro — до 720p).

Kling 2.5 Turbo Pro делает ролики на 5 или 10 секунд, и у неё есть Негативный промпт (список того, чего в кадре быть не должно) и ползунок Сила следования промпту. Kling 2.1 снимает из текста только в модели «Мастер», и это одна из самых дорогих нейросетей раздела. Kling 2.6 добавляет звук переключателем Со звуком, а Kling 3.0 Turbo — вариант попроще, без поля Сцены и без звука.

Gemini Omni 1.1 работает как Omni, но при тех же длительностях дешевле и умеет ещё 360p. У Wan тоже длинная линейка. Wan 2.7 Video в режиме из текста принимает ваш аудиофайл, Wan 2.6 умеет Несколько шотов, то есть несколько сцен в ролике. Wan 2.2 Ultra Fast быстро и недорого снимает 5 или 8 секунд для проб.

Pruna: три версии со звуком

У Pruna AI в разделе три версии. Первая, Pruna AI P-Video, снимает от 1 до 20 секунд со звуком и в наших пробах говорила по-русски. У Pruna P-Video 2 длина та же, разрешение 720p или 1080p, а переключатель Черновик нужен для совсем дешёвых прикидок.

Pruna P-Video 2 Pro появилась на сайте в октябре 2026 года. Рамки у неё теснее: от 5 до 15 секунд, 480p или 768p. Пропорций в режиме из текста столько же, семь: от 16:9 и 9:16 до квадрата 1:1. Звук и речь она создаёт вместе с картинкой. Черновика нет, вместо него поле Режим: Экономный, Быстрый или Качественный. Ещё есть Улучшение задания: перед съёмкой нейросеть дописывает промпт сама, быстро или по максимуму, а если сцену нужно снять дословно, его выключают. Мы дали ей сценку с двумя героями, у каждого своя реплика.

Короткая сцена в купе ночного поезда, тёплый свет настольной лампы, за окном мелькают огни станций. Пожилая проводница ставит на столик два стакана чая в подстаканниках и говорит: «Чай с лимоном, как заказывали». Мужчина лет тридцати пяти отрывается от книги, улыбается и отвечает: «Спасибо, вы нас балуете». Проводница кивает и задвигает дверь купе. Камера плавно переходит от стаканов к окну. Стук колёс, звон ложечек.

Монтажа мы не просили, но нейросеть сама нарезала сцену на четыре плана: сначала проводница, потом пассажир, потом стаканы крупно и в конце окно. Проводница и пассажир сказали свои фразы, и распознавание речи вернуло обе без единой ошибки. В другой пробе, вертикальной рекламе мёда в качественном режиме, она вывела внизу кадра «МЁД С ПАСЕКИ» крупными буквами, тоже без ошибок и с буквой Ё. Для сценки с диалогом или ролика товара с подписью она подойдёт, если хватает 768p. Цена: от 2 ₽/сек..

Дёшево для проб

Runway 4 Turbo делает ролики на 5 или 10 секунд, готовый потом можно продлить. У PixVerse 6.0 и PixVerse C1 разрешение начинается с 360p, а у 6.0 есть переключатель Несколько клипов для ролика из нескольких сцен.

Высокое разрешение и особые режимы

LTX 2.3 снимает в 1080p, 1440p или 2160p (4K) и до 50 кадров в секунду, в модели Fast при 1080p и 25 кадрах ролик бывает до 20 секунд. MiniMax H3 всегда отдаёт 2K, это выше 1080p. Flux 3 Video сначала делает дешёвый черновик, а потом доводит удачный до HD (720p) или FHD (1080p) режимом «Финализация черновика». У HappyHorse 1.1 больше всех соотношений сторон, включая 4:5 и 21:9, а HappyHorse 1.0 умеет редактировать готовое видео. Vidu Q3 даёт выбрать Амплитуду движения и по умолчанию добавляет фоновую музыку. Hailuo 02 снимает 6 или 10 секунд, а в модели Pro — 6 секунд в 1080p.

Таблица: длительность, звук, особенности

В таблице лидеры и самые заметные нейросети раздела, остальные видны карточками выше.

Что выбрать под задачу

• Много роликов для соцсетей или проверка идеи: Grok Video, ждать минуту–полторы, звук сразу.
• Как можно дешевле: Veo 3.1 с моделью Lite, если в кадре нет надписей.
• Мультик или сценка, где нейросеть должна сыграть всё задание: Seedance 2.5, Kling 3.0 или Veo 3.1 (см. сравнение с ёжиком выше).
• Надпись по-русски в кадре: Seedance 2.5, Wan 3.0 или Omni.
• Герой говорит по-русски: Grok Video, Wan 3.0 или Veo 3.1. Двое героев обмениваются репликами: P-Video 2 Pro, в нашей пробе она сама развела сцену на планы.
• Длинная сцена на 15–30 секунд: Wan 3.0 или Seedance 2.5. История из нескольких сцен: Seedance 2.5 или Kling 3.0 с «Умным планированием».
• Ролик по статье, презентации или PDF: Wan 3.0, режимы «Документ» и «Публичная страница».
• Ролик в 4K: Kling 3.0, Veo 3.1, Omni или LTX 2.3.
• Есть фото, которое надо оживить: раздел «Видео из изображений». Нужен ваш голос и ваше лицо в кадре: «Говорящее фото».

Пошагово один ролик из текста разобран в инструкции «Как создать видео по текстовому описанию», а рекламу из картинки и видео — в инструкции «Как создать рекламное видео».

Как описать сцену, если картинки нет

• Пишите всё, что обычно даёт фото: кто в кадре и как выглядит, где он, время суток, стиль («объёмный 3D-мультфильм», «реалистичная съёмка»). Чего нет в тексте, нейросеть придумает сама.
• На 5 секунд хватает одного-двух действий. Три действия в сценке с ёжиком сыграли не все.
• Камеру описывайте отдельной фразой: «камера сбоку следует за героем», «медленный наезд», «камера неподвижна».
• Звук пишите последней строкой, начиная со слова «Звук:». Речь пишите в кавычках и с языком: говорит по-русски: «…». На 10 секунд хватает фразы из 12–15 слов.
• Надпись в кадре делайте короткой: два-три слова в кавычках и заглавными буквами.
• Если героя нужно снять в нескольких роликах, описывайте его в каждом промпте одинаково, слово в слово.

Ролики в статье сняты на сайте по промптам рядом с ними, мы их не монтировали и не правили. На пробы для статьи ушло чуть больше 1000 ₽.

Вопросы