Как воссоздать закрытый рекламный ролик AXE с помощью ИИ: пошаговое руководство

В 2021 году режиссёр Кассандра Бруксбанк предложила нереализованный концепт рекламного ролика AXE с масштабными визуальными эффектами и сюжетом о пассажире Нью-Йоркского метро, перегревающемся в огромном оранжевом пуховике. Проект отложили из-за слишком высокого бюджета на съёмки и VFX, однако спустя пять лет его воплотили в виде 60-секундного спек-ролика под названием For Days That Run Hot.

Для воссоздания видеоряда применялась специализированная платформа Absurd, объединяющая различные генеративные модели в единое рабочее пространство с общей памятью проекта. Вместо бессистемного ввода текстовых запросов съёмочный процесс строился по классической кинематографической методологии: от подробной экспликации и кастинга до финальной цветокоррекции в Resolve.

Подготовка режиссёрской экспликации и раскадровки

Создание генеративного видео без чёткого предварительного плана часто приводит к хаотичным результатам, несогласованным по стилю и смыслу. В кинематографе основа всей работы — режиссерская экспликация (treatment), определяющая визуальный язык, операторские приёмы и общую атмосферу будущего проекта.

За основу был взят оригинальный документ 2021 года с черновиками и черновыми коллажами, который полностью переработали в среде Absurd. Использование встроенной библиотеки визуальных исследований позволило объединить референсы, варианты освещения, локации и эскизы персонажей в единые структурированные страницы без переключения между сторонними редакторами. Дополнительно с помощью инструмента GPT Astra экспликацию превратили в интерактивный веб-сайт для демонстрации концепции.

Следующим шагом стала раскадровка. В традиционном производстве отрисовка каждого кадра вручную в Photoshop занимает до недели работы. В данном проекте вся последовательность кадров была сформирована менее чем за один день, при этом полностью сохранились классические режиссерские решения и мизансцены, ставшие ориентиром для последующей генерации видео.

Кастинг персонажей и виртуальная примерка

Отсутствие точно заданных характеристик персонажей приводит к постоянному изменению внешности и одежды от кадра к кадру. Чтобы избежать этого, для каждого героя составили детальнй профиль, как на стандартном съёмочном производстве.

Для главного героя по имени Джастин требовался узнаваемый и обаятельный образ, способный передать комизм ситуации. В ходе тестирования нейросетевых моделей выяснилось, что разные генераторы справляются с задачами по-разному. Первоначальные попытки создать лицо в Uni давали нереалистичную текстуру кожи, тогда как модель GPT Image 2.5 Sunburst сформировала портреты с кинематографическим освещением и естественными деталями.

После утверждения главного героя модель Uni 1.1 использовалась для создания референсного пакета ракурсов (анфас, профиль, три четверти и полный рост) при нейтральном свете. Помимо главного героя, в проект «закастили» около 20 второстепенных персонажей со своими биографиями и гардеробом: от финансиста с Уолл-стрит и мамы с младенцем до монахини и блогеров.

Подбор одежды также проходил несколько этапов. Огромный оранжевый пуховик главного героя моделировался в Uni и стилизовался в GPT, после чего инструмент Ideogram позволил наложить костюм на зафиксированные референсы лица. Было создано четыре стадии состояния куртки: нормальное, вздутое, протекающее и разрывающееся от пара (с использованием моделей GPT Image и Nano Banana Pro). Все утверждённые образцы зафиксировали в карточке Character Reference Sheet, а общая память платформы Absurd автоматически подтягивала нужные референсы в последующие сцены.

Создание локаций и построение пространственной схемы

Для воссоздания пространства Нью-Йоркского метро, платформы и служебных помещений сначала собирались мудборды из реальных фильмов. За визуальное воплощение отвечала модель GPT Image 2.5 Sunburst, с помощью которой удалось сгенерировать интерьер вагона с сиденьями из синего пластика, матовой сталью и естественными следами эксплуатации.

Снижение геометрических ошибок нейросетей достигается за счет фиксации пространства. Для локации создали 360-градусные обзоры и схему рассадки персонажей сверху (overhead map). Зафиксировав точное расположение каждого из 20 пассажиров в вагоне, удалось предотвратить внезапную перемещение актеров массовки между соседними кадрами в ходе монтажа.

Кинематографический стиль, оптика и световые схемы

В качестве съёмочной системы для алгоритмов были заданы параметры камеры ARRI ALEXA 35 и анаморфотной оптики Panavision G Series. Использование длиннофокусных объективов позволило визуально сжать пространство и подчеркнуть клаустрофобию главного героя, тогда как широкие углы применялись для демонстрации общих планов вагона.

Освещение развивалось по мере нарастания температуры в сюжете и делилось на четыре фазы: «Поездка», «Душно», «Скороварка» и «Пик жары». На последних этапах свет становился всё более тёплым и плотным. Чтобы нейросеть не заливала весь кадр монотонным оранжевым оттенком, в запросах детально прописывались источники света, контрастность, экспозиция и направление световых потоков.

Генерация видеоряда и режиссура ИИ-моделей

Вместо изолированной генерации отдельных кадров список из 48 шотов сгруппировали в короткие последовательности по 3–5 кадров. Для генерации динамических видеосегментов продолжительностью около 10 секунд основной моделью стала Seedance 2.5.

Текстовые запросы формулировались как прямые указания оператору и актёрам: указывались конкретные объективы, траектории движения камеры, мотивация персонажей и точки склеек. Вместо абстрактных эмоций нейросети задавалась физическая задача (например, «актер пытается вести себя естественно, скрывая, что сильно потеет»). Также были заданы жесткие правила физики: куртка должна надуваться так, словно это реальный бутафорский реквизит, а вода имеет ощутимый вес.

Рабочий процесс строился по принципу экономии ресурсов: сначала генерировались тестовые черновые дубли в разрешении 480p, и только после утверждения лучшего варианта производился рендер в 1080p. Для придания видеоряду естественности в кадр намеренно добавлялась ручная нестабильность, панорамирование и резкие зумы. Весь процесс видеогенерации занял около двух дней.

Монтажно-точечный этап и работа со звуковым дизайном

Полученные дубли импортировались в Adobe Premiere Pro и монтировались в точном соответствии с подготовленной ранее раскадровкой. Благодаря проработанной базе референсов повторная генерация потребовалась всего для двух или трёх кадров.

Особую роль в финальном восприятии сыграл звуковой дизайн. Нарастание комического напряжения создавалось с помощью звуков гула поезда, треска натягивающейся ткани пуховика, шипения выпускаемого пара и резких аудиопереходов. Тайминг комедийных реакций и пауз отрабатывался по традиционным правилам режиссуры монтажа.

Финальный постпродакшн: очистка, цветокоррекция и плёночное зерно

Поскольку генеративные модели часто создают нечитаемые надписи на заднем плане, текстовые указатели в вагоне метро были заменены с помощью ротоскопинга на реальные графические элементы. Мелкие нейросетевые артефакты также устранялись на этапе VFX-чистки.

Цветокоррекция выполнялась оператором-постановщиком Эндрю Флетчером в программе DaVinci Resolve. Кадры разделялись с помощью алгоритма Scene Cut Detection и подгонялись по тону кожи и контрасту в широком цветовом пространстве. Для устранения искусственной «цифровой» гладкости на видеоряд наложили текстуру 35-мм плёнки с зерном 250D и эффектом ореола (halation) через плагин Filmbox Pro.

Итоги эксперимента и выводы для видеопроизводства

Создание роликов подобного уровня демонстрирует, что генеративные сервисы выступают в роли инструмента реализации, но не заменяют режиссерское видение, чувство ритма и драматургию. Использование специализированных платформ с общей памятью проекта позволяет организовать сквозной пайплайн, в котором авторские решения сохраняются на всех этапах — от черновика до финального мастера.