Text-to-Video (T2V): генерация видео по тексту

Text-to-Video (T2V) — это генерация видео по текстовому описанию: модель получает промпт и синтезирует последовательность кадров, а в некоторых системах ещё и звук. В актуальной трактовке на 2026-08-16 T2V часто включает не только текстовый ввод, но и опциональное условие в виде изображения; доступность, лимиты и цены зависят от конкретного продукта и их нужно перепроверять на официальных страницах.

Английский термин: text-to-video, сокращение: T2V. Также встречается перевод «генерация видео по тексту»; близкие, но не тождественные термины — image-to-video и text-to-image.

Простыми словами

Грубо говоря, T2V можно представить как «режиссёра-исполнителя», который читает вашу короткую сцену и сразу пытается снять ролик. Вы пишете не файл с кадрами, а намерение: кто в кадре, что происходит, как движется камера, какой свет, какой темп и нужен ли звук.

В отличие от обычного видеомонтажа, вы не двигаете каждый объект вручную. Модель сама придумывает, как превратить текст в движение между кадрами. Именно поэтому T2V удобно для черновиков, аниматиков и быстрых проверок идеи, но хуже там, где нужен покадровый контроль.

Как это работает

Единой архитектуры у всех T2V-систем нет. В работе Make-A-Video описан один из базовых подходов: расширить текст-в-изображение модель пространственно-временными слоями и интерполяцией кадров. В VideoPoet показано другое семейство систем — LLM-based генерация видео в zero-shot-режиме, поддерживающая и text-to-video, и image-to-video. Коммерческие продукты обычно подробно раскрывают возможности, но не всегда полную внутреннюю схему, поэтому ниже — обобщённая механика.

Текстовый промпт
      ↓
Разбор сцены: объекты, действия, стиль, камера, длительность
      ↓
Внутреннее представление сцены
      ↓
Генерация последовательности кадров
      ↓
Временное согласование между кадрами
      ↓
Интерполяция / повышение детализации
      ↓
Опционально: синхронизированный звук
      ↓
Готовый видеоролик

1. Промпт задаёт сцену. Обычно полезно описывать не только объект, но и действие, ракурс, освещение, длительность и желаемый темп.
2. Модель строит визуальное представление. В одних системах оно вырастает из text-to-image-подхода, в других — из мультимодальной языковой архитектуры.
3. Генерируются кадры и движение. Ключевая сложность T2V — не отдельный красивый кадр, а согласованность между кадрами: чтобы объекты, фон и траектории не «плавали» слишком заметно.
4. Может добавляться условие изображением. Официальные страницы Sora 2 и Veo 3.1 отдельно указывают поддержку не только текста, но и входных изображений.
5. В некоторых продуктах синтезируется звук. Документация OpenAI для Sora 2 говорит о synced audio, а модельная карточка Veo 3.1 Lite — о генерации видео с audio из текста или изображения.
6. Иногда добавляются метаданные происхождения. Например, OpenAI пишет, что видео Sora встраивают метаданные C2PA.

Где применяется

На практике T2V нужен там, где вам надо быстро получить видеосцену из описания, а не собирать ролик вручную из ассетов. Обычно это:

• проверка идеи сцены до полноценной съёмки или анимации;
• черновые промо-фрагменты и короткие social-first ролики;
• анимация сцены по тексту с дополнительным изображением как опорой;
• API-пайплайны, где генерация видео встраивается в продукт или контент-процесс.

По официальным страницам на 2026-08-16 практический ландшафт выглядит так:

Если вам важен бюджет именно в Google Cloud, на странице Vertex AI Pricing для Veo 3 указаны USD $0.50 за секунду генерации видео и USD $0.75 за секунду генерации видео со звуком; для не-USD биллинга Google отдельно оговаривает зависимость от Cloud Platform SKUs. Для остальных продуктов цены и кредитные схемы в источниках меняются слишком часто, поэтому их лучше проверять непосредственно перед запуском.

Практический пример

Сценарий: вам нужен короткий тестовый ролик для питча — одна сцена, шесть секунд, с понятным движением камеры и атмосферным звуком.

1. Сначала формулируете задачу в структуре, а не в одном прилагательном. Хороший промпт для T2V обычно содержит: субъект, действие, окружение, свет, движение камеры, длительность, звук.
2. Пишете промпт. Не как литературный абзац, а как техническое описание сцены.
3. Если платформа умеет image conditioning, добавляете опорный кадр. Это особенно полезно, когда вам нужен конкретный продукт, персонаж или композиция.
4. Генерируете несколько вариантов. Например, в документации Vertex AI для Veo 3 указано до 4 видео за запрос и длины 4, 6 или 8 секунд; также там указан лимит до 10 API requests per minute per project.
5. Проверяете не красоту одного кадра, а устойчивость последовательности. Смотрите, сохраняется ли объект, не распадается ли движение, не возникает ли скачков между кадрами.
6. Уточняете ограничения сцены. В Runway для Veo 3/3.1 поддержка negativePrompt была добавлена отдельно, поэтому нежелательные элементы иногда можно убирать именно таким уточнением — если вы работаете на этой поверхности.

Пример промпта

A ceramic mug on a wooden table, soft morning light through a kitchen window,
slow dolly-in camera movement, light steam rising from the mug,
cozy realistic style, 6-second shot, subtle café ambience, no text overlays.

Это не «универсальный синтаксис» конкретного сервиса, а шаблон мышления. Чем точнее вы задаёте действие и камеру, тем понятнее модели, что должно меняться между кадрами.

Чем отличается от близких терминов

Ещё один близкий, но другой сценарий — Image-to-Image (I2I). Если вы меняете готовый кадр, стиль или детали изображения, а не создаёте движение во времени, это уже не T2V.

Ограничения и заблуждения

• Заблуждение: «T2V — это автоматический видеомонтаж». Нет. T2V хорошо создаёт черновую сцену, но не заменяет точный монтажный контроль над каждым объектом и каждой склейкой.
• Заблуждение: «все T2V-модели умеют звук». Нет. В официальных материалах Sora 2 и Veo 3.1 возможность audio указана явно, но это нельзя автоматически переносить на любой сервис.
• Заблуждение: «одного промпта достаточно для полного контроля». На практике устойчивость персонажа, предметов и траекторий остаётся одной из главных проблем T2V.
• Ограничение: доступность неоднородна. Для Google Veo доступ зависит от поверхности: DeepMind, Vertex AI, Gemini, Flow и Workspace могут различаться по функциям и статусу.
• Ограничение: цены, квоты и регионы быстро меняются. В исходном пакете отдельно отмечено, что региональная доступность не централизована, а стоимость и кредиты зависят от плана, валюты, налогов и SKU.
• Ограничение: статусы продуктов легко перепутать. У OpenAI нельзя смешивать дату закрытия Sora web/app и дату прекращения Sora API: это разные события.
• Прозрачность происхождения тоже различается. OpenAI отдельно пишет про C2PA metadata для Sora, но из этого не следует, что одинаковая маркировка устроена у всех поставщиков одинаково.

Редакционное ограничение. По открытым официальным источникам нельзя честно построить единый рейтинг качества всех T2V-моделей: нет общей методики, одинаковых настроек и общего набора сцен. Практический вердикт: T2V уже полезен для превизуализации, коротких клипов и прототипирования сцен, но перед внедрением в процесс вам нужно перепроверить официальный статус сервиса, лимиты, регион и цену именно на день запуска.

Связанные термины и материалы

• Text-to-image — ближайшая базовая категория для понимания, чем видео отличается от одиночного кадра.
• Лучшие AI для image-to-video: 6 инструментов по сценариям — если вам нужен старт не с текста, а с картинки.
• Image-to-Image (I2I) — когда вы меняете изображение, а не создаёте видеоряд.
• Text-to-speech (TTS): синтез речи из текста — полезно, если вы отдельно собираете озвучку для ролика.
• Speech-to-text / ASR: распознавание речи в текст — пригодится для субтитров, транскриптов и постобработки видео.

Источники

• What to know about the Sora discontinuation | OpenAI Help Center
• Veo 3.1 — Google DeepMind
• Dream Machine Guide: Payments & Subscriptions
• Welcome

• Make-A-Video: Text-to-Video Generation without Text-Video Data
• VideoPoet: A Large Language Model for Zero-Shot Video Generation
• Sora 2 Model | OpenAI API
• What to know about the Sora discontinuation | OpenAI Help Center
• Creating with Sora safely | OpenAI
• Veo 3.1 Lite – Model Card — Google DeepMind
• Veo 3 | Generative AI on Vertex AI | Google Cloud Documentation
• Vertex AI Pricing | Generative AI on Vertex AI | Google Cloud
• Available AI Models | Runway Dev
• API Changelog & Updates | Runway Dev
• Creating with Gen-3 Alpha and Gen-3 Alpha Turbo – Runway
• Luma Dream Machine: New Freedoms of Imagination | Luma AI
• Ray3.14 | Luma
• Pika
• Frequently Asked Questions

Вопросы и ответы

Что такое Text-to-Video простыми словами?

Это класс моделей, которые превращают текстовое описание сцены в видеоролик. Вы задаёте словами, что должно происходить, а система генерирует последовательность кадров.

T2V всегда умеет генерировать звук?

Нет. По официальным источникам synced audio или audio generation явно заявлены, например, для Sora 2 и Veo 3.1, но это не универсальное свойство всех T2V-сервисов.

Чем T2V отличается от image-to-video?

В T2V исходной инструкцией может быть только текст. В image-to-video основой обычно служит готовое изображение, которое затем анимируется или развивается в ролик.

Какой сервис выбрать для T2V в 2026 году?

Выбор зависит от того, нужен ли вам API, web/iOS-приложение, корпоративный cloud-контур или social-first сценарий. Практически всегда сначала проверяйте официальные страницы на предмет региона, лимитов, статуса продукта и цены; для OpenAI отдельно учитывайте, что Sora web/app уже закрыты, а Sora API запланирован к прекращению 2026-09-24.