🎬 Как создать контролируемое видео с первой попытки? Смотрите практическую инструкцию!

Я записал видео, где показываю весь процесс создания ролика в Kling 3.0 - от идеи до готового результата. Использовал Multi-Shot и Elements, чтобы получить именно то, что задумал.

💬 Kling 3 доступен в боте: https://t.me/gptcyber_bot

Почему это важно?

Это лучший способ создавать контролируемое видео практически с первой попытки. Вы не просто генерируете случайный контент - вы полностью управляете процессом:

✅ Сохранение внешнего вида людей - лица, одежда, черты остаются теми же

✅ Консистентность предметов - логотипы, товары, аксессуары не меняются

✅ Единая сцена - локация и атмосфера идентичны во всех кадрах

✅ Товары и бренды - показывайте продукты с разных углов, не теряя узнаваемость

Главная фишка:

Когда вы генерируете серию видео с использованием Elements, все ролики можно соединить в один - и персонажи, сцена, предметы останутся абсолютно одинаковыми! Это открывает возможности для создания длинных нарративных роликов, рекламных серий, обучающих материалов.

В видео показываю:

• Как создавать и сохранять Elements (элементы)

• Как использовать Multi-Shot для разных ракурсов

• Как описывать промпты для нужного результата

• Реальные примеры генерации с сохранением персонажей

Никакой теории - только практика и реальные результаты 🔥

💬 Kling 3 в боте:

https://t.me/gptcyber_bot

💬 Чат подписчиков для вопросов

https://t.me/ChatGptCyberbot

Оригинал:

Что же у нас получается:

1) энкодеры используются для тех моделей, для которых они существуют (были скачаны из стандартного репозитория

2) изображения генерируются дольше, так как используется 100 шагов очистки

3) 4B вариант модели Flux2 Klein отрабатывает в разы быстрее своего 9В аналога (120-160s против 4585s). Вызвано оно тем, что энкодер для 9В варианта, внезапно, имеет вес больше, чем возможность моей локальной карты (аж 15ГБ).

4) как не странно, чуть ли не все модели смогли в стиль аниме. Претензии только к Juggernaut, но и у него есть свой шарм.

Далее, непосредственно результаты:

1)  Скорость генерации изображения

2) Стиль генерации (если не указан явным образом в промпте)

3) Соответствие сгенерированного изображения запрошенному

В итоге после первого промпта получилась следующая таблица. Для остальных двух запросов не стал вписывать скорость, так как в целом пропорции схожие.

Сами же изображения будут ниже, но сразу же выделю, что абсолютным победителем по всем 3 параметрам проверки оказался Flux.2. То есть, это та самая модель, которая может выдать наиболее близкое к запросу изображение и при этом качество тоже будет на высоте.

Если же нужен более простой стиль (иногда размытый), то Z-Image явно наш друг.

В остальном, другие модели умеют рисовать, но инструкции не всегда соблюдены. Например, нет кракена для запроса номер 2 или же отсутствуют машины в запросе номер 3.