Как оживить фото товара нейросетью: из карточки WB в видео за час

Оживить фото товара нейросетью реально за час: берёте каталожный кадр из карточки, генерируете три-четыре коротких отрезка по 3–5 секунд каждый от своего стартового кадра и склеиваете. Час считается для простого товара с хорошим фото. Сложное сечение, прозрачное стекло и мелкий текст на упаковке в этот час не укладываются, и ниже разобрано почему.

Три режима генерации, которые постоянно путают

В статьях про оживление фото всё валят в одну кучу, а режима три, и от выбора зависит, останется ли товар вашим.

Text-to-video. Генерация по текстовому описанию. Модель придумывает товар с нуля. Для рекламы абстрактной идеи годится, для вашего артикула не годится.

Image-to-video. Вы подаёте фото, модель оживляет именно его. Формальная метрика такой привязки существует: в бенчмарке VBench трек I2V отдельно измеряет близость видео к поданной картинке, и модели набирают там около 97%. У text-to-video такого якоря нет в принципе: сравнивать не с чем.

Генерация от стартового и конечного кадра. Вы задаёте не только начало, но и финал отрезка. Режим есть у всех топовых моделей 2026 года: Kling умеет первый и последний кадр, Veo даёт start и end frames, Seedance принимает несколько кадров по таймкодам. Это самый управляемый способ, и именно на нём строится метод из этой статьи.

Почему один длинный клип разваливает товар

Мы делали ролик для дверного уплотнителя: чёрный профиль с семью полостями в сечении и красной клеевой лентой. Первая попытка: цельная генерация на 15 секунд по текстовому описанию. Результат: сечение морфило в кашу, число полостей менялось от кадра к кадру, чёрный цвет уезжал в серый, а красная защитная лента после «наклейки» оставалась висеть на двери, хотя её снимают и выбрасывают.

Клиент отреагировал одной фразой: «какой-то дракон, а не мой профиль».

Это не баг конкретной модели, а описанный в литературе класс отказа. Тест VideoPhy-2, представленный на ICLR 2026, проверяет физический здравый смысл генерации: лучшая модель набирает там 32,6% на полном наборе и 21,9% на сложном. В шкале Physics-IQ, где пара реальных видео даёт 100 баллов, лучший генератор получает 24,1, а самая визуально реалистичная модель всего 8,7. Ручная проверка выборки показала физические дефекты в 83% роликов.

Проще говоря: модель приоритизирует правдоподобную картинку, а не сохранение массы, объёма и формы. Лента, оставшаяся на двери, и есть нарушение постоянства объекта из этого списка.

Какое фото годится на вход

Хорошая новость для селлера: каталожный кадр на белом фоне это лучший исходник, а не худший. Чистое отделение товара от фона даёт модели понятную геометрию и честную глубину, а пёстрое окружение заставляет её гадать, что двигать.

Годится:

• фото на белом или светло-сером, где товар занимает 70–80% кадра: это и есть требование Wildberries к главному кадру;
• три четверти и боковой ракурс: по ним модель понимает объём;
• макро детали: фактура, шов, разъём, резьба.

Не годится:

• скриншоты и пересжатые JPEG из мессенджеров: генерация усиливает артефакты сжатия;
• кадры с жёсткими тенями, скрывающими форму;
• фото, на котором нет того, что вы просите показать. Если снят только фас, поворот на 360 градусов модель придумает, а не покажет.

По разрешению ориентир простой: Wildberries принимает от 700×900 и рекомендует 900×1200 в пропорции 3:4, Ozon рекомендует те же 900×1200. Этого достаточно и для генерации. Формат сразу берите вертикальный: генерация в 16:9 с последующей обрезкой под вертикаль режет товар по краям.

Если годное фото у вас ровно одно, ролик всё равно получится, просто короче. Из одного кадра выжимаются два безопасных отрезка: медленный наезд и лёгкий параллакс. Всё остальное потребует ракурсов, которых на исходнике нет, и модель начнёт их выдумывать.

Инфографику подавать нельзя

Отдельный пункт, потому что у селлера половина карточки состоит из кадров с плашками, стрелками и характеристиками.

Инфографика на вход не годится. Модель переписывает буквы, меняет надписи и дорисовывает несуществующие элементы: она перераспределяет пиксели между кадрами, а не понимает, что означает текст. На видео это заметнее, чем на картинке, потому что глиф должен совпадать в каждом кадре подряд.

Берите исходный кадр до наложения графики. Текст, если он нужен, возвращайте поверх готового видео на монтаже: тогда сохранятся и кернинг, и точность формулировок.

Это же касается штрихкода, состава и маркировки на упаковке: их зону в движение не отдают вообще.

Есть и вторая причина не тащить готовую инфографику в генерацию. Маркетинговые надписи, плашки со скидками и водяные знаки на фото Wildberries запрещает и штрафует за них на 25 000 рублей, а описательная инфографика с характеристиками разрешена. Граница тонкая, и лишний раз прогонять эти кадры через нейросеть, которая любит дорисовывать несуществующие элементы, незачем.

Покадровая сборка вместо одного клипа

Рабочий метод выглядит так: ролик собирается из отрезков по 3–5 секунд, у каждого свой утверждённый стартовый кадр.

Почему не длиннее: на дистанции больше десяти секунд у всех моделей накапливаются артефакты: дрейф формы, рваное движение, деформация фона. Короткий отрезок физически не успевает расползтись.

Почему от стартового кадра: у модели нет свободы придумать промежуточную форму. Она достраивает движение от того, что уже есть в кадре.

С уплотнителем это сработало сразу: как только вместо одного пятнадцатисекундного клипа мы сделали пять отрезков от согласованных кадров, сечение перестало плавать, а цвет перестал уезжать.

Референсы: чтобы модель повторила именно ваш товар

Один кадр удерживает форму внутри отрезка, но между отрезками товар может уплыть. Лечится набором референсов: приложите к каждой генерации 2–3 фото с разных ракурсов. Kling принимает до четырёх референсных изображений, Seedance берёт до двенадцати файлов с ролями, но практика у всех одна: больше трёх обычно вредит, модель начинает усреднять и выдаёт «похожий» товар вместо вашего.

Если у вас есть рендеры от производителя, прикладывайте их: на них геометрия чище, чем на фото, и модель считывает форму точнее.

Рабочий набор выглядит так: общий вид на белом, три четверти и одно макро того места, по которому покупатель узнаёт товар. Для уплотнителя это был торец с полостями, для флакона это будет крышка, для одежды это будет посадка на плече. Именно это место клиент проверяет первым и именно на нём ловит подмену.

Если товар уже уплыл в генерации, добавлять референсы бесполезно, надо наоборот сокращать: оставьте два самых чистых кадра, снимите из промпта всё лишнее движение и перегенерируйте. Модель ошибается не от нехватки данных, а от их противоречивости.

Какие движения держат форму, а какие ломают

Ранжировано по риску, от безопасного к опасному.

Движение	Риск	Комментарий
Медленный наезд, товар в центре	низкий	базовый выбор для предметки
Параллакс, слои двигаются с разной скоростью	низкий	отлично работает на чистом фоне
Медленная орбита 20–30 градусов	средний	нужен исходник, где объём читается
Палец или рука взаимодействуют с товаром	средний	сильный кадр, но требует дублей
Облёт на 360 градусов	высокий	модель дорисовывает невидимую сторону
Сборка и разборка на части	высокий	зато самый эффектный, если получился
Жидкости, ткань, мех	очень высокий	физика ломается измеримо

Главное правило: одно движение на отрезок. Просьба «камера облетает, товар раскрывается и фон меняется» почти гарантированно даёт брак. Скорость только медленная: на быстрых движениях модели теряют детали.

Товары, которые нейросеть пока не тянет

Честный список, чтобы не тратить кредиты впустую:

• ювелирка и всё зеркальное: металл превращается в кашу, камни перестраиваются между кадрами;
• прозрачное: стекло, флаконы, упаковка с окном: алгоритмы сегментации на прозрачном ошибаются в разы чаще, чем на матовом;
• часы: цифры на циферблате переписываются;
• косметика с тиснением и мелким составом: то же, что с текстом;
• электроника с портами и экранами: интерфейс модель придумывает;
• мех, трикотаж, жидкости: физика падает первой.

Общий признак простой: чем сильнее глаз покупателя натренирован на деталь, тем хуже. Матовый предмет простой формы оживает за один дубль, а флакон духов не оживает и за десять.

Чек-лист приёмки дубля

Смотреть на каждый сгенерированный отрезок и браковать без сожаления. Единого публичного норматива по числу дублей не существует: практики называют от двух до десяти на годный кадр, и это зависит от товара сильнее, чем от модели.

1. Форма товара совпадает с исходником, ничего не появилось и не исчезло.
2. Число деталей то же: полостей, кнопок, застёжек, граней.
3. Цвет и тип покрытия не изменились, матовое не стало глянцевым.
4. Логотип целый, буквы не поплыли.
5. Текст читается или его вообще нет в кадре.
6. Пропорции не поехали к концу отрезка.
7. Первые и последние две секунды чистые, потому что артефакты копятся по краям.
8. Физика не врёт: ничего не проходит сквозь, не парит и не исчезает.

Восьмой пункт и есть тот самый, на котором мы споткнулись с лентой.

Полезно считать не дубли, а стоимость годного кадра: все потраченные на сцену генерации делить на число принятых. Эта метрика сразу показывает, где промпт плохой, а где товар просто тяжёлый. По ней же видно, когда пора остановиться: если после пяти прогонов ни один кадр не принят, дело не в удаче, а в постановке сцены, и переписывать надо её, а не генерировать шестой раз.

Что дают встроенные инструменты Wildberries и Ozon

Вопрос закономерный: зачем что-то генерировать самому, если площадка умеет.

Wildberries в январе 2026 запустил «Видеообложки»: генерацию видео из фото прямо в кабинете, около минуты на ассет. Доступ идёт с подпиской «Джем», тариф «Стандарт» с марта 2026 стоит 22 990 рублей за 30 дней. Отдельно с 25 декабря 2025 всем продавцам из России открыт бесплатный «Фоторедактор 3.0». У Ozon в кабинете работает бесплатная генерация фото: режим по исходному кадру убирает фон и подставляет новый, отдаёт до четырёх вариантов за 20–60 секунд. Автогенерация видеообложек у Ozon существует ещё с 2023 года.

Разница вот в чём. Встроенные инструменты в основном делают эффекты по неподвижной картинке: зум, плавные переходы, пульсацию, слайд-шоу. Камера движется, товар стоит. Настоящая генерация двигает сам предмет: профиль сжимается, крышка открывается, ткань подаётся под рукой.

Если нужен аккуратный оживший кадр для обложки, встроенного хватит. Если нужно показать, как товар работает, уже нет.

Маршрут за час

Для простого товара с готовым каталожным фото:

1. Выбрать 1 кадр под каждый отрезок: общий план, деталь, применение. Пять минут.
2. Собрать 2–3 референса с разных ракурсов. Пять минут.
3. Сгенерировать четыре отрезка по 4 секунды, закладывая 2–3 дубля на каждый. Генерация одного клипа занимает 1–2 минуты, вместе с отбором около сорока минут.
4. Склеить, наложить надписи, экспортировать. Десять минут. Стыки ставьте на смене плана, тогда переход не читается; если два соседних отрезка сняты с одной точки, разведите их коротким затемнением в пару кадров.

Час выглядит реалистично именно так. Если товар из списка выше или фото только одно и то на белом фасе, час превращается в несколько заходов: сколько времени занимает полноценный ролик и из чего складывается срок, мы разбирали по часам. Требования площадок к готовому файлу (форматы, длина, модерация) собраны в статье про видео для карточки товара.

Для сравнения: студийный видеообзор на 15 секунд стоит около 5 000 рублей, и это самый дешёвый вариант со съёмочной площадкой, без рук в кадре и без модели. Каталожный кадр, который у вас уже оплачен, стоил 500–750 рублей.

Посчитать ролик под свой товар →

Права: на чужие фото и на свой результат

Два вопроса, которые селлеры задают чаще всего.

Чужие фото оживлять нельзя. Переработка изображения это самостоятельный способ использования по подпункту 9 пункта 2 статьи 1270 ГК РФ, требующий согласия правообладателя. Нейросеть в этой цепочке ничего не меняет: результат остаётся производным произведением. Компенсация взыскивается по статье 1301 ГК РФ, а на Wildberries спор разбирает «Цифровой арбитраж»: 10 дней на ответ, при двух подтверждённых нарушениях категория закрывается на 30 дней.

С правами на сгенерированное видео в России сейчас две противоположные позиции. В деле о дипфейке с Киану Ривзом суд взыскал 500 000 рублей и указал, что нейросеть это дополнительный инструмент обработки, а творческий вклад авторов в сценарий и монтаж никуда не девается. А 2 августа 2026 районный суд Москвы отказал в защите прав на изображения, переработанные нейросетью, назвав ввод команд «простыми механическими действиями»; это первая инстанция, данных о вступлении решения в силу на момент публикации нет.

Практический вывод из обеих позиций один: защищаемость результата держится на доказанном человеческом вкладе: сценарии, раскадровке, отборе дублей, монтаже. Ролик, собранный покадрово из утверждённых кадров, в этом смысле стоит крепче, чем нажатие кнопки в кабинете.

Правда про конверсию

Здесь придётся разочаровать.

По интернету ходят цифры: видео повышает конверсию на 15%, на 16%, поднимает корзину с 18% до 35%. Мы проверили каждую. Ни одна не ведёт к исследованию, методике или выборке: это перепечатки агентских блогов друг у друга со ссылкой на «внутреннюю аналитику» без документа.

Единственная цифра, которую площадка называла публично: видеообложки увеличивают кликабельность карточки на 24%. Это заявление Ozon от сентября 2022 года. В 2026-м его тиражируют без даты, как свежую статистику.

Что можно утверждать честно: обе площадки вкладываются в генерацию видео из фото: Ozon с 2023 года, Wildberries запустил свои инструменты в конце 2025 и начале 2026. Компании не тратят разработку на то, что не влияет на продажи. Но конкретного прироста для вашей карточки вам никто не обещал, и если вам обещают цифру, спрашивайте ссылку на исследование.

Сколько стоят сами генерации в рублях и как за них платить из России, разобрано в статье сколько стоит сделать видео нейросетью. Что входит в цену готового ролика под ключ, в разборе сколько стоит рекламный AI-ролик.