Nano Banana 2.1 и Hailuo 3.0 собрали в связку: видео из одного фото

Задача в два этапа: если своего кадра нет, создаёте в Nano Banana 2.1, потом оживляете в Hailuo 3.0. Это выпуск Google от 6 октября 2026 года (модель gemini-nano-banana-2.1) и видеосервис MiniMax, официально запущенный 31 июля 2026 под названием MiniMax H3 (в агрегаторах — Hailuo Minimax 3.0, в API — Hailuo-03). Всё это названия одной и той же модели.

Nano Banana 2.1: генерация под движение

Nano Banana 2.1 — обновление Nano Banana 2 от Google, позиционируется как более экономичный аналог Nano Banana Pro. Предназначена для генерации и редактирования изображений.

Возможности:

• Три разрешения: 1K, 2K, 4K (по умолчанию 1K)
• Редактирование диалогом: можно попросить изменить одну деталь, остальное останется
• До 14 референсных изображений для задания стиля
• Сохранение внешности до 4 персонажей и до 10 предметов
• Три уровня обдумывания перед генерацией: minimal, medium (по умолчанию), high
• SynthID-метка на всех результатах

Кадр, созданный в Nano Banana 2.1, должен уже содержать понятную фазу действия: позу в середине шага, волосы или ткань, подхваченные ветром, предмет на краю стола. Такой кадр отвечает на половину вопросов о времени сам.

Hailuo 3.0: видео из кадра с параметрами

Модель понимает контекст из текста, изображений, видео и аудио, генерирует видео со стереозвуком. По официальному анонсу, сильные стороны: точное следование инструкциям, точная отрисовка текста и брендов, перенос движения из эталонного видео. Разработчик признаёт, что детализацию картинки в ряде сценариев ещё предстоит улучшать.

Технические параметры:

• Видео: 4–15 секунд, целое число
• Разрешение: 768P или 2K
• Поддержка стереозвука
• Форматы: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16
• Поддерживаемые изображения: JPG, JPEG, PNG, WEBP, HEIC, HEIF
• Размер файла: до 30 МБ
• Размер изображения: 256–5760 px
• Соотношение сторон: 0,4–2,5
• Длина промпта: до 7000 символов
• В режиме image-to-video видео повторяет пропорции исходного изображения

Физика движения: данные независимого исследования

Независимое исследование Physion-Eval (Physion Labs, Stanford, MIT, Harvard; препринт arXiv 2603.19607) протестировало пять видеомоделей: Sora 2, Veo 3.1 Fast, Kling 2.5, Hailuo 2.3, Wan 2.2. Эксперты с физическим образованием размечали ошибки на 1719 роликах со стороны и 423 от первого лица. Условия близки к задаче видео из фото: первый кадр реального видео плюс его текстовое описание.

Результаты Hailuo 2.3 со стороны (третьего лица): 93,1% роликов хотя бы с одним сбоем, 1,42 сбоя на ролик, тяжесть сбоев по шкале 1–5: 3,61.

Среднее по пяти моделям со стороны: 83,3%, 1,28, 3,10.

Лучший результат (Kling 2.5): 73,8% роликов со сбоями.

От первого лица Hailuo 2.3: 92,0% роликов со сбоями, 1,92 сбоя на ролик, тяжесть 3,86.

Среднее от первого лица: 93,5%, 1,56, 3,32.

Частые ошибки: нарушение временной согласованности (детали меняют цвет или форму без причины), несоответствие материала или состояния, потеря постоянства объектов. Спокойные процессы (пламя, закат) выглядят правдоподобно. Ломались на сценах с контактом, необратимыми изменениями и резкими переходами: удар, разрезание, разбитие, разлив.

Четыре рабочих правила

Дайте недостающую ось времени через видимые глаголы и цепочки: задели — наклонилось — упало — ударилось — покатилось — расплескалось. Оставляйте один главный механизм на ролик. Выбирайте кадры с понятной фазой движения. Берите изображения с чёткими границами, одним источником света, минимумом мелкого текста.