Google открыла код нейросети для генерации видео: 10 минут без дрейфа персонажей

До сих пор нейросети для генерации видео справлялись с отдельными клипами на несколько секунд, но при склейке в длинный сюжет персонажи меняли одежду, предметы исчезали, а одна неудачная сцена портила всё, что идёт после неё. Google Research в публикации от 27 сентября 2026 года описала оркестрационный слой поверх моделей Gemini и Veo, который автоматически планирует, генерирует и исправляет многоплановое видео. Код двух систем (Co-Director и A²RD) выложен на GitHub, код CANVAS пока ожидается, а готового продукта Google из этого не делала.

Что именно измеряли?

Google сформулировала задачу так: длинное видео из нескольких сцен это не цепочка независимых клипов, а задача глобальной оптимизации. Если в финальном ролике герой потерял шляпу, непонятно, какой именно промпт (текстовое описание для нейросети) виноват. Исследователи называют это «проблемой присвоения заслуг» (credit assignment), по аналогии с поиском слабого звена в длинной цепи.

Для проверки команда собрала три новых бенчмарка (набора тестовых задач):

• GenAD-Bench: 400 рекламных сценариев для 200 вымышленных продуктов от 50 брендов. Проверяет, может ли система выдержать фирменный стиль на протяжении ролика.
• HardContinuityBench: сцены, где камера возвращается к ранее показанному месту, а реквизит должен остаться в том же состоянии.
• LVBench-C: 120 сценариев, где ключевые объекты исчезают минимум на 10 сегментов и потом появляются снова. Самый жёсткий тест на «память» системы.

Видео оценивали и автоматически (мультимодальная языковая модель в роли судьи), и вручную (оценки людей по пятибалльной шкале).

Четыре системы и что каждая делает?

Все четыре работают как надстройка поверх генеративных моделей. Сами модели можно менять: сейчас используются Gemini и Veo, но архитектура не привязана к ним. Готовое видео автоматически получает водяной знак SynthID (цифровая метка Google, невидимая глазу).

• Co-Director (принята на конференцию COLM 2026): агент-оркестратор (дирижёр) выбирает стратегию, стиль и структуру ролика, подбирая комбинацию параметров методом «многорукого бандита» (MAB, алгоритм, который пробует разные варианты и учится на оценках, как игрок перед рядом автоматов). Отдельные подагенты отвечают за раскадровку, ключевые кадры, видео и звук. Судья-модель выставляет балл и передаёт обратную связь.

• CANVAS (принята на EMNLP 2026): система визуальной памяти. Хранит «якоря», внешний вид персонажей, объектов и локаций, и подтягивает их, когда сцена возвращается к знакомому месту. В тесте с «музейным ограблением» конкурирующий AutoStudio потерял кепку вора, а Gemini 3.1 Pro поменял цвет драгоценного камня. CANVAS сохранила оба элемента.

• A²RD (Agentic Autoregressive Diffusion, агентная авторегрессивная диффузия): не требует дообучения (fine-tuning, дополнительного обучения модели на ваших примерах). Каждый сегмент видео проходит цикл «найти, синтезировать, улучшить, обновить» с опорой на мультимодальную видеопамять. Система сама переключается между генерацией нового и воспроизведением уже знакомого. Именно ей создан десятиминутный демо-фильм.

• VQQA (Video Quality Question Answering): замкнутый цикл улучшения промптов. Система сама генерирует вопросы к каждому кадру («на месте ли шляпа?»), получает ответы от модели-критика и переписывает текстовое описание. Не требует доступа к внутренностям генератора. Финальный шаг: из всех итераций выбирается лучший ролик, а не просто последний.

Что обнаружили?

• Co-Director набрала 81,4 балла из 100 на GenAD-Bench. Базовая линия (случайный перебор) дала 75,7. Среди конкурентов в сравнении были Veo 3.1, Kling 3.0 Omni, Wan 2.6 и MovieAgent. Человеческая оценка: 3,96 из 5.
• CANVAS повысила согласованность фонов на 21,6%, персонажей на 9,6%, реквизита на 7,6% относительно предыдущих подходов.
• A²RD улучшила визуальную согласованность до 30%, а нарративную связность до 20% на роликах от 1 до 10 минут.
• VQQA дала абсолютный прирост 11,57% на бенчмарке T2V-CompBench и 8,43% на VBench2 по сравнению с генерацией без цикла правок.

Что делать с этим прямо сейчас?

Авторам Дзена и видеоблогерам. Если вы экспериментируете с генерацией видео для каналов, обратите внимание на открытый код Co-Director и A²RD на GitHub. Даже без полного конвейера идея «визуальной памяти» и автоматического контроля реквизита подсказывает, как структурировать промпты для Gemini уже сейчас: описывайте внешность персонажей и ключевые предметы в каждом сегменте, а не только в первом.

Маркетологам и продюсерам. GenAD-Bench заточен под рекламные сценарии. Когда конвейер станет доступным сервисом, рекламные ролики из текстового описания перестанут быть фантастикой для малых бюджетов. Пока этого нет, ценность исследования в том, что оно показывает: проблема «актёр поменял костюм между дублями» для ИИ-видео уже решается программно.

Предпринимателям из РФ и СНГ. Gemini и Veo доступны через API с ограничениями по региону. Из российских аналогов для генерации видео по тексту работают Kandinsky Video от «Сбера» и инструменты «Яндекса», но подобного агентного слоя для длинных роликов у них пока нет. Следите за выходом кода CANVAS: он описан как модельно-независимый, то есть потенциально может работать поверх локальных генераторов.

Код Co-Director и A²RD уже открыт, CANVAS на подходе, а полноценного продукта пока нет. Самое практичное, что можно сделать сегодня: скачать репозитории, попробовать конвейер на коротких роликах и начать собирать библиотеку «визуальных якорей» для своих персонажей, потому что именно умение зафиксировать образ героя в промпте станет ключевым навыком, когда длинная генерация дойдёт до массовых сервисов.

По данным Marktechpost