ШІ-відео в реальному часі: скільки режисер насправді чекає?

Два секундоміри, один ролик

Звіт від 6 жовтня містить чотири послідовні запуски на прогрітій RTX 5090 із 32 ГБ: 448×256, 24 кадри/с, по 15,08 секунди. Середній час від початку семплінгу до готового MP4 — 10,811 секунди. Від відправлення завдання до готового файлу минало більше часу. Ці виміри не встановлюють час появи першого кадру чи реакції на змінений запит.

Джерела: Comfy-Org / ComfyStreamerH3 [2]

Що змінив експеримент

Інженерна стаття Браяна Вейда від 8 жовтня описує оптимізацію, а не новий реліз MiniMax H3. Вона поєднує FastH3 V2, чотири кроки генерації, розріджену увагу, менший текстовий енкодер та паралельне декодування й кодування. Автор визнає проблеми з деталізацією та стабільністю. Власного запуску моделі ми не проводили.

Окрему серію з одинадцяти завдань у README не слід домішувати до цього порівняння: там завдання створювали пари роликів. MIT-ліцензію коду також потрібно відрізняти від умов для ваг і сторонніх компонентів. Вона не гарантує необмеженого комерційного застосування, а ці виміри — такої самої швидкості у 1080p, 4K чи на звичайному ноутбуці.

Джерела: Bryan Wade / Comfy [1] · Comfy-Org [3] · FastVideo / Hugging Face [4] · MiniMax / FastVideo [5]

Три різні виробничі запитання

Пропускна здатність показує, чи встигає система створювати достатньо відео для відтворення. Час очікування файлу відповідає на запитання, коли готовий експорт. Затримка реакції — коли глядач побачить наслідок нової вказівки. Потік із буфером може відтворюватися плавно, хоча режисерська правка з’явиться пізніше. Це пояснення відмінності, а не спостереження з наведеного тесту.

Перед роботою варто визначити, яке саме очікування має значення. Монтажеру, який збирає альтернативи, може вистачити готових файлів. Для людини, що коригує виконання дії під час перегляду, головне — проміжок між вказівкою та її видимим наслідком. Назвавши обидва процеси роботою в реальному часі, ми ще не відповімо на практичне запитання: чи встигну я відреагувати, поки точно пам’ятаю, що хотів змінити?

Дивіться на дію, а не лише на стиль

В обох прикладах читається послідовність: підняти локшину, з’їсти й усміхнутися. Ресторан і біла сорочка залишаються впізнаваними. В аніме під час підйому змінюються форма столового приладдя та положення рук, у руці з’являється додатковий предмет. В акварелі під час їжі змінюються пропорції обличчя й геометрія приладдя. Простежити контакт між приладдям, локшиною та ротом складніше, ніж зрозуміти загальну дію. Ці відібрані демонстрації дозволяють розрізнити читабельність дії та стабільність деталей, проте не визначають частоту успішних результатів.

Оригінальні синтетичні демонстрації: Браян Вейд / Comfy, жовтень 2026 року; результати автора розробки. У роликах використано синтетичний образ Вілла Сміта. Це не свідчить про участь чи схвалення актора. Посилання нижче ведуть до першоджерел.

Джерела: Comfy · Anime [6] · Comfy · Watercolor [7]

Одна чашка, одна правка

Ось тест, який я запропонував би наступним. Вигаданий персонаж піднімає просту чашку, робить паузу та ставить її назад на стіл. Камера нерухома, план середній, тло спокійне. Завдяки простоті дія має зрозумілі початок, середину й завершення. Помилки також стають суттєвими: зміна форми чашки може змінити сприйняття хвату та її ваги.

Потім попросити лише одну зміну: потримати чашку трохи довше, перш ніж поставити її. Решту брифу залишити незмінною. Зберегти кожну спробу, а не тільки найкращий результат. Перевіряти потрібно, чи правка зберігає сцену та змінює саме потрібний момент. Інше привабливе виконання дії не дасть відповіді на це запитання.

Окремо записати час відправлення, появи першого змістовного видимого результату та готовності файлу. Зазначити, чи система вже прогріта та чи є черга завдань. Ще один секундомір потрібен для перегляду: коли режисер зможе вибрати кращу паузу? Врахувати невдалі спроби й час на переписування вказівки. Це план виробничої вправи, а не звіт про вже проведений експеримент.

Оцініть рішення, яке дозволяє прийняти чернетка

Спочатку подивитися дію зі звичайною швидкістю, а вже потім розбирати окремі кадри. Чи читається вагання без пояснення? Чи зберігається контакт руки з чашкою та чи повертається чашка на ту саму поверхню? Далі порівняти обидві версії поруч. Шукати потрібно справжню зміну тривалості, а не приймати нову композицію за покращення.

Чорнове відео могло б допомогти вибрати паузу, напрямок руху в кадрі чи тривалість дії. Тут це поки гіпотеза для перевірки. Фактура для таких рішень може бути другорядною, а порушений контакт із предметом — критичним. Критерій прийняття варто задати до генерації, щоб легкість отримання наступного ролика непомітно не знизила вимоги до результату.

Я залишив би швидкий процес у роботі, якби він скорочував шлях від конкретної вказівки до корисного вибору. Очікування, перегляд і повторні спроби слід рахувати разом. Секундомір може підтвердити швидкість процесу. Режисер усе одно має перевірити, чи відповідає наступне зображення на запитання, заради якого довелося чекати.