Клип Шамана на нейросети: как ИИ создаёт скандальные видео и что это значит

Что произошло: клип «Россия — мама» и его особенности

В мае 2026 года российский певец SHAMAN (Ярослав Дронов) выпустил клип на песню «Россия — мама», в котором с помощью технологий искусственного интеллекта «оживил» фотографии политиков, блогеров и музыкантов, признанных в РФ иностранными агентами. В ролике ИИ заставил их «подпевать» припев песни: «Россия — мама, ты в сердце прямо. Одна такая. С тобой до края». Среди персонажей — Максим Галкин, Земфира, Noize MC, Моргенштерн, Оксимирон, Илья Прусикин, Илья Варламов, Юрий Дудь, Алексей Венедиктов, Семён Слепаков, Михаил Ходорковский, Олег Тиньков и Екатерина Шульман.

По сюжету клипа Шаман, вероятно в образе сотрудника спецслужб, раскладывает на столе папки с личными делами и портреты «иноагентов», а затем вывешивает их на стену. В финале «оживлённые» ИИ фотографии исполняют фрагмент песни, пока певец дирижирует. В титрах указано, что в клипе использованы «материалы, касающиеся деятельности лиц, признанных иностранными агентами в РФ».

Этот случай вызвал широкий общественный резонанс, поскольку затронул вопросы этики использования ИИ, авторских прав и политической подоплёки. Максим Галкин, один из фигурантов клипа, иронично прокомментировал видео, отметив, что «доска почёта получилась», и выразил недовольство использованием его старой фотографии без согласования.

Какие нейросети могли быть использованы для создания клипа

Для создания подобного видео могли применяться современные нейросети, способные генерировать реалистичные движения лица и губ по фотографии. Среди наиболее вероятных кандидатов — Veo 3.1 от Google, Kling 3.0 и Sora 2 от OpenAI. Все они поддерживают функцию «оживления» статичных изображений и синхронизацию артикуляции с аудиодорожкой.

Veo 3.1, доступный в России через платформу Study AI, позволяет загрузить фото персонажа и сгенерировать видео с точным липсинком (синхронизацией губ) и даже встроенным звуком. Kling 3.0, в свою очередь, поддерживает функцию Multi-Shot, позволяя объединить до 6 сцен в одном ролике, что могло пригодиться для монтажа разных «иноагентов» в единый клип. Sora 2 отличается высокой реалистичностью физики и мимики, но требует более сложных промптов.

Также возможно использование отечественной нейросети VideoGen, которая специализируется на генерации видео из фото с добавлением музыки и речи. Однако для достижения кинематографического качества и точного липсинка, скорее всего, применялись зарубежные модели, доступные через посредников.

Как работают нейросети для «оживления» фотографий

Технология «оживления» фотографий основана на генеративно-состязательных сетях (GAN) и диффузионных моделях. Нейросеть анализирует исходное изображение, выделяет ключевые точки лица (глаза, нос, рот, контуры) и на основе обучающей выборки предсказывает, как эти точки должны двигаться при произнесении определённых звуков или фраз.

Для синхронизации губ с аудиодорожкой используется технология липсинка: нейросеть сопоставляет фонемы (звуки речи) с соответствующими положениями губ и языка. Современные модели, такие как Veo 3.1, могут генерировать не только движения рта, но и естественные микровыражения лица, моргание и повороты головы.

Важно отметить, что для качественного результата требуется чёткая фотография с хорошим освещением и минимальными искажениями. В случае клипа Шамана использовались, вероятно, официальные портреты или кадры из открытых источников, что позволило добиться высокой степени реалистичности.

Правовые и этические аспекты использования ИИ в клипе

Использование изображений реальных людей без их согласия для создания видеоконтента вызывает серьёзные правовые вопросы. В России, как и в большинстве стран, право на изображение охраняется законом. Согласно статье 152.1 ГК РФ, обнародование и использование изображения гражданина допускается только с его согласия, за исключением случаев, когда это необходимо в государственных или общественных интересах.

В данном случае Шаман использовал портреты лиц, признанных иноагентами, без их разрешения. Максим Галкин публично выразил недовольство, отметив, что его изображение применили без согласования. Кроме того, он обвинил коллегу в заимствовании музыки, намекнув на сходство мелодии с песней Адель.

Этическая сторона также вызывает споры: использование ИИ для «заставления» оппонентов «петь» патриотические песни может рассматриваться как форма цифрового насилия или манипуляции. С другой стороны, сам Шаман заявил, что его цель — показать, что «русский народ не прощает предательства», и что в его клипе «они бесплатно поют за Россию».

Реакция общественности и фигурантов клипа

Клип вызвал бурную реакцию как в России, так и за рубежом. Максим Галкин, один из главных фигурантов, опубликовал ироничный пост, в котором назвал клип «доской почёта» и выразил сожаление, что Шаман использовал его старую фотографию, а не более свежую. Он также добавил: «Эх ты, Дроня. Я тебя тоже куда-нибудь вставлю», намекая на возможный ответный ход.

Другие фигуранты, такие как Юрий Дудь и Илья Варламов, пока не дали официальных комментариев. Однако в социальных сетях развернулась дискуссия: одни пользователи поддержали Шамана, считая его клип остроумной политической сатирой, другие осудили за использование ИИ для унижения оппонентов.

Журналисты и блогеры отметили, что клип демонстрирует накалённую обстановку в российской культурной среде, где вопросы патриотизма и отношения к иноагентам вызывают широкий резонанс. Некоторые эксперты назвали этот случай прецедентом, который может повлиять на регулирование ИИ-контента в России.

Технические ограничения и возможности современных нейросетей

Несмотря на впечатляющие результаты, современные нейросети для генерации видео имеют ряд ограничений. Максимальная длина одного непрерывного фрагмента в Veo 3.1 составляет 8 секунд, в Kling 3.0 — до 15 секунд, а в Sora 2 — до 20 секунд. Для создания полноценного клипа приходится склеивать несколько коротких роликов, что может привести к потере консистентности.

Кроме того, нейросети могут искажать черты лица при резких движениях или сложных ракурсах. Для минимизации артефактов требуется тщательная настройка промптов и использование функций «закрепления» персонажа, как в Kling 3.0 (Character ID) или Veo 3.1 (Ingredients to video).

Ещё одна проблема — генерация звука. Хотя Veo 3.1 и Kling 3.0 поддерживают встроенное аудио, качество синтеза речи и звуковых эффектов пока уступает профессиональным студиям. В клипе Шамана, вероятно, использовалась оригинальная фонограмма песни, а ИИ синхронизировал только движения губ.

Как создать подобный клип самостоятельно: пошаговое руководство

Если вы хотите создать видео, аналогичное клипу Шамана, вам понадобится:

1. Выбрать нейросеть. Для начала подойдёт Veo 3.1 (доступен через Study AI) или Kling 3.0. Обе поддерживают загрузку фото и генерацию видео с липсинком.

1. Подготовить изображения. Используйте чёткие портреты с хорошим освещением. Желательно, чтобы лицо было в анфас или с небольшим поворотом.

1. Написать промпт. Для Veo 3.1 используйте формулу: [Кинематография] + [Субъект] + [Действие] + [Контекст] + [Стиль]. Пример: «Medium close-up. A person singing along to a song, moving lips in sync with audio. Cinematic lighting, realistic skin texture.»

1. Добавить аудиодорожку. В Veo 3.1 можно указать текст, который должен произносить персонаж, используя прямую речь в кавычках. Для Kling 3.0 — разбить сцены на шоты и прописать диалоги.

1. Смонтировать результат. Если нужно несколько персонажей, генерируйте каждого отдельно, а затем склейте в видеоредакторе.

1. Проверить липсинк. Убедитесь, что движения губ совпадают с аудио. При необходимости отрегулируйте промпт или выберите другую нейросеть.

Будущее ИИ-клипов: тренды и прогнозы

Кейс Шамана показывает, что нейросети для генерации видео становятся доступными не только профессионалам, но и широкой аудитории. В ближайшие годы можно ожидать:

• Увеличение длины видео. Уже сейчас Sora 2 позволяет продлевать ролики до 120 секунд, а в будущем ограничения могут исчезнуть.
• Улучшение липсинка и мимики. Модели будут точнее передавать эмоции и естественные движения.
• Интеграция с музыкальными сервисами. Возможно появление инструментов, позволяющих создавать клипы прямо в процессе написания песни.
• Правовое регулирование. Вероятно, будут приняты законы, обязывающие маркировать ИИ-контент и получать согласие на использование изображений.

Однако остаются и риски: использование ИИ для создания дипфейков может привести к злоупотреблениям, особенно в политической сфере. Клип Шамана — яркий пример того, как технологии могут быть использованы для пропаганды или манипуляции общественным мнением.

Сравнение нейросетей для создания клипов: Veo 3.1, Kling 3.0 и Sora 2

Для тех, кто хочет разобраться в инструментарии, приведём краткое сравнение трёх ведущих нейросетей:

• Veo 3.1 (Google): лучший выбор для генерации видео со звуком и диалогами. Поддерживает липсинк, встроенные звуковые эффекты и функцию «First and last frame» для плавных переходов. Максимальная длина — 8 секунд. Доступен в России через Study AI.

• Kling 3.0: идеален для многосценных роликов благодаря функции Multi-Shot (до 6 сцен). Хорошо сохраняет консистентность персонажей и текста на объектах. Длина — до 15 секунд. Требует детальных промптов.

• Sora 2 (OpenAI): эталон физики и длительности (до 20 секунд). Поддерживает Character ID для переноса персонажа между видео. Требует сложных промптов в формате «Production Brief». Пока недоступна в России без VPN.

Для клипа, подобного шамановскому, оптимальным выбором был бы Veo 3.1 из-за простоты работы с фото и встроенного аудио. Однако для более сложных сцен со сменой ракурсов лучше подойдёт Kling 3.0.

Как написать эффективный промпт для генерации видео с ИИ

Успех генерации видео напрямую зависит от качества текстового запроса (промпта). Вот несколько советов:

• Используйте структуру. Для Veo 3.1: [Кинематография] + [Субъект] + [Действие] + [Контекст] + [Стиль]. Пример: «Close-up. A woman singing, tears streaming down her face. Dark room, single spotlight. Cinematic, dramatic.»

• Указывайте движение камеры. Tracking shot, Close-up, Wide shot — это помогает нейросети понять, как строить кадр.

• Добавляйте звуковые подсказки. Если нужен диалог, пишите его в кавычках: «Man says: "I love you".» Для звуковых эффектов используйте SFX: «SFX: thunder in the distance.»

• Избегайте общих фраз. Вместо «красивый закат» пишите «оранжевое небо, силуэты деревьев, лёгкий туман».

• Экспериментируйте с длиной. Короткие промпты дают нейросети больше свободы, длинные — больше контроля. Для точного результата лучше использовать детализированные запросы.

Помните, что каждая нейросеть имеет свои особенности. Например, Kling 3.0 лучше понимает разбивку на шоты, а Sora 2 — форматы «Production Brief».

Вопросы и ответы