Связка Nano Banana 2.1 и Hailuo 3.0 для видео из фото

Связка двух нейросетей — генератора изображений Nano Banana 2.1 и видеомодели Hailuo 3.0 от MiniMax — позволяет превратить статичное фото в короткий ролик. Первая модель создаёт или дорабатывает первый кадр, вторая оживляет его по текстовому описанию движения. Материал актуален на 12 октября 2026 года.

Hailuo 3.0 вышел 31 июля 2026 года под официальным именем MiniMax H3. В агрегаторах модель встречается как Hailuo Minimax 3.0, а в API обозначена как Hailuo-03 — все это одна и та же версия. По анонсу разработчика, H3 понимает единый контекст из текста, изображений, видео и аудио и генерирует ролики со стереозвуком длительностью до 15 секунд в разрешении 2K. Среди сильных сторон заявлены следование инструкциям, точная отрисовка текста и брендов, а также перенос движения из эталонного видео.

Ключевой для задачи «оживить фото» режим первого кадра устроен так: загруженное изображение становится нулевой секундой ролика, а не просто стилевым ориентиром. Пропорции кадра задаются заранее, поскольку в режиме image-to-video ролик повторяет соотношение сторон исходника. Все, что происходит после нулевой секунды, модель достраивает из обучающих данных и текстового промпта — поэтому в описании нужно указывать направление, скорость и порядок событий.

О физике движения именно в H3 документация и анонс от 31 июля 2026 года ничего конкретного не сообщают: акцент сделан на следовании инструкциям и переносе движения. Независимых замеров физики для H3 на 12 октября 2026 года найти не удалось. Ориентиром может служить исследование предыдущей модели линейки: авторы Physion-Eval (Physion Labs, Stanford, MIT, Harvard; препринт arXiv 2603.19607) протестировали Hailuo 2.3 вместе с Sora 2, Veo 3.1 Fast, Kling 2.5 и Wan 2.2.

По данным Physion-Eval, ни одна модель не прошла проверку чисто: даже лучший результат в съёмке со стороны у Kling 2.5 — 73,8% роликов хотя бы с одним физическим сбоем. Hailuo 2.3 в этой категории оказался худшим из пяти по всем трем показателям. Чаще всего фиксировались нарушения временной согласованности и несоответствие материала или состояния; в кадрах от первого лица добавлялись исчезновение и дублирование предметов. Спокойные процессы вроде пламени и заката выглядели правдоподобно, а реализм резко падал при контакте, необратимых изменениях и резких переходах — ударе, разрезании, разрушении.

Автор материала формулирует четыре практических правила. Промпт должен содержать недостающее время — направление, скорость и порядок действий; причинно-следственные связи описываются видимыми глаголами вроде «задели, наклонилось, упало, покатилось»; на ролик стоит оставлять один главный механизм движения; исходный кадр лучше выбирать такой, где физика уже читается — размытие по ходу движения, поза в середине шага, предмет на краю стола.

Отдельно отмечается, что итоги запусков в статье — наблюдения по пяти роликам, а не бенчмарк. Цифры Physion-Eval получены на другой версии модели и на подписях к реальным видео вместо пользовательских промптов, поэтому переносить их на H3 напрямую нельзя. Тем не менее они дают ориентир, какие сцены проверять в первую очередь: контактные сцены с необратимыми последствиями остаются наиболее рискованными.