Veo 3.1 даёт более реалистичных людей, чем Sora 2 Pro? практическое сравнение и подробный гайд

Когда я впервые стала сравнивать Veo 3.1 и Sora 2 Pro на людях, а не на абстрактных пейзажах, разница проявилась не в «вау-эффекте», а в мелочах. Взгляд, кожа, пауза перед улыбкой, движение плеч, то, как человек держит вес тела. На этом уровне и начинается честное сравнение. Если сцена построена вокруг человека, уже не так важно, насколько красиво летит пыль в луче света. Важно, верится ли в лицо перед камерой.

А теперь короткое отступление, потому что сама я давно перестала собирать подписки по разным сервисам. В работе мне очень выручает Бот SozdavAI, где собраны нейросети для генерации текста, фото и видео. Удобно, когда всё лежит в одном месте, а не раскидано по десяткам окон. Я пользуюсь им для разных задач и вижу, как это экономит и время, и деньги. При переходе по ссылке вас ждёт приветственный бонус — 10 000 токенов, а для всех подписчиков моего канала доступны бесплатные запросы к ChatGPT 5 nano даже после того, как закончится баланс. После этого я спокойно возвращаюсь к теме: в видео всё решает модель, а ещё то, насколько точно вы задали человека, свет и движение.

Почему человек в видео так легко выдаёт качество модели

С пейзажем всё проще. Можно слегка смазать дальний план, и зритель ничего не заметит. С человеком такой номер не проходит. Лицо сразу показывает, насколько модель понимает анатомию, свет и движение. Ошибка в руке, неестественный рот, слишком гладкая кожа — и сцена уже выглядит как картинка, которая старается быть живой, но пока не уверена, что у неё получится.

У меня на практике лучше всего это видно на крупных и средних планах. Если персонаж просто идёт вдали, обе модели часто выглядят убедительно. Но когда камера приближается, Veo 3.1 чаще удерживает ощущение живого лица. Это особенно заметно, если в кадре есть мягкий свет, спокойная речь и одно понятное действие. В таких сценах не нужно ничего «разгонять». Наоборот, чем тише и точнее задача, тем лучше результат.

Что у Veo 3.1 сильнее всего

Если говорить о людях, у Veo 3.1 я чаще вижу три сильные стороны: более естественную кожу, спокойную мимику и мягкое движение тела. Это не означает, что модель безошибочна. Просто в удачных генерациях она чаще даёт тот самый эффект, когда персонаж выглядит как человек перед камерой, а не как очень дорогая визуальная сборка.

Кожа и лицо

Пластиковый блеск — старая беда видео, созданного нейросетями. Лицо может быть красивым, но при этом слишком гладким, будто его долго шлифовали перед съёмкой. В Veo 3.1 чаще сохраняются мелкие переходы тона, естественные тени, отражения в глазах и небольшие возрастные детали. Для меня это особенно важно в кадрах с женщиной у окна, с мужчиной в полутёмной комнате или с героем, который просто слушает собеседника. В таких сценах лицо не должно кричать о себе. Оно должно жить.

Мимика

Настоящая мимика почти никогда не возникает одним резким движением. Сначала меняется взгляд, потом расслабляется или напрягается рот, потом приходят брови, и только после этого рождается эмоция. Здесь Veo 3.1 часто смотрится убедительнее. Улыбка не выглядит приклеенной поверх лица, а смена выражения происходит мягче. Это полезно там, где нужен говорящий человек, интервью, короткий экспертный ролик или спокойная рекламная сцена с одним героем.

Движение тела

Хорошо сделанная походка многое решает. Если плечи двигаются отдельно от корпуса, руки ведут себя как чужие, а ноги словно не чувствуют землю, зритель это считывает моментально. В Veo 3.1 мне чаще нравится то, как переносится вес, как реагирует одежда и как человек поворачивается к объекту в кадре. Есть ощущение, что движение продумали, а не просто отрисовали.

Где Sora 2 Pro всё ещё очень сильна

Сравнивать эти модели честно только по лицу было бы слишком узко. У Sora 2 Pro есть своя очень сильная территория — сложная сцена, несколько персонажей, предметы, которые должны вести себя логично, и длинное действие, где важно сохранить пространственную связность. Если человек входит в комнату, берёт стакан, ставит его на стол и поворачивается к другому герою, Sora 2 Pro часто делает это очень уверенно.

У меня были случаи, когда она лучше держала сюжет. Не лицо, а сцена. Это ценно, если вы делаете мини-фильм, ролик с несколькими переходами, динамичную сцену в интерьере или что-то с более сложной физикой. Там, где важна логика пространства, Sora 2 Pro нередко выглядит собраннее.

Но у неё же могут проявляться знакомые слабые места. Лицо иногда становится чуть более гладким, мимика — чрезмерной, а кисти рук — менее стабильными. Не всегда, но достаточно часто, чтобы я смотрела на это как на рабочий риск, а не как на мелкую случайность. В итоге получается сильный мир, но сам человек внутри мира может выглядеть чуть менее естественно.

Практическое сравнение по задачам

Если не уходить в общие слова, а смотреть на конкретные сценарии, картина выглядит довольно ясно. Для портретного плана, спокойной речи и съёмки одного героя Veo 3.1 чаще даёт более живое впечатление. Для сцены с несколькими действиями, предметами и более сложной логикой происходящего Sora 2 Pro иногда оказывается удобнее.

На практике я бы разделила выбор так: если вам нужен человек, который должен выглядеть естественно вблизи, пробуйте Veo 3.1. Если вам нужен эпизод, где герой работает внутри насыщенной сцены, попробуйте Sora 2 Pro. Это простой ориентир, и он экономит много лишних попыток.

Что ломает реализм почти всегда

Самая частая ошибка — слишком общий запрос. Когда в промпте написано что-то вроде «красивый мужчина идёт по улице, реалистично, кинематографично», модель получает не задачу, а настроение. Настроение полезно, но его мало. Если вы хотите живого человека, нужно описывать внешность, движение, свет, камеру и эмоцию.

Вторая ошибка — перегрузка действиями. Когда вы просите героя говорить, резко поворачивать голову, брать предмет, менять эмоцию и ещё проходить через дверь, модель начинает путаться. Я обычно советую начинать с одного понятного действия. Например: человек смотрит в камеру и говорит короткую фразу. Или: женщина медленно поворачивает голову к окну и улыбается. В таких сценах реализм держится заметно лучше.

Третья ошибка — неудачный исходный кадр. Если референс уже шумный, с фильтрами, сильной ретушью или странным светом, видео часто наследует эти проблемы. Для лица лучше брать чёткое изображение с понятной мимикой и нейтральным фоном. Это банально, но такие мелочи потом дают разницу между «похоже» и «верю».

Как я собираю промпт для человека

Мой рабочий порядок всегда примерно один и тот же: персонаж, внешность, эмоция, действие, камера, свет, окружение, движение. Это помогает не расплыться в описаниях. Если забыть хотя бы один из этих слоёв, результат может стать красивым, но пустым. А задача ведь другая — сделать изображение и показать человека в движении.

Вот пример, который я использовала для теста с Veo 3.1: «Photorealistic woman in her late 30s standing by a window in a small apartment, soft side light, calm expression, subtle breathing, gentle smile appearing slowly, medium shot, slow camera push-in, natural skin texture, realistic eyes, slight movement in hair and clothes, quiet documentary style, soft ambient room sound».

Здесь нет лишней театральности. Только то, что помогает модели удержать человека: возраст, место, свет, темп, дыхание, камера, кожа. И вот что важно: чем точнее вы пишете такую сцену, тем меньше потом приходится надеяться на случайность.

Как читать результат после генерации

Я советую не смотреть на ролик только один раз. Сначала включите без звука и проверьте лицо, руки, походку, моргание и то, не прыгает ли внешность от кадра к кадру. Потом включите звук и посмотрите, совпадает ли голос с движением губ, не кажется ли интонация чужой сцене, и не уводит ли аудио внимание от человека.

Удобно оценивать по бытовым признакам. Сохранился ли возраст? Не уехала ли форма носа? Не превратился ли взгляд в стеклянный? Не стали ли пальцы жить отдельной жизнью? Если хотя бы два таких признака ломаются, сцена уже не выглядит по-настоящему живой. И это не придирка, а нормальный рабочий стандарт для видео с людьми.

Где в работе помогают другие инструменты

Когда я собираю сцену с человеком, я обычно не ограничиваюсь одной моделью. Сценарий и реплики можно набросать в ChatGPT, если нужен быстрый текст и несколько вариантов реплик. Если требуется сверить факты или подобрать формулировку по широкой теме, удобно подключить Perplexity AI. Для самого образа персонажа подойдут MidJourney, Flux или Seedream 5, если нужен сильный визуальный старт.

Если исходное изображение хочется подправить, иногда я использую GPT Image 2 или Nano Banana для редактирования деталей. Когда нужно усилить резкость и размер, подключаю Topaz Photo AI или Magnific AI. А если речь уже о готовом ролике, то здесь выручает Topaz Video AI. Такой порядок помогает не перегружать генерацию и не пытаться исправлять всё одним инструментом.

Когда Veo 3.1 выглядит убедительнее для людей

Есть несколько сценариев, в которых я почти сразу начинаю с Veo 3.1. Это крупный план лица, спокойный разговор в кадре, рекламная подача одного героя, мягкий дневной свет, сцена у окна, короткий ролик с выразительным взглядом и почти без сложной физики. В таких условиях модель часто даёт ощущение камерной, почти документальной съёмки.

Особенно хорошо это работает, если вы не просите персонажа слишком много делать. Небольшой наклон головы, пауза перед ответом, лёгкая улыбка, взгляд чуть в сторону — уже достаточно. В таких задачах модель раскрывается спокойнее и чище, чем в сценах, где от неё ждут акробатику.

Итоговый ориентир для выбора

Если вам нужен максимально живой человек в кадре, я бы в первую очередь смотрела на Veo 3.1. Если перед вами сложная сцена с несколькими действиями, предметами и пространственной логикой, стоит проверить Sora 2 Pro. На уровне лица и кожи Veo 3.1 часто кажется убедительнее, а на уровне структуры сцены Sora 2 Pro нередко держится сильнее.

В моём рабочем процессе это уже стало привычкой: сначала определить, что важнее в конкретной задаче — человек или сцена. После этого выбор модели перестаёт быть гаданием и становится обычным рабочим решением. Если вам интересно дальше разбирать, как собирать такие видео в реальных проектах, загляните в мой Telegram-канал «AI VISIONS», где я показываю, как создавать контент в нейросетях и какие приёмы действительно экономят время.

Что я проверяю перед финальной публикацией

Когда нужно оплатить новые генерации, я обычно пользуюсь Wanttopay — там удобно пополнять виртуальные карты Visa и Mastercard с 3D-Secure, а управление идёт через мини-приложение в Телеграме. Для меня это решает скучный, но важный вопрос: не отвлекаться на бытовые мелочи, когда уже собрана сцена, подобран свет и осталось только проверить результат. Дальше я смотрю на видео как на рабочий материал, который либо выдерживает крупный план, либо нет.

На этом этапе я почти всегда делаю три прохода. Сначала оцениваю неподвижный кадр. Потом смотрю движение в ускоренном темпе, чтобы поймать сбои в логике тела. И только после этого включаю звук, если он есть. Такой порядок помогает заметить то, что в обычном просмотре ускользает. Например, лицо может выглядеть хорошо в первом кадре, но через несколько секунд теряет цельность. Или, наоборот, человек двигается убедительно, а в момент поворота головы всё разваливается на мелкие ошибки.

Где Veo 3.1 особенно полезна в реальной работе

У меня есть несколько задач, в которых Veo 3.1 почти сразу попадает в рабочий диапазон. Это обучающие фрагменты с одним спикером, спокойные сцены в интерьере, короткие истории с камерной подачей, портретные планы для ленты и ролики, где важнее настроение человека, чем активная постановка. В таких случаях я ценю не только внешний вид лица, и то, как сцена удерживает паузу. Пауза часто выдает уровень модели сильнее, чем любое эффектное движение.

Есть ещё один момент, который мне нравится в человеческих сценах. Когда персонаж не перегружен действием, а просто находится в пространстве, становится заметно, насколько аккуратно модель обращается с мелкими изменениями позы. Хороший результат в таком формате похож на удачную фотосессию, в которой модель знает, куда смотреть, как держать плечи и когда не мешать кадру лишним движением. Плохой результат сразу выдает суетливость: будто человек пытается понравиться камере, а не живёт в ней.

Сцены, где лучше не усложнять задачу

Я бы не просила Veo 3.1 тащить на себе сцену с большим количеством одновременных действий, если в центре именно человек. Когда в одной фразе смешаны ходьба, разговор, жесты, предмет в руке и резкий поворот к источнику света, возрастает шанс получить красивую, но нервную генерацию. В таких работах мне спокойнее разбить задачу на несколько коротких сцен и собрать их отдельно. Это дольше, зато лицо и тело дышат ровнее.

Хорошо работает и такой подход: одна эмоция на один кадр. Не нужно просить героя за десять секунд прожить весь спектр чувств. Если сначала он слушает, потом чуть улыбается, потом переводит взгляд, сцена выглядит убедительнее, чем если вы с самого начала толкаете её в драму. Для человеческого видео это особенно важно, потому что зритель считывает не только выражение лица, но и внутренний ритм.

Когда Sora 2 Pro уместнее не по привычке, а по задаче

У Sora 2 Pro есть сильная сторона, о которой легко забыть, если смотреть только на портреты. Она удобнее там, где важна последовательность событий внутри пространства. Это может быть сцена в квартире, офисе, кафе, коридоре, мастерской — везде, где персонаж существует в кадре и взаимодействует с предметами и средой. Если у вас в ролике важны дверь, стол, стул, проход между объектами, лучше проверять именно этот вариант.

Мне особенно запомнились сцены, где персонаж должен логично перемещаться от одного объекта к другому. Там модель нередко держит структуру сцены лучше, чем некоторые более эффектные решения, которые блестят на лице, но быстро теряют смысл действия. И это важная разница. Для зрителя связность событий часто важнее, чем идеальный блеск кожи.

Как я делю задачи между двумя моделями

Если задача строится вокруг лица, разговора, взгляда и спокойного присутствия в кадре, я начинаю с Veo 3.1. Если в центре сцена с логикой перемещения и несколькими объектами, я сначала проверяю Sora 2 Pro. Такой выбор экономит время уже на первом круге, потому что не приходится подстраивать модель под чужую для неё задачу.

Есть и третий сценарий, который мне встречается чаще, чем кажется. Сначала я генерирую короткий фрагмент в одной модели, потом использую его как ориентир для второй, чтобы сравнить, где лучше держится лицо, а где лучше собирается среда. Это полезно, когда клиенту нужно не «вообще красиво», а конкретно: живой человек в узнаваемой ситуации. Тогда решение принимается не по впечатлению, а по результату.

Что ещё помогает собрать убедительный кадр

Иногда хороший исходник важнее самой модели. Если у человека в кадре сложный принт на одежде, резкие тени на лице или слишком яркий фон, результат почти всегда начинает спорить сам с собой. Я предпочитаю более спокойную основу: ровный свет, ясный силуэт, минимум лишних бликов. Это не делает сцену скучной. Это даёт модели шанс показать именно человека, а не бороться с мусором вокруг него.

С одеждой тоже есть нюанс. Чем сложнее текстура, тем быстрее видно, где видео сбилось. Поэтому для тестов я люблю простые вещи: пиджак, однотонную рубашку, трикотаж, лёгкое платье без активного орнамента. На такой базе видно и осанку, и движение ткани, и то, как модель ведёт себя на повороте корпуса. Это честная проверка.

Как я экономлю время на серии попыток

Я всегда сохраняю удачные фрагменты и не полагаюсь на память. Один хороший свет, одна правильная поза, один спокойный взгляд потом помогают намного больше, чем попытка снова и снова пересоздавать всё с нуля. Когда у вас уже есть удачная база, вы меняете только один параметр за раз. Так проще понять, что именно улучшило сцену, а что её испортило.

Если говорить совсем практично, я бы советовала работать маленькими шагами. Сначала проверить внешний вид человека. Потом — движение. Потом — длину сцены. Потом — звук, если он нужен. Такой порядок особенно полезен, когда вы делаете ролик под конкретную задачу и не можете позволить себе бесконечные переделки.

Что в итоге

Если вам нужен человек, который в кадре выглядит близко к живому, я бы начинала с Veo 3.1. Если же сцена держится на логике пространства, предметах и последовательности действий, стоит проверить Sora 2 Pro. В этой паре нет универсального победителя на все случаи. Есть модель, которая лучше держит лицо, и модель, которая сильнее собирает сцену. Так я и принимаю решение в работе.

Самый полезный вывод для меня оказался простым: не пытайтесь заставить одну модель делать всё сразу. Разделяйте задачу на то, что важнее сейчас — человек или действие вокруг него. Тогда видео получается не случайным, а собранным. И это уже совсем другой уровень результата.

А ещё приглашаю вас в мою AI Лабораторию на Boosty — там я регулярно выкладываю уроки по инструментам для работы с видео и изображениями, делюсь промптами, которыми пользуюсь сама, и делаю разборы видео: рассказываю, как создавать с нуля. Подписывайтесь!