ChatGPT растянул 16 нарисованных кадров бегущей ласки в 10-секундное видео, и оно поплыло. Тот же набор ChatGPT собрал в GIF, и там картинка выглядела бодро. Если вы делаете ролики из ключевых кадров, это касается вас напрямую: по наблюдению автора поста на note, модель не дорисовывает промежуточные позы, а смешивает соседние кадры.
GIF получился с задержкой 0,31 секунды на кадр, то есть около трёх кадров в секунду. Видео автор запросил 10 секунд при 24 кадрах в секунду, всего 240 кадров. Чтобы понять, что не так, он вручную замерил, насколько чётко видна граница объекта на каждом кадре. Пики резкости приходились примерно на каждые 0,6 секунды и совпадали с исходными 16 картинками, а между ними шли провалы. В движении это выглядело как ритмичное дрожание. Последняя секунда с небольшим вообще стояла на месте, и 16-го кадра с уходом в кусты в ролике не оказалось.
Тогда он попробовал больше: между каждой парой рисунков ИИ должен был вставить по 16 кадров. Результат стал хуже. В середине промежутков лицо зверя двоилось. Это явно не перерисовка, а наложение двух картинок друг на друга, и автор поста считает, что так работают и другие модели, когда им дают только крайние кадры.
В анимации такие промежуточные рисунки называют «中割り» (нактури, по-русски примерно «промежуточные кадры»). Художник рисует ключевые позы, а между ними дорисовывает переходы. ИИ здесь делал то же место работы, но просто смешивал пиксели. Заодно автор вспомнил эффект, который в 1912 году описал психолог Макс Вертхаймер: мозг достраивает движение между статичными картинками, если их показывают достаточно быстро. Именно поэтому рисованный 16-кадровый GIF читается как бег, а не как серия стоп-кадров. Мозг сам соединяет позы и не превращает их в размытую кашу.
Японские аниматоры давно экономят кадры. Классический приём «3 кадра на рисунок» даёт около восьми картинок в секунду вместо двадцати четырёх, и такая анимация вполне выглядит живо. Автор поста считает, что ИИ на таких задачах ведёт себя хуже художника, потому что не знает, какую промежуточную позу нужно нарисовать. Вывод простой: больше кадров не всегда означает лучше. Если модель будет размывать промежутки, часть картинки пропадёт, и не важно, сколько их в ролике.
Источникnote #動画生成AI

