Несколько месяцев назад я разрабатывал свой пет проект. YumCut – сервис для создания коротких вертикальных видео полного цикла: от написания текста и генерации изображений до монтажа и добавления субтитров. 

Быстро обнаружилась критическая проблема: цена. Для одной минуты видео требовалось примерно 20 сгенерированных изображений или $0.8/мин. Кроме видео-ряда, еще нужно сгенерировать и аудио - $0.2/мин и дополнительные незначительные расходы на монтаж и генерацию субтитров.

Я начал искать выход. Эта статья — о том, какие нестандартные техники помогли снизить стоимость в разы и какое open-source решение позволяет генерировать картинки в 8 раз дешевле, чем коммерческие API. Полный код и инструкции доступны на GitHub.

Первый подход: многосценность в одном кадре

Логичное решение казалось очевидным: генерировать несколько изображений на одном запросе, расположив сцены рядом. Теоретически это должно было снизить расходы пропорционально количеству картинок.

Первая попытка — ввести в промпт все 8 сцен одновременно. Результат был плачевным: модель просто смешивала все элементы в одну смазанную композицию, непригодную для видеомонтажа.

Ключевой инсайт: границы нужны буквально видимыми

Оказалось, что ИИ-модели испытывают трудности с определением логических границ между отдельными областями. Решение оказалось простым: использовать разноцветные зоны (красную и синюю).

Вместо абстрактного описания я начал передавать PNG-шаблон с явными границами и соответствующей инструкцией: «Первая идея в красной области, вторая идея в синей области. Заполните каждую область полностью».

Эта техника не требовала дополнительных затрат, но кардинально улучшила качество разделения сцен. Модель теперь понимала структуру и редко смешивала элементы.

Однако это было лишь частичным решением. Мне требовалась кардинальная экономия. Нужно было еще на порядок снизить цену.

Второй подход: миграция на open-source альтернативы

Идея была в том, чтобы найти open-source/open-weight модели для генерации изображений, использовать их в облаке и таким образом сократить расходы. 

В первую очередь, было необходимо найти какие же модели сейчас доступны в свободном доступе. Да, их довольно много: Qwen-Image, FLUX, HunyuanImage, Stable Diffusion и проч. Для моих задач было одно дополнительное требование - возможность переиспользования персонажей во множестве сгенерированных картинок. Поэтому мой выбор остановился на Qwen-Image-Edit.

Я провел аудит рынка коммерческих генераторов:

• Основные API (OpenAI/Google Gemini/Stability AI): цены похожие или выше 

• Облачные сервисы Alibaba: около $0.04 за изображение — плюс-минус то же

• Self-hosted варианты типа RunPod: требуется масса изображений для генерации за один раз чтобы достичь экономии

Картина была неутешительная — даже создатели Qwen-Image, Alibaba предоставляли модель по завышенным ценам. Но затем я нашел runware.ai и together.ai, в которых генерация изображений с помощью Qwen-Image-Edit и Qwen-Image стоили практически в 8 раз дешевле Nano Banana - ~$0.005 vs. $0.04.

Третий подход: улучшение детализации изображений

Как оказалось, с низкими ценами на генерацию изображений модель начала рисовать более однообразные картинки, все сцены были похожи одну на другую.

Вот пример сгенерированных изображений с разными промптами о счастливом коте на пляже:

Несмотря на то, что изображения рисуются хорошо - не хватает прослойки для улучшения промптов рассказа. Очевидное решение - добавить прослойку между промптом истории и генератором изображения. Но нужна такая LLM, которая бы не увеличивала стоимость существенно. 

Для того, чтобы проверить множество LLM я воспользовался - openrouter.ai. Один раз написав код прослойки, можно менять модели на любую из доступных. После тестирования десяток моделей - я остановился на openai/gpt-oss-120b с низким усилием по размышлению. Улучшенная версия промпта для генерации изображений обходится ~$0.0003, но из картинок выше получаются вот такие картинки.

Изображения стали разнообразнее, даже несмотря на практически одинаковый промпт. GPT OSS улучшил описание для Qwen-Image и у вас появился рычаг, позволяющий контролировать стиль и настроение изображений. 

Результаты: числа, которые говорят сами за себя

Скомбинировав два подхода вместе - цена упадет еще в два раза, но будут иногда проскакивать артефакты на картинках из-за разделения оригинального изображения.

Мне было достаточно такой цены за картинки, поэтому я остановился на этом результате.