Так как у меня пайплайн на клоде я догадался, что он генерит персонажей, так как в промте есть описание "три персонажа" появившееся из финального кадра видео. И говоришь ему просто чтобы он не считывал контекст финального кадра, а относился к нему, как к статичной картинке, к которой нужно сделать зум с моушен блюром и результат получается примерно такой, какой я хотел. Вероятно если сгенерировать правильный финальный кадр, чтобы сетке по бокам не нужно было ничего дорисовывать, то можно избавится от силуэтов. Но они на мой вкус не мешают и выглядят атмосферно.