На пятидесятой (из примерно 360-ти) картинок пришло осознание. Вместо того, чтобы генерировать каждую позу по отдельности (и рисковать потерять детали одежды или черты лица), можно запустить генерацию 5-секундного видео и описать, что поменялось. Например, героиня сначала улыбалась, потом, услышав что-то от собеседника, нахмурилась и заплакала. В пятисекундное видео вполне умещаются три-четыре эмоции. И меняется не только лицо, а вся поза — героиня возмущенно размахивает руками, хмурится и отворачивается от собеседника.

Можно прописать изменения даже для двух-трех персонажей разом (главное, уточнить, что произошло с каждым и сколько их было, а то у меня вчера трое разозленных подростков вдруг размножились в банду и побежали громить что-то за пределами экрана).

Готовое видео нарезается в CapCut на нужные стоп-кадры — получаются готовые сцены в высоком разрешении. Попробовала скачивать вместо видео гифки и нарезать в гиф-экстракторе (есть всякие бесплатные онлайн-штуки), но качество сильно падает.