AI-агенты в интерактивном кино: сюжет меняется на лету

В 2024–2025 годах несколько команд показали работающие прототипы, где сюжет фильма или сериала генерируется не заранее, а на лету — по реакциям зрителя, его выбору или голосу. Netflix ещё в 2018-м выпустил интерактивный эпизод «Черного зеркала: Брандашмыг», но там развилки были заранее отсняты и вручную смонтированы. Новый подход другой: реплики, действия и иногда сама картинка собираются во время просмотра связкой из языковой модели, движка синтеза речи и генератора изображений или видео. Готового массового продукта уровня «включил и смотришь» пока нет — есть демо, ранние доступы и эксперименты студий. Но архитектура уже сложилась, и о ней стоит говорить предметно.

Что именно произошло

Речь не про один релиз, а про сходящиеся линии. С одной стороны — генеративное видео: OpenAI Sora, Google Veo, Runway Gen-3 научились делать связные ролики на секунды и десятки секунд по текстовому описанию. С другой — агенты* на базе LLM, которые держат состояние истории, помнят, что зритель уже выбрал, и решают, что произойдёт дальше. Между ними — движки вроде Unreal Engine и NVIDIA ACE, которые управляют мимикой и репликами цифровых персонажей в реальном времени.

Собранные вместе, эти куски дают систему, где нет фиксированного сценария на 90 минут. Есть мир, персонажи с целями и характерами, и режиссёр-агент, который ведёт зрителя через сцены, реагируя на его реплики или выбор. Технически это ближе к движку игры, чем к линейному фильму.

Интерактивное кино перестало быть деревом заранее отснятых развилок. Теперь это симуляция, у которой каждый просмотр — свой единственный монтаж.

Как это устроено внутри

Типичная связка на сегодня выглядит так:

• Оркестратор-агент. LLM, которая держит краткое описание мира, характеры героев, уже случившиеся события и следит, чтобы история не разваливалась. Именно она решает, какая сцена дальше.
• Память истории. Часто реализуется через RAG** — модель подтягивает из базы факты о персонажах и прошлых репликах, чтобы не забыть, что зритель уже знает.
• Слой речи и лица. Синтез голоса (например, ElevenLabs) плюс липсинк и мимика через движок вроде NVIDIA ACE или готовых аватаров.
• Картинка. Либо предзаготовленные ассеты в игровом движке, либо генеративное видео — второе пока даёт заметные задержки и артефакты на длинных сценах.

Главная инженерная боль — задержка. Чтобы диалог не рвался, ответ должен собраться за секунду-две. Полностью генеративное видео в реальном времени такой скорости пока не держит, поэтому большинство рабочих демо используют игровой движок с готовыми 3D-персонажами, а не Sora-подобную генерацию каждого кадра.

Чем это отличается от предшественников

Ключевая разница — в источнике вариативности. У «Брандашмыга» веток было конечное число, и каждую снимали живые актёры. У генеративной системы веток формально бесконечно много, но за это платят предсказуемостью: модель может выдать сцену не в тоне истории, забыть деталь или сорваться в бессвязность на длинной дистанции.

Кому это пригодится, а кому нет

Где заходит

• Обучающие и тренинговые симуляции. Разговор с «трудным клиентом» или отработка переговоров, где важен не идеальный сюжет, а живая реакция на ваши слова.
• Компаньоны и персонажи для игр. NPC, который отвечает не пятью заготовленными фразами, а по ситуации, — самый близкий к реальному рынку сценарий.
• Короткие интерактивные форматы. Аттракционы, музейные инсталляции, рекламные активации на 3–10 минут, где артефакты и обрывы менее критичны.

Где пока рано

• Полнометражное авторское кино. Режиссёр контролирует каждый кадр и монтаж — генеративная система этот контроль забирает, а взамен пока не даёт стабильного качества.
• Проекты с жёстким брендом персонажа. Если герой должен всегда говорить строго в характере, риск, что модель «сломает» его, высок.
• Тех, кому нужна повторяемость. Два зрителя получат разные истории — для тестирования, сертификации или прокатного показа это минус.

Сколько это стоит

Отдельного массового тарифа «AI-кино» на рынке нет — стоимость складывается из подписок на компоненты, а они меняются часто. На момент подготовки материала ориентиры такие: доступ к API языковых моделей тарифицируется за токены, генеративное видео (Runway, Sora через продукты OpenAI) — по секундам или кредитам, синтез речи — по символам. Точные цены и лимиты смотрите на официальных страницах провайдеров: они пересматриваются каждые несколько месяцев, и любая цифра здесь устареет быстрее, чем вы дочитаете абзац.

Для команды, которая хочет собрать прототип, основные статьи расходов — вычисления на инференс в реальном времени и лицензия на движок. Unreal Engine бесплатен для проектов до определённого порога выручки; условия уточняйте у Epic Games.

* Агент — программа на базе языковой модели, которая не просто отвечает на один запрос, а держит цель, состояние и последовательно принимает решения: что спросить, что сделать дальше, к какому инструменту обратиться.

** RAG (retrieval-augmented generation) — приём, когда модель перед ответом подтягивает нужные факты из внешней базы, а не полагается только на то, что запомнила при обучении. Так система «помнит» детали конкретной истории.