Моделей для Image-to-Video сейчас много - Veo 2, Kling, WAN2.2, LTX-2.3. Но сам текстовый промпт редко даёт нужный результат сразу. Мой любимый процесс - AI render. Делаете сцену в Blender, рендерите depth map и canny edges, подаёте их в LTX-2.3 как ControlNet-референс. Модель берёт структуру вашей 3D-сцены и оживляет её - с движением, атмосферой, деталями. Зачем это нужно: полноценный рендер фона со всем освещением и материалами - долго и дорого. Но фон для зрителя не так важен, как персонаж. AI render даёт крутое качество заднего плана за долю стоимости. Персонажа рендерите как следует, фон - через нейросеть. Сам активно использую этот подход в работе. Попробуйте - разница в скорости ощутимая.