Viggle открыла репозиторий Viggle-Remake на Hugging Face: пара LoRA-адаптеров (rank 256, alpha 256) поверх базовой видео-модели MiniMax-H3 (около 20 млрд параметров, архитектура wan) переснимает уже готовое видео — в режиме swap заменяет персонажей, в режиме edit меняет объекты, фон, погоду и свет, сохраняя исходное движение, камеру, тайминг и звук. Ключевые файлы (LoRA, сэмплер, MCP) весят около 5,5 ГБ, а int8- и GGUF-версии с нодами ComfyUI опускают порог входа до видеокарт с 12 ГБ VRAM, без обязательного обращения к платным API. Для агентов вроде Claude Code и Codex есть MCP-сервер, который сам режет ролик на окна, рисует ключевые кадры, рендерит и склеивает результат. Главные оговорки: одно рендер-окно рассчитано примерно на 294 кадра, то есть около 12 секунд, в материалах релиза нет метрик качества, а модель не проверяет согласие изображенных людей.

image

Что произошло

Компания Viggle опубликовала репозиторий Viggle-Remake на Hugging Face. Технический состав: два LoRA-адаптера с rank 256 и alpha 256, обученных поверх открытой видео-модели MiniMax-H3 с архитектурой wan. Первый адаптер работает в режиме swap и заменяет персонажей готового ролика, второй — в режиме edit и меняет объекты, фон, погоду и свет; в обоих случаях движение, камера, тайминг и звук берутся из исходника. Суммарно ключевые файлы — сами LoRA, сэмплер и MCP-сервер — занимают около 5,5 ГБ. На карточке модели выложены демонстрационные примеры: клип по мотивам La La Land и пересъемка сцены Burly Brawl из Matrix, которые задают рамку ожиданий по классу задач.

Контекст

Масштаб решения становится понятен на фоне базы: полная версия MiniMax-H3 в bf16 занимает около 144 ГБ и требует GPU с 80+ ГБ видеопамяти, поэтому Viggle выбрала parameter-efficient путь — два адаптера вместо полного дообучения 20-миллиардной модели. Адаптеры модифицируют пересъемку относительно исходного видеоряда, а не генерируют сцену с нуля, что отличает подход от классической text-to-video генерации. Порог входа снижен упаковкой релиза: помимо основных файлов есть int8- и GGUF-версии (Q4_K_M — 14,3 ГБ, Q6_K — 17,6 ГБ, Q8_0 — 22,3 ГБ) и готовые ноды для ComfyUI, позволяющие работать от 12 ГБ VRAM. Веса распространяются под лицензией MiniMax H3 Community License, которая накладывает условия на использование. Роль MCP-сервера закрывает структурное ограничение базовой модели — короткие окна: он делит длинный ролик на фрагменты и собирает их обратно, превращая пайплайн в задачу для кодинг-агентов вроде Claude Code и Codex.

Почему это важно для индустрии

Для индустрии это смещение способа доступа: пересъемка видео раньше была фичей платных API, теперь это локальный слой с открытыми весами, где основная цена — собственная видеокарта. Прямое следствие — автоматизация постпродакшна силами кодинг-агентов: замена актеров, смена локаций и погоды выполняются как программируемый пайплайн через MCP, а не ручной монтаж. По этой логике простые reshoot-операции коммодитизируются, а защищаемым слоем для продуктов становятся оркестрация длинных видео — нарезка на окна, контроль стыков, склейка — и дистрибуция через чужие агентные стеки. Команды получают окно дешевых прототипов: пересъемку футажа под задачу клиента можно проверить без аренды GPU с 80 ГБ памяти. Спекулятивный горизонт, обозначенный в разборах релиза: если паттерн «открытая видео-база плюс LoRA плюс агентная оркестрация» закрепится, закрытым API придется конкурировать с локальными пайплайнами по классу задач «сохранить движение — заменить наполнение».

Почему это важно для пользователей

Чтобы попробовать пересъемку, достаточно скачать ключевые файлы весом около 5,5 ГБ или квантованные версии, поставить ноды ComfyUI и запустить генерацию на видеокарте от 12 ГБ VRAM. Для ручного режима нужен промпт в шестисекционном формате H3 и от одного до четырех нарисованных опорных кадров. Альтернатива — подключить MCP-сервер к Claude Code или Codex: тогда достаточно фразы вроде «переодень группу в политиков», и агент сам разобьет видео на окна, нарисует ключевые кадры, отрендерит и склеит результат. Реалистичный сегодня сценарий — короткие фрагменты: одно окно — примерно 294 кадра, около 12 секунд, а самый длинный опубликованный прогон — двухминутный клип, поэтому для длинных видео потребуется агентная склейка или ручной разрез. Отдельное правило гигиены: модель не проверяет согласие изображенных людей, поэтому запускать пересъемку стоит только на собственном или согласованном материале.

Что пока неизвестно / ограничения

В материалах релиза нет метрик качества — сохранения идентичности, временной консистентности, синхронизации со звуком — и нет сравнения с закрытыми API; примеры с La La Land и Matrix это кураторская демонстрация, а не оценка на тяжелых сценах. Целостность изображения на стыках множества рендер-окон при агентной склейке — открытый технический вопрос, а утверждение, что решение работает с целыми фильмами, подтверждается только двухминутным роликом и по статусу ближе к маркетингу. Заявленная работа облегченных LoRA рангов 128 и 64 не проверена независимыми тестами, как и надежность самой агентной оркестрации: данных об артефактах на стыках и доле неудачных прогонов в релизе нет. Прогнозы о комьюнити-абляциях и квантизациях, обёрточных сервисах «пересъемка по фразе» и стандартизации агентных пайплайнов на горизонте полугода или двух лет остаются интерпретациями, а не установленными фактами.

Источники

Автор

Look at AI, редакция