Насколько я понимаю, нужно сначала фотки будущих твоих сцен сгенерить или сделать, и после этого приказать нейронке генерить видосы, используя эти фотки. Тогда они будут одинаковыми, или например один и тот же персонаж будет в разных локациях.. Ну и в целом, как и в музыке, желательно обладать...