Prompt Video AI yang Bertahan di Enam Klip Sekaligus

Sebagian besar prompt video AI ditulis untuk satu klip saja. Prompt saya harus bertahan di enam klip sekaligus. Itu pekerjaan sebenarnya ketika prompt Anda juga harus menggambarkan sebuah dunia yang bisa dimainkan: cahaya di klip satu harus cocok dengan cahaya di klip empat, atau semuanya akan terlihat seperti kontinuitas yang pecah, bukan sebuah tempat. Inilah struktur tepat yang saya pakai untuk prompt video AI di Veo, apa yang berubah ketika saya menjalankan brief yang sama melalui Kling, dan kebiasaan yang diam-diam membuang sepertiga kredit generasi saya.

Mengapa sebagian besar prompt video AI gagal setelah klip kedua

Saya punya enam shot sinematik untuk satu dunia: wide establishing, pan level menengah, close pada air, tiga character beat. Enam prompt terpisah, ditulis baru setiap kali, seperti yang diajarkan setiap panduan.

Pada klip ketiga, kabut sudah menipis. Pada klip kelima, cahaya bergerak dari dusk-blue ke sesuatu yang lebih mirip tengah hari. Tidak ada yang menyuruh model mengubah cuaca. Saya hanya menggambarkannya sedikit berbeda setiap kali, dan sedikit berbeda, enam kali berturut-turut, itu jumlahnya menjadi planet yang berbeda.

Perbaikannya bukan prompt yang lebih baik. Ini blok terkunci yang saya tempel di bagian atas setiap klip dalam urutan, tidak berubah:

World key (reuse verbatim di setiap klip):
misty highland valley, dusk, cool blue-violet light, thin ground fog,
distant mountain silhouette, restrained color grade, no lens flare

Semuanya setelah baris itu bebas berubah: subject, action, camera. World key tidak. Begitu saya mulai memperlakukan kontinuitas sebagai aset tetap bukan harapan, tingkat klip yang tidak berguna dalam urutan enam shot turun dari kira-kira empat dari sepuluh menjadi sekitar satu dari sepuluh.

Itu terdengar kecil sampai Anda menghitung kredit. Urutan enam klip dengan tingkat kegagalan 40 persen berarti regenerasi dua sampai tiga shot, setiap kali, di atas enam yang sudah Anda bayar. Pada tingkat kegagalan 10 persen, sebagian besar urutan selesai bersih pada lintasan pertama. Prompt menjadi lebih pendek. Output menjadi lebih dapat diprediksi. Kedua hal itu terjadi bersama adalah bagian yang sebanding untuk diperhatikan.

Lima lapisan yang benar-benar dihargai Veo

Panduan prompting resmi Google untuk Veo 3.1 memecah prompt yang kuat menjadi lima bagian: subject dan action, camera, environment dan lighting, style dan mood, dan audio, maksudnya dialogue, sound effects, dan ambient noise, masing-masing ditulis sebagai barisnya sendiri. Lewatkan lapisan audio dan Anda mendapat klip bisu yang terlihat belum selesai bahkan ketika visual sudah benar.

Berikut adalah prompt yang dibangun berdasarkan struktur itu, menggambarkan scene yang benar-benar saya buat:

Camera: slow dolly in, waist height, shallow depth of field
Subject: a robot bartender polishing a glass behind a worn wood bar
Action: he sets the glass down and looks up as the door opens
Environment: a foggy 1920s Detroit jazz club, warm string lights, thin haze
Style: 1940s film noir color grade, soft grain
Audio: ambient noise, murmured conversation and a muted trumpet

Itu bukan daftar keyword. Ini lima instruksi pendek yang bisa dipenuhi model secara independen, yang penting lebih dari kedengarannya. Google menyebut satu klien, aplikasi audio Pocket FM, melaporkan peningkatan retensi 30 hingga 40 persen setelah membangun video yang dihasilkan Veo berlapis ke dalam produk mereka. Saya tidak bisa memverifikasi angka itu sendiri, tapi klaim yang mendasar, bahwa struktur mengalahkan tumpukan adjektif yang lebih panjang, cocok dengan apa yang saya lihat klip demi klip.

Menulis NPC dialogue tanpa menghancurkan scene

Lapisan audio adalah tempat sebagian besar prompt yang berfokus pada dunia jatuh, karena dialogue perlu terdengar seperti milik karakter, bukan pembaca text-to-speech.

Tanda kutip penting di sini lebih dari tempat lain dalam prompt. Atribusikan baris ke karakter, jelaskan delivery, dan jaga singkat:

Audio: the bartender says, "We don't get many strangers down here,"
in a flat, unbothered tone. Ambient noise: distant thunder, glasses clinking.

Dua baris, bukan satu paragraf. Satu baris dialogue panjang cenderung dipangkas atau dipotong. Dua pertukaran pendek, masing-masing dengan catatan delivery-nya sendiri, keluar lebih dekat dengan apa yang sebenarnya Anda bayangkan. Jika scene memerlukan baris dialogue ketiga, itu biasanya tanda bahwa itu seharusnya dua klip bukan satu, kembali ke aturan dua elemen baru dari world key.

Bahasa kamera adalah lever, bukan adjektif

Ganti "cinematic" dengan "breathtaking" dalam prompt dan hampir tidak ada yang berubah di output. Ganti "static wide shot" dengan "slow dolly in" dan seluruh register emosional klip bergeser, karena model sebenarnya menguraikan instruksi itu sebagai gerakan kamera fisik, bukan dekorasi.

Kata kerja yang konsisten bekerja di Veo dan Kling: dolly in atau out, pan, crane, steadicam follow, handheld, aerial atau drone. Pilihan lensa penting juga. 16mm terlihat lebar dan sedikit terdistorsi, bagus untuk skala. 85mm mengompresi latar belakang dan memflatir subject yang dekat. Tidak satupun perlu tiga adjektif ditumpuk di depannya untuk menjalankan tugasnya.

Kling menangani ini berbeda dari Veo dengan satu cara spesifik yang perlu diketahui sebelum Anda memilih tool: itu secara signifikan lebih kuat pada gerakan karakter dan manusia yang mulus di klip yang lebih lama, di mana Veo cenderung menang pada pencahayaan alami dan ketaatan prompt pada shot lingkungan. Jika dunia Anda memiliki banyak gerakan gaya NPC dalam frame, itu tradeoff untuk ditest sendiri bukan asumsi.

Saya menjalankan establishing dan environment shot melalui Veo dan character-heavy beat melalui Kling, kemudian cocokkan world key di kedua-duanya. Itu setup lebih banyak daripada memilih satu tool dan tetap di sana, tapi jahitannya menunjukkan lebih sedikit daripada yang Anda harapkan setelah bahasa pencahayaan terkunci.

Apa yang harus dilewatkan: kebiasaan yang membuang kredit Anda

Tiga hal yang berhenti saya lakukan, dalam urutan berapa banyak yang mereka biaya.

Prompt keyword-salad. Tumpukan terpisah koma seperti "epic, cinematic, 8k, trending, masterpiece" melakukan lebih sedikit daripada satu kalimat jelas tentang apa yang terjadi dalam frame. Model tidak ada yang bisa ditindaklanjuti dalam kata seperti "epic." Ia memiliki banyak untuk bertindak dalam "the camera cranes up as the bridge comes into view."

Vague negative prompts. "No bad quality" tidak memberitahu model apapun yang berguna. "No lens flare, no motion blur on the foreground subject" memberitahu secara tepat apa yang harus ditekan. Negatives spesifik bekerja. Vague membakar generasi dan tidak mengubah apapun.

Menulis ulang seluruh dunia dari awal setiap klip. Ini kesalahan yang sama dengan masalah kontinuitas di atas, hanya tampil sebagai waste spend bukan visual drift. Setiap penulisan ulang penuh adalah kesempatan segar bagi model untuk drift palet, dan setiap klip yang drift adalah generasi yang akan Anda buang.

Stacking lebih dari dua elemen baru per shot. Tambah karakter baru, kondisi cuaca baru, dan gerakan kamera baru dalam prompt yang sama, dan model harus menebak mana yang paling penting. Ubah satu hal, lihat apa yang terjadi, kemudian ubah yang berikutnya.

Menjaga satu dunia tetap konsisten di enam klip

Trik world key bekerja, tapi itu patch manual untuk masalah yang industri secara aktif membangun tooling di sekitarnya. Fitur Soul Higgsfield, misalnya, dibangun khusus untuk mempertahankan identitas visual karakter tetap konstan di seluruh generasi terpisah, versi yang lebih keras dari masalah kontinuitas yang sama yang saya selesaikan dengan tangan menggunakan blok teks yang ditempel.

Saya belum menemukan tool yang mengunci kontinuitas lingkungan seperti yang saya inginkan untuk dunia penuh, enam klip, satu tempat yang kohesif. Sampai satu ada, disiplinnya ada pada penulis prompt: same world key, same lighting language, same restraint pada berapa banyak elemen baru yang Anda perkenalkan per klip. Dua elemen baru per shot, maksimal. Perkenalkan yang ketiga dan biasanya sesuatu yang lain akan rusak.

Ada versi ini yang skala melampaui enam klip, juga. Ketika fork dunia diambil oleh orang lain, kolaborator, kreator kedua yang merombak base Anda, world key melakukan perjalanan dengan fork. Mereka mewarisi lighting language apakah mereka tahu istilahnya atau tidak, karena itu duduk tepat di sana di bagian atas setiap prompt dalam urutan. Itu nilai sebenarnya dari menuliskannya bukan menyimpannya di kepala Anda: orang lain bisa mengambil alih dari tempat Anda berhenti, tanpa panggilan untuk sinkronisasi apa "cahaya" seharusnya terlihat seperti.

Editing apa yang Anda buat: bagian yang tidak ada yang prompt untuk

Tidak ada prompt yang memperbaiki pacing. Begitu Anda memiliki enam klip yang saling cocok, Anda masih harus memotongnya menjadi sesuatu yang bisa ditonton, tambah caption jika piece pergi ke mana saja sosial, dan trim setengah detik di mana motion model menjadi uncanny sebelum settled.

Itu skill terpisah dari prompting, dan itu yang kebanyakan panduan lewatkan karena terjadi setelah bagian yang menarik secara teknis selesai. Itu juga di mana set klip kasar menjadi urutan sebenarnya, caption masuk, frame mati keluar, half-second motion yang canggung trimmed sebelum settled menjadi sesuatu yang uncanny.

Draft pertama Anda adalah rough cut, bukan diagnosis

Pertama kali klip kembali salah, insting adalah menulis ulang seluruh prompt. Jangan. Ubah baris yang benar-benar bertanggung jawab, verb kamera, frasa lighting, elemen baru tunggal yang Anda tambahkan, dan regenerate. Sebagian besar dari apa yang terlihat seperti kegagalan prompt adalah satu kata yang melakukan pekerjaan yang salah.

Tulis world key terlebih dahulu. Kemudian tulis enam instruksi pendek dan spesifik yang hidup di dalamnya, bukan enam dunia yang kebetulan berbagi nama. Fork klip yang paling dekat, ubah satu baris, dan lihat apa yang rusak sebelum Anda memutuskan prompt salah.

Perkembangan dunia yang konsisten memerlukan disiplin lebih dari keajaiban prompt. Ini tentang memahami sistem yang mendasari: lapisan lima Veo, keterbatasan setiap model, dan batasan kreatif yang membuat output lebih dapat diprediksi, bukan lebih sedikit.