Prompty do filmów AI: Zachowaj spójność od ujęcia 1 do 6

Prompty do filmów AI piszą się zwykle dla jednego ujęcia. Moje muszą przetrwać sześć. Taka jest rzeczywistość, gdy twój prompt musi opisywać zarówno film, jak i grę. Światło z ujęcia pierwszego musi pasować do światła z ujęcia czwartego, inaczej całe coś czyta się jak rozbita ciągłość zamiast spójnego miejsca. Oto dokładna struktura, którą używam dla promptów do filmów AI na Veo, co zmienia się, gdy przepuszczam ten sam brief przez Klinga, i jakie nawyki kosztowały mnie trzecią część kredytów generacji.

Prompty do filmów AI to nie tylko zestaw poleceń. To sześć instrukcji, które muszą współpracować, aby świat miał sens wizualnie i emocjonalnie. Problem zaczyna się po drugim ujęciu, kiedy małe niedopatrzenia kumulują się w coś, co nie wygląda jak jedno miejsce. Tutaj opisuję, jak tego unikać i co robić, kiedy jednak się zdarzy.

Po co większość promptów do filmów AI nie wytrzymuje drugiego ujęcia

Miałem sześć cinematycznych ujęć do wygenerowania dla jednego świata: szerokie ujęcie nawiązujące, panoramę mid-level, zbliżenie na wodę, trzy ujęcia postacie. Sześć oddzielnych promptów, napisanych od nowa za każdym razem, dokładnie tak jak każdy poradnik mówi.

Do ujęcia trzeciego mgła się rozpuściła. Do ujęcia piątego światło przesunęło się z wieczorowo-niebieskiego na coś bliższego południu. Nikt nie powiedział modelowi, żeby zmienić pogodę. Po prostu opisałem ją nieco inaczej każdy raz, i nieco inaczej, sześć razy z rzędu, dodaje się do zupełnie innej planety.

Rozwiązanie nie było lepszym promptem. Było zamrożonym blokiem, który wklejam na górze każdego ujęcia w sekwencji, bez zmian:

Klucz świata (ponownie użyj bez zmian w każdym ujęciu):
mgławicza górska dolina, zmierzch, chłodne niebiesko-fioletowe światło, cienka mgła nad ziemią,
odległy zarys gór, powściągliwe korekcje barw, bez efektów soczewki

Wszystko po tej linii jest wolne do zmian: temat, akcja, kamera. Klucz świata nie zmienia się. Kiedy zacząłem traktować ciągłość jako zamrożony zasób zamiast nadziei, mój wskaźnik bezużytecznych klipów w sekwencji sześciu ujęć spadł z około 4 na 10 do około 1 na 10.

To brzmi mało, dopóki nie policzysz kredytów. Sekwencja sześciu klipów przy 40-procentowym wskaźniku awaryjności oznacza regenerowanie dwa do trzech ujęć za każdym razem, oprócz sześciu, za które już zapłaciłeś. Przy 10-procentowym wskaźniku awaryjności większość sekwencji kończy się czyszczeniu za pierwszym przejściem. Prompt się skrócił. Wynik stał się bardziej przewidywalny. Te dwie rzeczy zachodzące razem to część godna uwagi.

Pięć warstw, które Veo naprawdę nagradza

Poradnik samego Google'a do promptowania dla Veo 3.1 rozbija silny prompt na pięć części: temat i akcja, kamera, środowisko i oświetlenie, styl i nastrój, oraz audio , oznacza to dialog, efekty dźwiękowe i dźwięk otoczenia, każde napisane jako własna linia. Pomiń warstwę audio a dostaniesz niemą sekwencję, która czyta się jako niedokończona, nawet gdy wizuały są w porządku.

Oto prompt zbudowany na tej strukturze, opisujący scenę, którą naprawdę wygenerowałem:

Kamera: powolny dolly w przód, na wysokości talii, płytka głębia ostrości
Temat: robot barman poluje szklankę za noszoną drewnianą ladą
Akcja: odkłada szklankę i spogląda w górę, gdy drzwi się otwierają
Środowisko: mgławicza jazzowa kawiarnia z lat dwudziestych w Detroit, ciepłe światła strunowe, cienka mgiełka
Styl: kolorystyka film noir z lat czterdziestych, miękki ziarno
Audio: dźwięki otoczenia, szeptane rozmowy i stłumiona trąbka

To nie jest lista słów kluczowych. To pięć krótkich instrukcji, którymi model może działać niezależnie, co ma większe znaczenie niż się wydaje. Google powołuje się na jednego klienta, aplikację audio Pocket FM, która raportuje wzrost retencji o 30 do 40 procent po zintegrowaniu warstwowych, generowanych przez Veo filmów w swój produkt. Nie mogę sam zweryfikować tej liczby, ale podstawowa teza , że struktura bije dłuższe stosy przymiotników , pasuje do tego, co widzę klip po klipie.

Pisanie dialogu NPC bez niszczenia sceny

Warstwa audio to miejsce, gdzie większość promptów skupionych na świecie się rozpada, ponieważ dialog musi brzmieć, jakby należał do postaci, a nie czytnika tekstu na głos.

Cudzysłów ma tu większe znaczenie niż gdziekolwiek indziej w promptie. Przypisz linię postaci, opisz dostarczenie i trzymaj to krótko:

Audio: barman mówi, "Nie otrzymujemy wielu obcych tutaj,"
beznamiętnym, obojętnym tonem. Dźwięki otoczenia: odległy grzmot, brzęk szklanek.

Dwie linie, nie jeden akapit. Jedna długa linia dialogu zwykle się zniekształca lub kończy. Dwa krótkie dialogi, każde ze swoją notatką dostarczenia, wychodzą bliżej tego, co naprawdę wyobraziłeś sobie. Jeśli scena potrzebuje trzeciej linii dialogu, to zwykle znak, że powinna to być dwa klipów zamiast jednego, z powrotem do reguły dwóch nowych elementów z klucza świata.

Język kamery to dźwignia, nie przymiotniki

Zamień "kinematyczne" na "zachwycające" w promptie i prawie nic się nie zmienia w wyniku. Zamień "statyczne ujęcie szerokie" na "powolny dolly w przód" i cały emocjonalny rejestr klipu się przesuwa, ponieważ model faktycznie parsuje tę instrukcję jako ruch kamery fizycznej, nie ozdobę.

Czasowniki, które konsekwentnie działają zarówno na Veo, jak i na Klingu: dolly do przodu lub do tyłu, panorama, żuraw, steadicam follow, handheld, powietrzne lub drony. Wybór soczewki ma również znaczenie. 16 mm to szeroki kąt, nieco zniekształcony, dobry dla skali. 85 mm ściska tło i schlebia bliskim tematom. Żaden z nich nie potrzebuje trzech przymiotników ułożonych z przodu, aby spełnić swoją funkcję.

Kling obsługuje to inaczej niż Veo w jeden specjalny sposób warty poznania, zanim wybierzesz narzędzie: jest zauważalnie silniejszy w płynnym ruchu postaci ludzkiej i postaci nad dłuższymi klipami, gdzie Veo ma tendencję do wygrywania w naturalnym oświetleniu i przyleganiu promptu do ujęć środowiskowych. Jeśli twój świat ma dużo ruchu w stylu NPC w kadrze, to jest kompromis, który warto przetestować dla siebie zamiast założenia.

Przepuszczam ujęcia nawiązujące i środowiskowe przez Veo i sceny bogate w postaci przez Klinga, a następnie dopasowuję klucz świata w obu. To więcej konfiguracji niż wybór jednego narzędzia i pozostanie w nim, ale szwy się pokazują mniej, niż byś się spodziewał, gdy język oświetlenia jest zablokowany.

Czego unikać: nawyki, które marnowalą twoje kredyty

Trzy rzeczy, które przestałem robić, w kolejności, ile mnie kosztowały.

Prompty słowami-kluczowymi. Sterta oddzielona przecinkami, taka jak "epicka, kinematyczna, 8k, trendy, arcydzieło" robi mniej niż jedno jasne zdanie o tym, co się dzieje w kadrze. Model nie ma nic do działania w słowie takim jak "epicka". Ma mnóstwo do działania w "kamera żurawiem w górę, gdy most wchodzi w pole widzenia".

Niejasne prompty negatywne. "Bez złej jakości" mówi modelowi nic użytecznego. "Bez efektów soczewki, bez rozmycia w ruchu na pierwszoplanowym temacie" mówi mu dokładnie, co tłumić. Konkretne negacje działają. Niejasne spalają generację i nic nie zmieniają.

Przepisywanie całego świata od nowa każdy klip. To ten sam błąd co problem ciągłości powyżej, po prostu pokazuje się jako zmarnowana wydatek zamiast widocznego dryfu. Każde całkowite przepisanie to świeża szansa dla modelu na dryf palety, i każdy drifting klip to generacja, którą wyrzucisz.

Stawianie więcej niż dwóch nowych elementów na zrzut. Dodaj nową postać, nowy warunek pogodowy i nowy ruch kamery w ten sam prompt, a model musi się domyślić, który z nich Cię najbardziej obchodzi. Zmień jedną rzecz, obserwuj co się stanie, a następnie zmień następną.

Utrzymywanie spójności jednego świata przez sześć ujęć

Sztuczka z kluczem świata działa, ale to ręczna łatka dla problemu, którym branża aktywnie buduje narzędzia. Funkcja Soul w Higgsfieldzie na przykład jest zbudowana specjalnie, aby utrzymać wizualną tożsamość postaci stałą w oddzielnych generacjach, trudniejsza wersja tego samego problemu ciągłości, który rozwiązuję rękami za wklejonym blokiem tekstowym.

Nie znalazłem jeszcze narzędzia, które zabywa spójność środowiska w taki sposób, jaki bym chciał dla pełnego świata, sześciu klipów, jednego spójnego miejsca. Dopóki takie istnieje, dyscyplina spoczywa na piśmie promptu: ten sam klucz świata, ten sam język oświetlenia, ta sama powściągliwość na temat ilości nowych elementów, które wprowadzasz na klip. Dwa nowe elementy na zrzut, maksimum. Wprowadź trzeci i coś innego zwykle się łamie.

Jest wersja tego, która skaluje się poza sześć klipów. Kiedy fork świata jest podchwytywany przez kogoś innego, współpracownika, drugiego twórcę remixującego Twoją bazę, klucz świata podróżuje z forkiem. Dziedziczą język oświetlenia niezależnie od tego, czy znają termin, ponieważ siedzi on tam na górze każdego promptu w sekwencji. To jest faktyczna wartość zapisywania tego zamiast trzymania go w głowie: ktoś inny może podjąć dokładnie tam, gdzie skończyłeś, bez rozmowy na temat synchronizacji tego, jak "światło" ma wyglądać.

Edycja tego, co wygenerujesz: część, którą nikt nie promptuje

Żaden prompt nie naprawia tempa. Kiedy masz sześć ujęć, które trzymają się razem, wciąż musisz je przyciąć do czegoś godnego obejrzenia, dodać napisy, jeśli ten kawałek idzie gdzieś społecznie, i przyciąć pół sekundy, gdzie ruch modelu staje się niesamowity, zanim się usadowi.

To osobna umiejętność od promptowania i to ta, którą większość poradników pomija, ponieważ dzieje się to po tym, jak interesująca część jest technicznie zrobiona. To także miejsce, gdzie szorstki zbiór klipów staje się rzeczywistą sekwencją, napisy wewnątrz, martwe klatki na zewnątrz, niezręczna pół sekundy ruchu przyciętej, zanim usadowi się na coś niesamowitego.

Twój pierwszy szkic to szorstki montaż, nie diagnoza

Po raz pierwszy, gdy klip wraca źle, instynkt jest przepisać cały prompt. Nie rób tego. Zmień jedyną linię, która jest faktycznie odpowiedzialna, czasownik kamery, zwrot oświetlenia, jeden nowy element, który dodałeś, i regeneruj. Większość tego, co wygląda jak porażka promptu, to jeden wyraz wykonujący złą pracę.

Napisz klucz świata najpierw. Następnie napisz sześć krótkich, konkretnych instrukcji, które żyją w tym, a nie sześć światów, które przypadkiem dzielą nazwę. Sforkuj jeden klip, który jest najbliższy, zmień jeden wiersz i zobacz, co się łamie, zanim zdecydujesz, że prompt był zły.