Yapay Zeka Video Promptlarında Sürekliliği Korumak

Çoğu yapay zeka video promptu tek bir klip için yazılır. Benimkiler altı klip boyunca dayanmak zorunda. Bu, promptun aynı zamanda oynanabilir bir dünyayı da tanımlaması gereken durumda önemlidir: birinci klipdeki ışık dördüncü klipte eşleşmek zorundadır, yoksa bütün sahne kırık bir sürekliliğe dönüşür. İşte Veo'da yapay zeka video promptları için kullandığım tam yapı, aynı briefingi Kling'den geçirdiğimde ne değiştiği, ve sessizce kredilerimizin üçte birini harcayan alışkanlıklar.

Çoğu yapay zeka video promptu neden ikinci klipten sonra kırılıyor

Bir dünya için altı sinematik klip render etmek gerekiyordu: geniş açıdan kurulum, orta seviyede pan, suya yakın çekim, üç karakter momenti. Altı ayrı prompt, her seferinde yeniden yazılmış, tüm rehberler bunu anlatıyor diye.

Üçüncü klipte sis azalmaya başladı. Beşinci klipte ışık akşam mavisi-mor renginden öğlen yakınına kaymıştı. Kimse modele hava durumunu değiştirmesini söylemedi. Ben bunu her seferinde biraz farklı tarif ettim, ve altı seferde biraz farklı, farklı bir gezegene ulaşıyordu.

Bu sürekliliğin kırılması sadece estetik bir sorun değildir. Izleyici, klipler arasında ışık farkında hemen olur ve akış bozulmuştur. İlk üç klipin soğuk mavi rengi, sonraki kliplerde sarıya dönüşürse, seyirci bunun aynı yer olduğuna inanmaz. Çerçevenin arkasına döndüğünde tuhaf hissedilir. Bu fiziksel bir sorun gibi görünür, sanki render başarısız olmuş veya ekip yanlış ayarı kullanmıştır.

Düzeltme daha iyi bir prompt değildi. Sıra başında yapıştırdığım, kaliplaştırılmış bir bloktu, her klipte değişmeden aynı şekilde:

Dünya Anahtarı (her klip için aynı kullan):
sisli dağ vadisi, akşam, serin mavi-mor ışık, ince yer sisi,
uzak dağ silueti, kontrollü renk derecesi, lens yansıması yok

Bundan sonraki her şey özgür: konu, aksiyon, kamera. Dünya anahtarı değişmiyor. Sürekliliği bir umut yerine sabit bir varlık olarak ele almaya başladığımda, altı çekimli bir sekansda kullanılmayan klip oranı kabaca yüzde 40'tan yüzde 10'a düştü.

Kulağa küçük geliyor ta ki kredileri sayıncaya kadar. Yüzde 40 başarısızlık oranında altı klipli bir sekans, zaten ödediğiniz altıyla birlikte iki veya üç çekimi yeniden render etmek anlamına gelir. Bir dünyanın altı başarısız klipini silmek, dördü yeniden almak, tekrar deneyip iki kez başarısız olmak: bu toplam oniki kredi. Yüzde 10'da çoğu sekans ilk çekişte temiz tamamlanır. Prompt kısaldı. Çıktı daha öngörülebilir oldu. Bu iki şeyin beraber olması fark etmeye değer.

Veo aslında hangi beş katmanı ödüllendiriyor

Veo 3.1 için Google'ın kendi prompting rehberi güçlü bir promptu beş parçaya böler: konu ve aksiyon, kamera, ortam ve ışık, stil ve mood, ses: diyalog, ses efektleri ve çevre sesi demek, her biri kendi satırı olarak yazılmış. Ses katmanını atla ve sessiz bir klip alırsın, hatta görsel tamam olsa bile tamamlanmamış gibi okuyor.

İşte bu yapıyı kullanarak inşa edilen bir prompt, aslında render ettiğim bir sahneyi tanımlıyor:

Kamera: yavaş dolly in, bel yüksekliğinde, sığ derinlik alanı
Konu: barista polis memuru salak bir barının arkasında temiz bir bardak cilası yapıyor
Aksiyon: bardağı masaya koyuyor ve kapı açıldığında yukarı bakıyor
Ortam: sisli 1920'ler Detroit caz kulubu, sıcak ip ışıkları, ince sisi
Stil: 1940'lar film noir renk derecesi, yumuşak tane
Ses: çevre sesi, niyetini söyleyen konuşma ve bastırılmış bir trompet

Bu bir anahtar kelime listesi değildir. Bu modelin bağımsız olarak hareket edebileceği beş kısa talimattır, istenen derece önemlidir. Google müşteri Pocket FM, Veo tarafından üretilen videolarla katılım oranında yüzde 30 ila 40 artış bildiriyor. Bunu kendim doğrulayamam ama temeldeki talep: yapının daha uzun sıfat yığınından daha iyi olduğu, klip klip gördüğümle uyuşuyor.

Bu beş katmanın her biri modellenmiş bir parçadır. Kamera katmanı modele sabit bir saat açısıyla çerçevelemesini söyler. Ortam katmanı ışık dizisini sabitler. Stil katmanı renk paletini belirler. Ses katmanı ses profilini açıklar. Hiçbiri diğerini geçersiz kılmaz veya karıştırmaz. Tümü aynı anda çalışır, ama bağımsız olarak.

NPC diyalogunu sahneyi kırmadan yazmak

Ses katmanı, dünya-odaklı promptların çoğunun kırıldığı yerdir, çünkü diyalog metinden sese dönüştürme okuyucusu yerine bir karaktere ait olması gerekir. Bir kişi konuştuğunda, sesin karakterin ağzından geldiğini izleyici bilir. Bir robot konuştuğunda, robotic ses beklenir. Text-to-speech ise sadece robotik bir sese benzer.

Alıntı işaretleri burada promptun başka hiçbir yerinden daha önemlidir. Satırı karaktere atfet, aktarımı tanımla, ve kısa tut:

Ses: barista "Aşağıda çok garip müşteri almıyoruz," diyor
yanında kayıtsız bir tonda. Çevre sesi: uzak gök gürültüsü, bardaklar çınladı.

İki satır, bir paragraf değil. Tek uzun diyalog satırı bozulma veya kesme eğilimi gösterir. İki kısa değişim, her birinin kendi teslim notu olması, aslında tahayyül ettiğinize daha yakın çıkıyor. Bir sahnenin üçüncü diyalog satırına ihtiyacı varsa, bu genellikle iki klip olması gerektiğinin işaretidir. Bir klipta iki diyalog sahnesi gerekiyorsa, o zaman üçüncüsü başka bir klipta olmalı veya sahne kesilebilir.

Kamera dili asıl kaldıraç, sıfatlar değil

Promptda "sinematik" yerine "nefes kesici" koy ve çıktıda neredeyse hiçbir şey değişmiyor. "Statik geniş çekim" yerine "yavaş dolly in" koy ve bütün kliptin duygusal kaydı değişir, çünkü model bunu fiziksel bir kamera hareketi olarak gerçekten ayrıştırır, dekorasyon değil.

Veo ve Kling'de tutarlı bir şekilde işleyen fiiller: dolly in veya out, pan, crane, steadicam takibi, el titremi, hava veya drone. Lens seçimi de önemlidir. 16mm geniş ve biraz bozulmuş okur, ölçek için iyi. 85mm arka planı sıkıştırır ve yakın konu çekicidir. İkisi de işini yapmak için üç sıfat yığınına ihtiyaç duymaz.

Kling bunu Veo'dan farklı şekilde yapar ve seçim yapmadan önce bilmeye değer: daha uzun kliplerde insan ve karakter hareketinde noticeably daha güçlü, Veo çevre çekimlerinde doğal ışık ve prompt uygunluğunda kazanır. Dünyanızda çerçeve içinde çok NPC tarzı hareket varsa, bu araç seçmekten ve orada kalmaktan ziyade kendiniz için test etmeye değer bir dengedir.

İşletmelerim ortam ve ışık sahnelerini Veo'dan geçirir ve karakter-ağır darbeleri Kling'den geçirir, daha sonra dünya anahtarını her iki tarafta da eşleştirir. Başlangıçta bir araç seçmekten daha fazla kurulum, ancak ışık dili kurulduktan sonra dikişler beklediğinden daha az gösterilir. Kling'deki karakter hareketi, insan gözünü takip etmek için optimize edilmiş, bu nedenle yüz ifadeleri ve el hareketleri daha doğru görünür. Veo ise ortam detaylarında ve renk tutarlılığında daha güçlüdür.

Atla: Kredileri boşa harcayan alışkanlıklar

Üç şey yaptığım durdu, harcama oranına göre sırayla.

Anahtar kelime salata promptları. Virgülle ayrılmış "destansı, sinematik, 8k, trend, başyapıt" gibi bir yığın çerçevede neler olduğu hakkında bir açık cümleden daha az yapar. Modele "destansı" gibi bir kelimede hareket etmek için hiçbir şey yok. "Kamera köprü görünüşü olarak yukarı çıkıyor" da çok şey vardır. Sıfatlar model için işlere dönüşmez, ama eylemler dönüşür.

Muğlak negatif promptlar. "Kötü kalite yok" modele hiçbir yararlı şey söylemiyor. "Lens yansıması yok, ön plan konusu üzerinde hareket bulanıklığı yok" tam olarak neyi bastıracağını söyler. Spesifik negatifler işe yarar. Muğlak olanlar bir üretim yakar ve hiçbir şeyi değiştirmez. Negatif promptları da yapılandırmalı yazmalısın, pozitif promptlar gibi.

Bütün dünyayı her klipten sıfırdan yazmak. Bu yukarıdaki sürekliliğin kendisiyle aynı hata, sadece görünen kayıp yerine harcanan para olarak ortaya çıkıyor. Her tam yeniden yazım modele palet kayıp şansını verir, ve her kaymış klip fırlatacağın bir üretimdir. Yaşanan kayıp, sadece maliyet değil, aynı zamanda zaman ve kreatif enerjisidir.

Çekim başına ikiden fazla yeni eleman yığını. Yeni bir karakter ekle, yeni bir hava durumu koşulu, ve aynı promptta yeni bir kamera hareketi, ve model hangisine en çok önem verdiğini tahmin etmek zorundadır. Bir şey değiştir, neler olacağını gözlemle, sonra bir sonrakini değiştir.

Altı klip boyunca bir dünyayı tutarlı tutmak

Dünya anahtarı numarası işe yarar, ama endüstri etrafında inşa edilmesini istediğiniz teknik bir çözümle aktif bir yamayla bir sorun sunar. Higgsfield'in Soul özelliği, örneğin, ayrı nesiller arasında bir karakterin görsel kimliğini sabit tutmak için inşa edilmiş, benim elle yapıştırılmış bir metin bloğu ile çözdüğüm aynı sürekliliğin daha zor versiyonudur. Soul özelliği, bir karakteri tanımladığınızda, o karakterin yüz özellikleri, gövde tipi ve diğer fiziksel özelliklerini tüm kliplerde aynı tutar.

Henüz istediğim şekilde ortam sürekliliğini kilitleyen, tam bir dünya için altı klip, bir tutarlı yer için araç bulmadım. Bir tane var olana kadar, disiplin prompt yazıcıda: aynı dünya anahtarı, aynı ışık dili, her klipe kaç yeni eleman sunduğunuz hakkında aynı kısıtlama. İki yeni eleman çekim başına, maksimum. Bir üçüncü gir ve genellikle başka bir şey kırılır.

Bu altı klipten ötesine ölçekse bir versiyon vardır. Dünyanın bir fork başka biri tarafından seçildiğinde, ortak çalışan, ikinci yaratıcı baz remixlediğinde, dünya anahtarı fork ile beraber gider. Terimi bilseler bile, ışık dilini miras alırlar, çünkü dizideki her promptun başında oturur. Bu, kafanda tutmak yerine yazarak gerçek değer: başka biri tam olarak nerede bıraktığınızı başlayabiliyor, "ışık" nasıl görünmesi gerektiğini senkronize etme çağrısı olmadan.

Ürettiğiniz şeyi düzenlemek: Hiç kimse promptlemediği kısım

Hiçbir prompt tempoyu düzeltmiyor. Altı klip bir araya geldiğinde, yine de onları izlenebilir bir şeye kesmeniz, sosyal giden sürüsü yazıyorsanız resim yazılar eklemeniz ve modelin hareketi tuhaf olmadan kulağı kesilmeden önce yarım saniyeyi kırmanız gerekir. Düzenleme, promptin yaptığı işin sadece aksine değil, iki kez önemli bir kısımdır.

Bu promptlamaktan çerçeve yapan ayrı bir beceridir ve çoğu rehber bunu atlar, çünkü teknik olarak ilginç kısımdan sonra meydana gelir. Bu da kaba klip seti gerçek bir sıralamaya geldiği yerdir, yazı içinde, ölü çerçeveler dışında, hareket garip yarım saniyesi tuhaf olmadan önce kırılmış. CapCut'da yapıyorsanız, hızlı kesimler yapabilirsiniz. Premiere'de yapıyorsanız, zaman kontrol edersiniz. Her iki şekilde, ham AI videosundan profesyonel bir parça çıkarmak için editörün becerisi gereklidir.

İlk taslağın bir plan değil, bir diyagnoz

Klip yanlış geri geldiği ilk kez, bütün promptu yeniden yazmak içgüdüsüdür. Yapma. Aslında sorumlu olan tek satırı değiştir, kamera fiili, ışık cümlesi, eklediğin tek yeni eleman, ve yeniden render et. Bir prompt başarısızlığı gibi görünenin çoğu bir kelime yanlış iş yapıyor.

Dünya anahtarını ilk yaz. Sonra bunun içinde yaşayan altı kısa, spesifik talimat yaz, aynı adı paylaşan altı dünya değil. En yakın olan klipten birini fork, bir satırı değiştir, ve neyin kırıldığını gözlemle, prompton yanlış olduğuna karar vermeden önce. Test ve gözlem, ağır yazılım geliştirme gibidir. Hipotez kur, test et, sonuca bak, bir sonraki değişikliği planla.