वीडियो AI के लिए प्रॉम्प्ट लिखना इमेज के प्रॉम्प्ट लिखने से बिल्कुल अलग है। गलत स्ट्रक्चर क्रेडिट बर्बाद करता है और सपाट, असंगत नतीजे देता है। यह लेख 2027 के हर प्रमुख टेक्स्ट-टू-वीडियो मॉडल पर काम करने वाली सटीक प्रॉम्प्ट एनाटॉमी को विस्तार से समझाता है। इसमें असली उदाहरण, मोशन टिप्स, कैमरा एंगल और बचने लायक सबसे आम गलतियाँ भी हैं।
अच्छा वीडियो AI प्रॉम्प्ट लिखना इमेज प्रॉम्प्ट लिखने जैसा नहीं है। इन दोनों विधाओं के बीच का फ़ासला बहुत बड़ा है, और ज़्यादातर लोग यह बात तब कठिन तरीके से सीखते हैं जब वे सपाट, बेजान क्लिप्स पर क्रेडिट फूँक देते हैं, जो उनकी कल्पना से बिल्कुल अलग दिखते हैं। असल बात यह है कि वीडियो AI स्ट्रक्चर पर प्रतिक्रिया देता है, और एक बार यह स्ट्रक्चर समझ आ जाए तो आपके नतीजे नाटकीय रूप से बदल जाते हैं।
इमेज प्रॉम्प्ट में अस्पष्टता चल जाती है। कुछ विशेषण और एक सब्जेक्ट डाल दें, तो मॉडल खाली जगहें किसी दृश्य रूप से सुसंगत चीज़ से भर देता है। वीडियो मॉडल ऐसा साफ़-सुथरे ढंग से नहीं कर पाते। वे एक साथ मूवमेंट, अवधि, रोशनी की निरंतरता और सीन की भौतिकी की व्याख्या कर रहे होते हैं। अस्पष्ट प्रॉम्प्ट मॉडल को बहुत ज़्यादा रचनात्मक आज़ादी दे देता है, और नतीजा लगभग हमेशा सामान्य होता है।
सबसे आम विफलता के तरीके:
इन सबकी जड़ एक ही कारण है: प्रॉम्प्ट ने पर्याप्त बात नहीं पहुँचाई।
💡 त्वरित नियम: अगर आपका प्रॉम्प्ट इमेज कैप्शन के लिए अच्छा होगा, तो वह वीडियो AI के लिए बहुत छोटा है। वीडियो को मोशन, समय और कैमरा भाषा चाहिए।
Kling v2.6, Veo 3, Wan 2.7 T2V और Sora 2 जैसे मॉडलों पर एक ऐसी संरचना है जो रैंडम प्रॉम्प्टिंग से लगातार बेहतर प्रदर्शन करती है। इसके सात हिस्से हैं, और हर हिस्सा एक खास काम करता है।
शुरुआत इस बात से करें कि फ़्रेम में कौन या क्या है और वह क्या कर रहा है। साफ़-साफ़ बताएँ। "एक औरत चलती हुई" न लिखें। लिखें "30 के दशक के शुरुआती सालों में एक औरत, जिसके गहरे काले बाल हैं, बेज लिनन कोट पहने, पतझड़ के पत्तों के बीच धीरे-धीरे चलती हुई।"
एक्शन लगातार और सरल होना चाहिए। वीडियो AI मॉडल लूपिंग या धीरे-धीरे विकसित होने वाले मूवमेंट को कई-चरणों वाले जटिल क्रम से बेहतर संभालते हैं। हर क्लिप में एक साफ़ मुख्य एक्शन रखें।
एक्शन कहाँ हो रहा है, यह इतनी भौतिक जानकारी के साथ बताएँ कि मॉडल पृष्ठभूमि के तत्व एक जैसे रेंडर कर सके। इनमें शामिल करें:
उदाहरण: "यूरोप के पुराने शहर की एक पत्थर-बिछी सड़क पर, दोपहर ढलते समय, गर्म सुनहरी रोशनी पत्थर के फ़ुटपाथ पर लंबी परछाइयाँ डालती हुई।"
यह वह हिस्सा है जिसे ज़्यादातर शुरुआती लोग पूरी तरह छोड़ देते हैं, और यहीं सबसे ज़्यादा क्वालिटी बर्बाद होती है। शॉट टाइप तय करने से मॉडल को फ़्रेमिंग का फ़ैसला लेना पड़ता है, बजाय इसके कि वह एक स्टैटिक मीडियम शॉट पर डिफ़ॉल्ट कर जाए।
| शॉट टाइप | यह क्या करता है |
|---|---|
| वाइड शॉट | लोकेशन स्थापित करता है, पूरा माहौल दिखाता है |
| मीडियम शॉट | सब्जेक्ट को कमर तक दिखाता है, संवाद के लिए अच्छा |
| क्लोज़-अप | भावना, बनावट और बारीक डिटेल पकड़ता है |
| लो एंगल | सब्जेक्ट को शक्तिशाली और हावी दिखाता है |
| बर्ड्स आई व्यू | ऊपर से नाटकीय दृष्टिकोण |
| ट्रैकिंग शॉट | कैमरा सब्जेक्ट की हरकत के साथ चलता है |
| डॉली ज़ूम | क्लासिक सिनेमैटिक ज़ूम इफ़ेक्ट |
💡 प्रो टिप: Kling v3 Video और Seedance 1.5 Pro जैसे मॉडल स्पष्ट कैमरा मूवमेंट वाली भाषा पर बहुत अच्छी प्रतिक्रिया देते हैं। सिनेमैटिक मोशन के लिए "slow dolly push in" या "orbiting camera from left" जैसे शब्द इस्तेमाल करें।
रोशनी वीडियो में किसी भी और चीज़ से ज़्यादा तेज़ी से मूड तय करती है। AI मॉडल लाइटिंग डिस्क्रिप्टर पर प्रतिक्रिया देते हैं, और जब ये प्रॉम्प्ट में शुरू में आते हैं तो उन्हें ज़्यादा लगातार लागू करते हैं।
टेक्स्ट-टू-वीडियो प्रॉम्प्ट के लिए ये सबसे भरोसेमंद लाइटिंग शब्द हैं:
"अच्छी लाइटिंग" या "चमकदार" जैसे अस्पष्ट शब्दों से बचें। मॉडल के लिए इनका कोई मतलब नहीं होता।
यही वह तत्व है जो सिनेमैटिक क्लिप को स्लाइडशो से अलग करता है। मोशन वर्णनकर्ता मॉडल को बताते हैं कि सीन की चीज़ें समय के साथ कैसे चलनी चाहिए, और कितनी तेज़ी से।
धीमी और सोची-समझी गति: "hair moves gently in the breeze, leaves drift downward" गतिशील और तीव्र: "camera pushes in fast, subject turns sharply" परिवेशी और सूक्ष्म: "steam rises from the coffee cup, bokeh lights pulse softly"
LTX 2 Pro और Pixverse v5 जैसे मॉडल जब आप मोशन की गति साफ़ तौर पर बताते हैं तो उसे अच्छी तरह संभालते हैं। अगर आपको स्लो-मोशन चाहिए, तो यह कहें। अगर रियल-टाइम चाहिए, तो वह भी साफ़ करें।
स्टाइल वर्णनकर्ता क्लिप की विज़ुअल भाषा तय करते हैं। फ़ोटोरियलिस्टिक नतीजों के लिए सिनेमैटिक फ़ोटोग्राफ़ी की भाषा इस्तेमाल करें:
अधिक स्टाइलाइज़्ड आउटपुट के लिए आप ये बता सकते हैं:
💡 ज़रूरी: ऐसे स्टाइल शब्दों से बचें जो इलस्ट्रेशन, एनिमेशन या डिजिटल आर्ट का संकेत दें। Hailuo 02 और Veo 3.1 जैसे मॉडल असली आउटपुट के लिए फ़ोटोग्राफ़िक वर्णनकर्ताओं को सही तरह समझेंगे।
यह वैकल्पिक है, पर शक्तिशाली है। अपने प्रॉम्प्ट के अंत में वह जोड़ें जो आप नहीं चाहते। इससे मॉडल आम विज़ुअल क्लिशे पर डिफ़ॉल्ट नहीं करता।
नेगेटिव कंस्ट्रेंट्स के उदाहरण:
यह देखें कि एक पूरा स्ट्रक्चर्ड प्रॉम्प्ट बिना स्ट्रक्चर वाले प्रॉम्प्ट से कैसा दिखता है:
कमज़ोर प्रॉम्प्ट:
"A woman walking in a city at night"
स्ट्रक्चर्ड प्रॉम्प्ट:
"20 के दशक के आख़िरी सालों में एक औरत, जिसके ऑबर्न बाल हैं और कैमल ट्रेंच कोट पहने हुए है, रात में बारिश से भीगे शहर के फ़ुटपाथ पर धीरे-धीरे चलती है, गड्ढों में झिलमिलाते नियॉन साइन्स के प्रतिबिंब, बग़ल से मीडियम ट्रैकिंग शॉट, कैमरा सब्जेक्ट की उसी रफ़्तार से चलता है, दुकानों से आती गर्म प्रैक्टिकल रोशनी, उसके पैरों के पास एक नाली के ढक्कन से उठती भाप, सिनेमैटिक 35mm फ़िल्म लुक, उथला डेप्थ ऑफ़ फ़ील्ड, कोई कैमरा शेक नहीं, कोई टेक्स्ट नहीं"
दूसरा प्रॉम्प्ट 80 शब्दों का है। पहला 10 का है। यह अंतर सीधे आउटपुट की क्वालिटी में दिखता है।
एक आम चिंता यह है कि लंबे प्रॉम्प्ट से मॉडल भ्रमित हो जाएगा। व्यवहार में अक्सर इसका उल्टा होता है। ज़्यादातर वीडियो AI मॉडल विस्तृत कैप्शन पर प्रशिक्षित हुए हैं, इसलिए ज़्यादा समृद्ध वर्णन उन्हें काम करने के लिए ज़्यादा देते हैं।
मॉडल के प्रकार के अनुसार अनुशंसित प्रॉम्प्ट लंबाई:
| मॉडल | आदर्श प्रॉम्प्ट लंबाई |
|---|---|
| Wan 2.7 T2V | 60-120 शब्द |
| Kling v2.6 | 50-100 शब्द |
| Veo 3 | 80-150 शब्द |
| Sora 2 | 100-200 शब्द |
| Seedance 1.5 Pro | 60-100 शब्द |
| P-Video | 50-100 शब्द |
ज़्यादातर मॉडलों के लिए सबसे अच्छी रेंज 70 से 120 शब्दों के बीच है। 40 शब्दों से कम हो तो आप ज़रूरी बातें पूरी तरह नहीं बता रहे होते। 200 से ऊपर जाएँ तो मॉडल कुछ निर्देश नज़रअंदाज़ करने लग सकता है।
ज़्यादातर लोग यह बताते हैं कि दृश्य कैसा दिखता है, न कि क्या हो रहा है। वीडियो AI को एक्शन क्रियाएँ और समय-सूचक भाषा चाहिए।
"सिनेमैटिक और एनिमेटेड, फ़ैंटेसी और डॉक्यूमेंट्री" एक ही प्रॉम्प्ट में माँगने से मॉडल कई दिशाओं में खिंच जाता है। एक विज़ुअल रजिस्टर चुनें और पूरे समय उसी पर टिके रहें।
शॉट टाइप और कैमरा मूवमेंट छोड़ देने से मॉडल को अंदाज़ा लगाना पड़ता है। अंदाज़े से किया गया कैमरा वर्क लगभग हमेशा एक स्टैटिक मीडियम शॉट पर चला जाता है। कैमरे का व्यवहार हमेशा बताएँ।
💡 त्वरित सुधार: हर प्रॉम्प्ट में एक कैमरा शब्द और एक मोशन वर्णनकर्ता जोड़ें, भले ही वह बहुत छोटा हो। "क्लोज़-अप, धीमा ज़ूम आउट" कुछ न होने से बेहतर है।
टेम्पोरल कंसिस्टेंसी का मतलब है कि क्लिप की अवधि भर सब्जेक्ट, रोशनी और सीन स्थिर रहें। कुछ मॉडल इसे दूसरों से बेहतर संभालते हैं, पर हर मॉडल को ऐसे प्रॉम्प्ट से फ़ायदा होता है जो इसे मज़बूत करते हैं।
बेहतर कंसिस्टेंसी के तरीके:
सभी वीडियो प्रॉम्प्ट एक ही उद्देश्य पूरा नहीं करते। आप जो बना रहे हैं उसके हिसाब से स्ट्रक्चर बदलता है।
इन पर ध्यान दें: समृद्ध परिवेश का वर्णन, मूड तय करने वाली रोशनी, खास लेंस भाषा, धीमा और सोचा-समझा मोशन।
उदाहरण: "एक औरत के चेहरे का क्लोज़-अप, आँखें बंद, सफ़ेद पर्दों से आती नरम सुबह की रोशनी, उसकी त्वचा पर पेड़ की टहनियों की परछाईं हिलती हुई, 85mm पोर्ट्रेट लेंस, उथला डेप्थ ऑफ़ फ़ील्ड, Kodak Portra की गर्माहट, पूर्ण स्थिरता, जिसे सिर्फ़ उसकी साँसें तोड़ती हैं"
इन पर ध्यान दें: पहले सेकंड में तुरंत एक विज़ुअल हुक, गतिशील कैमरा मूवमेंट, तेज़ ऊर्जा वाली पेसिंग।
उदाहरण: "सूर्योदय के समय सफ़ेद रेत वाले समुद्र तट पर नंगे पैर दौड़ती एक औरत का तेज़ ट्रैकिंग शॉट, कैमरा घुटने की ऊँचाई पर, रेत और समुद्री झाग की फुहार रोशनी पकड़ती हुई, गर्म गोल्डन बैकलाइट, उच्च ऊर्जा वाली रफ़्तार, उसके पैरों पर उथला डेप्थ ऑफ़ फ़ील्ड"
इन पर ध्यान दें: साफ़ बैकग्राउंड, सोच-समझकर प्रोडक्ट फ़्रेमिंग, नियंत्रित रोशनी।
उदाहरण: "सफ़ेद संगमरमर की सतह पर एक कांच की परफ़्यूम बोतल का क्लोज़-अप, ऊपर और बाईं ओर से स्टूडियो सॉफ़्टबॉक्स रोशनी, बोतल का धीमा घुमाव जो उसका जटिल डिज़ाइन दिखाता है, कांच पर पानी की बूँदें रोशनी पकड़ती हुईं, 100mm मैक्रो लेंस, फ़ोटोरियलिस्टिक प्रोडक्ट फ़ोटोग्राफ़ी स्टाइल"
Wan 2.7 T2V उपलब्ध सबसे मज़बूत टेक्स्ट-टू-वीडियो मॉडलों में से एक है, जो ठोस टेम्पोरल कंसिस्टेंसी के साथ 1080p आउटपुट देता है। इसे प्रभावी ढंग से इस्तेमाल करने का तरीका यह है:
चरण 1: PicassoIA पर Wan 2.7 T2V मॉडल पेज पर जाएँ।
चरण 2: ऊपर दिए 7-हिस्सों वाले फ़्रेमवर्क से अपना प्रॉम्प्ट लिखें। Wan 2.7 के लिए सबसे अच्छी रेंज 70-120 शब्द है, जिसमें साफ़ सब्जेक्ट, मोशन और लाइटिंग वर्णनकर्ता हों।
चरण 3: अपनी अवधि तय करें। Wan 2.7 लगभग 10 सेकंड तक की क्लिप सपोर्ट करता है। जटिल प्रॉम्प्ट के लिए 4-6 सेकंड की छोटी क्लिप ज़्यादा स्थिर नतीजे देती हैं।
चरण 4: पहले अपने प्रॉम्प्ट के सरल संस्करण से एक टेस्ट जनरेशन चलाएँ। इससे आप लंबी और ज़्यादा विस्तृत जनरेशन करने से पहले जाँच सकते हैं कि मुख्य तत्व (सब्जेक्ट, मोशन, वातावरण) सही रेंडर हो रहे हैं।
चरण 5: अगर नतीजा आपके इरादे से भटक जाए, तो पता लगाएँ कि प्रॉम्प्ट का कौन-सा हिस्सा नज़रअंदाज़ हो रहा है और उसे टेक्स्ट में पहले ले जाएँ। मॉडल प्रॉम्प्ट की शुरुआत को ज़्यादा वज़न देते हैं।
💡 Wan 2.7 टिप: यह मॉडल लाइटिंग वर्णनकर्ताओं को खास तौर पर अच्छी तरह संभालता है। दिशा, कलर टेम्परेचर और नरमी बताने वाली विस्तृत लाइटिंग भाषा ज़्यादातर दूसरे मॉडलों की तुलना में उल्लेखनीय रूप से बेहतर नतीजे देती है।
यह एक फ़िल-इन-द-ब्लैंक टेम्पलेट है जो ज़्यादातर वीडियो AI मॉडलों पर काम करता है:
[Subject: age, appearance, clothing, expression] [Action verb + motion detail], [Environment: location, time of day, weather], [Shot type] [Camera movement], [Lighting: source, direction, quality, color], [Motion detail: ambient elements, pacing], [Style: film look, depth of field], [Negative constraints]
भरा हुआ उदाहरण:
A woman in her mid-30s with silver-streaked hair, wearing a gray cashmere turtleneck, slowly stirs a cup of coffee while gazing out of a floor-to-ceiling window, in a minimalist apartment on a gray rainy morning, medium shot with very slight handheld drift, soft overcast window light from the right casting subtle shadows, steam rising gently from the cup, rain drops running down the glass behind her, cinematic 50mm film look, shallow depth of field on her hands, no music overlays, no text
वह प्रॉम्प्ट 94 शब्दों का है और सातों हिस्से कवर करता है। इसे अपना आधार बनाएँ।
वीडियो AI के प्रॉम्प्ट में और निपुण होने का एक ही तरीका है: दोहराव। ऊपर का टेम्पलेट लें, उसे अपने सब्जेक्ट और सीन से भरें, और उपलब्ध किसी भी मॉडल पर चलाएँ, जिसमें Kling v2.6, Veo 3.1, Wan 2.7 T2V, LTX 2 Pro या Seedance 1.5 Pro शामिल हैं।
हर मॉडल का अपना अलग मिज़ाज होता है, और हर एक पर कुछ जनरेशन चलाने से जो सीख मिलती है वह किसी भी लिखे हुए ट्यूटोरियल से कहीं ज़्यादा होती है। एक प्रॉम्प्ट चलाएँ। एक तत्व बदलें। फिर चलाएँ। यह दोहराव वाला तरीका तेज़ी से असर बढ़ाता जाता है, और कुछ सत्रों के भीतर आपके पास एक प्रॉम्प्ट स्टाइल होगा जो भरोसे के साथ वह आउटपुट देगा जिसकी आपको तलाश है।
PicassoIA आपको एक ही जगह पर 100 से ज़्यादा टेक्स्ट-टू-वीडियो मॉडलों तक पहुँच देता है। इसका मतलब है कि आप एक ही प्रॉम्प्ट को कई मॉडलों पर मिनटों में आज़मा सकते हैं और देख सकते हैं कि हर मॉडल आपके निर्देशों को अलग-अलग कैसे समझता है। वीडियो AI प्रॉम्प्टिंग कौशल को निखारने का यह सबसे तेज़ फ़ीडबैक लूप है।
अपनी भाषा चुनें
