इमेज-टू-वीडियो AI के लिए असरदार प्रॉम्प्ट लिखने में खास मोशन शब्दावली, साफ़ कैमरा निर्देश और व्यवस्थित टाइमिंग संकेत चाहिए। यह लेख हर तत्व को असली उदाहरणों और मॉडल की तुलना के साथ समझाता है, ताकि आप किसी भी शुरुआती इमेज से लगातार सिनेमाई नतीजे पा सकें।
इमेज-टू-वीडियो प्रॉम्प्ट लिखना इमेज प्रॉम्प्ट लिखने जैसा नहीं है। नियम अलग हैं, शब्दावली अलग है, और सबसे अहम बात, आपका मानसिक मॉडल पूरी तरह अलग होना चाहिए। एक अच्छा स्टिल-इमेज प्रॉम्प्ट एक जमे हुए पल का वर्णन करता है। एक अच्छा मोशन प्रॉम्प्ट समय में खुलती घटनाओं के क्रम का वर्णन करता है। अगर आप अपनी सबसे अच्छी इमेज किसी AI वीडियो मॉडल को भेजते हैं और नतीजे कड़े, गलत या बस अजीब दिखते हैं, तो समस्या लगभग निश्चित रूप से आपके प्रॉम्प्ट में है।
Wan 2.7 I2V से लेकर Kling v3 Omni Video तक, हर इमेज-टू-वीडियो मॉडल दो इनपुट समझकर काम करता है: आपका शुरुआती फ़्रेम और आपके मोशन निर्देश। मॉडल इमेज से सीन का संदर्भ, रोशनी, सब्जेक्ट, गहराई के संकेत और रंग पैलेट पढ़ता है। फिर वह आपके प्रॉम्प्ट से पढ़ता है कि अगले पाँच सेकंड में इन सबके साथ क्या करना है।
अगर आपका प्रॉम्प्ट अस्पष्ट है, तो मॉडल अंदाज़ा लगाता है। कभी सही अंदाज़ा होता है, अक्सर नहीं। अगर आपका प्रॉम्प्ट सटीक और मोशन-विशिष्ट है, तो मॉडल उसे अमल में लाता है। एक क्लिप जो आप किसी को दिखाना चाहेंगे और एक जिसे आप मिटा देंगे, इनमें यही पूरा फ़र्क है।
इसीलिए आप किसी जनरेटिव इमेज प्रॉम्प्ट को Seedance 2.0 में कॉपी-पेस्ट करके सिनेमाई नतीजों की उम्मीद नहीं कर सकते। इमेज प्रॉम्प्ट स्थिर कंपोज़िशन के लिए अनुकूलित होते हैं। वीडियो प्रॉम्प्ट के लिए समय के हिसाब से सोचना ज़रूरी है।
एक स्टैटिक प्रॉम्प्ट एक सवाल का जवाब देता है: यह दिखता कैसा है? एक मोशन प्रॉम्प्ट एक अलग सवाल का जवाब देता है: यहाँ क्या होता है, किस क्रम में, और किस कैमरा पोज़िशन से?
यहाँ सीधी तुलना है:
| स्टैटिक प्रॉम्प्ट | मोशन प्रॉम्प्ट |
|---|---|
| "कैफ़े की खिड़की पर बैठी महिला, सुबह की रोशनी" | "महिला धीरे से अपना कॉफ़ी कप उठाती है, खिड़की से बाईं ओर देखती है, बादल गुज़रते ही नरम रोशनी उसके चेहरे पर सरकती है" |
| "गोल्डन आवर में जंगल की नदी" | "कैमरा नीचे से पानी की सतह पर धीरे-धीरे आगे बढ़ता है, धारा चलते ही चट्टानों से धुंध छूटती जाती है" |
| "बारिश में चलता आदमी" | "आदमी बाईं से दाईं ओर गीले कोबलस्टोन पर कदम रखता है, हर कदम पर पानी की लहरें उठती हैं, कैमरा मध्य दूरी से उसका पीछा करता है" |
हर मोशन प्रॉम्प्ट समय में घटनाओं का वर्णन करता है। उसमें एक सब्जेक्ट होता है, एक क्रिया होती है, और यह संदर्भ होता है कि दृश्य कैसे बदलता है। यही संरचना वह है जिसे पढ़ने के लिए वीडियो मॉडल बने हैं।
AI वीडियो मॉडल प्रॉम्प्ट के अलग-अलग तत्वों को लगभग इस प्राथमिकता क्रम में वज़न देते हैं। सब्जेक्ट की हरकत सबसे ऊपर आती है। कैमरा मूवमेंट दूसरे नंबर पर है। वातावरण और टेक्सचर के विवरण सबसे आख़िर में आते हैं। अगर आप अपने प्रॉम्प्ट की शुरुआत दृश्य के वर्णन से करते हैं और मोशन को आख़िर में दबा देते हैं, तो मॉडल दृश्य रूप से सही, लेकिन लगभग स्थिर क्लिप बना सकता है।
💡 नियम: जो चीज़ चलती है, उसे पहले लिखें। पहले वाक्य में सब्जेक्ट की क्रिया। दूसरे वाक्य में कैमरा मूवमेंट। रोशनी और माहौल सबसे आख़िर में।
हर अच्छे परफ़ॉर्म करने वाले इमेज-टू-वीडियो प्रॉम्प्ट में तीन संरचनात्मक तत्व होते हैं। इनमें से कोई भी एक छूट गया, तो हर जनरेशन में नतीजे असंगत होंगे।
सब्जेक्ट वह मुख्य तत्व है जो आपकी इमेज में है। क्रिया वह है जो उस सब्जेक्ट को क्लिप के दौरान करना है। दोनों ठोस और साफ़-साफ़ बताए जाने चाहिए।
कमज़ोर: "कॉफ़ी शॉप में एक महिला" मज़बूत: "महिला सुबह की रोशनी में उठती भाप के बीच अपना एस्प्रेसो कप दोनों हाथों से उठाती है"
एनिमेशन की जान क्रिया में होती है। "उठाती है," "मुड़ती है," "झाँकती है," "मुस्कुराती है," "चलती है," "झुकाती है" जैसी क्रियाएँ मॉडल को कुछ ठोस देती हैं जिसे वह अमल में ला सके। "महसूस करती है" या "अनुभव करती है" जैसी अमूर्त क्रियाएँ कुछ काम की नहीं देतीं, क्योंकि उनका कोई भौतिक रूप नहीं होता जिसे मॉडल फ़्रेमों के पार मोशन में बदल सके।
Wan 2.6 I2V और Kling v2.6 Motion Control जैसे मॉडल सटीक सब्जेक्ट-क्रिया वाक्यांशों पर खास तौर पर अच्छी प्रतिक्रिया देते हैं। आपका क्रिया-विवरण जितना बारीक होगा, मॉडल उसे पूरी क्लिप अवधि में उतनी ही वफ़ादारी से निभा सकेगा।
कैमरा मूवमेंट शौकिया मोशन प्रॉम्प्ट में सबसे कम इस्तेमाल होने वाला तत्व है। यही वह तत्व है जो एक ठीक-ठाक क्लिप को सिनेमाई क्लिप में बदलने में सबसे भरोसेमंद है।
| कैमरा दिशा | क्या पैदा करती है |
|---|---|
| धीमा डॉली इन | निकटता, ध्यान सब्जेक्ट की ओर खींचता है |
| हल्का पैन बाएँ या दाएँ | परिवेश दिखाता है, यात्रा का एहसास देता है |
| लो एंगल राइज़ | नाटकीयता, सब्जेक्ट फ़्रेम में हावी दिखता है |
| एरियल डिसेंड | आगमन का एहसास, पैमाना और जगह स्थापित करता है |
| स्थिर, लॉक्ड ऑफ़ | पूरा ज़ोर सब्जेक्ट की हरकत पर, जानबूझकर और संयमित |
| हैंडहेल्ड हल्का ड्रिफ़्ट | जैविक यथार्थवाद, डॉक्यूमेंट्री जैसी गुणवत्ता |
| धीमा ज़ूम आउट | संदर्भ का विस्तार, पैमाना धीरे-धीरे खोलता है |
| 360-डिग्री ऑर्बिट | प्रोडक्ट पर फ़ोकस, सभी कोण क्रम से दिखाता है |
💡 हर क्लिप के लिए एक ही कैमरा मूवमेंट चुनें और उस पर टिके रहें। पाँच सेकंड में दो कैमरा मूवमेंट मिलाने से विज़ुअल उलझन पैदा होती है, और मॉडल शायद ही दोनों को साफ़ तरीके से निभा पाते हैं।
Gen4 Turbo और Kling v3 Motion Control साफ़ कैमरा निर्देशों पर बहुत अच्छी प्रतिक्रिया देते हैं। Kling v3 Motion Control खास तौर पर कैमरा ट्रेजेक्टरी के निर्देश मानने के लिए बनाया गया था, इसलिए जब सटीक स्थानिक नियंत्रण मायने रखता है, तब यह उपयोगी है।
पाँच सेकंड जल्दी बीत जाते हैं। उस अवधि में आपका सब्जेक्ट और कैमरा कितनी तेज़ी से चलते हैं, इससे क्लिप का भावनात्मक लहजा पूरी तरह बदल जाता है।
गति के उपयोगी संशोधक:
आपको फ़्रेम रेट या मिलीसेकंड टाइमिंग बताने की ज़रूरत नहीं है। यह काम मॉडल अंदर से करता है। इन शब्दों से आप क्रिया-विशेषण और विशेषण के चुनाव के ज़रिए गति का एहसास तय करते हैं, और वही एहसास रेंडर होता है।
आप जो खास शब्द इस्तेमाल करते हैं, वही तय करता है कि क्या जनरेट होगा। यहाँ काम में लेने लायक शब्दावली है, जो कार्य के हिसाब से व्यवस्थित है।
Drifts, glides, surges, settles, flickers, pulses, sweeps, spirals, traces, rotates, contracts, expands, rises, falls, tilts, turns, lifts, releases, sways, shimmers
Dollies in, pans left, rises, descends, tilts up, tilts down, tracks right, circles, orbits, reveals, cranes up, holds still, pushes through, hangs back, follows at distance
Volumetric, diffused, raking, dappled, shimmering, muted, hazy, crystalline, granular, layered, scattered, soft-edged, prismatic, angular, warm-toned
वाक्य कैसे बनाएँ: [Subject from set 1] + [direction or purpose] + [camera word from set 2] + [atmosphere from set 3]
उदाहरण: "नदी की धुंध एम्बर छत्र के बीच ऊपर उठती है, जबकि कैमरा पानी के स्तर पर धीरे से आगे बढ़ता है, सुबह की फैली हुई रोशनी शाखाओं के बीच बिखरती है।"
यह 28 शब्द हैं। इसमें सब्जेक्ट की क्रिया, कैमरा मूवमेंट और वातावरण का टेक्सचर है। एक सुसंगत क्लिप बनाने के लिए जितना चाहिए, उतना सब इसमें है।
दो ढाँचे लगभग 90% उपयोग के मामलों को कवर करते हैं। सरल वाला जल्दी लिखा जाता है और ज़्यादातर मॉडलों के साथ अच्छा चलता है। विस्तृत वाला तब ज़्यादा सटीक नतीजे देता है जब आपको उनकी ज़रूरत हो।
[Subject action] + [Camera movement] + [Atmosphere]
उदाहरण: "एक महिला हल्की मुस्कान के साथ धीरे से कैमरा की ओर मुड़ती है। कैमरा कोमलता से अंदर की ओर ड्रिफ़्ट करता है। गर्म, फैली हुई सुबह की रोशनी।"
यह ढाँचा Wan 2.5 I2V Fast, Seedance 2.0 Fast और Video 01 Live सहित तेज़ मॉडलों के साथ अच्छा चलता है। छोटे प्रॉम्प्ट मॉडल को अपनी मोशन शैली दिखाने की जगह देते हैं, जो उच्च-गुणवत्ता वाले मॉडलों के साथ अक्सर आपके पक्ष में काम करता है।
[Subject starting state] + [Action sequence] + [Camera movement] + [Lighting behavior] + [Atmospheric detail]
उदाहरण: "एक आदमी भीगी सड़क के किनारे खड़ा है, जैकेट का कॉलर ऊपर उठा है, हाथ बगल में हैं। वह धीरे से नज़र सड़क के दूर वाले छोर की ओर उठाता है और एक कदम आगे बढ़ाता है। कैमरा लो एंगल से उसके साथ चलता है, थोड़ा ऊपर उठता है। बाईं ओर गीले डामर पर गर्म सोडियम लैंप की रोशनी चमकती है। पीछे की इमारतों पर नरम धुंध फैलती है।"
यह 65-शब्दों का ढाँचा Wan 2.7 I2V और Kling v3 Omni Video जैसे सटीक मॉडलों को इतनी सामग्री देता है कि वे पाँचों सेकंड में सुसंगत मोशन के साथ सचमुच सिनेमाई क्लिप बना सकें।
| स्थिति | सबसे अच्छा फ़ॉर्मूला |
|---|---|
| सोशल कंटेंट, तेज़ इटरेशन | सरल 3-भाग |
| शॉर्ट फ़िल्म या नैरेटिव सीक्वेंस | सिनेमाई 5-भाग |
| प्रोडक्ट एनिमेशन | प्रोडक्ट-विशिष्ट क्रिया वाले शब्द के साथ सरल 3-भाग |
| कैरेक्टर वाले दृश्य | सिनेमाई 5-भाग |
| प्रकृति या लैंडस्केप शॉट | सरल 3-भाग (मॉडल पर्यावरणीय खाली जगह अच्छी तरह भर देते हैं) |
| म्यूज़िक वीडियो सीक्वेंस | सिनेमाई 5-भाग |
ये तीन पैटर्न लगातार कमज़ोर नतीजे देते हैं, और एक बार पता चल जाए कि किस पर ध्यान देना है, तो तीनों से बचना आसान है।
पाँच सेकंड में तीन अलग घटनाएँ नहीं समा सकतीं। अगर आपके प्रॉम्प्ट में कई सीन बदलाव हैं, तो मॉडल या तो उनमें से कुछ को नज़रअंदाज़ करता है, या उनके बीच झटकेदार कट बना देता है।
बचें: "महिला मुड़ती है, फिर कैमरा बाहर की सड़क पर कट करता है, फिर कॉफ़ी कप पर ज़ूम करता है, फिर रोशनी दिन से रात में बदल जाती है।"
इसके बजाय करें: एक पल चुनें और उसे पूरी तरह रेंडर करें। बाकी शॉट्स को अलग प्रॉम्प्ट और अलग जनरेशन के लिए रखें।
मॉडल आपकी इमेज को फ़्रेम ज़ीरो मानता है। अगर आपका प्रॉम्प्ट कुछ ऐसा वर्णन करता है जो इमेज की स्थिति से आगे नहीं बढ़ सकता, तो मॉडल या तो निर्देश को नज़रअंदाज़ करता है, या विरोध सुलझाने की कोशिश में विकृति वाले आर्टिफ़ैक्ट बनाता है।
अगर आपकी इमेज में आँखें बंद किए बैठी महिला है और आपका प्रॉम्प्ट कहता है "वह आँखें खोलती है और दरवाज़े से बाहर भागती है," तो आप मॉडल से उसके अपने इनपुट का विरोध करवा रहे हैं। इमेज की स्थिति से काम करें, उसके खिलाफ़ नहीं।
💡 प्रॉम्प्ट लिखने से पहले एक वाक्य लिखें कि आपकी इमेज में ठीक-ठीक क्या दिख रहा है। फिर ऐसा प्रॉम्प्ट लिखें जो उसी स्थिति से स्वाभाविक रूप से आगे बढ़े। यह एक आदत ज़्यादातर असफल जनरेशन को खत्म कर देती है।
इमेज जनरेटर में काम करने वाले वाक्यांश वीडियो मॉडलों को सक्रिय रूप से भ्रमित करते हैं:
इनमें से हर एक को मोशन निर्देश से बदलें। "हाइली डिटेल्ड" पर खर्च किया हर टोकन वह टोकन है जो आपने कैमरे को उठने का निर्देश देने पर खर्च नहीं किया।
PicassoIA पर 100 से ज़्यादा वीडियो जनरेशन मॉडल उपलब्ध हैं, जिनमें वे सबसे सक्षम इमेज-टू-वीडियो सिस्टम भी शामिल हैं जो अभी कहीं भी मौजूद हैं।
| मॉडल | ताकत | आउटपुट गुणवत्ता |
|---|---|---|
| Wan 2.7 I2V | विस्तृत दृश्य एनिमेशन, मज़बूत मोशन फ़िडेलिटी | 720p |
| Kling v3 Motion Control | कैमरा-ट्रेजेक्टरी में सटीकता, सिनेमाई मूवमेंट | 1080p |
| Kling v3 Omni Video | उच्च गुणवत्ता वाला टेक्स्ट-प्लस-इमेज-टू-वीडियो | 1080p |
| Seedance 2.0 | नेटिव ऑडियो के साथ सहज यथार्थवादी मोशन | 1080p |
| Gen4 Turbo | तेज़ इमेज-टू-वीडियो, तेज़ इटरेशन के लिए आदर्श | 720p |
| Ovi I2V | सिंक्रनाइज़्ड ऑडियो के साथ कैरेक्टर एनिमेशन | 720p |
| Video 01 Live | प्राकृतिक स्टिल-फ़ोटो एनिमेशन | 1080p |
| Wan 2.5 I2V | रोज़मर्रा के उपयोग के लिए संतुलित गुणवत्ता और गति | 720p |
| Hailuo 2.3 | सिनेमाई 1080p आउटपुट गुणवत्ता | 1080p |
| LTX 2 Pro | अधिकतम गुणवत्ता, 4K आउटपुट | 4K |
Wan 2.7 I2V प्रॉम्प्ट पर प्रतिक्रिया देने वाले एनिमेशन के लिए लगातार उपलब्ध सबसे मज़बूत इमेज-टू-वीडियो मॉडलों में से एक है। इससे भरोसेमंद नतीजे पाने का तरीका यह है:
ये चार आम इमेज प्रकारों के लिए पूरे, तुरंत इस्तेमाल होने लायक प्रॉम्प्ट हैं। ढाँचे को कॉपी करें और विवरण अपनी इमेज के हिसाब से बदलें।
शुरुआती इमेज: व्यक्ति हल्का बाईं ओर देखते हुए, नरम स्टूडियो रोशनी
प्रॉम्प्ट: "वह धीरे से अपना सिर कैमरे की ओर घुमाती है, उसके होंठ के कोने पर हल्की मुस्कान बनती है। कैमरा स्थिर रहता है, लॉक्ड ऑफ़। ऊपर बाईं ओर से आती नरम फैली हुई स्टूडियो रोशनी उसके गाल की हड्डी और कंधे के किनारे पर पड़ती है।"
सबसे अच्छे मॉडल: Ovi I2V, Video 01 Live
शुरुआती इमेज: शरद ऋतु के जंगल का छत्र, एरियल कोण से दिखती नदी
प्रॉम्प्ट: "जैसे ही कैमरा धीरे से पानी की ओर उतरता है, दोनों ओर पेड़ों की चोटियाँ खुलती हैं और नदी की सतह रोशनी पकड़ती है। धुंध ऊपरी छत्र पर बहती है। जैसे-जैसे डिसेंड कोण बदलता है, रोशनी एम्बर से गर्म सुनहरी होती जाती है।"
सबसे अच्छे मॉडल: Wan 2.7 I2V, Wan 2.6 I2V
शुरुआती इमेज: संगमरमर के काउंटर पर कैमरा बॉडी, खिड़की की रोशनी दिखती हुई
प्रॉम्प्ट: "कैमरा बॉडी संगमरमर की सतह पर स्थिर रखी है, जबकि दाईं ओर से धीमा 180-डिग्री ऑर्बिट शुरू होता है और ग्रिप की बनावट और डायल के विवरण क्रमशः सामने आते हैं। कोण बदलने के साथ रोशनी का धब्बा संगमरमर की धारियों पर सरकता है। सहज, निरंतर, कमर्शियल।"
सबसे अच्छे मॉडल: Gen4 Turbo, Seedance 2.0
शुरुआती इमेज: गोदाम में छलांग के बीच में नर्तकी
प्रॉम्प्ट: "वह छलांग से उतरती है और तुरंत धीमे स्पिन में चली जाती है, बाहें उसके दोनों ओर बाहर की ओर फैलती हैं। कैमरा थोड़ा ऊपर उठता है और बाईं ओर खिसकता है, पूरे समय उसे फ़्रेम के बीच में रखते हुए। एक ही ऊपरी लैंप उसकी घूमती परछाई नीचे कंक्रीट के फ़र्श पर डालता है। हाई कॉन्ट्रास्ट, सोचा-समझा, संयमित।"
सबसे अच्छे मॉडल: Kling v3 Video, Hailuo 2.3
इस बिंदु तक आपके पास ढाँचा है: सब्जेक्ट-क्रिया, कैमरा मूवमेंट, वातावरण, सही क्रम में और सटीक शब्दावली के साथ। जिन नतीजों को आप मिटा देंगे और जिन्हें वाकई इस्तेमाल करेंगे, उनमें फ़र्क इस बात की विशिष्टता से आता है कि कोई चीज़ कैसे चलती है, सिर्फ़ इससे नहीं कि क्या चलता है।
एक ही इमेज के लिए इन दो प्रॉम्प्ट की तुलना करें:
ठीक-ठाक: "पत्ते हवा में उड़ते हैं।"
प्रभावशाली: "अलग-अलग पत्ते डाल की नोक से अलग होते हैं और धीमे चापों में नीचे की ओर घूमते हैं, गिरते हुए पलटते हैं, और जब आख़िरी पत्ता ज़मीन पर बैठता है, तब कैमरा धीरे से ऊपर उठता है।"
दूसरा संस्करण पूरी क्लिप अवधि में पथ, भौतिकी और घटना से कैमरे के संबंध का वर्णन करता है। इतना विवरण मॉडल को पहले फ़्रेम से लेकर फ़्रेम 120 तक काम करने के लिए असली सामग्री देता है।
इटरेशन पर एक व्यावहारिक बात: अगर आपके नतीजे दोहराव भरे लगने लगें, तो बाकी कुछ बदलने से पहले क्रिया के शब्द बदलें। "धीरे से" की जगह "धीरे-धीरे" रखें। "Drifts" की जगह "glides" रखें। सब्जेक्ट-क्रिया वाले वाक्य में छोटे शब्द-बदलाव भी अर्थपूर्ण रूप से अलग मोशन नतीजे देते हैं, क्योंकि मॉडल ज़्यादातर लोगों की उम्मीद से कहीं ज़्यादा क्रिया-चुनाव के प्रति संवेदनशील होते हैं।
आपने जो भी इमेज कभी बनाई है, वह संभावित शुरुआती फ़्रेम है। PicassoIA पर AI वीडियो मॉडल रेंडरिंग संभालते हैं। आपका काम यह बताना है कि आगे क्या होता है, ऐसी मोशन भाषा में जिसे मॉडल अमल में ला सके।
एक इमेज चुनें। एक सब्जेक्ट-क्रिया वाक्य लिखें। एक कैमरा मूवमेंट जोड़ें। एक वातावरण का नोट जोड़ें। उसे Wan 2.7 I2V या Seedance 2.0 में डालें और जनरेट करें। नतीजा इस ढाँचे को लागू करने से पहले बनी किसी भी चीज़ से साफ़ तौर पर बेहतर होगा। फिर एक क्रिया बदलकर दोबारा चलाएँ। प्रॉम्प्ट लिखने का अभ्यास ऐसे ही विकसित होता है।
picassoia.com/en/all-models पर सभी 100+ वीडियो जनरेशन मॉडल देखें और ऊपर की तालिका से उस मॉडल से शुरू करें जो आपके उपयोग के मामले से सबसे अच्छा मेल खाता हो।
अपनी भाषा चुनें
