Veo 3.1 का Ingredients to Video आपको रेफ़रंस इमेज का उपयोग करने देता है, ताकि आपके AI-जनरेटेड वीडियो की हर विज़ुअल डिटेल, रोशनी और रंग से लेकर सब्जेक्ट की पहचान तक, स्थिर रहे। यह लेख बताता है कि यह फ़ीचर ठीक-ठीक कैसे काम करता है, PicassoIA पर इसे चरण-दर-चरण कैसे इस्तेमाल करें, और कई जेनरेशन में एक जैसे, उच्च-गुणवत्ता वाले नतीजे पाने के लिए प्रॉम्प्ट कैसे लिखें।
अगर आपके पास रेफ़रंस फ़ोटो का फ़ोल्डर है और किसी सीन में क्या होना चाहिए, इसका साफ़ विचार है, तो Veo 3.1 का Ingredients to Video फ़ीचर ठीक इसी स्थिति के लिए बनाया गया है। विज़ुअल स्टाइल, सब्जेक्ट की दिखावट और मूड तय करने के लिए सिर्फ़ टेक्स्ट विवरण पर निर्भर रहने के बजाय, आप मॉडल को एक रेफ़रंस इमेज दे सकते हैं और भारी काम उससे करवा सकते हैं। नतीजा ऐसा वीडियो होता है जो सचमुच उसी सीन जैसा दिखता है, जैसा आपने सोचा था।
यह नाम सोच-समझकर रखा गया है। "Ingredients" का संकेत है कि आपके इनपुट, जिनमें रेफ़रंस इमेज और आपका टेक्स्ट प्रॉम्प्ट दोनों शामिल हैं, कच्चा माल हैं, जिन्हें मॉडल आउटपुट बनाने के लिए मिलाता है। Veo 3.1 किसी स्थिर फ़ोटो को सिर्फ़ एनिमेट नहीं करता। वह रेफ़रंस के भीतर की विज़ुअल जानकारी को कंपोज़िशन के आधार के रूप में इस्तेमाल करता है, फिर उसी शुरुआती बिंदु से स्वाभाविक रूप से आगे बढ़ती मोशन जनरेट करता है।
यह उन इमेज-टू-वीडियो टूल्स से मूल रूप से अलग है जो फ़ोटो में बस हल्की हलचल जोड़ देते हैं। Veo 3.1 रेफ़रंस से रोशनी, गहराई, स्थानिक संबंध और सब्जेक्ट की विशेषताओं के बारे में जो अनुमान लगाता है, उसके आधार पर नए फ़्रेम बनाता है। वह वीडियो कैमरा मूवमेंट, सब्जेक्ट की गतिविधि और वातावरण की ऐसी डिटेल दिखा सकता है जो मूल इमेज में कभी थी ही नहीं।
इस संदर्भ में रेफ़रंस इमेज सिर्फ़ पहला फ़्रेम नहीं है। यह एक विज़ुअल स्पेसिफ़िकेशन दस्तावेज़ है। Veo 3.1 उसे इन चीज़ों के लिए पढ़ता है:
आपकी रेफ़रंस इमेज में जितनी ज़्यादा जानकारी होगी, Veo 3.1 अपने आउटपुट को उतनी ही सटीकता से कैलिब्रेट कर पाएगा। एक तीखी, अच्छी रोशनी वाली पोर्ट्रेट फ़ोटो मॉडल को धुंधले स्मार्टफ़ोन स्नैपशॉट के मुकाबले ज़्यादा जानकारी देती है।
Google DeepMind ने Veo 3.1 को विशाल वीडियो डेटासेट पर प्रशिक्षित किया है, जिसका मतलब है कि उसके पास इस बारे में मज़बूत पूर्वानुमान हैं कि समय के साथ सीन कैसे बदलते हैं। जब रेफ़रंस इमेज में दोपहर की रोशनी वाली खिड़की के पास खड़ी एक महिला दिखती है, तो मॉडल जानता है कि इस तरह की रोशनी समय के साथ किस तरह की छाया की हलचल, त्वचा और कपड़े पर किस तरह की चमक, और परिवेश के रंग में कैसे बदलाव पैदा करती है। यही संदर्भ-ज्ञान Veo 3.1 को सरल एनिमेशन टूल्स से अलग करता है।
💡 प्रो टिप: जिन रेफ़रंस इमेज में दिशात्मक रोशनी मज़बूत होती है, वे सबसे ज़्यादा विज़ुअली कोहेरेंट वीडियो आउटपुट देती हैं। सपाट, बादल वाली रोशनी मॉडल को कम काम देती है।
सिर्फ़ टेक्स्ट प्रॉम्प्ट की एक बुनियादी सीमा है: शब्द अवधारणाएँ बताते हैं, विशिष्ट चीज़ें नहीं। आप लिख सकते हैं "गोल्डन आवर की रोशनी में गहरे भूरे बालों वाली एक महिला" और मॉडल तय करता है कि वह कैसी दिखेगी। लेकिन उसी व्यक्ति, सीन और रोशनी की रेफ़रंस इमेज जोड़ दें, तो वह अनुमान काफ़ी हद तक सीमित हो जाता है।
AI वीडियो जनरेशन की सबसे लगातार निराशाओं में से एक है कंसिस्टेंसी। पहली क्लिप वाले ही कैरेक्टर, लोकेशन और रोशनी वाली दूसरी क्लिप जनरेट करने के लिए सटीक प्रॉम्प्ट इंजीनियरिंग चाहिए, और फिर भी नतीजे बदलते रहते हैं। रेफ़रंस इमेज इस समस्या के बड़े हिस्से को हल कर देती हैं।
जब आप कई Veo 3.1 जेनरेशन में एक ही रेफ़रंस इमेज इस्तेमाल करते हैं, तो मॉडल हर आउटपुट को एक ही विज़ुअल फ़िंगरप्रिंट से बाँध देता है। आपके रेफ़रंस का व्यक्ति वही चेहरा रखेगा, कमरे का रंग तापमान वही रहेगा, और रोशनी उसी दिशा से गिरेगी। इससे रेफ़रंस-गाइडेड वीडियो जनरेशन उन लोगों के लिए सबसे व्यावहारिक तरीका बन जाता है जो क्लिप्स की सीरीज़ बना रहे हैं।
रेफ़रंस इमेज सिर्फ़ सब्जेक्ट रेफ़रंस के रूप में ही नहीं, स्टाइल रेफ़रंस के रूप में भी काम करती हैं। किसी फ़ोटो में खास सिनेमैटिक लुक, खास कलर ग्रेड या खास कंपोज़िशन स्टाइल हो, तो Veo 3.1 उन गुणों को उन फ़्रेम में ले जाता है जो वह जनरेट करता है। फ़िल्ममेकर और कंटेंट क्रिएटर पारंपरिक प्रोडक्शन में इसी तरह मूड बोर्ड का उपयोग करते हैं: शूटिंग शुरू होने से पहले एक विज़ुअल भाषा तय करने के लिए।
यहाँ भी वही तर्क लागू होता है। आपकी रेफ़रंस इमेज ही आपका विज़ुअल भाषा दस्तावेज़ है।
| उपयोग | आप क्या देते हैं | Veo 3.1 क्या जनरेट करता है |
|---|---|---|
| फ़ैशन कैंपेन | किसी खास पोशाक में मॉडल की फ़ोटो | स्वाभाविक मूवमेंट वाली 5-सेकंड की क्लिप |
| प्रोडक्ट शोकेस | प्रोडक्ट फ़्लैट ले या हीरो शॉट | सिनेमैटिक रोशनी के साथ घूमता हुआ रिवील |
| ट्रैवल कंटेंट | गंतव्य के लैंडस्केप की फ़ोटो | वायुमंडलीय मूवमेंट वाला सिनेमैटिक पैन |
| सोशल मीडिया अवतार | खास लुक वाला पोर्ट्रेट | प्राकृतिक सूक्ष्म मूवमेंट वाला हल्का लूप |
| रियल एस्टेट | इंटीरियर कमरे की फ़ोटो | जगह के बीच से होकर स्मूथ कैमरा पुश |
Veo 3.1 PicassoIA पर सीधे बिना किसी API सेटअप या लोकल इंस्टॉलेशन के उपलब्ध है। रेफ़रंस इमेज के साथ इसे इस्तेमाल करने का सटीक वर्कफ़्लो यहाँ है।
टूल खोलने से पहले सही रेफ़रंस चुनने में समय लगाएँ। सबसे ज़रूरी गुण ये हैं:
सोशल मीडिया के स्क्रीनशॉट इस्तेमाल करने से बचें। कंप्रेशन आर्टिफ़ैक्ट और वॉटरमार्क इमेज को पढ़ने में मॉडल के लिए शोर पैदा करते हैं।
Veo 3.1 के साथ, आपका टेक्स्ट प्रॉम्प्ट मोशन और एक्शन पर केंद्रित होना चाहिए, दिखावट पर नहीं। दिखावट को रेफ़रंस इमेज सँभालती है। आपके प्रॉम्प्ट को यह बताना चाहिए: इस सीन में क्या होता है?
मज़बूत प्रॉम्प्ट स्ट्रक्चर:
प्रॉम्प्ट 30 से 80 शब्दों के बीच रखें। Veo 3.1 लंबे प्रॉम्प्ट भी प्रोसेस करता है, लेकिन छोटे, विशिष्ट प्रॉम्प्ट ज़्यादा कसे हुए नतीजे देते हैं।
PicassoIA पर Veo 3.1 इंटरफ़ेस आपको मुख्य पैरामीटर देता है:
| पैरामीटर | अनुशंसित सेटिंग | नोट्स |
|---|---|---|
| रेफ़रंस इमेज | आपकी चुनी हुई फ़ोटो | डिवाइस से सीधे अपलोड करें |
| प्रॉम्प्ट | मोशन-केंद्रित विवरण | 30-80 शब्द |
| अवधि | 5-8 सेकंड | सोशल और वेब उपयोग के लिए उपयुक्त |
| आस्पेक्ट रेशियो | 16:9 या 9:16 | अपने आउटपुट प्लेटफ़ॉर्म से मिलाएँ |
| सीड | स्थिर मान | एक जैसे रीरन के लिए वही सीड इस्तेमाल करें |
जेनरेट पर क्लिक करें और इंतज़ार करें। Veo 3.1 आम तौर पर प्रति जेनरेशन 60-120 सेकंड लेता है।
💡 अपना सीड सेव करें: अगर आपको कोई नतीजा पसंद आए, तो उसे बंद करने से पहले सीड वैल्यू नोट कर लें। प्रॉम्प्ट में छोटे बदलाव करके उसी सीड का इस्तेमाल करने पर आप एक जैसे आउटपुट की सीरीज़ बना सकते हैं।
पहली जेनरेशन शायद ही कभी अंतिम आउटपुट होती है। पहले रन का उपयोग यह जाँचने के लिए करें कि मॉडल ने रेफ़रंस को सही पढ़ा है या नहीं। इन पर ध्यान दें:
अगर सब्जेक्ट गलत दिखे, तो हो सकता है रेफ़रंस इमेज बहुत अस्पष्ट हो। अगर रोशनी सही न हो, तो आपका प्रॉम्प्ट शायद रेफ़रंस को ओवरराइड कर रहा है। समायोजित करें और फिर से चलाएँ।
रेफ़रंस इमेज और टेक्स्ट प्रॉम्प्ट का मेल एक छोटा तनाव पैदा करता है: मॉडल को दो स्रोतों की जानकारी का तालमेल बिठाना होता है। यह देखना कि मॉडल उस तनाव को कैसे सुलझाता है, आपको बेहतर प्रॉम्प्ट लिखने में मदद करता है।
रेफ़रंस-गाइडेड जनरेशन का यह सबसे ज़रूरी नियम है। अगर आपकी रेफ़रंस में लाल ड्रेस में एक महिला है और आपका प्रॉम्प्ट कहता है "लाल ड्रेस में चलती महिला", तो आप उस चीज़ का अनावश्यक वर्णन कर रहे हैं जो रेफ़रंस पहले ही बता चुका है। इससे भी बुरा, अगर प्रॉम्प्ट कहता है "नीली ड्रेस में चलती महिला", तो आप एक टकराव पैदा करते हैं जो अनिश्चित नतीजे देता है।
प्रॉम्प्ट ऐसे लिखें मानो मॉडल पहले ही देख सकता है कि रेफ़रंस में कौन और क्या है। बताएँ कि वे क्या करते हैं, यह नहीं कि वे कैसे दिखते हैं।
स्ट्रक्चर 1: सब्जेक्ट + मोशन + वातावरण "धीरे-धीरे कंधे के ऊपर से देखने के लिए मुड़ती है, हल्की मुस्कान बनती है, दोपहर की गर्म हवा कपड़े में हलचल पैदा करती है"
स्ट्रक्चर 2: कैमरा मूवमेंट + फ़ोकल पॉइंट "कैमरा डेस्क की ऊँचाई से धीरे-धीरे आँखों के स्तर तक उठता है, सब्जेक्ट के पीछे का पूरा स्टूडियो दिखाता है, पूरे समय उथला डेप्थ ऑफ़ फ़ील्ड"
स्ट्रक्चर 3: वातावरण + समय का बीतना "5 सेकंड में सुबह की रोशनी मज़बूत होती है, छायाएँ थोड़ी घूमती हैं, कप से उठती भाप हवा में घुलती है"
💡 टकराव सुलझाना: जब आपका प्रॉम्प्ट और रेफ़रंस इमेज आपस में टकराते हैं, तो Veo 3.1 आम तौर पर सब्जेक्ट की दिखावट के लिए रेफ़रंस इमेज को और मोशन की दिशा के लिए प्रॉम्प्ट को ज़्यादा वज़न देता है। इस व्यवहार पर भरोसा करके प्रॉम्प्ट लिखें।
PicassoIA पर 87 से ज़्यादा वीडियो जनरेशन मॉडल हैं। रेफ़रंस-इमेज वाले काम के लिए सही मॉडल चुनने के लिए यह जानना ज़रूरी है कि हर एक कहाँ उत्कृष्ट है।
Kling V3 रेफ़रंस-गाइडेड वीडियो के लिए एक मज़बूत प्रतिस्पर्धी है। यह जटिल मोशन सँभालता है और प्रभावशाली भौतिक सटीकता वाली लंबी क्लिप बनाता है। Veo 3.1 वहाँ बाज़ी मारता है जहाँ रोशनी की निष्ठा की बात आती है, यानी वह रेफ़रंस इमेज के रोशनी वाले चरित्र को कितनी अच्छी तरह बनाए रखता है। पोर्ट्रेट और फ़ैशन काम के लिए, जहाँ त्वचा का रंग और रोशनी की दिशा अहम हैं, Veo 3.1 ज़्यादा भरोसेमंद विकल्प है।
Wan 2.6 Image-to-Video तेज़ है और प्रति जेनरेशन आम तौर पर ज़्यादा सुलभ है। जहाँ रेफ़रंस इमेज सीधे पहले फ़्रेम का काम करती है, वहाँ सरल एनिमेशन के लिए यह बढ़िया है। लेकिन जब आप चाहते हैं कि मॉडल ऐसा वीडियो बनाए जो रेफ़रंस की सीधी सामग्री से आगे जाए, और ऐसे सीन रचे जिन्हें रेफ़रंस बस संकेत भर देती है, तो Veo 3.1 का Ingredients to Video बेहतर विकल्प है।
Veo 3.1 Fast तब इस्तेमाल करें जब आप तेज़ी से अलग-अलग वेरिएशन आज़मा रहे हों। यह थोड़ी गुणवत्ता की कीमत पर कम जेनरेशन समय देता है। ज़्यादातर पेशेवर जो वर्कफ़्लो अपनाते हैं: Veo 3.1 Fast से तब तक इटरेट करें जब तक रेफ़रंस की व्याख्या और मोशन सही न हो जाए, फिर अधिकतम गुणवत्ता के लिए अंतिम आउटपुट Veo 3.1 पर चलाएँ।
| मॉडल | सबसे अच्छा किसके लिए | गति | रेफ़रंस निष्ठा |
|---|---|---|---|
| Veo 3.1 | अंतिम आउटपुट, रोशनी-केंद्रित काम | मध्यम | बहुत उच्च |
| Veo 3.1 Fast | इटरेशन और टेस्टिंग | तेज़ | उच्च |
| Kling V3 | लंबी क्लिप, जटिल मोशन | मध्यम | उच्च |
| Wan 2.6 i2v | त्वरित एनिमेशन, बजट की कुशलता | तेज़ | मध्यम |
ज़्यादातर असफल जेनरेशन मॉडल की सीमाओं के बजाय तीन इनपुट समस्याओं में से किसी एक से जुड़ी होती हैं।
कंप्रेस्ड या छोटी रेफ़रंस इमेज अपलोड करना असंगत आउटपुट पाने का सबसे तेज़ तरीका है। जब मॉडल रेफ़रंस की बारीक डिटेल हल नहीं कर पाता, तो वह अपने पूर्वानुमानों से खाली जगह भर देता है। नतीजा ऐसा वीडियो होता है जो रेफ़रंस का सामान्य मूड पकड़ता है, पर उसकी खासियतें नहीं। आपका सब्जेक्ट अलग दिखता है। रोशनी गलत जगह पर होती है।
न्यूनतम सिफ़ारिश: 16:9 कंटेंट के लिए 1024x576px। जब सब्जेक्ट की डिटेल मायने रखती हो, तब 1920x1080px का लक्ष्य रखें।
आपके सब्जेक्ट की दिखावट का वर्णन करने वाला प्रॉम्प्ट अक्सर रेफ़रंस इमेज के प्रभाव को ओवरराइड या धुंधला कर देगा। ऐसा इसलिए होता है क्योंकि Veo 3.1 दोनों को निर्देश के रूप में पाता है और उन्हें वज़न देना होता है। आपका दिखावट का विवरण जितना विशिष्ट और विस्तृत होगा, वह मॉडल को रेफ़रंस से उतना ही दूर खींचेगा।
इसका समाधान सीधा है: अपने प्रॉम्प्ट से दिखावट वाली सारी भाषा हटाएँ और उसकी जगह सिर्फ़ मोशन की भाषा रखें।
रेफ़रंस इमेज और आउटपुट वीडियो का आस्पेक्ट रेशियो एक जैसा होना चाहिए। रेफ़रंस के रूप में 1:1 स्क्वेयर पोर्ट्रेट अपलोड करना और 16:9 आउटपुट माँगना मॉडल को फ़्रेम के बाहर की चीज़ें गढ़ने पर मजबूर करता है। कभी-कभी यह काम कर जाता है। अक्सर इससे अनुपात विकृत हो जाते हैं या वातावरण का गलत अनुमान बनता है।
अपलोड करने से पहले अपनी रेफ़रंस इमेज को अपने इच्छित आउटपुट अनुपात में क्रॉप करें।
Veo 3.1 के साथ रेफ़रंस-गाइडेड वीडियो जनरेशन सिद्धांत भर नहीं है। ये ऐसे विशिष्ट कंटेंट प्रकार हैं जो आज इस वर्कफ़्लो पर मज़बूत नतीजे देते हैं।
तकनीक सबसे तुरंत उपयोगी यहीं है। फ़ैशन ब्रांड और लाइफ़स्टाइल क्रिएटर्स को खास लोगों पर खास प्रोडक्ट, खास सेटिंग में वीडियो चाहिए। रेफ़रंस-गाइडेड जनरेशन आपको मौजूदा फ़ोटोग्राफ़ी एसेट्स से शुरू करने देता है, कम घंटे शूट करने देता है और ज़्यादा आउटपुट बनाने देता है।
एक उच्च-गुणवत्ता वाली फ़ैशन फ़ोटो 5-सेकंड की क्लिप, एक क्लोज़-अप टेक्सचर स्टडी और एक आउटडोर लाइफ़स्टाइल वीडियो बन जाती है, और हर आउटपुट में विज़ुअल कंसिस्टेंसी बनी रहती है।
ट्रैवल कंटेंट बनाने वालों के पास अक्सर लोकेशन की फ़ोटो होती हैं, पर उन्हें वीडियो चाहिए। रेफ़रंस-गाइडेड जनरेशन यह अंतर पाटता है। लैंडस्केप फ़ोटो धीमे सिनेमैटिक पैन में बदल जाती है। किसी वास्तुशिल्पीय इंटीरियर से स्मूथ पुश-थ्रू बन जाता है। रेफ़रंस मॉडल को सीन की किसी सामान्य व्याख्या के बजाय असली लोकेशन की विज़ुअल खासियतों पर टिकाए रखती है।
ई-कॉमर्स ब्रांड्स को प्रोडक्ट वीडियो चाहिए, पर हमेशा पूरा प्रोडक्शन बजट नहीं होता। रेफ़रंस इमेज के रूप में प्रोडक्ट का हीरो शॉट, और उसके साथ रोटेशन या रिवील मोशन प्रॉम्प्ट, ऐसा उपयोगी प्रोडक्ट वीडियो देता है जो ब्रांड की मौजूदा फ़ोटोग्राफ़ी से मेल खाता है। रेफ़रंस में रंग, रोशनी और बैकग्राउंड का ट्रीटमेंट सीधे वीडियो में पहुँचता है।
Veo 3.1 के Ingredients to Video को देखने का सबसे तेज़ तरीका है इसे खुद चलाना। एक ऐसी फ़ोटो चुनें जो आपके पास पहले से है, जिसमें साफ़ रोशनी और तीखा सब्जेक्ट हो। एक वाक्य में एक छोटा मोशन प्रॉम्प्ट लिखें जो बताए कि सीन में क्या होना चाहिए। दोनों को PicassoIA पर Veo 3.1 में अपलोड करें और अपनी पहली जेनरेशन चलाएँ।
पहला नतीजा आपको बताएगा कि रेफ़रंस इमेज इस मॉडल के साथ कैसे काम करती हैं, यह किसी भी लिखित व्याख्या से ज़्यादा बताएगा। वहाँ से अपना रेफ़रंस चयन समायोजित करें, प्रॉम्प्ट सुधारें, तेज़ इटरेशन चक्रों के लिए Veo 3.1 Fast आज़माएँ, और अपनी खास कंटेंट ज़रूरत के हिसाब से Kling V3 या Wan 2.6 i2v के नतीजों की तुलना करें।
PicassoIA आपको एक ही जगह इन सभी मॉडल्स तक पहुँच देता है, ताकि आप एक ही रेफ़रंस को कई सिस्टम से चलाकर आउटपुट को साथ-साथ देख सकें। यह सीधी तुलना AI वीडियो जनरेशन को रेफ़रंस इमेज के साथ समझने की सबसे पैनी फ़ीडबैक लूप है।
अपनी भाषा चुनें
