Większość kiepskiego wideo AI bierze się z dobrej polszczyzny. Ktoś pisze ładne zdanie opisujące scenę, model renderuje ładne zdanie opisujące scenę i wychodzi ruchome zdjęcie ze stocka: ładne, nieruchome, bezużyteczne.
Lekarstwem jest zmiana postawy. Przestań opisywać. Zacznij reżyserować. Reżyser nie mówi ekipie „ładna, kinowa scena w kuchni". Podaje wielkość planu, ruch kamery, źródło światła i akcję. Właśnie na to reaguje Hailuo.
Formuła w siedmiu częściach
Przejdź je w tej kolejności. Nie zawsze potrzebujesz wszystkich siedmiu, ale pierwsze cztery są praktycznie obowiązkowe.
- Podmiot: kto lub co, opisane na tyle konkretnie, żeby nie zmieniało się między ujęciami.
- Akcja: jeden gest. Jeden.
- Miejsce: gdzie i kiedy.
- Kamera: wielkość planu plus ruch.
- Światło i styl: skąd pada światło i jaki daje efekt.
- Dźwięk i dialog: co chcesz usłyszeć, kwestie mówione w cudzysłowie.
- Ograniczenia: co ma zostać poza kadrem.
Część po części
Podmiot
Mgliście: kobieta. Lepiej: kobieta po pięćdziesiątce, krótkie siwe włosy, granatowy fartuch roboczy.
Konkretne rzeczowniki dają modelowi się czego złapać między ujęciami. Jeśli postać ma przetrwać kilka generacji, opisz ją raz, zapisz to zdanie i używaj go dokładnie tak samo. Albo lepiej: dołącz obraz referencyjny i przestań ją opisywać w ogóle.
Akcja
Tu psuje się większość promptów. „Bierze kubek, idzie do okna i patrzy na deszcz" to trzy gesty. W sześciosekundowym klipie model spróbuje wszystkich trzech, przegoni wszystkie trzy i nie trafi w żaden.
Zostaw ten, który się liczy: Podnosi kubek do ust i zatrzymuje się. Przejście wygenerujesz jako drugie ujęcie, jeśli będzie potrzebne.
Miejsce
Lokalizacja i pora dnia, krótko. Zagracone domowe biuro o zmierzchu. Mokra ulica o drugiej w nocy. Pora dnia robi ogromną robotę, bo implikuje światło, zanim powiesz cokolwiek o oświetleniu.
Kamera
Dwa składniki: jak blisko i jak się porusza.
| Zamiast | Napisz |
|---|---|
| kinowo | Plan średni bliski, powolny najazd |
| dynamicznie | Kamera z ręki, w pogoni za podmiotem od tyłu |
| epicko | Plan ogólny, powolne wznoszenie na żurawiu |
| dramatyczny kąt | Żabia perspektywa, statycznie, podmiot wypełnia lewą trzecią część kadru |
| ładne ujęcie | Zza ramienia, mała głębia ostrości |
Lewa kolumna to nastrój. Prawa to instrukcja. Wykonać da się tylko jedną z nich.
Światło i styl
Nazwij źródło, nie klimat. Ostre południowe słońce przez pionową żaluzję. Jedna lampa w kadrze, cała reszta wpada w cień. Pochmurno, płasko, bez cieni. Jeśli chcesz kinowego wyglądu, podaj taśmę filmową albo epokę, zamiast pisać „kinowo" jeszcze raz.
Dźwięk i dialog
Hailuo generuje muzykę stereo, tło dźwiękowe i głosy w tym samym przebiegu co obraz, zgrane z akcją. Dźwięk jest więc wejściem promptu, a nie problemem na później.
- Tło: Cicha sala, odległy ruch uliczny, buczenie lodówki.
- Muzyka: Oszczędny fortepian, wolno. Albo, równie użytecznie: bez muzyki.
- Dialog: wstaw kwestię w cudzysłów i napisz, kto ją mówi. Ona mówi: „Jesteś wcześnie."
Trzymaj kwestie krótkie. Dziesięć słów w sześciosekundowym klipie zabrzmi w pośpiechu.
Ograniczenia
Powiedz, czego nie chcesz — zwłaszcza rzeczy, które modele lubią dorzucać bez pytania: Bez tekstu na ekranie. Bez flar obiektywu. Bez ludzi w tle. Bez muzyki.
Prompt napisany na nowo
Przed:
- Kinowe ujęcie mężczyzny pijącego kawę w kawiarni, przepiękne oświetlenie, mnóstwo detali, 4k, arcydzieło
Po:
- Plan średni bliski mężczyzny po trzydziestce w grafitowej kurtce, przy stoliku pod oknem w prawie pustej kawiarni. Odstawia filiżankę i zerka poza kadr, w lewo. Kamera statycznie, mała głębia ostrości. Poranne słońce wpada przez okno i muska stolik, ciepłe światła, głęboki cień po dalszej stronie twarzy. Tło: syk ekspresu, przyciszony gwar, bez muzyki. Bez tekstu na ekranie.
Ten sam pomysł, ale druga wersja określa wielkość planu, jedną akcję, kierunek spojrzenia, źródło światła wraz z kierunkiem, podkład dźwiękowy i wykluczenie. Każdą z tych rzeczy model w przeciwnym razie rozstrzygnie za ciebie.
Prompty na kilka ujęć
Przy sekwencjach pisz każde ujęcie jako osobny blok, z własną kamerą i własną akcją, a opis podmiotu utrzymuj identyczny wszędzie. Nadaj sekwencji łuk: ujęcia mają narastać, a nie powtarzać się.
- Ujęcie 1 — Plan ogólny. Warsztat, światła zgaszone, jedno okno. Statycznie.
- Ujęcie 2 — Plan średni. Ta sama kobieta w granatowym fartuchu zapala lampę nad stołem warsztatowym. Powolny najazd.
- Ujęcie 3 — Zbliżenie jej dłoni odkładających narzędzie. Statycznie, krótka ostrość.
Trzy ujęcia, po jednym geście każde, narastające od pustego pomieszczenia do dłoni. To czyta się jak scena. Trzy wariacje na temat „ona pracuje w warsztacie" czytają się jak trzy podejścia do tego samego ujęcia.
Referencje biją przymiotniki
Słowa ustawiają wygląd, referencje ustawiają konkret. Hailuo 03 przyjmuje do 50 referencji w jednej generacji, mieszanych dowolnie: obrazy, fragmenty wideo i audio.
Jeśli przepisałeś opis trzy razy, a twarz, etykieta produktu albo kolor marki nadal uciekają, to sygnał, żeby dołączyć plik zamiast sięgać po kolejny przymiotnik.
Pięć błędów, które palą kredyty
- Piętrzenie przymiotników. „Kinowo, hiperszczegółowo, nagradzane, 8k" nic nie wnosi i spycha prawdziwe instrukcje niżej.
- Więcej niż jedna akcja. Główna przyczyna rozsypanego ruchu.
- Opisywanie zdjęcia zamiast ujęcia. Jeśli twój prompt sprawdziłby się jako podpis pod nieruchomym obrazem, nie ma w nim kamery.
- Walka z dryfem na słowa. Problemy ze spójnością to problem referencji, a nie redakcji.
- Szkicowanie w pełnej rozdzielczości. Iteruj w 768p na szybkim modelu, a potem puść zwycięski prompt w 2K.
Najczęstsze pytania
Jak długi powinien być prompt w Hailuo?
Na tyle długi, żeby objąć podmiot, akcję, miejsce i kamerę: zwykle dwa do czterech zdań. To, co idzie dalej, to najczęściej przymiotniki, a nie informacja.
Czy mogę wpisać dialog w prompt?
Tak. Wstaw kwestię w cudzysłów i napisz, kto mówi. Dialog powstaje razem z obrazem i wychodzi zsynchronizowany z ustami, więc trzymaj go na tyle krótko, żeby zmieścił się w klipie.
Czy instrukcje negatywne działają?
Tak. „Bez tekstu na ekranie", „bez muzyki" i „bez flar obiektywu" opłacają się zawsze, gdy model uparcie dodaje coś, czego nie chcesz.
Dlaczego moja postać ma inną twarz w każdym klipie?
Bo słowa nie potrafią przybić twarzy. Dołącz ten sam obraz referencyjny do wszystkich generacji w sekwencji.
Czy dla różnych modeli trzeba pisać inaczej?
Formuła działa na Hailuo 03, 2.3, 2.3 Fast i 02. Zmienia się zapas: 03 przyjmuje znacznie więcej referencji i dłuższy klip, więc uniesie gęstszy prompt na kilka ujęć.
W jakiej rozdzielczości pisać?
Pisze się tak samo w każdej rozdzielczości. Szkicuj w 768p, żeby oszczędzać kredyty, a potem powtórz w 2K prompt, który zadziałał.