ज़्यादातर खराब एआई वीडियो ऐसे प्रॉम्प्ट से आते हैं जो किसी बढ़िया इमेज के लिए बनाए गए होते। “एक महिला जो रात में टोक्यो में खड़ी है” एक ठहरा हुआ पल बयान करता है। एक वीडियो मॉडल को उस वाकये को सेकंडों तक भरना होता है, तो वह अपनी खुद की गति बना लेता है। जो वह बनाता है अक्सर फ्रेम के पार हल्के से सरकता विषय, हाथ अचानक बदलते हुए हाथों में बदलना, और बैकग्राउंड का बीच में ही खुद को बदल लेना होता है।

समाधान लंबा प्रॉम्प्ट नहीं है। समाधान वह प्रॉम्प्ट है जो उन सवालों का जवाब देता है जिन्हें मॉडल अन्यथा अनुमान लगाएगा: कौन, क्या कर रहा है, कहाँ, किस नज़रिए से दिख रहा है, कैसे रोशन है। यह पोस्ट बिल्कुल उसी के लिए पाँच-लेयर संरचना और सोशल फीड के वर्टिकल वीडियो के विशेष हिस्सों को बताती है।

स्थिति न बताएं, परिवर्तन बताएं

संरचना से पहले माइंडसेट। एक इमेज प्रॉम्प्ट एक स्थिति बताता है। एक वीडियो प्रॉम्प्ट एक परिवर्तन बताता है, यानी कुछ ऐसा जो क्लिप के अंत तक शुरू से अलग हो।

दो छोटे आदतें यहाँ अधिकांश काम कर देती हैं। पहली, लगातार क्रियाओं का प्रयोग। “तेज़ चलना,” “धीरे घुटने टेकना,” और “मेज़ के पार हाथ बढ़ाना” सभी निरंतर गति संकेत करते हैं, जो “एक महिला जो सड़क पर है” नहीं करते। दूसरी, केवल घटना बताने के बजाय कारण और प्रभाव बताना। तुलना करें:

कमzor: "एक कार तेज़ी से मोड़ लेती है।"
मजबूत: "एक कार तेज़ी से मोड़ लेती है, टायर छिड़काव उड़ाते हैं, चेसिस मोड़ में झुकता है, बजरी अंडरकारेज से टकराकर छिटकती है."

दूसरा संस्करण सिर्फ़ अधिक विस्तृत नहीं है। यह ज्यादा कुशल है। यह मॉडल को बताता है क्या पहले होता है और क्या उससे होता है, जिससे जनरेट की गई गति को एक दिशा मिलती है। यही तरीका छोटे पैमाने पर भी काम करता है। “एक गिलास टूटता है” लिखने के बजाय लिखें “कोहनी गिलास को छूते हुए, वह झुकता है, दूध रिम को पार कर टेबल पर गिरता है, गिलास चकनाचूर होता है और फैलाव लकड़ी के दाने पर फैल जाता है।”

पाँच लेयर

यह संरचना है। हर प्रॉम्प्ट में आपको सभी पाँच की ज़रूरत नहीं है, लेकिन तीन गायब होने पर मॉडल के पास भरने के लिए बहुत खाली जगहें बच जाती हैं।

1. विषय

धुंधले संज्ञाएँ अनुमान कराती हैं। “एक व्यक्ति” किसी भी रूप में आ सकता है। उसे पिन करने के लिए पर्याप्त विवरण दें: अनुमानित आयु, बॉडी टाइप, कपड़े, मुद्रा। “मिड-30s की एक महिला, एथलेटिक बनावट, घिसा हुआ नेवी रेन शेल पहने” उस तरह लगातार वापस आएगा जैसे “एक महिला” नहीं आएगा।

अगर आपका किरदार एक ही क्लिप नहीं बल्कि पूरे वीडियो में बने रहना चाहिए, तो सिर्फ़ वर्णन काफ़ी नहीं होता। किरदार संदर्भ गाइड इस स्थिति में क्या करना है बताता है।

2. क्रिया

प्रति क्लिप एक स्पष्ट क्रिया, लगातार वर्तमान में। एक ही क्लिप में दो प्रतिस्पर्धी क्रियाएँ अक्सर मोर्फिंग की शुरुआत होती हैं, क्योंकि मॉडल उन्हें सीक्वेंस करने के बजाय मिक्स करने की कोशिश करता है। अगर आपके पास दो चीजें हो रही हैं, तो वे दो सीन हैं, और ClipPilot दोनों जनरेट करेगा।

3. परिवेश

विषय को कहीं वास्तविक जमीन पर रखें। तीन से पाँच ठोस विवरण आदर्श हैं: दिन का समय, मौसम, सतह की बनावटें, एक या दो ऑब्जेक्ट जो जगह को स्थापित करें। इससे आगे आप अपने ही विषय के साथ मॉडल का ध्यान साझा करने लगते हैं, और विवरण किसी ऐसे हिस्से में कट जाते हैं जिसे आपने नहीं चुना।

4. कैमरा

यह वह लेयर है जिसे लोग छोड़ देते हैं, और यही सबसे भरोसेमंद तरीके से आउटपुट को नियोजनयुक्त दिखाती है। इन मॉडलों ने पेशेवर टैग्ड फिल्म फुटेज बहुत देखा है, इसलिए वे असली कैमरा भाषा पर अच्छी प्रतिक्रिया देते हैं।

पैन और टिल्ट. एक फिक्स्ड पोजिशन से घुमाव, बाएँ से दाएँ या ऊपर और नीचे। किसी जगह का खुलासा करने के लिए अच्छा।
डॉली इन और आउट. कैमरा को विषय की ओर या उससे दूर ले जाना। डॉली इन घनिष्ठता और दबाव बनाता है। डॉली आउट खुला करने और अलग-थलग करने का काम करता है।
ट्रैकिंग. किसी विषय के साथ चलना, उसकी रफ्तार पर बने रहना। चलने या ड्राइव करने वाली किसी भी चीज़ के लिए डिफ़ॉल्ट।
Orbit. विषय के चारों ओर चक्कर लगाना। दिखने में महंगा लगने वाला हीरो शॉट, और सबसे माँग वाला भी, इसलिए यह सबसे ज्यादा डगमगाने वाला हो सकता है।
हैंडहेल्ड. प्राकृतिक हिलन-डुलन। कच्चा और असली लगता है, और यह छोटे एआई आर्टिफैक्ट्स को छिपा देता है जो एक स्थिर शॉट में दिखते।
स्टेटिक वाइड शॉट. यह असफल विकल्प नहीं बल्कि एक वाजिब चुनाव है। जब विषय अपनी ही गति से क्लिप चलाता है, तब एक स्थिर कैमरा अक्सर चलती हुई कैमराकी तुलना में साफ़ रहता है।

5. लाइटिंग और मूड

लाइटिंग किसी भी लेयर में शब्द के हिसाब से सबसे ज्यादा प्रभाव देती है। “Warm sodium streetlight,” “soft rim light on the shoulder,” “overcast diffused daylight,” और “hard shadow across half the face”, हर एक लगभग चार शब्दों में शॉट की पूरी भावनात्मक टोन बदल देता है। अगर आप पहले से मौजूद प्रॉम्प्ट में केवल एक लेयर जोड़ना चाहते हैं, तो यह जोड़ें।

इसे एक साथ रखना

लेयरों को क्रम में रखें:

एक मध्य 30 की उम्र की महिला, झकझोर चुके नेवी रेन शेल में, तेज़ कदमों से एक संकरी टोक्यो गली से गुजरती है, बारिश से बचने के लिए कंधे झुके हुए, भाप निकलते वेंट और हाथ से बनी साइनबोर्ड के पास से। कैमरा उसकी आंख-लेवल पर साथ चलते हुए ट्रैक कर रहा है। गीला डामर गर्म सोडियम स्ट्रीटलाइट का प्रतिबिंब दे रहा है, दुकान के बीच गहरे साये।

विषय, क्रिया, वातावरण, कैमरा, लाइट। यह किसी निर्देशक की तरह क्रू को दिए निर्देश जैसा पढ़ता है, और यही लगभग सही मानसिक मॉडल है।

वर्टिकल फ्रेम के लिए लिखते समय

9:16 फ्रेम 16:9 को घुमाकर नहीं बना है, और ऐसे प्रॉम्प्ट जो इसे इग्नोर करते हैं वे तकनीकी रूप से काम करने वाले लेकिन फीड में गलत महसूस होने वाले क्लिप बनाते हैं।

ऊँचाई का इस्तेमाल करें. वर्टिकल फ्रेम पूरे शरीर के फ्रेमिंग के लिए उदार होते हैं और चौड़े हॉरिजॉन्टल कम्पोज़िशन के लिए तंग। "फुल बॉडी शॉट, आई लेवल" माँगे और आपको पूरा विषय आराम से मिल जाएगा। चौड़ा हॉरिजॉन्टल पैनोरमा माँगे तो आपको उसका एक पतला हिस्सा ही मिलेगा।

वर्टिकल कैमरा मूव्स को प्राथमिकता दें. किसी बिल्डिंग की ऊपर की तरफ़ झुकना, किसी विषय की ओर नीचे की ओर क्रेन करना, और डॉली-इन लंबी फ्रेम में स्वाभाविक लगते हैं। लंबी हॉरिजॉन्टल पैनिंग तंग लगती है क्योंकि फ्रेम आपको पैन कर रहे दृश्य का काफी भाग नहीं दिखा पाता।

फ्रेम के ऊपर क्या बैठता है, ध्यान रखें. TikTok, Reels, और Shorts पर स्क्रीन का निचला हिस्सा कैप्शन और डिस्क्रिप्शन ओवरले से ढका रहता है, और दाहिनी तरफ़ एंगेजमेंट बटन होते हैं। जब आप ClipPilot के अपने कैप्शन सक्षम करते हैं तो वे वर्टिकल सेंटर पर दिखते हैं। इसलिए ऊपरी तिहाई हिस्सा किसी भी जरूरी चीज़ के लिए सबसे भरोसेमंद जगह रहती है, तो विषय को वहाँ फ्रेम करना दोनों से बचाता है।

मूवमेंट के साथ ओपन करें. फीड एल्गोरिद्म पहले कुछ सेकंड बहुत महत्व देते हैं, और एक क्लिप जो स्टैटिक एस्टैब्लिशिंग शॉट पर खुलती है उसने अपना सबसे कीमती पल खाली पर गँवा दिया। मोशन को फ्रंट-लोड करें। “एक मैक्रो क्लोज़-अप से स्नैप जूम आउट करके नियोन स्काईलाइन दिखाना जब एक हवर-कार लेंस के पास से कट कर जाती है” उस ध्यान को कमाती है जो “कैमरा धीरे-धीरे एक नियोन सिटी में आगे बढ़ता है” नहीं पाता।

क्या ClipPilot आपके लिए संभालता है

कार्य विभाजन साफ़ होना ज़रूरी है, क्योंकि यह बदल देता है कि आपको क्या लिखने में मेहनत करनी चाहिए।

आपको कैप्शन, वॉइसओवर, म्यूज़िक, या क्लिप्स के बीच ट्रांज़िशन के लिए प्रॉम्प्ट देने की ज़रूरत नहीं है। वे क्रिएट पेज पर सेटिंग्स हैं न कि प्रॉम्प्ट टेक्स्ट। वीडियो प्रॉम्प्ट में "स्क्रीन पर X लिखा हुआ टेक्स्ट" माँगने से अक्सर गड़बड़ एआई लेटरिंग बनती है बजाय साफ़ कैप्शन के, तो यह काम कैप्शन सिस्टम को छोड़ दें।

आपको शॉट लिस्ट लिखने की भी जरूरत नहीं है। ClipPilot आपकी स्क्रिप्ट या आइडिया को सीनों में बाँटता है और हर एक के लिए क्लिप जनरेट करता है, इसलिए एक ही प्रॉम्प्ट बहु-सीन वीडियो बन जाता है। यह अपने आप में समझने लायक है, और यह कैसे ClipPilot एक विचार को पूरे वीडियो में बदलता है में कवर किया गया है।

एक चेकलिस्ट

जनरेट करने से पहले अपना प्रॉम्प्ट वापस पढ़ें और जाँच करें:

क्या विषय स्पष्ट है, या कोई प्लेसहोल्डर संज्ञा है?
क्या बिल्कुल एक साफ़ क्रिया है, जिसे चलती हुई गति के रूप में बताया गया है?
क्या कैमरा कुछ विशेष कर रहा है?
क्या रोशनी का वर्णन है?
वर्टिकल के लिए: क्या सब्जेक्ट इस तरह फ्रेम किया गया है कि वह लंबी स्क्रीन के लिए सही बैठे, और कैप्शन व प्लेटफ़ॉर्म ओवरले से ऊपर हो?
क्या पहले आधे सेकंड में कुछ हिलता/चलता है?

6 में से 5 अक्सर वही फ़र्क़ होते हैं जो आपके पोस्ट किए गए फुटेज और आप जो फुटेज पुनः जनरेट करते हैं, उनके बीच होते हैं।

परफेक्ट एआई वीडियो प्रॉम्प्ट की संरचना