एक काल्पनिक डरावनी कहानी लिखिए, उसे धीमी और गहरी आवाज़ में पढ़वाइए, फिर वे शॉट और साउंड बेड बनाइए जो उसे असली प्रोडक्शन जैसा महसूस कराते हैं। Picasso IA आवाज़, वीडियो और साउंड डिज़ाइन के मॉडल एक ही toolkit में रखता है, इसलिए सब कुछ एक ही जगह होता है।
डरावनी कहानी आँखों से पहले कानों पर असर करती है। एक गहरी आवाज़, एक सेकंड ज़्यादा लंबी खिंची चुप्पी, घर के किसी कोने में चरमराता फ़र्श: डर का ज़्यादातर हिस्सा यही है, और इसमें से किसी के लिए शूटिंग क्रू की ज़रूरत नहीं। AI की मदद से आप एक काल्पनिक कहानी लिख सकते हैं, उसे धीमी फुसफुसाती आवाज़ में सुना सकते हैं, हर मोड़ से मेल खाते शॉट बना सकते हैं और नीचे एक साउंड बेड बिछा सकते हैं, सब एक ही वर्कस्पेस से।
डरावनी कहानियों के चैनल हमेशा से लिखने की समस्या के भेस में प्रोडक्शन की समस्या रहे हैं। कहानी आसान हिस्सा है। मुश्किल हिस्सा है ऐसा नैरेटर ढूँढना जो रात के तीन बजे बेचैन करने वाला लगे, आपके गढ़े भुतहा गलियारे से मेल खाती फ़ुटेज जुटाना, और ऐसा साउंडस्केप बनाना जो 2009 की किसी स्टॉक लाइब्रेरी जैसा न लगे।
Picasso IA एक ही इंटरफ़ेस के पीछे 502 मॉडल चलाता है, जिनमें 24 टेक्स्ट-टू-स्पीच और 121 टेक्स्ट-टू-वीडियो मॉडल शामिल हैं, इसलिए आवाज़, तस्वीर और साउंड एक ही जगह से आ सकते हैं; पूरा कैटलॉग सब कुछ सूचीबद्ध करता है। नए अकाउंट को मुफ़्त क्रेडिट मिलते हैं, जो यह जाँचने के लिए काफ़ी हैं कि कोई कहानी स्क्रीन पर टिकती है या नहीं, इससे पहले कि आप उस पर कुछ खर्च करें। हॉरर AI वीडियो की कमज़ोरियों को ज़्यादातर शैलियों से बेहतर सह लेता है। मद्धम रोशनी, धीमी गति, परछाइयाँ और धुंध वे छोटी गड़बड़ियाँ छिपा देती हैं जो किसी खुशमिज़ाज प्रोडक्ट विज्ञापन को बिगाड़ देतीं, और जो कहानी ज़्यादातर आवाज़ से सुनाई जाती है उसे तस्वीर से सिर्फ़ इशारा चाहिए, सब कुछ दिखाना नहीं।
एक नियम इस पूरे पेज को आकार देता है: इसे काल्पनिक रखिए और माहौल वाला रखिए। डर उससे पैदा होता है जो सुनने वाला कल्पना करता है, भयानक दृश्यों से नहीं।
फ़ुटेज से नहीं, नैरेशन से शुरू कीजिए। हॉरर वीडियो में आवाज़ ही रफ़्तार तय करती है, और बाद में आप जो भी शॉट बनाएँगे वह किसी ऐसे वाक्य की सेवा के लिए होगा जो आप पहले ही लिख चुके हैं। छोटे वाक्य सबसे अच्छे चलते हैं। जो पंक्ति ठहराव पर ख़त्म होती है वह कट के लिए स्वाभाविक जगह देती है, और ठहराव वही जगह है जहाँ डर रहता है।
आवाज़ के लिए कैटलॉग के दो मॉडल इस काम में अलग-अलग तरह से फ़िट बैठते हैं। elevenlabs/v3 आपका टेक्स्ट लेता है और स्पीड, स्टाइल एक्ज़ैजरेशन और स्टेबिलिटी के कंट्रोल देता है, इसलिए आप प्रस्तुति को धीमी, संयमित पढ़ाई तक नीचे ला सकते हैं और नाटकीयता घटा-बढ़ा सकते हैं। inworld/tts-1.5-max स्क्रिप्ट में सीधे लिखे इमोशन टैग और ब्रेक टैग पढ़ता है, जिससे आप ठीक वहीं आह, फुसफुसाती पंक्ति या पूरे एक सेकंड की ख़ामोशी चिह्नित कर सकते हैं जहाँ चाहें।
कान के लिए लिखिए, फिर धीमा कीजिए: स्पीड सामान्य से थोड़ी कम रखिए, हर खुलासे से पहले ठहराव डालिए और विशेषण काट दीजिए। कुछ गड़बड़ बताती शांत आवाज़ सीधे वाक्य में, डरने का अभिनय करती आवाज़ से ज़्यादा डराती है।
हर जनरेशन को पूरी कहानी की जगह एक सीन या एक पैराग्राफ़ तक रखिए। लंबी स्क्रिप्ट में लहजा भटक जाता है, और सीन ब्रेक पर बाँटने से शॉट, कमरा या साउंड बदलने की साफ़ जगहें मिलती हैं। कोई प्रीसेट आवाज़ चुनिए या अपनी रिकॉर्ड की हुई आवाज़ लीजिए। किसी असली व्यक्ति की आवाज़ की नकल कभी न करें, और नैरेटर को भी कहानी की तरह काल्पनिक रखिए।
हॉरर वीडियो जोड़ने के एक से ज़्यादा तरीक़े हैं, और सही तरीक़ा कहानी की लंबाई और साउंड पर आप कितना नियंत्रण चाहते हैं, इस पर निर्भर करता है। यह तालिका उन पाँच तरीक़ों की तुलना करती है जो व्यवहार में चलते हैं।
| तरीक़ा | किसके लिए बेहतर | शुरू करने के मॉडल | किस पर ध्यान दें |
|---|---|---|---|
| उसी रेंडर में बना साउंड वाला वीडियो | छोटे डर और शुरुआती सीन, कुछ सेकंड से आधे मिनट तक | google/veo-3.1, bytedance/seedance-2.5 | साउंड मॉडल की पसंद है, इसलिए सटीक फुसफुसाहट निर्देशित करना कठिन है |
| बिना आवाज़ की तस्वीरों पर अलग नैरेशन | कई मिनट की पूरी बोली गई कहानियाँ | elevenlabs/v3 या inworld/tts-1.5-max और एक टेक्स्ट-टू-वीडियो मॉडल | टुकड़ों को एडिटर में खुद जोड़ना और टाइम करना पड़ता है |
| क्लिप के बाद जोड़ा गया साउंड बेड | अच्छी दिखती बिना आवाज़ की क्लिप को बचाना | mirelo/video-to-sfx-v1.5, zsxkib/mmaudio | SFX मॉडल इनपुट को दस सेकंड तक काट देता है, इसलिए क्लिप दर क्लिप काम करें |
| धीमे पुश-इन वाली स्थिर तस्वीरें | क्रीपीपास्ता नैरेशन जहाँ आवाज़ ही मुख्य है | एक टेक्स्ट-टू-इमेज मॉडल, फिर हल्की गति के लिए वीडियो मॉडल | गति कम है, इसलिए रफ़्तार स्क्रिप्ट से आनी चाहिए |
| रेफ़रेंस से बँधा किरदार | कई सीन में लौटने वाली एक आकृति | bytedance/seedance-2.5 या google/veo-3.1, रेफ़रेंस इमेज के साथ | सिर्फ़ काल्पनिक किरदार, किसी असली व्यक्ति की सूरत कभी नहीं |
ज़्यादातर तैयार हॉरर वीडियो इनमें से दो को मिलाते हैं: अलग आवाज़ और तस्वीर से बनी नैरेटेड कहानी, और कुछ नेटिव-ऑडियो क्लिप उन पलों के लिए जहाँ कोई आवाज़ तस्वीर के साथ ठीक बैठनी चाहिए, जैसे दरवाज़े का खुलना।
यह खाली पन्ने से लेकर आवाज़, शॉट और साउंड बेड वाले वीडियो तक का रास्ता है।
अगर आप आवाज़ वाली परत को अलग से समझना चाहें, तो वीडियो के लिए AI वॉइसओवर उसे ज़्यादा विस्तार से बताता है, और बिना आवाज़ वाले AI वीडियो में साउंड इफ़ेक्ट जोड़ना साउंड बेड के लिए यही करता है।
डरावने और सस्ते वीडियो का फ़र्क़ ज़्यादातर संयम का है। जब नतीजा काम करता है तब ये आदतें बार-बार दिखती हैं।
कमज़ोर कड़ी निरंतरता है। जो घर आप सीन एक में बताते हैं वह सीन तीन में अलग दिखेगा जब तक आप उसे रेफ़रेंस इमेज से न बाँधें, और तब भी गलियारे की लंबाई कटों के बीच बदल सकती है। कहानी ऐसे बनाइए कि दर्शक टुकड़े देखें, दरवाज़े की कुंडी पर हाथ, एक खिड़की, कमरे का एक कोना, न कि घर का नक़्शा जिसकी वे एक शॉट से दूसरे शॉट तक तुलना कर सकें।
चेहरे और हाथ दूसरी पहचान बने हुए हैं। चलते हुए इंसानी चेहरे के क्लोज़-अप वह जगह हैं जहाँ जनरेट किया वीडियो सबसे नक़ली लगता है, और यह उस शैली में समस्या है जो अपने असर के लिए यथार्थ पर टिकी है। लोगों को फ़्रेम में छोटा रखिए, सिल्हूट में या पीठ घुमाए, जो डराने का क्लासिक तरीक़ा भी है।
साउंड तीसरी सीमा है। वीडियो मॉडल का नेटिव ऑडियो सीन के लिए चुना जाता है, आपकी कहानी के लिए नहीं, और टेक्स्ट प्रॉम्प्ट उसे सिर्फ़ ढीले ढंग से दिशा देता है। जिस फुसफुसाहट को किसी ख़ास शब्द पर गिरना है, उसके लिए आवाज़ अलग से बनाइए और खुद सिंक कीजिए।
आख़िर में, वीडियो मॉडल को नहीं पता कि कोई प्लेटफ़ॉर्म क्या स्वीकार करेगा। डरावने या भयानक कंटेंट और AI से बने मीडिया पर लेबल लगाने के नियम सेवाओं के बीच अलग हैं और समय के साथ बदलते हैं, इसलिए अपलोड से पहले हर प्लेटफ़ॉर्म की मौजूदा ज़रूरतें देखिए, और कंटेंट को काल्पनिक और बिना भयानक दृश्यों वाला रखिए।
Picasso IA के नए अकाउंट को मुफ़्त क्रेडिट मिलते हैं, जो एक नैरेशन और कुछ छोटी क्लिप आज़माने और यह देखने के लिए काफ़ी हैं कि आपकी कहानी स्क्रीन पर काम करती है या नहीं। जनरेशन में क्रेडिट लगते हैं, और कितने, यह मॉडल और आपकी सेटिंग पर निर्भर करता है, इसलिए यहाँ लिखे किसी नंबर पर भरोसा करने की जगह मौजूदा प्लान के लिए प्राइसिंग पेज देखिए। पूरी कहानी पर लगने से पहले एक सीन से शुरू कीजिए।
कोई एक जवाब नहीं है, इसीलिए दो आज़माना काम आता है। elevenlabs/v3 स्पीड, स्टाइल और स्टेबिलिटी के कंट्रोल देता है, इसलिए धीमी, संयमित पढ़ाई के लिए ठीक बैठता है, जबकि inworld/tts-1.5-max टेक्स्ट के भीतर इमोशन और ब्रेक टैग स्वीकार करता है, इसलिए उन स्क्रिप्ट के लिए ठीक है जिनमें आप हर ठहराव हाथ से चिह्नित करते हैं। एक ही पैराग्राफ़ दोनों में चलाइए, स्पीड थोड़ी घटाइए और वह आवाज़ रखिए जो नाटकीय नहीं, शांत लगे।
स्पीड सेटिंग को सामान्य से थोड़ा नीचे कीजिए, छोटे वाक्य लिखिए और हर खुलासे से पहले ठहराव रखिए। elevenlabs/v3 में आप स्टाइल एक्ज़ैजरेशन भी घटा सकते हैं ताकि आवाज़ नाटकीय की जगह संयत लगे, और inworld/tts-1.5-max में जहाँ ख़ामोशी चाहिए वहाँ आह या ब्रेक टैग जोड़ सकते हैं।
कुछ बना सकते हैं। google/veo-3.1 और bytedance/seedance-2.5 उसी रेंडर में ऑडियो जनरेट कर सकते हैं, इसलिए क्लिप आसपास की आवाज़ के साथ आती है। फिर भी साउंड सीन की मॉडल की अपनी व्याख्या है, इसलिए नैरेटेड कहानी में ज़्यादातर लोग आवाज़ अलग से बनाते हैं और बिल्ट-इन ऑडियो सिर्फ़ छोटे पलों के लिए रखते हैं। बिना आवाज़ लौटी क्लिप के लिए साउंड मॉडल बाद में मेल खाता ट्रैक जोड़ सकता है।
बिना आवाज़ की क्लिप को mirelo/video-to-sfx-v1.5 या zsxkib/mmaudio में अपलोड कीजिए और कुछ शब्दों में बताइए कि क्या सुनना चाहते हैं। Mirelo मॉडल चुनने के लिए कई वेरिएशन लौटाता है, और MMAudio संगीत को बाहर रखने के लिए नेगेटिव प्रॉम्प्ट लेता है। Mirelo मॉडल वीडियो को दस सेकंड तक काटता है, इसलिए लंबा वीडियो क्लिप दर क्लिप संभाला जाता है, और आप नतीजों को अपने एडिटर में मिक्स कर सकते हैं।
हाँ, रेफ़रेंस इमेज से। Seedance 2.5 कई रेफ़रेंस इमेज लेता है और Veo 3.1 तीन तक, जिससे किरदार या कमरा एक क्लिप से दूसरी में पहचानने लायक़ रहता है। यह पूरी तरह सही नहीं होगा, इसलिए सिल्हूट, हाथ या सिर के पिछले हिस्से वाले शॉट चुनिए। सिर्फ़ काल्पनिक किरदार इस्तेमाल कीजिए, किसी ऐसे असली व्यक्ति का चेहरा कभी नहीं जिसने दिखाए जाने की अनुमति न दी हो।
हर जनरेशन छोटी होती है। Veo 3.1 की क्लिप चार से आठ सेकंड की होती हैं, और Seedance 2.5 एक ही रेंडर में तीस सेकंड तक की क्लिप बना सकता है। पूरी कहानी सीन दर सीन क्लिप बनाकर और एडिटर में उन पर नैरेशन ट्रैक रखकर बनती है।
काल्पनिक, बिना भयानक दृश्यों वाला हॉरर दोनों पर आम है, लेकिन हर प्लेटफ़ॉर्म के डरावने कंटेंट, भयानक कंटेंट और AI से बने मीडिया को कैसे बताना है, इसके अपने नियम हैं, और वे बदलते रहते हैं। अपलोड से पहले जिस प्लेटफ़ॉर्म पर डाल रहे हैं उसकी मौजूदा ज़रूरतें पढ़िए। कहानी को खूनी के बजाय माहौल वाला और इशारों वाला रखना सबसे सुरक्षित विकल्प है, और अक्सर वीडियो भी बेहतर बनाता है।
बेहतर है कि न करें। असली लोगों के चेहरे, आवाज़ें और नाम उनकी अनुमति के बिना जनरेट नहीं करने चाहिए, और असली त्रासदी को मनोरंजन बनाना संबंधित लोगों को चोट पहुँचा सकता है। गढ़े हुए किरदारों, गढ़ी हुई जगहों और मौलिक कथानकों पर टिके रहिए। जो लोककथाएँ किसी की नहीं हैं वे अच्छा स्रोत हैं, अगर आप उन्हें अपने शब्दों में दोबारा कहें।
उसे नरम प्रॉम्प्ट से दोबारा बनाइए। ख़तरे की जगह माहौल और जगह का वर्णन कीजिए, धीमा, मद्धम और ख़ाली जैसे शब्द जोड़िए, और जहाँ मॉडल अनुमति दे वहाँ नेगेटिव प्रॉम्प्ट इस्तेमाल कीजिए। अगर चेहरा या हाथ अब भी अजीब लगे, तो शॉट को सिल्हूट या वाइड फ़्रेम में बदल दीजिए। अगर प्रोडक्ट में कुछ कैसे काम करता है इस पर शक हो, तो सपोर्ट पेज जवाब दे सकता है।
आवाज़ जब काफ़ी धीमी हो जाती है, आपकी कहानी तब तक आधा वीडियो बन चुकी होती है। Picasso IA का toolkit खोलिए, पहला सीन सुनाइए और देखिए कि वह गलियारा कैसा दिखता है।
अपनी भाषा चुनें
