एक स्क्रिप्ट लिखिए और उसे नैरेशन, जनरेट किए गए फुटेज, जुड़े हुए कैप्शन और बैकग्राउंड म्यूज़िक वाले वीडियो में बदल दीजिए। न कैमरा, न माइक्रोफोन, न स्क्रीन पर कोई चेहरा। हर हिस्सा toolkit में एक अलग मॉडल है, और क्या रहेगा और क्या दोबारा जनरेट होगा, यह आप तय करते हैं।
शांत आवाज़, पहाड़ों या शहर की रोशनी के धीमे फुटेज और स्क्रीन पर कुछ दमदार शब्दों वाले वे मोटिवेशनल क्लिप सब एक ही नुस्खे पर चलते हैं, और किसी को भी कैमरे के सामने चेहरे की ज़रूरत नहीं होती। आप एक स्क्रिप्ट लिखते हैं, उसे नैरेशन में बदलते हैं, हर वाक्य के लिए एक क्लिप जनरेट करते हैं, फिर कैप्शन और म्यूज़िक जोड़ते हैं। हर हिस्सा Picasso IA पर एक अलग मॉडल है, और यह पेज दिखाता है कि ये हिस्से आपस में कैसे जुड़ते हैं।
यह फ़ॉर्मेट जान-बूझकर सीधा है: धीरे बोलती एक आवाज़, माहौल ढोते फुटेज, और एक बार में स्क्रीन पर मुट्ठी भर शब्द। पारंपरिक तरीके का खर्च इसी सादगी के आसपास बैठा है: फुटेज का मतलब है स्टॉक सब्सक्रिप्शन या सही सूर्योदय ढूँढ़ने में एक घंटा, और आवाज़ का मतलब है शांत कमरा और एक ठीक-ठाक माइक। इनमें से हर चीज़ अब एक ऐसा जनरेशन है जिसे आप फिट बैठने तक दोहरा सकते हैं।
Picasso IA पूरी चेन एक ही जगह रख देता है। कैटलॉग में 502 मॉडल हैं, जिनमें स्क्रिप्ट के लिए 75 लैंग्वेज मॉडल, 24 टेक्स्ट-टू-स्पीच मॉडल, 121 टेक्स्ट-टू-वीडियो मॉडल और म्यूज़िक के लिए 10 मॉडल शामिल हैं, और सब toolkit में चलते हैं। यहाँ बताए गए मॉडलों के पास और क्या है, यह देखने के लिए पूरा कैटलॉग खंगालिए। नए अकाउंट को मुफ्त क्रेडिट मिलते हैं, इतने कि कुछ भी तय करने से पहले एक छोटा टेस्ट वीडियो बन जाए। हर स्टेप की लागत मॉडल और सेटिंग पर निर्भर करती है, इसलिए देखने की जगह प्राइसिंग पेज है, यह पेज नहीं।
बिना चेहरे का मतलब ठीक यही है: कैमरे के सामने कोई नहीं, और आवाज़ या तो सिंथेटिक या आपकी अपनी। चैनल के स्तर की तस्वीर के लिए, यानी निश और पब्लिशिंग रूटीन के साथ, बिना चेहरे वाले YouTube वीडियो वाला पेज पढ़िए। यह पेज सिर्फ एक फ़ॉर्मेट पर है, छोटा मोटिवेशनल वीडियो।
स्क्रिप्ट वह अकेला स्टेप है जहाँ AI को मदद करनी चाहिए, लेखक नहीं बनना चाहिए। claude-sonnet-5 या gpt-5 जैसा लैंग्वेज मॉडल सेकंडों में ड्राफ्ट लिख देता है, और ड्राफ्ट उतना ही अच्छा होता है जितना उसे दिया गया निर्देश। उसे दर्शक, बोले जाने वाले सेकंडों में लंबाई, टोन और एक अकेला आइडिया दीजिए, और हर लाइन में एक इमेज के साथ छोटे वाक्य माँगिए, क्योंकि हर लाइन एक शॉट बनने वाली है।
इस पेज का सबसे अहम नियम यह है: किसी मशहूर इंसान का कोट मॉडल से माँगकर स्क्रीन पर कभी न रखिए। लैंग्वेज मॉडल पूरे आत्मविश्वास से कोट पैदा करते हैं, और उनमें से अच्छा-खासा हिस्सा गलत व्यक्ति के नाम पर चढ़ा या सीधे गढ़ा हुआ होता है। जो शब्द किसी ने कभी कहे ही नहीं, उन पर उसका असली नाम चिपकाना उसके साथ नाइंसाफी है और आपके लिए शर्मिंदगी। अपनी आवाज़ में लिखिए, या लाइनों पर कोई नाम मत रखिए। अगर किसी असली कोट का आपके वीडियो में महत्व है, तो उसे ऐसे स्रोत से कॉपी कीजिए जिसे आपने खुद खोलकर देखा हो और उस स्रोत का हवाला दीजिए।
यही सावधानी आवाज़ों पर भी लागू होती है। कैटलॉग की कोई स्टॉक आवाज़ इस्तेमाल कीजिए या अपनी, और किसी असली, पहचाने जा सकने वाले इंसान की आवाज़ कभी नहीं जिसने इसकी सहमति न दी हो। फिर कुछ भी जनरेट करने से पहले फाइनल स्क्रिप्ट को एक बार ज़ोर से पढ़िए, क्योंकि कान बेढंगे वाक्य को दो सेकंड में पकड़ लेता है।
फुटेज से वीडियो को उसका मिज़ाज मिलता है, और उसे बनाने के एक से ज़्यादा तरीके हैं। नीचे की टेबल Picasso IA पर मौजूद व्यावहारिक विकल्पों की तुलना करती है, हर एक के समझौते के साथ।
| तरीका | आज़माने लायक मॉडल | किसके लिए अच्छा | किस पर ध्यान दें |
|---|---|---|---|
| स्क्रिप्ट की हर लाइन पर एक क्लिप | veo-3.1 | 4, 6 या 8 सेकंड के साफ 1080p शॉट, 16:9 या 9:16 में | आठ सेकंड कम होते हैं, इसलिए हर क्लिप में एक ही आइडिया रखिए |
| एक ही रन में कई सीन | kling-v3-video | एक जनरेशन में 6 सीन तक और 15 सेकंड तक | सीन एक रन साझा करते हैं, इसलिए एक दोहराने का मतलब सब दोहराना है |
| पहले स्टिल इमेज, फिर मूवमेंट | एक इमेज मॉडल, फिर स्टार्ट इमेज के साथ दोनों में से कोई वीडियो मॉडल | वीडियो पर खर्च से पहले लुक तय करना | एक स्टेप ज़्यादा, और स्टाइल के शब्द एक जैसे ही रहने चाहिए |
| बिना लोगों वाले माहौल के फुटेज | veo-3.1 | सूर्योदय, समंदर, पहाड़ी सड़क, रात का शहर | यह इस जॉनर का सबसे देखा हुआ लुक है, इसलिए कोई खास डिटेल जोड़िए |
| सीनों में एक काल्पनिक किरदार | veo-3.1 रेफरेंस इमेजों के साथ | बार-बार आने वाली सिल्हूट या किरदार | क्लिपों के बीच चेहरे बदल जाते हैं, इसलिए उन्हें लेंस से दूर रखिए |
जो भी चुनें, हर प्रॉम्प्ट में स्टाइल के वही शब्द दोहराइए, जैसे दिन का समय, लेंस का एहसास और रंगों का पैलेट। इसी से आठ अलग क्लिप एक फिल्म की तरह पढ़े जाते हैं। क्लिप का ऑडियो वैसे भी आपके नैरेशन से बदल जाता है, इसलिए इस फ़ॉर्मेट में आप उसे बंद रख सकते हैं। इस तरह के कटअवे फुटेज के बारे में और जानने के लिए AI b-roll वाला पेज देखिए।
यह स्क्रिप्ट से फाइनल फ़ाइल तक की चेन है। सब कुछ toolkit में होता है, हर स्टेप में एक मॉडल, और हर स्टेप अपना आउटपुट अगले को सौंपता है।
आख़िरी दो स्टेप का क्रम मनमाना नहीं है। autocaption ऑडियो ट्रैक को सुनकर ट्रांसक्राइब करता है, इसलिए उसे अकेला नैरेशन दीजिए, किसी भी म्यूज़िक के आने से पहले। म्यूज़िक सबसे आख़िर में आता है, रिप्लेस मोड में नहीं बल्कि मिक्स मोड में, वॉल्यूम मल्टीप्लायर एक से काफी नीचे रखकर ताकि आवाज़ आगे रहे। फिर नतीजे को फोन के स्पीकर पर चलाइए, क्योंकि ज़्यादातर लोग उसे वहीं सुनेंगे।
कैप्शन को थोड़ी स्टाइलिंग चाहिए। autocaption में आप फ़ॉन्ट, रंग, स्ट्रोक, स्क्रीन पर पोज़िशन, एक लाइन में कितने अक्षर आएँ, और बोले जा रहे शब्द का हाइलाइट रंग चुन सकते हैं। उसके अपने नोट सामान्य वीडियो के मुकाबले रील के लिए छोटी लाइन और छोटा साइज़ सुझाते हैं, इसलिए वर्टिकल क्लिप के लिए वहीं से शुरू कीजिए। वह ट्रांसक्रिप्ट भी एक फ़ाइल के रूप में देता है। अगर कोई नाम या गढ़ा हुआ शब्द गलत लिखा आए, तो ट्रांसक्रिप्ट एडिट कीजिए और सही वर्ज़न के साथ दोबारा चलाइए, गलती के साथ जीने के बजाय।
तैयार वीडियो को एक बार बिना आवाज़ के देखिए। अगर वह फिर भी समझ में आता है, और कोई कैप्शन स्क्रीन के किनारे से कटा या ऐप के किसी बटन के पीछे छिपा नहीं है, तो वह उस तरीके में टिकेगा जिससे ज़्यादातर लोग सच में देखते हैं।
म्यूज़िक के लिए प्रॉम्प्ट में स्टाइल और माहौल बताइए और इंस्ट्रुमेंटल मोड चालू कीजिए, जिसे लिरिक्स की ज़रूरत नहीं होती। धीरे-धीरे उठता हुआ धीमा सिनेमैटिक पियानो आवाज़ को साँस लेने की जगह देता है। जनरेट किया ट्रैक नया ऑडियो है, लेकिन प्लेटफ़ॉर्म के अपने नियम हैं AI से बने मीडिया और दोहराव वाले या थोक में बने कंटेंट के बारे में, और वे नियम बदलते रहते हैं। किसी एक टूल के आसपास शेड्यूल बनाने से पहले जिस प्लेटफ़ॉर्म पर पोस्ट करते हैं उसकी मौजूदा ज़रूरतें पढ़ लीजिए। इस स्टेप के बारे में और वीडियो के लिए बैकग्राउंड म्यूज़िक और ऑटोमैटिक वीडियो सबटाइटल वाले पेजों में मिलेगा।
इस फ़ॉर्मेट के कुछ तीखे किनारे हैं, और दर्जन भर क्लिप जनरेट करने से पहले उन्हें जान लेना बेहतर है।
इनमें से कुछ भी इस फ़ॉर्मेट को बुरा आइडिया नहीं बनाता। इंसानी मेहनत बस स्क्रिप्ट, क्लिपों के चुनाव और आख़िरी सुनवाई की ओर खिसक जाती है।
हाँ, और यह पेज इसी के इर्द-गिर्द बना है। नैरेशन टेक्स्ट-टू-स्पीच मॉडल या आपकी अपनी रिकॉर्डिंग से आता है, तस्वीर जनरेट किए फुटेज से आती है, और स्क्रीन के शब्द कैप्शन से आते हैं। अगर आप बार-बार आने वाला किरदार चाहते हैं तो काल्पनिक किरदार इस्तेमाल कीजिए, और कुछ क्लिप तब तक दोबारा जनरेट करने के लिए तैयार रहिए जब तक चेहरा स्थिर न दिखे।
हर काम के लिए एक। claude-sonnet-5 जैसा लैंग्वेज मॉडल ड्राफ्ट लिखता है, speech-2.8-hd उसे ज़ोर से पढ़ता है, veo-3.1 या kling-v3-video फुटेज बनाता है, video-merge और video-audio-merge हिस्सों को जोड़ते हैं, autocaption कैप्शन जोड़ता है और music-2.6 ट्रैक बनाता है। आप इनमें से किसी को भी कैटलॉग की उसी कैटेगरी के दूसरे मॉडल से बदल सकते हैं, जिसमें चुनने के लिए 24 टेक्स्ट-टू-स्पीच और 121 टेक्स्ट-टू-वीडियो मॉडल हैं।
वह पहला ड्राफ्ट जल्दी लिख देता है, और वह ड्राफ्ट अच्छी शुरुआत है, लेकिन उसे फाइनल स्क्रिप्ट नहीं होना चाहिए। मॉडल जाने-पहचाने मुहावरों पर टिकते हैं, इसलिए बिना एडिट किया ड्राफ्ट हर दूसरे मोटिवेशनल वीडियो जैसा सुनाई देता है। मॉडल को एक खास दर्शक और एक आइडिया दीजिए, फिर जो लाइनें आम लगें उन्हें दोबारा लिखिए। वीडियो उतना ही अलग होता है जितनी अलग वह स्क्रिप्ट जिस पर आप पहुँचते हैं।
कोट जनरेट करके उन पर असली नाम मत चिपकाइए, क्योंकि मॉडल बिना चेतावनी के कोट गढ़ देते हैं या गलत नाम से जोड़ देते हैं। अगर कोई असली कोट मायने रखता है, तो उसे ऐसे स्रोत से कॉपी कीजिए जिसे आपने जाँचा हो और स्रोत का हवाला दीजिए। आवाज़ों के लिए स्टॉक आवाज़ या अपनी आवाज़ लीजिए, और किसी असली इंसान की नकल कभी मत कीजिए जिसने सहमति न दी हो। यह कह देना कि वह बस AI आवाज़ थी, इससे नहीं बदलता कि वह किसकी जैसी सुनाई देती है।
कोई एक सीमा नहीं है, क्योंकि फाइनल वीडियो क्लिपों से जोड़कर बनता है। veo-3.1 4, 6 या 8 सेकंड के क्लिप बनाता है और kling-v3-video 15 तक जाता है, और video-merge जितने क्लिप आप दें उतने जोड़ देता है। इसलिए असली सीमाएँ आपकी स्क्रिप्ट की लंबाई और वे क्लिप हैं जिन्हें आप जनरेट और रिव्यू करना चाहते हैं।
हाँ। दोनों वीडियो मॉडल 9:16 में आउटपुट दे सकते हैं, और kling-v3-video 1:1 भी करता है। autocaption में रील के लायक छोटी लाइन और छोटे फ़ॉन्ट की सेटिंग हैं, और आप कैप्शन को खिसका सकते हैं ताकि ऐप के बटन उन्हें न ढकें। क्लिप शुरू से वर्टिकल में जनरेट कीजिए, बाद में हॉरिज़ॉन्टल क्लिप काटने के बजाय।
कोई भी किसी दिशा में वादा नहीं कर सकता, और नियम बदलते रहते हैं। प्लेटफ़ॉर्म दोहराव वाले या थोक में बने कंटेंट और AI से बने मीडिया के लेबल पर नीतियाँ छापते हैं, और उनका अमल समय के साथ बदलता है। जिस भी प्लेटफ़ॉर्म पर पोस्ट करें उसकी मौजूदा ज़रूरतें पढ़िए, अपने वीडियो पर वैसे लेबल लगाइए जैसा वे माँगें, और अलग-सी स्क्रिप्ट व विविध फुटेज को सबसे अच्छी सुरक्षा मानिए, क्योंकि ये नीतियाँ अक्सर लगभग एक जैसे अपलोड को निशाना बनाती हैं।
autocaption को उस वीडियो पर चलाइए जिसमें फाइनल नैरेशन पहले से हो। वह जो ऑडियो सुनता है उसे ट्रांसक्राइब करता है और हर शब्द का समय उसी से बाँधता है, इसलिए सिंक आपकी आवाज़ का पीछा करता है, अंदाज़े का नहीं। अगर आप बाद में नैरेशन बदलें तो कैप्शन दोबारा चलाइए, क्योंकि टाइमिंग पुराने ऑडियो की है। यह म्यूज़िक जोड़ने से पहले कीजिए ताकि ट्रांसक्रिप्शन सिर्फ आवाज़ सुने।
हाँ। नैरेशन खुद रिकॉर्ड कीजिए और जनरेट की आवाज़ की जगह उसे video-audio-merge से जोड़िए। अगर आप अपनी ही आवाज़ का AI वर्ज़न चाहते हैं, तो AI वॉइस क्लोनिंग वाला पेज समझाता है, एक ऐसे नियम के साथ जो नहीं झुकता: सिर्फ वह आवाज़ क्लोन कीजिए जो आपकी अपनी हो, किसी और की कभी नहीं।
भुगतान क्रेडिट में होता है, और कुल रकम इस पर निर्भर करती है कि आप कितने मॉडल चलाते हैं और उनकी सेटिंग क्या हैं। वीडियो क्लिप आम तौर पर सबसे बड़ा हिस्सा होते हैं। नए अकाउंट मुफ्त क्रेडिट के साथ शुरू होते हैं, और प्राइसिंग पेज पर मौजूदा प्लान हैं, जो आँकड़ों के लिए भरोसेमंद अकेली जगह है क्योंकि वे बदलते रहते हैं।
एक आइडिया चुनिए, उस पर दस ईमानदार लाइनें लिखिए और पहला क्लिप Picasso IA toolkit में जनरेट कीजिए।
अपनी भाषा चुनें
