एक शॉट लिस्ट लिखिए, हर शॉट को टेक्स्ट टू वीडियो मॉडल से जनरेट कीजिए, फिर नतीजों को एक लगातार शॉर्ट फिल्म या ट्रेलर में काट कर जोड़िए। यह असली वर्कफ़्लो है, मॉडल दर मॉडल, यह वादा नहीं कि एक प्रॉम्प्ट पूरी मूवी बना देगा।
शॉर्ट फिल्म एक लंबा जनरेशन नहीं होती, और उसे वैसा मानना आठ सेकंड की बेकार चीज़ पाने का सबसे तेज़ तरीका है। हर मौजूदा टेक्स्ट टू वीडियो मॉडल एक बार में कुछ सेकंड का एक ही शॉट जनरेट करता है। फिल्म या ट्रेलर वह है जो उसके बाद होता है: ऐसे कई शॉट, चुने गए, ट्रिम किए गए और एक ऐसे क्रम में जोड़े गए जो एक कहानी की तरह पढ़ा जाए। यह पेज उस असेंबली लाइन को शुरू से आखिर तक दिखाता है, शॉट लिस्ट से लेकर एक्सपोर्ट किए कट तक, हर स्टेज पर शामिल असली मॉडलों के साथ।
पहली इच्छा पूरा सीन एक ही प्रॉम्प्ट में माँगने और उम्मीद करने की होती है कि मॉडल उसे तीस सेकंड तक थामे रखे। ऐसा अभी नहीं होगा। टेक्स्ट टू वीडियो मॉडल असल में जिस चीज़ में अच्छे हैं वह है एक अकेला पल: कैमरे की ओर मुड़ता एक किरदार, फ्रेम में आती एक कार, रोशन कमरे में खुलता एक दरवाज़ा। जैसे ही आप पूरी फिल्म की जगह शॉट को काम की इकाई मान लेते हैं, वर्कफ़्लो टूल से लड़ना बंद कर देता है।
यही वजह है कि यहाँ एक कैटलॉग अकेली इमेज स्टाइल से ज़्यादा मदद करता है। ट्रेलर को आमतौर पर एक वाइड एस्टैब्लिशिंग शॉट, एक कैरेक्टर मोमेंट, कुछ तेज़ और एक फाइनल पंच चाहिए होता है, और कोई एक वीडियो मॉडल चारों में नहीं जीतता। Picasso IA एक ही इंटरफेस के पीछे 488 मॉडल चलाता है, जिनमें कई टेक्स्ट टू वीडियो इंजन और जनरेशन के बाद होने वाले हर काम के लिए एक अलग वीडियो एडिटिंग कैटेगरी शामिल है।
जो आदत तीस सेकंड के एक तालमेल भरे कट को बेमेल क्लिप्स के फोल्डर से अलग करती है वह है शॉट लिस्ट को पहले लिखना, कागज़ पर या नोट्स ऐप में, Toolkit खोलने से पहले। फिल्म को जिस भी पल की ज़रूरत हो उसे क्रम में लिख डालें: एस्टैब्लिशिंग शॉट, कैरेक्टर की एंट्री, टर्न, रिवील, आखिरी फ्रेम। हर शॉट के लिए दो या तीन वाक्य काफी हैं, वैसे ही लिखे जैसे आप एक अकेली फोटो का वर्णन करेंगे, क्योंकि वही सटीकता है जिसे वीडियो प्रॉम्प्ट इनाम देता है।
हर शॉट की ड्यूरेशन को उससे ईमानदार रखें जो मॉडल असल में देता है। ज़्यादातर टेक्स्ट टू वीडियो जनरेशन चार से दस सेकंड के बीच आते हैं, तो तीस सेकंड का ट्रेलर असल में छह से आठ अलग जनरेशन होता है, एक नहीं। छह छोटे जनरेशन जो अपने अपने पल को सही पकड़ते हैं, एक लंबे जनरेशन से कहीं बेहतर तरीके से कट होकर जुड़ते हैं जो दूसरे आधे हिस्से में बिखर जाता है।
अगर डायलॉग या नैरेशन हो, तो उसे भी शॉट लिस्ट में लिख लें, भले ही आप उसे अलग से रिकॉर्ड करने की सोच रहे हों। किसी खास बोले गए लाइन से मेल खाने के लिए जनरेट किया शॉट अपने ऑडियो के साथ उससे कहीं ज़्यादा नैचुरल तरीके से बैठता है जितना बाद में सोचकर नैरेट किया गया शॉट कभी बैठ पाएगा।
ट्रेलर का हर पल एक ही इंजन नहीं चाहता, और यहीं शॉट लिस्ट फिर काम आती है: यह कुछ भी जनरेट करने से पहले बता देती है कि आप किस तरह का शॉट माँगने वाले हैं। नीचे दी टेबल एक शुरुआती बिंदु है, कोई नियम नहीं, और लिस्ट किया हर मॉडल कैटलॉग की टेक्स्ट टू वीडियो कैटेगरी में दर्जनों और मॉडलों के साथ मौजूद है जिन्हें आज़माना फायदेमंद है।
| शॉट टाइप | आज़माने लायक मॉडल | यह क्यों फिट बैठता है |
|---|---|---|
| वाइड एस्टैब्लिशिंग शॉट | google/veo-3.1 | मज़बूत सीन कोहेरेंस और नेटिव एंबिएंट ऑडियो |
| क्लोज़-अप या कैरेक्टर टर्न | kwaivgi/kling-v2.6 | एक ही सब्जेक्ट की मूवमेंट को सहजता से संभालता है |
| तेज़ एक्शन या चेज़ | bytedance/seedance-1-pro | फ्रेम टूटे बिना तेज़ मूवमेंट को थामे रखता है |
| प्रोडक्ट या ऑब्जेक्ट रिवील | lightricks/ltx-2-pro | फाइनल पंच के लिए साफ, हाई रेज़ोल्यूशन मूवमेंट |
| नैरेटेड मॉन्टाज शॉट | kwaivgi/kling-v2.6 या google/veo-3.1 | सिंपल, पढ़ने लायक मूवमेंट जिस पर नैरेशन टिक सके |
आगे बढ़ने से पहले हर शॉट को दो या तीन बार जनरेट करें। वीडियो जनरेशन एक स्टिल इमेज से कम प्रेडिक्टेबल है, और एक इस्तेमाल लायक टेक और एक अकड़े हुए टेक के बीच का फर्क अक्सर तीसरी कोशिश में सामने आता है। हर पल के लिए सबसे मज़बूत क्लिप चुनना कुछ मिनट लेता है और बाद में पूरा रीएडिट बचा लेता है।
जनरेशन काम का दिखने वाला आधा हिस्सा है; असेंबली वह जगह है जहाँ शॉट लिस्ट असल में फिल्म बनती है। यह वह क्रम है जो छह या आठ अलग क्लिप्स को एक एक्सपोर्ट किए कट में बदलता है, ऊपर दिए जनरेटरों के साथ वीडियो एडिटिंग कैटेगरी के एडिटिंग मॉडलों का इस्तेमाल करके।
इन पाँच स्टेप्स में से किसी को भी ब्राउज़र के बाहर सॉफ्टवेयर नहीं चाहिए। हर एक अपने खुद के सेटिंग्स वाला अपना मॉडल है, तो एक खराब मर्ज या गलत नापा कट पाँच मिनट में दोबारा चलाने की बात है, टाइमलाइन एडिटर में पूरी दोपहर गँवाने की नहीं।
सबसे साफ संकेत कि एक कट अलग अलग जनरेशनों से जोड़ा गया है, एक ही सेट पर शूट नहीं किया गया, वह है एक कैरेक्टर या जगह जो शॉट्स के बीच हल्के से बदल जाए: अलग जैकेट, अलग चेहरा, कलर ग्रेड जो बीच में बदल जाए। इसे ठीक करना किसी मॉडल की चॉइस से ज़्यादा एक आदत है: अपने प्रोटैगोनिस्ट और अपनी अहम जगह के लिए एक मज़बूत रेफरेंस इमेज जनरेट करें या चुनें, फिर हर बार कैरेक्टर को शुरू से बताने के बजाय उसी रेफरेंस को हर ज़रूरतमंद शॉट में इस्तेमाल करें।
यह वही तकनीक है जो कंसिस्टेंट AI कैरेक्टर्स पेज पर बताई गई है: एक रेफरेंस इमेज को फिक्स करें, और हर शॉट में सिर्फ पोज़, एंगल और एक्शन बदलें। ट्रेलर में यह अकेले पोर्ट्रेट से भी ज़्यादा मायने रखता है, क्योंकि आँख कट्स के बीच बेमेल को सबसे तेज़ी से पकड़ती है, एक ही इंसान के दो शॉट्स के बीच के आधे सेकंड में।
टिप: सबसे पहले अपने प्रोटैगोनिस्ट की रेफरेंस इमेज अकेले, न्यूट्रल लाइटिंग में जनरेट करें, इससे पहले कि आप कोई भी शॉट प्रॉम्प्ट लिखें। हर बाद वाला शॉट नए टेक्स्ट डिस्क्रिप्शन की जगह इसी एक इमेज से शुरू होता है, और यह अकेला फैसला किसी भी प्रॉम्प्ट राइटिंग से कहीं ज़्यादा विज़ुअल कंटीन्यूटी के लिए करता है।
स्टाइल के शब्द भी मदद करते हैं, बिलकुल स्टिल इमेज की तरह: दो या तीन एक जैसे एडजेक्टिव चुनें, जैसे म्यूटेड टील ग्रेड या हैंडहेल्ड डॉक्यूमेंट्री लुक, और उन्हें हर शॉट के प्रॉम्प्ट में दोहराएँ। इफेक्ट्स पेज पहले से बने लुक्स इकट्ठा करता है, जो शॉट दर शॉट अंदाज़ा लगाने से यह शब्दावली ढूँढने का तेज़ तरीका है।
एक वर्कफ़्लो पेज जो ईमानदार हो वह बताता है कि यह कहाँ काम करना बंद कर देता है, और AI से असेंबल किए सिनेमा के लिए यह लिस्ट छोटी नहीं है। शुरू करने से पहले इन पाँच सीमाओं का हिसाब रखें और प्रोजेक्ट के बीच में कोई भी आपको चौंकाएगा नहीं।
इसमें से कुछ भी वर्कफ़्लो के खिलाफ नहीं है। यह ट्रेलर, टीज़र और शॉर्ट-फॉर्म पीसेस बनाने के पक्ष में है, वे फॉर्मैट जहाँ चंद मज़बूत शॉट्स असल में एक लगातार टेक से ज़्यादा वज़न रखते हैं।
नहीं, और जो भी टूल इसके उलट दावा करे वह एक डेमो का वर्णन कर रहा है, कोई डिलिवरेबल नहीं। हर मौजूदा टेक्स्ट टू वीडियो मॉडल एक बार में कुछ सेकंड का शॉट जनरेट करता है। शॉर्ट फिल्म या ट्रेलर हमेशा ऐसे कई शॉट्स की असेंबली होती है, चुनकर बाद में जोड़ी गई, उसी तरह जैसे असली फिल्म अलग अलग सेटअप में शूट होकर साथ में एडिट होती है, स्क्रिप्ट से क्रेडिट तक एक ही बार में फिल्माए जाने के बजाय।
कोई एक अकेला बेस्ट मॉडल नहीं है, और यही वजह है कि अपने खास शॉट पर कुछ मॉडल आज़माने चाहिए। google/veo-3.1 और kwaivgi/kling-v2.6 कैरेक्टर मोमेंट्स को मज़बूत कोहेरेंस के साथ संभालते हैं, bytedance/seedance-1-pro तेज़ मूवमेंट को थामे रखता है, और lightricks/ltx-2-pro फाइनल रिवील के लिए अच्छे हाई रेज़ोल्यूशन शॉट्स देता है। कैटलॉग की टेक्स्ट टू वीडियो कैटेगरी में आज़माने लायक दर्जनों और मॉडल हैं।
हर शॉट जनरेट और ट्रिम हो जाने के बाद, वीडियो एडिटिंग कैटेगरी का video-merge क्लिप्स को उसी क्रम में एक फाइल में जोड़ देता है जिसमें आप उन्हें अपलोड करते हैं, और अलग अलग सोर्स मॉडलों से आए शॉट्स के बीच फ्रेम रेट और रेज़ोल्यूशन नॉर्मलाइज़ कर सकता है। चाहे आप दो क्लिप जोड़ें या बीस, यह एक जैसे तरीके से काम करता है।
हाँ। शॉट्स के एक फाइल में जुड़ जाने के बाद, video-audio-merge विज़ुअल के ऊपर म्यूज़िक ट्रैक, रिकॉर्ड की नैरेशन या साउंड इफेक्ट लेयर करता है। अगर किसी खास शॉट को वह एंबिएंट टेक्सचर चाहिए जो असली जनरेशन में नहीं था, कदमों की आवाज़, हवा, बंद होता दरवाज़ा, तो mmaudio जैसा मॉडल उस क्लिप के मर्ज में जाने से पहले सीधे वीडियो से ऑडियो जनरेट कर सकता है।
पहले कैरेक्टर की एक मज़बूत रेफरेंस इमेज न्यूट्रल लाइटिंग में जनरेट करें, इससे पहले कि कोई भी शॉट प्रॉम्प्ट लिखें, फिर हर बार उसे नए सिरे से बताने के बजाय उसी इमेज को कैरेक्टर की ज़रूरत वाले हर जनरेशन में इस्तेमाल करें। यह वही अप्रोच है जो कंसिस्टेंट AI कैरेक्टर्स के लिए इस्तेमाल होती है, और यह अकेला बदलाव मल्टी-शॉट कट में विज़ुअल कंटीन्यूटी के लिए सबसे ज़्यादा करता है।
कभी कभी, पर इतना भरोसेमंद नहीं कि उस पर पूरा ट्रेलर बनाया जाए। मौजूदा वीडियो मॉडल किसी कैरेक्टर को बोलता हुआ दिखा सकते हैं, लेकिन किसी खास स्क्रिप्ट लाइन पर सटीक लिप सिंक पूरे वाक्य में अब भी अनियमित रहता है। ज़्यादा भरोसेमंद तरीका यह है कि ट्रेलर को विज़ुअल के ऊपर बैठी नैरेशन के इर्द-गिर्द बनाया जाए और जनरेट किए लिप सिंक को छोटी, नरम लाइनों के लिए बचा रखा जाए, पूरे डायलॉग सीन के लिए नहीं।
एक जनरेशन के लिए चार से दस सेकंड का हिसाब रखें, क्योंकि यही ज़्यादातर मौजूदा टेक्स्ट टू वीडियो मॉडल एक बार में लौटाते हैं। छह पाँच-सेकंड शॉट्स से बना तीस सेकंड का ट्रेलर साफ तरीके से एडिट होता है; तीस सेकंड तक खींचा गया एक लंबा जनरेशन वहाँ पहुँचने से बहुत पहले ही बिखरने लगता है।
हर शॉट को नई रेशियो पर दोबारा जनरेट करने के बजाय पहले से जुड़े कट को reframe-video से रीफ्रेम करें। यह फ्रेम को नई एस्पेक्ट रेशियो में ढाल देता है, फोन स्क्रीन के लिए वर्टिकल या फीड पोस्ट के लिए स्क्वेयर, असली जनरेशनों को छुए बिना, जो तेज़ है और हर शॉट का कंटेंट बरकरार रखता है।
हाँ, एक बार कट पूरी तरह जुड़ जाने के बाद। autocaption ऑडियो ट्रैक पढ़ता है, चाहे वह डायलॉग हो, नैरेशन हो या मर्ज के दौरान जोड़ी गई नैरेशन, और फॉन्ट, कलर और पोज़िशन पर कंट्रोल के साथ बर्न-इन सबटाइटल लगाता है। इसे आखिरी स्टेप की तरह चलाना, विज़ुअल और साउंड लॉक होने के बाद, हर बार पहले वाला शॉट बदलने पर कैप्शन दोबारा बनाने से बचाता है।
हर शॉट जनरेशन और हर एडिटिंग पास क्रेडिट लेता है, और कुल खर्च इस पर निर्भर करता है कि आप कितने शॉट्स जनरेट करते हैं, कितनी टेक रखते हैं, और कौन से मॉडल चुनते हैं, तो यहाँ लिखा कोई भी नंबर एक महीने में गलत हो जाएगा। नए अकाउंट मुफ्त क्रेडिट के साथ शुरू होते हैं, जो आगे कमिट करने से पहले वर्कफ़्लो आज़माने के लिए काफी हैं, और मौजूदा प्लान प्राइसिंग पेज पर रहते हैं।
आपकी शॉट लिस्ट ही वह अकेली चीज़ है जो एक आइडिया और एक ऐसे कट के बीच खड़ी है जिसे आप असल में देख सकें। Toolkit खोलें और पहला शॉट जनरेट करें, या देखें कि Picasso IA vs Runway कंपेरिज़न इसी वर्कफ़्लो को एक सिंगल-मॉडल एडिटर के सामने कैसे रखता है।
