अपना चाहा हुआ वीडियो एक चैट में बताइए और एजेंट स्क्रिप्ट लिखता है, आवाज़ रिकॉर्ड करता है, शॉट बनाता है और म्यूज़िक तैयार करता है, हर चरण के लिए कैटलॉग से मॉडल चुनकर। आप हर हिस्से को देखते हैं और उसी बातचीत में बदलाव करते हैं, चार टूल के बीच फाइलें घुमाने की जगह।
नैरेशन और म्यूज़िक वाला वीडियो हाथ से बनाने का मतलब है चार तरह के टूल को जोड़ना: स्क्रिप्ट के लिए लैंग्वेज मॉडल, नैरेशन के लिए वॉइस मॉडल, शॉट के लिए वीडियो मॉडल और ट्रैक के लिए म्यूज़िक मॉडल, हर एक का अपना प्रॉम्प्ट और अपना एक्सपोर्ट। Supercomputer, Picasso IA का एजेंट, यह जोड़ने का काम संभालता है। आप एक चैट में एक ब्रीफ लिखते हैं, वह काम की योजना बनाता है, मॉडल चलाता है और आपको टुकड़े सौंप देता है।
नैरेशन और साउंडट्रैक वाला वीडियो किसी एक मॉडल का काम नहीं है। वह लैंग्वेज मॉडल की स्क्रिप्ट है, टेक्स्ट टू स्पीच मॉडल की आवाज़ है, वीडियो मॉडल के शॉट हैं और म्यूज़िक मॉडल का ट्रैक है, और हर दो के बीच एक छोटा सा काम बैठा है: स्क्रिप्ट कॉपी करना, उसे सीन में बांटना, हर सीन के लिए वीडियो प्रॉम्प्ट लिखना, फाइलों के नाम रखना ताकि बाद में मिल जाएं। इनमें से कुछ भी मुश्किल नहीं है। फिर भी एक पूरी दोपहर यहीं चुपचाप गायब हो जाती है।
Supercomputer यह जोड़ना अपने ऊपर ले लेता है। यह एक चैट है, वर्कस्पेस नहीं: आप जो नतीजा चाहते हैं उसे सीधे शब्दों में बताते हैं, वह कदम तय करता है, कैटलॉग से मॉडल चुनता है, उन्हें चलाता है और जो बना वह आपको दिखाता है। आप उसी बातचीत में बदलाव करते हैं। इसके पीछे वही कैटलॉग है जो toolkit चलाता है, आज 502 मॉडल, जिनमें से 121 टेक्स्ट टू वीडियो के हैं, 75 लैंग्वेज मॉडल हैं, 24 टेक्स्ट टू स्पीच के हैं और 10 म्यूज़िक बनाते हैं। एजेंट के पास क्या-क्या चुनने को है, यह देखना हो तो पूरा कैटलॉग खुला है।
यह toolkit से अलग प्रोडक्ट है, उसका विकल्प नहीं। toolkit मैन्युअल वर्कस्पेस है जहां मॉडल आप खुद चुनते हैं और हर सेटिंग आपके हाथ में रहती है। एजेंट उन दिनों के लिए है जब आप नतीजा बताना और उसे जांचना पसंद करते हैं। वही मॉडल, वही क्रेडिट, मेज़ पर बैठने की जगह अलग।
आपके एक वाक्य के पीछे एक छोटी सी पाइपलाइन है। तालिका वे चरण दिखाती है जिनसे एजेंट गुज़रता है, काम करने वाले मॉडल का प्रकार (नाम कैटलॉग से उदाहरण हैं, कोई तय सूची नहीं) और हर चरण अगले को क्या सौंपता है।
| चरण | मॉडल का प्रकार | क्या निकलता है | बाद में आप क्या बदल सकते हैं |
|---|---|---|---|
| स्क्रिप्ट | लैंग्वेज मॉडल, जैसे claude-sonnet-5 | सीन में बंटा नैरेशन टेक्स्ट | टोन, लंबाई, किसी भी पंक्ति के शब्द |
| आवाज़ | टेक्स्ट टू स्पीच मॉडल, जैसे speech-2.8-hd | ऑडियो फाइल के रूप में नैरेशन | आवाज़, रफ्तार, किसी एक सीन की दोबारा रीडिंग |
| शॉट | टेक्स्ट टू वीडियो मॉडल, जैसे veo-3.1 या seedance-2.0 | हर सीन के लिए एक क्लिप | किसी एक शॉट का प्रॉम्प्ट, या उसके लिए दूसरा मॉडल |
| म्यूज़िक | म्यूज़िक मॉडल, जैसे lyria-3 | बैकग्राउंड ट्रैक | मूड, वाद्य, आवाज़ के नीचे उसकी तेज़ी |
| हैंड-ऑफ | खुद एजेंट | चैट में इकट्ठे टुकड़े, डाउनलोड के लिए तैयार | कोई भी चरण, अलग से दोबारा चलाया हुआ |
क्रम इसलिए मायने रखता है कि हर चरण अगले को खिलाता है। स्क्रिप्ट तय करती है कि कितने सीन होंगे, सीन तय करते हैं कि कितने शॉट चाहिए, और नैरेशन की लंबाई बताती है कि तस्वीर को लगभग कितनी देर चलना है। इसीलिए चेन की शुरुआत में हुआ कोई भी बदलाव, जैसे छोटी स्क्रिप्ट, आगे के हर चरण तक फैल जाता है, और इसीलिए पहले स्क्रिप्ट पक्की कर लेना ठीक रहता है।
एजेंट सिर्फ वही योजना बना सकता है जो आप उसे बताते हैं, इसलिए ब्रीफ वह हिस्सा है जो आपकी मेहनत का हकदार है। अच्छा ब्रीफ कुछ वाक्यों में छह सवालों के जवाब देता है: वीडियो किस बारे में है, किसके लिए है, कितना लंबा लगना चाहिए, नैरेशन का टोन क्या है, तस्वीरें कैसी दिखनी चाहिए और म्यूज़िक को क्या करना चाहिए। तकनीकी शब्द छोड़ दीजिए। आप मॉडल या सेटिंग के नाम नहीं बताते, वे एजेंट चुनता है।
व्यवहार में फर्क ऐसा दिखता है। कमज़ोर ब्रीफ कहता है कॉफी पर एक वीडियो बनाओ। काम करने वाला ब्रीफ कहता है उन लोगों के लिए तीस सेकंड का शांत एक्सप्लेनर जिन्होंने सिर्फ कैप्सूल इस्तेमाल किए हैं, गर्मजोशी भरी और बिना जल्दबाज़ी वाली आवाज़ में, पोर-ओवर कॉफी के धीमे क्लोज़ शॉट और हल्के एकॉस्टिक ट्रैक के साथ। दूसरा रूप लैंग्वेज मॉडल को टोन देता है, वॉइस मॉडल को किरदार, वीडियो मॉडल को विज़ुअल दिशा और म्यूज़िक मॉडल को मूड, सब एक ही पैराग्राफ से।
दो बातें बाद में क्रेडिट बचाती हैं। नैरेशन की भाषा बताइए, क्योंकि आवाज़ और स्क्रिप्ट दोनों उसी पर टिकी हैं। और यह भी बताइए कि क्या नहीं दिखना चाहिए: स्क्रीन पर कोई टेक्स्ट नहीं, कोई लोग नहीं, कोई ब्रांड निशान नहीं। वीडियो मॉडल खुलकर कल्पना जोड़ते हैं, और बहिष्कार का एक वाक्य शॉट दोबारा चलाने से सस्ता पड़ता है। अगर आपके आइडिया में कोई इंसान है, तो काल्पनिक किरदार या अपना खुद का चेहरा और अपनी आवाज़ इस्तेमाल कीजिए, कभी कोई असली पहचाना जा सकने वाला व्यक्ति नहीं, और कभी ऐसी आवाज़ नहीं जिसके इस्तेमाल का हक आपके पास न हो।
यह पूरा सफर सीधे शब्दों में है। अगर पूरा रन चलाने से पहले कोई आवाज़ सुननी या कोई शॉट देखना चाहें, तो कोई भी चरण पहले toolkit में हाथ से आज़माया जा सकता है, क्योंकि वह वही कैटलॉग चलाता है।
पहला पास एक ड्राफ्ट है, और चैट वह जगह है जहां वह ऐसा वीडियो बनता है जिससे आप खुश हों। आप एजेंट से वैसे बात करते हैं जैसे किसी एडिटर से करते: नैरेशन छोटा करो, गहरी आवाज़ लो, तीसरा शॉट धीमी गति से दोबारा बनाओ, म्यूज़िक से परकशन कम करो। वह उसी चरण को दोबारा चलाता है जिसकी ओर आपने इशारा किया और बाकी को छोड़ देता है, इसलिए एक शॉट ठीक करने में आपको नई स्क्रिप्ट की कीमत नहीं चुकानी पड़ती।
हर संदेश में एक ही चीज़ बदलिए। अगर आप एक ही अनुरोध में नई आवाज़, ज़्यादा गर्म स्क्रिप्ट और अलग विज़ुअल स्टाइल मांगते हैं, तो आपको पता नहीं चलेगा कि किस बदलाव ने वीडियो ठीक किया या बिगाड़ा, और हर दोबारा रन एक और जनरेशन है जो क्रेडिट खर्च करता है।
चूंकि toolkit उसी कैटलॉग पर टिका है, दोनों प्रोडक्ट साथ अच्छा काम करते हैं। इस्तेमाल का एक अच्छा तरीका है कि एजेंट से पहला वर्शन बनवाइए, फिर एक कमज़ोर शॉट को toolkit में ले जाकर दो-तीन वीडियो मॉडल के साथ हाथ से आज़माइए। वीडियो के लिए AI वॉइसओवर और वीडियो के लिए बैकग्राउंड म्यूज़िक जैसे पेज अलग-अलग चरणों में गहराई तक जाते हैं, और बिना चेहरे वाले YouTube वीडियो उस तैयार प्रोजेक्ट की किस्म दिखाता है जिसके लिए यह चेन बनी है। क्रेडिट की खपत मॉडल और सेटिंग पर निर्भर करती है, और प्लान प्राइसिंग पेज पर हैं।
जो एजेंट मॉडल जोड़ता है वह चेन के हर मॉडल की सीमाएं विरासत में पाता है, और एक-दो अपनी भी जोड़ता है। पांच जगहें जिनकी योजना पहले से बनानी चाहिए:
एजेंट पहले ड्राफ्ट की मशीन है जिसका फीडबैक चक्र छोटा है, कोई निर्देशक नहीं। अगर आपका वीडियो किसी सटीक अभिनय, किसी खास असली जगह या बारीकी से नापी गई एडिट पर टिका है, तो toolkit और एक वीडियो एडिटर ज़्यादा नियंत्रण देते हैं।
यह Supercomputer है, Picasso IA का एजेंट, जिसे वीडियो के लिए इस्तेमाल किया गया है। आप वीडियो को एक चैट में बताते हैं, और वह काम की योजना बनाता है, कैटलॉग से स्क्रिप्ट, आवाज़, शॉट और म्यूज़िक के मॉडल चुनता है, हर चरण चलाता है और नतीजा दिखाता है। फिर आप उसी बातचीत में बदलाव करते हैं। यह वेब ऐप के भीतर एक चैट है, इसलिए कुछ इंस्टॉल करने की ज़रूरत नहीं।
toolkit एक मैन्युअल वर्कस्पेस है: आप मॉडल चुनते हैं, प्रॉम्प्ट लिखते हैं, विकल्प सेट करते हैं और एक बार में एक जनरेशन चलाते हैं। एजेंट नतीजे से शुरू करता है। आप बताते हैं कि क्या चाहिए, और वह तय करता है कि कौन से मॉडल किस क्रम में जोड़ने हैं। दोनों वही कैटलॉग और वही क्रेडिट इस्तेमाल करते हैं, इसलिए चुनाव इस बात का है कि आपको कितना नियंत्रण चाहिए। कई लोग पहले वर्शन के लिए एजेंट और किसी एक टुकड़े को निखारने के लिए toolkit इस्तेमाल करते हैं।
नहीं। Supercomputer वेब ऐप में एक चैट है, इसलिए आप अपने Picasso IA अकाउंट में साइन इन करते हैं और अपना ब्रीफ लिखते हैं। कुंजियां API, MCP सर्वर और कनेक्टर की होती हैं, जहां आप अपने अकाउंट में एक बनाते हैं और उसे पासवर्ड की तरह संभालते हैं। एजेंट के लिए कुछ चिपकाने या सहेजने की ज़रूरत नहीं।
वह कैटलॉग से चुनता है, जिसमें आज 502 मॉडल हैं, इनमें 121 टेक्स्ट टू वीडियो, 75 लैंग्वेज मॉडल, 24 टेक्स्ट टू स्पीच और 10 म्यूज़िक के हैं। claude-sonnet-5, speech-2.8-hd, veo-3.1, seedance-2.0 और lyria-3 जैसे नाम वहां क्या है इसके उदाहरण हैं, इस बात का वादा नहीं कि कोई खास रन इन्हीं का इस्तेमाल करेगा। आप बातचीत में कोई खास मॉडल या स्टाइल मांग सकते हैं और देख सकते हैं कि क्या बदलता है।
एक जनरेशन क्रेडिट खर्च करती है, और मात्रा मॉडल और सेटिंग पर निर्भर करती है, इसलिए कई चरणों वाला वीडियो एक इमेज से ज़्यादा खर्च करता है। यहां लिखा कोई भी आंकड़ा जल्दी गलत हो जाएगा, इसलिए कोई आंकड़ा नहीं है। नए अकाउंट को आज़माने के लिए मुफ्त क्रेडिट मिलते हैं, और प्लान प्राइसिंग पेज पर सूचीबद्ध हैं। पहले toolkit में एक ही चरण आज़माना यह देखने का सस्ता तरीका है कि कोई मॉडल कितना खर्च करता है।
हां, बातचीत में कहकर। आप गहरी आवाज़, किसी खास किस्म का म्यूज़िक या किसी एक शॉट के लिए दूसरा वीडियो मॉडल मांग सकते हैं, और एजेंट वह हिस्सा दोबारा चलाता है। अगर आप सारी सेटिंग सामने रखकर मॉडल आमने-सामने तुलना करना चाहते हैं, तो toolkit बेहतर जगह है, क्योंकि वह आपको एक ही प्रॉम्प्ट कई मॉडल में चलाने और नतीजे खुद परखने देता है।
यह चेन के वीडियो मॉडल पर निर्भर करता है, क्योंकि हर शॉट अलग क्लिप के रूप में बनता है और क्लिप पूरी फिल्म के मुकाबले छोटे होते हैं। लंबे वीडियो कई शॉट से बनते हैं, यानी ज़्यादा जनरेशन और ज़्यादा क्रेडिट। ब्रीफ में वह लंबाई बताइए जिसका आप निशाना रखते हैं और लौटे हुए क्लिप जांचिए।
अपनी, हां। काल्पनिक किरदार, हां। कोई असली पहचाना जा सकने वाला व्यक्ति जिसने सहमति नहीं दी, नहीं, और यही बात उस आवाज़ पर लागू होती है जिसे इस्तेमाल करने का हक आपके पास नहीं। यह सबसे ज़्यादा उसके लिए मायने रखता है जिसे आप प्रकाशित या बेचने की योजना बना रहे हैं। ब्रीफ में बताइए कि किरदार काल्पनिक है या चेहरा और आवाज़ आपकी है, और अगर वीडियो व्यावसायिक रूप से इस्तेमाल होगा तो अपनी अनुमति का सबूत संभालकर रखिए।
आमतौर पर थोड़ा। एजेंट आपको स्क्रिप्ट, नैरेशन, क्लिप और म्यूज़िक ऐसे टुकड़ों में देता है जो आपस में बैठते हैं, और उन्हें सही टाइमिंग के साथ एक टाइमलाइन में जोड़ना आपके पसंदीदा वीडियो एडिटर में एक सामान्य आखिरी कदम है। कुछ लोगों को पहला वर्शन ड्राफ्ट के तौर पर काफी लगता है और कुछ लोग कुछ शॉट दोबारा बनाते हैं। जांच की गुंजाइश रखिए, क्योंकि मॉडल अलग-अलग हैं और एक तेज़ सुनना और देखना ज़्यादातर समस्याएं पकड़ लेता है।
अक्सर हां, लेकिन यह हर टुकड़े के पीछे के मॉडलों की शर्तों और उस जगह के नियमों पर निर्भर करता है जहां आप प्रकाशित करते हैं, जो समय के साथ बदलते हैं। पोस्ट करने से पहले प्लेटफॉर्म की मौजूदा ज़रूरतें जांचिए और ब्रीफ में असली लोग, ब्रांड निशान और सुरक्षित किरदार से बचिए। किसी खास मामले में शंका हो तो उस पर कोई कैंपेन खड़ा करने से पहले सपोर्ट से पूछिए।
क्या आप पूरा ब्रीफ लिखने से पहले कोई स्क्रिप्ट ज़ोर से सुनना या कोई शॉट देखना चाहते हैं? toolkit खोलिए और कैटलॉग का कोई भी मॉडल अभी आज़माइए, और अपने सवाल सपोर्ट को भेजिए।
अपनी भाषा चुनें
