जो वीडियो चाहिए उसे बताइए और लैंग्वेज मॉडल से उसे शॉट्स की नंबर वाली लिस्ट में बँटवाइए, हर शॉट के लिए एक प्रॉम्प्ट, उसी वीडियो मॉडल के हिसाब से लिखा हुआ जो उसे रेंडर करेगा। फिर हर प्रॉम्प्ट उसी वर्कस्पेस में चलाइए, क्लिप देखिए और जोड़ने से पहले शब्द कस लीजिए।
वीडियो मॉडल उतना ही अच्छा चलता है जितना अच्छा वाक्य आप उसे देते हैं, और ज़्यादातर पहले प्रॉम्प्ट एक धुँधली सी लाइन होते हैं जो कैमरा, रोशनी और अंत को किस्मत पर छोड़ देते हैं। इसका इलाज है प्रॉम्प्ट को शॉट लिस्ट की तरह लेना: लैंग्वेज मॉडल से कहिए कि आपके आइडिया को शॉट्स में बाँटे, हर शॉट को उस तरह लिखिए जैसा आपका वीडियो मॉडल सबसे अच्छा पढ़ता है, फिर क्लिप एक-एक करके रेंडर कीजिए और जोड़ दीजिए। Picasso IA दोनों हिस्से एक ही वर्कस्पेस में रखता है।
वीडियो प्रॉम्प्ट लिखना इमेज प्रॉम्प्ट लिखने से अलग हुनर है। एक स्थिर इमेज को सब्जेक्ट और लुक चाहिए। एक क्लिप को सब्जेक्ट, एक्शन, कैमरा मूवमेंट, शुरुआती बिंदु, अंतिम बिंदु और अक्सर आवाज़ भी चाहिए, वह भी कुछ ही सेकंड में। ज़्यादातर लोग इनमें से कम से कम दो भूल जाते हैं, और वीडियो मॉडल उस खाली जगह को अपने अंदाज़े से भर देता है। लैंग्वेज मॉडल चेकलिस्ट सँभालकर रखता है और पूछता है कि कैमरा क्या कर रहा है।
Picasso IA में कुल 502 मॉडल हैं, जिनमें 75 लैंग्वेज मॉडल और 121 टेक्स्ट-टू-वीडियो मॉडल हैं, और सब एक ही toolkit में चलते हैं। यह इसलिए मायने रखता है कि हैंडऑफ़ ही पूरी बात है: आप चैट मॉडल के साथ शॉट लिस्ट लिखते हैं, एक शॉट वीडियो मॉडल में चिपकाते हैं, और गलत निकली क्लिप को सबूत की तरह वापस चैट में ले आते हैं। नए अकाउंट को आज़माने के लिए मुफ़्त क्रेडिट मिलते हैं, और हर जनरेशन, टेक्स्ट हो या वीडियो, क्रेडिट खर्च करती है जिसकी दर मॉडल और सेटिंग पर निर्भर है, इसलिए आँकड़ों के लिए प्राइसिंग पेज ही सही जगह है।
दूसरी वजह यह है कि गलतियाँ कहाँ पकड़ी जाती हैं। रेंडर की हुई क्लिप यह पता चलने की महँगी जगह है कि आपने कैमरे का काम बताया ही नहीं था; स्क्रीन पर नंबर वाली लिस्ट एक भी फ्रेम रेंडर होने से पहले दिखा देती है कि तीसरे शॉट में दो एक्शन हैं।
काम का शॉट प्रॉम्प्ट हर बार एक जैसे हिस्सों से बनता है, लगभग उसी क्रम में: सब्जेक्ट, वह क्या करता है, कैमरा, जगह और रोशनी, विज़ुअल स्टाइल, और आवाज़ अगर मॉडल आवाज़ बनाता है। तय क्रम से लिस्ट को स्कैन करना और ठीक करना आसान हो जाता है।
इस तरह लिखा एक शॉट यह रहा: वाइड शॉट, धीमा पुश-इन, भोर में धुंध भरे चीड़ के जंगल के किनारे खड़ी एक लाल लोमड़ी पर, नरम साइड लाइट, लोमड़ी सिर उठाकर बाईं ओर देखती है, दूर कहीं हल्की चिड़ियों की चहचहाहट। इसमें एक सब्जेक्ट है, एक एक्शन, एक कैमरा मूवमेंट और एक रोशनी का स्रोत। कहानी अगले शॉट से आती है, जो अपना अलग प्रॉम्प्ट है।
लैंग्वेज मॉडल से लिस्ट माँगते समय बताइए कि आपको वापस क्या चाहिए। उसे वह वीडियो मॉडल बताइए जो आप इस्तेमाल करेंगे और वह क्लिप लंबाई जो वह अनुमति देता है, हर शॉट में एक एक्शन वाले नंबर वाले शॉट माँगिए, और कहिए कि मुख्य सब्जेक्ट का वर्णन हर शॉट में एक जैसा रहे। एहसास नहीं, दिखने वाली चीज़ें माँगिए: जो प्रॉम्प्ट कहता है कि दृश्य अकेला लगता है वह मॉडल को बनाने के लिए कुछ नहीं देता, जबकि खाली घाट पर एक अकेली लालटेन देता है।
टिप: सब्जेक्ट का वर्णन हर शॉट में शब्द-दर-शब्द कॉपी कीजिए। हर क्लिप अलग से जनरेट होती है, पिछली क्लिप की कोई याद नहीं रहती, इसलिए जो लोमड़ी पहले शॉट में छोटी और भूरी-लाल बताई गई और दूसरे में सिर्फ़ लोमड़ी, वह दो अलग जानवरों की तरह लौट सकती है।
एक ही शॉट टेक्स्ट हर मॉडल पर एक जैसा नहीं बैठता, क्योंकि मॉडल अलग इनपुट लेते हैं और उनकी सीमाएँ अलग हैं। कैटलॉग के चार टेक्स्ट-टू-वीडियो मॉडल कैसे अलग हैं, यह उनके मॉडल पेज की जानकारी के हिसाब से नीचे है।
| मॉडल | क्या स्वीकार करता है | प्रॉम्प्ट को कैसे ढालें | किससे सावधान रहें |
|---|---|---|---|
| Veo 3.1 | 4, 6 या 8 सेकंड की क्लिप, शुरुआती और अंतिम फ्रेम, 3 तक रेफरेंस इमेज, ऑडियो डिफ़ॉल्ट रूप से चालू | हर प्रॉम्प्ट में एक शॉट: दृश्य, कैमरा और आसपास की आवाज़ कुछ वाक्यों में | रेफरेंस इमेज सिर्फ़ 16:9 और 8 सेकंड पर काम करती हैं |
| Kling v3 Video | 15 सेकंड तक, एक रन में 6 शॉट तक, 2500 अक्षर तक का प्रॉम्प्ट, ऑडियो डिफ़ॉल्ट रूप से बंद | एक छोटा सामान्य प्रॉम्प्ट और हर शॉट की एक लाइन, हर एक की अपनी अवधि के साथ | शॉट्स की अवधियों का जोड़ कुल अवधि के ठीक बराबर होना चाहिए |
| Seedance 2.0 | 9 रेफरेंस इमेज, 3 रेफरेंस वीडियो, 3 ऑडियो क्लिप तक, ऑडियो डिफ़ॉल्ट रूप से चालू | प्रॉम्प्ट में रेफरेंस को [Image1] जैसे टैग करें और बोले जाने वाले संवाद डबल कोट्स में रखें | रेफरेंस इमेज को शुरुआती और अंतिम फ्रेम के साथ नहीं जोड़ा जा सकता |
| Wan 2.7 T2V | 15 सेकंड तक, 1080p, वैकल्पिक ऑडियो फ़ाइल, नेगेटिव प्रॉम्प्ट, प्रॉम्प्ट एक्सपैंशन डिफ़ॉल्ट रूप से चालू | सीधे और खास वाक्य; अपने सटीक शब्द रखने हों तो एक्सपैंशन बंद करें | एक्सपैंशन आपका प्रॉम्प्ट दोबारा लिखता है और इंतज़ार बढ़ाता है |
| शुरुआती इमेज वाला कोई भी मॉडल | पहले फ्रेम के रूप में एक फोटो या इमेज | सिर्फ़ वही बताइए जो हिलता है और कैमरा कैसे बर्ताव करता है | चलते-चलते क्लिप इमेज से भटक सकती है |
तालिका से दो आदतें निकलती हैं। लैंग्वेज मॉडल को बताइए कि आप किस पंक्ति के लिए लिख रहे हैं, क्योंकि Kling v3 Video का प्रॉम्प्ट अवधि वाले शॉट्स की शक्ल में लौटना चाहिए जबकि Veo 3.1 का एक कसा हुआ पैराग्राफ। और पूरी लिस्ट पर जुटने से पहले एक शॉट दो मॉडलों पर आज़माइए। Picasso IA बनाम Google Veo और Picasso IA बनाम Kling AI पेज बताते हैं कि ये दोनों परिवार कैसे अलग हैं।
यह बिखरे आइडिया से क्रम में रखी क्लिप के फ़ोल्डर तक का रास्ता है, एक चैट मॉडल और एक वीडियो मॉडल के साथ, दोनों toolkit के अंदर।
सबसे आम गलती एक शॉट में बहुत सारे एक्शन डाल देना है। कुछ सेकंड की क्लिप एक साफ़ हरकत सँभाल सकती है, शायद दो। जब प्रॉम्प्ट किसी किरदार से कहता है कि अंदर आए, कप उठाए, मुस्कुराए और हाथ हिलाए, तो मॉडल सबको दबाकर अधूरे इशारों की धुंध बना देता है। शॉट्स में बाँट दीजिए; लैंग्वेज मॉडल नियम बताने पर बिना शिकायत यह कर देगा।
दूसरी गलती आपस में टकराने वाले कैमरा मूवमेंट मिलाना है, जैसे तेज़ ज़ूम-इन के साथ धीमा पुल-बैक। हर शॉट में एक मूवमेंट चुनिए और उसे साफ़ नाम दीजिए: धीमा पुश-इन, स्थिर वाइड, बाईं ओर पैन, नीचे से ट्रैकिंग। तीसरी गलती मुख्य प्रॉम्प्ट में बाहर रखने वाली चीज़ें लिखना है, क्योंकि वहाँ बिना लोगों के या बिना टेक्स्ट के लिखने से अक्सर वही चीज़ आ जाती है जिसे आप हटाना चाहते थे। जहाँ मॉडल में नेगेटिव प्रॉम्प्ट का फ़ील्ड है, जैसे Veo 3.1, Kling v3 Video और Wan 2.7 T2V में, वहाँ सीधे संज्ञाएँ रखिए। सटीक लुक के लिए पहले शॉट की एक स्थिर इमेज बनाइए, जैसा AI स्टोरीबोर्ड पेज बताता है, और उसे शुरुआती फ्रेम की तरह इस्तेमाल कीजिए।
लैंग्वेज मॉडल अच्छा प्रॉम्प्ट लिख सकता है, पर वीडियो मॉडल से उसे मनवा नहीं सकता। ये वे जगहें हैं जहाँ यह तरीका अकेले काफ़ी नहीं रहता:
बेहतर प्रॉम्प्ट काम की क्लिप मिलने की संभावना बढ़ाता है, पर कभी पक्का नहीं करता। जब किसी शॉट में लोग हों, तो सिर्फ़ अपना चेहरा और अपनी आवाज़ या काल्पनिक किरदार इस्तेमाल कीजिए, किसी असली, पहचाने जा सकने वाले व्यक्ति को कभी नहीं। अगर तैयार वीडियो किसी प्लेटफ़ॉर्म पर जाना है, तो एक्सपोर्ट से पहले उस प्लेटफ़ॉर्म की मौजूदा ज़रूरतें अवधि, फ़ॉर्मैट और डिस्क्लोज़र के बारे में देख लीजिए।
यह एक लैंग्वेज मॉडल है जिसे वीडियो प्रॉम्प्ट लिखने के साथी की तरह इस्तेमाल किया जाता है। आप उसे एक आइडिया और अपने वीडियो मॉडल की सीमाएँ देते हैं, और वह शॉट्स की नंबर वाली लिस्ट लौटाता है, हर शॉट में सब्जेक्ट, एक्शन, कैमरा मूवमेंट और रोशनी के साथ। Picasso IA में चैट मॉडल और वीडियो मॉडल एक ही toolkit में हैं, इसलिए प्रॉम्प्ट जवाब से सीधे जनरेटर में चला जाता है।
कोई एक सबसे अच्छा नहीं है, इसलिए दो आज़माइए। Picasso IA में 75 लैंग्वेज मॉडल हैं, जिनमें Claude Sonnet 5, Gemini 3 Flash और GPT-5.4 शामिल हैं। हर एक को वही आइडिया दीजिए, हर जवाब का पहला शॉट एक ही वीडियो मॉडल पर रेंडर कीजिए और जो आपकी कल्पना के सबसे करीब आया उसे रखिए।
आम तौर पर सामग्री वही रहती है और फ़ॉर्मैट बदलता है। Veo 3.1 हर प्रॉम्प्ट में एक शॉट पढ़ता है और शुरुआती व अंतिम फ्रेम स्वीकार करता है। Kling v3 Video एक रन में अपनी-अपनी अवधि वाले 6 शॉट तक ले सकता है। Seedance 2.0 [Image1] जैसे रेफरेंस टैग और कोट्स वाले संवाद चाहता है। चैट मॉडल से वही शॉट लिस्ट उस मॉडल के लिए दोबारा लिखवाइए जो आपने चुना है।
इतना कि सब्जेक्ट, एक्शन, कैमरा, जगह और रोशनी आ जाएँ, उससे ज़्यादा नहीं। ज़्यादातर शॉट्स के लिए कुछ वाक्य काफ़ी हैं। Kling v3 Video प्रॉम्प्ट को 2500 अक्षरों तक सीमित रखता है, जिसके आप शायद ही पास पहुँचें। Wan 2.7 T2V छोटे प्रॉम्प्ट को आपके लिए फैला सकता है; अपने सटीक शब्द रखने हों तो उसे बंद कर दीजिए।
कुछ मॉडलों में हाँ। Kling v3 Video आपको 15 सेकंड तक की एक क्लिप के अंदर 6 शॉट तक तय करने देता है, हर शॉट का अपना प्रॉम्प्ट और अवधि, और अवधियों का जोड़ कुल के बराबर होना चाहिए। ज़्यादातर दूसरे मॉडल हर रन में एक शॉट बनाते हैं, इसलिए आप हर शॉट अलग रेंडर करते हैं और बाद में क्लिप एडिटर में जोड़ते हैं।
दो काम साथ कीजिए। हर शॉट में किरदार का वर्णन एक जैसे शब्दों में कीजिए और जहाँ मॉडल रेफरेंस इमेज लेता है वहाँ दीजिए: Veo 3.1 3 तक और Seedance 2.0 9 तक लेता है। फिर भी थोड़ा भटकाव मानकर चलिए, खासकर कपड़ों में, और हर क्लिप को पहली से मिलाकर देखिए।
हाँ, जब मॉडल में हो। Veo 3.1, Kling v3 Video और Wan 2.7 T2V, तीनों में नेगेटिव प्रॉम्प्ट का फ़ील्ड है, और वह सीधी संज्ञाओं के साथ सबसे अच्छा चलता है: टेक्स्ट, वॉटरमार्क, फालतू लोग, धुंधलापन। बाहर रखने वाली चीज़ें मुख्य प्रॉम्प्ट में न लिखिए, जहाँ अनचाही चीज़ का नाम लेना उसके आने की संभावना बढ़ा सकता है।
हाँ, पर मॉडलों के बीच फ़र्क हैं। Seedance 2.0 संवाद, इफ़ेक्ट और संगीत एक ही पास में बनाता है और बोली जाने वाली पंक्तियाँ डबल कोट्स में चाहता है। Veo 3.1 में ऑडियो डिफ़ॉल्ट रूप से चालू है और बताए गए साउंडस्केप पर प्रतिक्रिया देता है। Kling v3 Video में ऑडियो डिफ़ॉल्ट रूप से बंद है, इसलिए चाहिए तो चालू कीजिए। आवाज़ें काल्पनिक या आपकी अपनी होनी चाहिए।
नए अकाउंट को मुफ़्त क्रेडिट मिलते हैं, जो एक-दो मॉडलों पर शॉट लिस्ट आज़माने के लिए काफ़ी हैं। उसके बाद हर जनरेशन क्रेडिट खर्च करती है, और राशि मॉडल और आपकी चुनी सेटिंग पर निर्भर है, जैसे लंबाई और रेज़ोल्यूशन। मौजूदा प्लान प्राइसिंग पेज पर हैं, जो आँकड़ों के लिए भरोसेमंद अकेली जगह है।
हाँ। Veo 3.1, Kling v3 Video और Seedance 2.0 शुरुआती इमेज स्वीकार करते हैं, और तब प्रॉम्प्ट सिर्फ़ हरकत और कैमरा बताता है, वह दृश्य नहीं जो इमेज में पहले से है। ऐसी फोटो इस्तेमाल कीजिए जो आपने खुद खींची हो या काल्पनिक आर्ट, किसी असली व्यक्ति की कभी नहीं जिसने सहमति न दी हो। फोटो को वीडियो में बदलें पेज एनिमेशन वाला हिस्सा कवर करता है।
आपका आइडिया पहले से एक शॉट लिस्ट है जो लिखे जाने का इंतज़ार कर रही है। Picasso IA toolkit खोलिए, चैट मॉडल के साथ पहले तीन शॉट लिखिए और पहली क्लिप रेंडर करके देखिए कि शब्दों को क्या चाहिए।
अपनी भाषा चुनें
