सीन लिखिए, बोले जाने वाले संवाद कोट्स में रखिए, और ऐसा वीडियो पाइए जिसमें आवाजें, कदमों की आहट, माहौल की ध्वनि और संगीत तस्वीर के साथ ही आते हैं। न किसी मूक क्लिप को वॉइसओवर का इंतजार, न अलग से साउंड का कोई चरण, और न उस फ्रेम की खोज जहां होंठ मेल खाने चाहिए थे।
ज्यादातर AI वीडियो जनरेटर आपको एक मूक क्लिप थमा देते हैं और बाकी काम आप पर छोड़ देते हैं: कोई आवाज ढूंढिए, कदमों की आहट खोजिए, कोई म्यूजिक ट्रैक चुनिए, फिर सब कुछ तब तक खिसकाइए जब तक होंठ शब्दों से मेल न खा जाएं। मॉडलों का एक नया समूह यह पूरी कड़ी छोड़ देता है। डायलॉग, साउंड इफेक्ट्स, माहौल की ध्वनि और म्यूजिक उसी रेंडर में बनते हैं जिसमें तस्वीर बनती है, इसलिए किरदार वही संवाद बोलता है जो आपने लिखा और दरवाजा बंद होते ही उसकी आवाज आती है।
पुराना तरीका रिले रेस जैसा है। आप एक मूक क्लिप बनाते हैं, वॉइसओवर रिकॉर्ड या सिंथेसाइज करते हैं, ऊपर से साउंड इफेक्ट्स जोड़ते हैं, पीछे म्यूजिक लगाते हैं, और फिर टाइमलाइन पर सब कुछ तब तक खींचते हैं जब तक ठीक न लगे। हर हैंडऑफ वह जगह है जहां सिंक टूट सकता है। क्लिप का मुंह खामोशी के लिए एनिमेट हुआ था, इसलिए बाद में जोड़ी गई आवाज उस पर कभी पूरी तरह नहीं बैठती, और आपको मिले कदमों की आहट हमेशा आधा बीट पीछे रहती है।
जो मॉडल ऑडियो और तस्वीर एक ही पास में बनाता है वह काम का क्रम बदल देता है। वह एक साथ तय करता है कि सीन कैसा दिखेगा और कैसा सुनाई देगा, इसलिए बारिश के साथ बारिश की आवाज आती है, भीड़ के साथ बुदबुदाहट आती है, और बोलते किरदार के साथ ऐसा मुंह आता है जो शब्दों के पीछे चलता है। उदाहरण के लिए कैटलॉग में Seedance 2.5 के बारे में बताया गया है कि वह सिंक्ड डायलॉग, साउंड इफेक्ट्स और बैकग्राउंड म्यूजिक उसी रेंडर में बनाता है जिसमें वीडियो बनता है।
इससे अलग कड़ी बेकार नहीं हो जाती। अगर आपके पास पहले से मूक क्लिप है तो मूक AI वीडियो में साउंड इफेक्ट्स जोड़ना अब भी सही काम है, और लंबी नैरेशन AI वॉइसओवर से बेहतर संभलती है। लेकिन छोटे सीन के लिए, जहां तस्वीर और साउंड साथ चलते हैं, एक ही रेंडर आपको पूरी रिले दौड़ से बचा देता है। Picasso IA के 502 मॉडलों में 121 टेक्स्ट-टू-वीडियो मॉडल हैं, और नीचे वही चार हैं जिनके बारे में कैटलॉग कहता है कि ऑडियो आउटपुट का हिस्सा है।
चारों एक ही वर्कस्पेस से चलते हैं, इसलिए इनकी तुलना में आपको एक प्रॉम्प्ट खर्च होता है, नया अकाउंट नहीं। तालिका उतने पर ही टिकी है जितना कैटलॉग हर मॉडल के बारे में कहता है, और पुरानी मूक कड़ी को तुलना के लिए आखिरी पंक्ति में रखा गया है।
| तरीका | कैटलॉग में ऑडियो का वर्णन | अवधि और रेजोल्यूशन | किसके लिए ठीक |
|---|---|---|---|
| Seedance 2.5 | कोट्स में लिखा डायलॉग, साउंड इफेक्ट्स और म्यूजिक एक ही रेंडर में, साथ में रेफरेंस आवाज के क्लिप पर लिप-सिंक | 30 सेकंड तक, 480p या 720p | बोले जाने वाले संवादों वाले सीन और ऐसा किरदार जो एक जैसा रहना चाहिए |
| Seedance 2.5 Lite | सिंक्ड ऑडियो डिफ़ॉल्ट रूप से चालू, बंद भी किया जा सकता है | 5 या 10 सेकंड, 480p या 720p | तेज ड्राफ्ट और छोटे बीट जिन्हें आप बार-बार आजमाना चाहते हैं |
| Veo 3.1 | सीन के संदर्भ के हिसाब से बना ऑडियो | 4, 6 या 8 सेकंड, 1080p तक | छोटे और तीखे शॉट जहां रेजोल्यूशन मायने रखता है |
| Gemini Omni 1.1 | बिल्ट-इन ऑडियो, प्रॉम्प्ट में "no dialogue" निर्देश लिखने की सुविधा के साथ | 360p ड्राफ्ट मोड से 4K तक | माहौल वाले सीन और मौजूदा क्लिप को निर्देश से एडिट करना |
| मूक क्लिप और अलग से आवाज व इफेक्ट्स | हर परत अपने अलग टूल में बनती है | जो मूक क्लिप की सीमा हो | चुनी हुई आवाज में पढ़ी गई सटीक स्क्रिप्ट, या कोई खास म्यूजिक ट्रैक |
तालिका को समझौतों के समूह की तरह पढ़िए, रैंकिंग की तरह नहीं। Seedance 2.5 सबसे लंबा है और बोले गए संवादों पर सबसे ज्यादा नियंत्रण देता है। Seedance 2.5 Lite वह है जिसे आप तब खोलते हैं जब एक ही आइडिया के दस संस्करण आजमा रहे हों। Veo 3.1 छोटे शॉट के लिए 1080p देता है, और Picasso IA vs Google Veo पेज बताता है कि एक-मॉडल वाली सेवा की तुलना कैटलॉग से कैसे होती है।
लक्ष्य एक ऐसा क्लिप है जिसे आप सुनकर परख सकें, मूक ड्राफ्ट का फोल्डर नहीं। इसके लिए एक आइडिया और हेडफोन काफी हैं।
प्रॉम्प्ट को चार परतों की तरह सोचिए जिनमें से हर एक का कोई मालिक होना चाहिए: क्या कहा जाता है, स्क्रीन पर क्या सुनाई देता है, कमरे में क्या सुनाई देता है, और नीचे क्या बजता है। जो परत आप खाली छोड़ते हैं उसे मॉडल अपने अंदाज से भर देते हैं, जो कभी बहुत अच्छा निकलता है और कभी शांत रसोई वाले सीन के नीचे चढ़ता हुआ ऑर्केस्ट्रा। अगर किसी परत में खामोशी चाहिए तो साफ कह दीजिए: Gemini Omni 1.1 no dialogue जैसा निर्देश मानता है, और यही तरकीब सादे शब्दों में बाकी मॉडलों पर भी चलती है।
चारों परतों को कवर करने वाला प्रॉम्प्ट कुछ ऐसा दिखता है: पीले रेनकोट में एक महिला पत्थर के घाट के सिरे तक पहुंचती है, हंसती है और कहती है "हम लाइटहाउस तक पहुंच गए", लहरें खंभों से टकराती हैं, ऊपर समुद्री पक्षी चिल्लाते हैं, पूरे सीन के नीचे हल्का पियानो बजता है। बोला जाने वाला संवाद कोट्स में है, इफेक्ट्स के नाम लिए गए हैं, और संगीत का वर्णन उसके शीर्षक से नहीं बल्कि उसके मिजाज से किया गया है।
सुझाव: हर क्लिप को उतने ही संवादों तक रखिए जितने वह संभाल सके। हर बोलने वाले के लिए एक छोटा संवाद पूरे अनुच्छेद के भाषण से बेहतर बैठता है, और जिस सीन में दो संवादों के बीच साफ ठहराव हो उसे जांचना उस सीन से आसान है जहां पांच वाक्य एक-दूसरे पर चढ़ जाएं।
बार-बार आने वाले किरदार के लिए मॉडल को पकड़ने की कोई चीज दीजिए। Seedance 2.5 चेहरे और कपड़ों को स्थिर रखने के लिए 30 तक रेफरेंस इमेज लेता है, और लिप-सिंक को दिशा देने के लिए रेफरेंस ऑडियो क्लिप भी लेता है, बशर्ते उनके साथ कम से कम एक रेफरेंस इमेज या वीडियो हो। सिर्फ वही आवाज इस्तेमाल कीजिए जो आपकी अपनी हो या जिसके उपयोग की आपको अनुमति हो, और सिर्फ वही चेहरे जो आपके अपने हों या काल्पनिक किरदारों के हों, किसी ऐसे असली व्यक्ति के नहीं जिसने सहमति नहीं दी। अगर आप कोई किरदार बना रहे हैं जिसे दोबारा इस्तेमाल करेंगे, तो लगातार एक जैसे AI किरदार में यह हिस्सा समझाया गया है।
ज्यादातर खराब नतीजे उन्हीं कुछ आदतों से आते हैं। पहली आदत है एक क्लिप में बहुत ज्यादा संवाद मांगना: मॉडल संवादों को ठूंस देता है और सब कुछ तेज बोल देता है। दूसरी है साउंडस्केप तय न करना, जिससे संगीत चुनने का फैसला मॉडल के हाथ में चला जाता है। तीसरी है संवाद को कोट्स के बाहर लिखना, क्योंकि तब वह सीन के वर्णन की तरह पढ़ा जाता है, बोले जाने वाले शब्दों की तरह नहीं। और चौथी है क्लिप को साउंड बंद करके, या शोर वाले कमरे में लैपटॉप के स्पीकर पर परखना, जिससे वही समस्याएं छिप जाती हैं जिन्हें पकड़ना सबसे जरूरी होता है।
साउंड पर लिखे पेज को ईमानदारी से बताना चाहिए कि वह अभी क्या नहीं कर सकता। ये पांच सीमाएं हैं जिनके हिसाब से योजना बनाना ठीक रहता है:
इनमें से कुछ भी मुख्य फायदे को खत्म नहीं करता। यह बस वह बिंदु बताता है जहां इंसानी एडिट या कोई समर्पित ऑडियो मॉडल जनरेटर से कमान संभाल लेता है।
हां, सही मॉडलों के साथ। Picasso IA पर Seedance 2.5, Seedance 2.5 Lite, Veo 3.1 और Gemini Omni 1.1 वीडियो के हिस्से के रूप में ऑडियो बनाते हैं, इसलिए आपको तस्वीर और साउंड एक साथ वाली एक ही फाइल मिलती है। कैटलॉग Seedance 2.5 को ऐसा मॉडल बताता है जो डायलॉग, साउंड इफेक्ट्स और म्यूजिक उसी पास में रेंडर करता है जिसमें वीडियो बनता है। कैटलॉग के कई दूसरे टेक्स्ट-टू-वीडियो मॉडल अब भी मूक क्लिप ही देते हैं।
यहां चार कवर किए गए हैं: Seedance 2.5, Seedance 2.5 Lite, Veo 3.1 और Gemini Omni 1.1। हर एक अपने मॉडल पेज पर बिल्ट-इन या सिंक्ड ऑडियो का वर्णन करता है। कैटलॉग में 121 टेक्स्ट-टू-वीडियो मॉडल हैं और सभी साउंड नहीं बनाते, इसलिए मानने से पहले मॉडल पेज देख लीजिए। अगर किसी मॉडल में generate audio या save audio का विकल्प है, तो वही सेटिंग उसे नियंत्रित करती है।
संवाद को प्रॉम्प्ट में डबल कोट्स के अंदर लिखिए और बताइए कि उसे कौन बोल रहा है। Seedance 2.5 कोट्स के भीतर के पाठ को डायलॉग की तरह लेता है और मुंह की हरकत उससे मिलाता है, इसलिए महिला कहती है "फिर से स्वागत है" जैसा प्रॉम्प्ट ऐसा क्लिप देता है जिसमें वह यही कहती है। हर संवाद छोटा रखिए और नतीजा सुनिए, क्योंकि कोट्स वाला संवाद मजबूत निर्देश है, लेकिन परफेक्ट उच्चारण की गारंटी नहीं।
हां। Seedance 2.5 और Veo 3.1 में generate audio सेटिंग है, और Seedance 2.5 Lite में save audio सेटिंग है जिसे आप मूक क्लिप के लिए बंद कर सकते हैं। Gemini Omni 1.1 में आप बोलचाल को बाहर रखने के लिए प्रॉम्प्ट में no dialogue लिख सकते हैं, हालांकि मॉडल फिर भी साउंड जोड़ता है। ऑडियो बंद करना तब ठीक रहता है जब आप बाद में अपनी आवाज या अपना संगीत जोड़ने वाले हों।
यह मॉडल पर निर्भर करता है। Seedance 2.5 को 30 सेकंड तक के क्लिप बनाने वाला बताया गया है, Seedance 2.5 Lite 5 या 10 सेकंड देता है, और Veo 3.1 4, 6 या 8 सेकंड देता है। लंबे टुकड़े कई क्लिप से बनते हैं। स्क्रिप्ट की योजना शुरू से सीन के हिसाब से बनाइए, ताकि हर क्लिप अपना छोटा संवाद ले और किसी स्वाभाविक ठहराव पर खत्म हो।
यह इतना अच्छा है कि आजमाना सार्थक है, और इतना नहीं कि जांच छोड़ दी जाए। Seedance 2.5 कोट्स में लिखे संवादों के लिए मुंह की हरकत बनाता है और रेफरेंस आवाज के क्लिप से सिंक हो सकता है। तेज बोलना, कई लोगों का एक साथ बोलना और असामान्य शब्द वे जगहें हैं जहां वह फिसलता है। क्लिप को साउंड के साथ देखिए, और अगर कोई अहम संवाद गलत लगे तो वह टेक दोबारा जनरेट कीजिए।
Seedance 2.5 के साथ हां: वह लिप-सिंक को दिशा देने के लिए रेफरेंस ऑडियो क्लिप लेता है, बशर्ते उनके साथ कम से कम एक रेफरेंस इमेज या वीडियो दिया गया हो। सिर्फ अपनी आवाज, या ऐसी आवाज इस्तेमाल कीजिए जिसके उपयोग की आपको अनुमति हो। किसी ऐसे असली व्यक्ति की नकल या क्लोनिंग, जिसने सहमति नहीं दी, ऐसी चीज नहीं है जिसे यह पेज सुझाता है, और काल्पनिक किरदार की आवाज को आप प्रॉम्प्ट में वर्णित कर सकते हैं।
जब सटीक शब्द, सटीक आवाज या सटीक संगीत सिंक की सुविधा से ज्यादा मायने रखते हों। चुनी हुई आवाज में पढ़ी गई स्क्रिप्ट, लंबी नैरेशन या कोई खास ट्रैक अलग कड़ी की ओर इशारा करते हैं। आप क्लिप को ऑडियो बंद करके बना सकते हैं और खुद वॉइसओवर और संगीत जोड़ सकते हैं, जिससे मिक्स की हर परत पर आपका स्वतंत्र नियंत्रण रहता है।
यह नेटिव ऑडियो से अलग काम है। नेटिव ऑडियो वाले मॉडल तस्वीर बनाते समय ही साउंड बनाते हैं, इसलिए वे आपकी पहले शूट की गई फुटेज पर यूं ही साउंड नहीं चढ़ाते। मौजूदा मूक क्लिप के लिए बेहतर रास्ता किसी समर्पित मॉडल से मूक AI वीडियो में साउंड इफेक्ट्स जोड़ना है। Gemini Omni 1.1 लिखित निर्देश से मौजूदा वीडियो एडिट कर सकता है, लेकिन वह तस्वीर का एडिट है।
जनरेशन में क्रेडिट लगते हैं, और रकम मॉडल और आपकी चुनी सेटिंग, जैसे रेजोल्यूशन और क्लिप की अवधि, पर निर्भर करती है। नए अकाउंट को मुफ्त क्रेडिट मिलते हैं, जो एक छोटा टेस्ट क्लिप आजमाने के लिए काफी हैं। कीमतें और प्लान बदलते रहते हैं, इसलिए यहां आंकड़े नहीं दोहराए गए। किसी लंबे सीन पर जाने से पहले Seedance 2.5 या Veo 3.1 की एक रन की लागत देखने के लिए कीमतों का पेज सही जगह है।
आपके अगले सीन की आवाज आपके मन में पहले से है, इसलिए Picasso IA का toolkit खोलिए, संवाद को कोट्स में लिखिए और सुनिए कि क्या लौटकर आता है।
अपनी भाषा चुनें
