आर्टिकल को कसी हुई स्क्रिप्ट में छोटा करें, टेक्स्ट-टू-स्पीच मॉडल से नैरेशन रिकॉर्ड करें, फुटेज क्लिप-दर-क्लिप जनरेट करें और ट्रांसक्रिप्ट से कैप्शन बनाएँ। हर चरण एक ही टूलकिट में चलता है, और फाइनल असेंबली आप अपने पहले से इस्तेमाल हो रहे वीडियो एडिटर में करते हैं।
आपने एक अच्छा आर्टिकल लिखा, कुछ सौ लोगों ने उसे पढ़ा, और फिर वह आर्काइव में दब गया। नैरेशन वाला छोटा वीडियो उन्हीं विचारों को उन फीड्स पर दूसरी ज़िंदगी देता है जहाँ लोग खोजने के बजाय स्क्रॉल करते हैं। काम सुनने में जितना लगता है उससे छोटा है: टेक्स्ट को स्क्रिप्ट में काटना, आवाज़ रिकॉर्ड करना, कुछ क्लिप जनरेट करना और कैप्शन लगाना। हर चरण के लिए एक मॉडल है, और नतीजे को जोड़ने का काम आपका है।
रिसर्च पहले से हो चुकी है। तैयार आर्टिकल में एक मुख्य बात, एक क्रम और उदाहरण होते हैं, यानी छोटे वीडियो को लगभग वही सब चाहिए, और खाली पन्ने से शुरू होने वाले वीडियो में ठीक यही कम होता है। आप नया कंटेंट नहीं गढ़ रहे, उसका डिब्बा बदल रहे हैं, और यह शून्य से वीडियो शुरू करने से कहीं आसान काम है।
पुरानी आपत्ति शब्दों के आसपास के हिस्सों की लागत है: आवाज़, फुटेज, कैप्शन। Picasso IA एक ही जगह पर भाषा मॉडल, वॉइस मॉडल, वीडियो मॉडल और ट्रांसक्रिप्शन मॉडल रखता है, इसलिए एक ही बैठक में सब कुछ हो सकता है। पूरा कैटलॉग 502 मॉडल गिनाता है, और नीचे का वर्कफ़्लो उनमें से चार तरह के मॉडल इस्तेमाल करता है। नए अकाउंट को मुफ्त क्रेडिट मिलते हैं, जो एक छोटी पोस्ट पर पूरी चेन एक बार चलाने और यह देखने के लिए काफी हैं कि यह फॉर्मैट आपके लेखन पर जमता है या नहीं।
यह उससे भी मेल खाता है जो आपके पास पहले से है। वही आर्टिकल पॉडकास्ट एपिसोड या बिना चेहरे वाले चैनल का अपलोड बन सकता है, यानी एक लेख एक के बजाय कई फॉर्मैट को खिलाता है।
पढ़ने के लिए लिखी गई पोस्ट बोलने के लिए खराब स्क्रिप्ट होती है। उसमें उपशीर्षक, लिंक, बीच की बातें और ऐसे पैराग्राफ होते हैं जो पिछले पर टिके रहते हैं। बोलने पर यह सब बेवजह खिंचाव बन जाता है। छोटा करने का चरण वह जगह है जहाँ ज़्यादातर क्वालिटी तय होती है, इसलिए पोस्ट चिपकाकर उम्मीद करने के बजाय उसे सही प्रॉम्प्ट दें।
इसके लिए भाषा मॉडल इस्तेमाल करें। anthropic/claude-sonnet-5 और google/gemini-3.5-flash दोनों कैटलॉग में हैं, और दोनों लंबा आर्टिकल इनपुट में लेते हैं। मॉडल को फॉर्मैट बताएँ: एक ही बोली जाने वाली स्क्रिप्ट, हर वाक्य में एक विचार, पहली लाइन में ध्यान खींचने वाली शुरुआत, कोई उपशीर्षक नहीं, पेज का कोई हवाला नहीं। स्क्रिप्ट को छोटे दृश्यों में बँटा हुआ माँगें, हर दृश्य में नैरेशन की एक लाइन और एक लाइन यह बताती हुई कि स्क्रीन पर क्या दिखना चाहिए। वह दूसरी लाइन आगे चलकर आपके फुटेज प्रॉम्प्ट बनेगी।
दृश्यों की संख्या के बारे में ईमानदार रहें। छोटा वीडियो अगर लंबी पोस्ट का हर हिस्सा समेटने की कोशिश करे तो वह सरसरी नज़र जैसा लगता है। वह एक बात चुनें जिसे आर्टिकल सबसे अच्छी तरह साबित करता है, स्क्रिप्ट उसी के इर्द-गिर्द बनाएँ, और बाकी सबके लिए पूरी पोस्ट का लिंक दें।
कोई भी वॉइस फाइल जनरेट करने से पहले स्क्रिप्ट को ज़ोर से पढ़ें। जिस जगह आप अटकते हैं, वहाँ टेक्स्ट-टू-स्पीच की आवाज़ भी अटकेगी, और एक वाक्य ठीक करना मुफ्त है जबकि दोबारा रिकॉर्ड करना और फुटेज फिर से जनरेट करना क्रेडिट खर्च करता है।
चार काम, चार तरह के मॉडल। नीचे दिए नाम कैटलॉग की असली एंट्री हैं, लेकिन पहला नतीजा न जमे तो इनमें से किसी को भी उसके साथी मॉडल से बदला जा सकता है।
| चरण | क्या बनता है | आज़माने के मॉडल | क्या जाँचें |
|---|---|---|---|
| स्क्रिप्ट | दृश्य-दर-दृश्य नैरेशन और शॉट नोट्स | anthropic/claude-sonnet-5, google/gemini-3.5-flash | क्या वह आपकी मुख्य बात रखता है और बाकी छोड़ देता है |
| आवाज़ | नैरेशन का ऑडियो | elevenlabs/v3 | नामों और शब्दों का उच्चारण, रफ़्तार |
| फुटेज | हर दृश्य के लिए एक क्लिप | google/veo-3.1, kwaivgi/kling-v3-video, bytedance/seedance-2.0 | क्या हर क्लिप अपने नीचे की लाइन से मेल खाती है |
| स्थिर इमेज | एनिमेट करने के लिए वैकल्पिक की-फ्रेम | google/nano-banana-pro, black-forest-labs/flux-2-pro | सभी दृश्यों में एक जैसा लुक |
| कैप्शन | तैयार वॉइसओवर की ट्रांसक्रिप्ट | openai/gpt-4o-transcribe | नामों की स्पेलिंग, फिर एडिटर में टाइमिंग |
स्थिर इमेज वाली पंक्ति वैकल्पिक है पर काम की है। अगर फुटेज को एक ही वीडियो का हिस्सा दिखना है, तो पहले एक इमेज मॉडल में हर दृश्य की एक स्थिर इमेज बनाएँ, फिर उन्हें ऐसे वीडियो मॉडल से एनिमेट करें जो शुरुआती इमेज स्वीकार करता हो। इसके बिना हर क्लिप पासे का नया दाँव है और लुक दृश्य-दर-दृश्य बदलता जाता है। इस तकनीक को और विस्तार से देखने के लिए AI B-roll वाला पेज बताता है कि वॉइसओवर का साथ देने वाला फुटेज कैसे माँगें।
यह वह क्रम है जिसमें सबसे कम क्रेडिट बर्बाद होते हैं, क्योंकि अगला चरण कुछ खर्च कराए, उससे पहले हर चरण जाँच लिया जाता है।
कमज़ोर आर्टिकल वीडियो ज़्यादातर गिनी-चुनी वही गलतियों से बिगड़ते हैं। इन सबसे जनरेशन से पहले बचा जा सकता है, जो सुधार का सस्ता समय है।
ये टूल हिस्से बनाते हैं, तैयार वीडियो नहीं। यहाँ कुछ भी आपके लिए टाइमलाइन नहीं बनाता: क्लिप, वॉइसओवर और कैप्शन अलग-अलग फाइल के रूप में निकलते हैं, और कटाई, टाइमिंग और एक्सपोर्ट वीडियो एडिटर में होते हैं। वह आखिरी चरण असली मेहनत है, और पहला एडिट आमतौर पर जनरेशन से ज़्यादा समय लेता है।
रफ़्तार दूसरी सीमा है। भाषा मॉडल ऐसी स्क्रिप्ट लिख सकता है जो पढ़ने में अच्छी लगे, पर वह सुन नहीं सकता कि कोई लाइन बहुत तेज़ निकल रही है या नहीं, और वॉइस मॉडल हर वाक्य को यह जाने बिना पढ़ता है कि तस्वीर में क्या हो रहा है। अवधि ठीक करने और कुछ लाइनों को कान से संतुलित करने के लिए तैयार रहें।
तीसरी बात, फुटेज आपके आर्टिकल को नहीं जानता। वीडियो मॉडल विवरण से एक संभावित क्लिप बनाता है, इसलिए वह आपके प्रोडक्ट की असली स्क्रीन, चार्ट, उद्धरण या डेटा नहीं दिखा सकता। जो पोस्ट डायग्राम, कोड या संख्याओं पर टिकी हैं, उनके लिए वे सामग्री सामान्य तरीके से कैप्चर करके एडिट में डालनी होगी। और क्लिप अपने आप एक जैसी नहीं रहतीं: पहले दृश्य का किरदार या जगह चौथे दृश्य में अलग दिखेगी, जब तक आप साझा रेफरेंस इमेज से काम न करें।
आखिर में, तथ्य जाँचें। छोटी की हुई स्क्रिप्ट कोई ऐसी शर्त छोड़ सकती है जिससे दावा सही बनता था, और बोला हुआ संस्करण लिखे हुए से ज़्यादा पक्का लगता है। रिकॉर्ड करने से पहले स्क्रिप्ट को पोस्ट से मिलाएँ।
तकनीकी रूप से हाँ, लेकिन कुछ पोस्ट दूसरों से कहीं बेहतर बदलती हैं। राय वाले लेख, हाउ-टू, समझाने वाले आर्टिकल और लिस्ट वाले आर्टिकल साफ क्रम वाली स्क्रिप्ट में अच्छे से ढलते हैं। स्क्रीनशॉट, टेबल, कोड या लंबे डेटा विश्लेषण पर बनी पोस्ट बोले जाने पर अपनी ज़्यादातर कीमत खो देती हैं, और फुटेज मॉडल आपके असली विज़ुअल नहीं बना सकते। ऐसी पोस्ट चुनें जिनकी मुख्य बात एक-दो मिनट में ज़ोर से कही जाने पर भी टिकी रहे।
anthropic/claude-sonnet-5 और google/gemini-3.5-flash दोनों कैटलॉग में हैं और पूरा आर्टिकल इनपुट में ले लेते हैं। फर्क ज़्यादातर पसंद का है: वही प्रॉम्प्ट दोनों में चलाएँ और वह स्क्रिप्ट रखें जो आपकी अपनी आवाज़ जैसी लगे। मॉडल के चुनाव से ज़्यादा निर्देश मायने रखता है। बोले जाने वाले वाक्य, हर वाक्य में एक विचार, पहले एक शुरुआती लाइन और दृश्य के निशान माँगें, और बताएँ कि क्या छोड़ना है।
कान के लिए लिखें, फिर परखें। छोटे वाक्य, बोलचाल के संकुचित रूप और सरल शब्द ब्लॉग की औपचारिक भाषा से बेहतर सुनाई देते हैं। elevenlabs/v3 में आप आवाज़ चुन सकते हैं, रफ़्तार बदल सकते हैं और स्टाइल सेटिंग को ज़्यादा भावपूर्ण अदायगी की ओर ले जा सकते हैं, इसलिए तय करने से पहले पहले पैराग्राफ पर दो-तीन आवाज़ें आज़माएँ। पूरी फाइल एक बार सुनें, और जो ब्रांड नाम या संक्षिप्त रूप आवाज़ गलत बोले उसे ध्वनि के हिसाब से दोबारा लिखें।
हाँ, इस वर्कफ़्लो के लिए। टूलकिट स्क्रिप्ट, ऑडियो, क्लिप और ट्रांसक्रिप्ट जनरेट करता है, लेकिन उन्हें टाइमलाइन पर नहीं रखता। नैरेशन को क्लिप के नीचे रखने, लय पर काटने, कैप्शन जोड़ने और प्लेटफ़ॉर्म के लिए एक्सपोर्ट करने को आपको एडिटर चाहिए होगा। ऑडियो, वीडियो और टेक्स्ट फाइल लेने वाला कोई भी एडिटर चलेगा, मुफ्त वाले भी, इसलिए एडिटर कोई नई लागत नहीं है।
तैयार नैरेशन को openai/gpt-4o-transcribe से चलाकर टेक्स्ट पाएँ, स्पेलिंग ठीक करें और उसे अपने एडिटर में कैप्शन की तरह लाएँ। ट्रांसक्रिप्ट शब्द देती है, और जगह, स्टाइल और ऑडियो के साथ टाइमिंग एडिटर संभालता है। चूँकि स्क्रिप्ट आपने खुद लिखी है, आप उसे सीधे भी चिपका सकते हैं और ट्रांसक्रिप्ट सिर्फ जाँच के लिए इस्तेमाल कर सकते हैं। वीडियो के ऑटोमैटिक सबटाइटल वाला पेज इसे और गहराई से बताता है।
उतना ही जितना आपका विवरण इजाज़त देता है। वीडियो मॉडल टेक्स्ट प्रॉम्प्ट या शुरुआती इमेज को छोटी क्लिप में बदलता है, और वह संदर्भ के लिए आपका आर्टिकल नहीं पढ़ेगा। हर शॉट को ठोस दृश्य की तरह लिखें: विषय, जगह, कैमरा की चाल, माहौल। दो विकल्प बनाएँ और वह चुनें जो लाइन से मेल खाए। जो कुछ सिर्फ आपका है, जैसे आपका प्रोडक्ट, उसे खुद शूट या कैप्चर करके एडिट में जोड़ें।
एक ही इमेज मॉडल में, जैसे google/nano-banana-pro या black-forest-labs/flux-2-pro, हर दृश्य की एक स्थिर इमेज बनाएँ, साझा स्टाइल विवरण के साथ और जहाँ हो सके उसी रेफरेंस इमेज के साथ। फिर हर इमेज को ऐसे वीडियो मॉडल से एनिमेट करें जो शुरुआती इमेज लेता हो। इससे रंग, किरदार और जगह हर क्लिप को सिर्फ टेक्स्ट से बनाने की तुलना में बेहतर साथ टिकते हैं, हालाँकि क्लिप के बीच छोटे फर्क फिर भी दिखेंगे।
सिर्फ अपनी आवाज़, या वह आवाज़ जिसके इस्तेमाल की आपके पास साफ इजाज़त हो। किसी असली, पहचाने जा सकने वाले व्यक्ति की आवाज़ या चेहरा उसकी सहमति के बिना दोबारा न बनाएँ, और जनरेट किए फुटेज के लोगों को काल्पनिक रखें। elevenlabs/v3 की आवाज़ें पहले से बने पर्सोना हैं, इसलिए वे यह समस्या पूरी तरह टाल देती हैं। अगर आपका वीडियो किसी को उद्धृत करता है, तो उसकी नकल करने के बजाय नैरेशन में उसका नाम बताएँ।
यह ज़्यादातर हर प्लेटफ़ॉर्म के मौजूदा नियमों का सवाल है, इसलिए पोस्ट करने से पहले उन्हें देख लें। लंबाई, स्क्रीन के अनुपात, कैप्शन और AI से बने कंटेंट के खुलासे की शर्तें प्लेटफ़ॉर्म के हिसाब से अलग हैं और समय के साथ बदलती हैं, और यह पेज उन्हें भरोसे से नहीं बता सकता। अपने एडिटर से उसी रूप में एक्सपोर्ट करें जो प्लेटफ़ॉर्म माँगता है, और जहाँ ज़रूरी हो वहाँ वीडियो को AI की मदद से बना बताएँ।
हर चरण क्रेडिट इस्तेमाल करता है, और लागत आपके चुने मॉडल और सेटिंग पर निर्भर करती है। टेक्स्ट और आवाज़ आमतौर पर सबसे सस्ते चरण हैं, जबकि वीडियो क्लिप सबसे महँगा हिस्सा है, इसलिए दृश्यों और दोबारा कोशिशों की गिनती कुल तय करती है। नए अकाउंट को आज़माने के लिए मुफ्त क्रेडिट मिलते हैं। मौजूदा प्लान प्राइसिंग पेज पर हैं, जो आँकड़ों के लिए भरोसे की इकलौती जगह है।
आपका सबसे अच्छा आर्टिकल पहले से एक स्क्रिप्ट है जो कटने का इंतज़ार कर रही है। Picasso IA का टूलकिट खोलें, उसे किसी भाषा मॉडल में चिपकाएँ और देखें कि पहली दृश्य-सूची के रूप में वह कैसा सुनाई देता है।
अपनी भाषा चुनें
