भाषा मॉडल से स्क्रिप्ट लिखें, टेक्स्ट टू स्पीच से उसे आवाज़ दें, वीडियो मॉडल से शॉट बनाएं और म्यूजिक मॉडल से बैकग्राउंड म्यूजिक तैयार करें, सब कुछ एक ही वर्कस्पेस से। फाइनल टाइमलाइन आपको अब भी वीडियो एडिटर में जोड़नी होगी, और यह पेज बताता है कि हर कदम के लिए कौन सा मॉडल सही बैठता है और हैंडऑफ कहां होते हैं।
एक छोटा वीडियो असल में एक ही कोट में पांच काम है: कोई उसे लिखता है, कोई बोलता है, कोई शूट करता है, कोई म्यूजिक देता है और कोई सबटाइटल लगाता है। Picasso IA इन पांचों कामों के लिए एक-एक मॉडल एक ही वर्कस्पेस में रखता है, इसलिए आप पांच अकाउंट के बीच भागने के बजाय पूरी चेन एक ही बैठक में चला सकते हैं। ईमानदार बात आखिर में आती है: टुकड़े वीडियो एडिटर की टाइमलाइन पर जुड़ते हैं, toolkit के अंदर नहीं।
AI वीडियो आज़माने वाले ज़्यादातर लोग शॉट से शुरू करते हैं और वहीं रुक जाते हैं। क्लिप अच्छे दिखते हैं, पर आवाज़ गायब या बेतरतीब होती है, रफ़्तार में कोई रीढ़ नहीं होती, और नतीजा वीडियो से ज़्यादा डेमो रील जैसा लगता है। अक्सर जो कमी रहती है वह है ऐसी स्क्रिप्ट जिसे बाकी कदम फॉलो कर सकें। जब स्क्रिप्ट पहले आती है, तो आवाज़ लंबाई तय करती है, लंबाई तय करती है कि कितने शॉट चाहिए, और म्यूजिक के पास मिलाने के लिए एक रनटाइम होता है।
जोड़ने की असली वजह यही है। हर कदम एक फाइल बनाता है जिसे अगला कदम इस्तेमाल करता है, और हर हैंडऑफ वह जगह है जहां आप भरोसे के बजाय कुछ तय करते हैं। Picasso IA में 502 मॉडल हैं, और कैटेगरी लगभग एक-एक करके चरणों से मेल खाती हैं: स्क्रिप्ट के लिए 75 लार्ज लैंग्वेज मॉडल, आवाज़ के लिए 24 टेक्स्ट टू स्पीच मॉडल, फुटेज के लिए 121 टेक्स्ट टू वीडियो मॉडल, बैकग्राउंड के लिए 10 म्यूजिक जनरेशन मॉडल, और ट्रांसक्रिप्ट चाहिए तो 3 स्पीच टू टेक्स्ट मॉडल। सब कुछ toolkit में चलता है, इसलिए एक्सपोर्ट करने तक फाइलें एक ही टैब से बाहर नहीं जातीं।
नए अकाउंट को मुफ्त क्रेडिट मिलते हैं, जो एक छोटी चेन एक बार चलाकर देखने के लिए काफी हैं कि वह कहां टिकती है। हर जनरेशन में क्रेडिट लगते हैं और लागत मॉडल और सेटिंग पर निर्भर करती है, इसलिए लंबी सीरीज़ की योजना बनाने से पहले प्राइसिंग पेज देखें।
नीचे की तालिका हर चरण को उस तरह के मॉडल से जोड़ती है जो उसे करता है, कैटलॉग से कुछ असली उदाहरणों के साथ, और यह भी कि अगले चरण को क्या दिया जाता है। उदाहरण शुरुआती बिंदु हैं, रैंकिंग नहीं; पूरा कैटलॉग हर पंक्ति में और विकल्प देता है।
| चरण | कैटलॉग से उदाहरण मॉडल | अगले कदम को क्या देता है |
|---|---|---|
| स्क्रिप्ट और शॉट सूची | claude-sonnet-5, gemini-3.5-flash, gpt-5.4 | नैरेशन का टेक्स्ट और हर शॉट की एक पंक्ति |
| वॉइसओवर | elevenlabs v3, minimax speech-2.8-hd, inworld tts-1.5-max | एक ऑडियो फाइल जिसकी लंबाई रनटाइम तय करती है |
| फुटेज | veo-3.1, kling-v3-video, seedance-2.0 | छोटे क्लिप, हर शॉट का एक |
| म्यूजिक | lyria-3, minimax music-2.6, elevenlabs music | नैरेशन के नीचे चलने वाला ट्रैक |
| सबटाइटल | autocaption, gpt-4o-transcribe | वीडियो में जड़े सबटाइटल या ट्रांसक्रिप्ट फाइल |
इस तालिका की दो बातें मायने रखती हैं। पहली, कुछ वीडियो मॉडल क्लिप के साथ अपना ऑडियो भी बनाते हैं: veo-3.1 मेल खाता साउंड ट्रैक बना सकता है, जो माहौल के लिए ठीक है और वॉइसओवर जोड़ने पर जाल बन जाता है, इसलिए उसे बंद कर दें या एडिटर में म्यूट करने की योजना रखें। दूसरी, autocaption तैयार वीडियो का ऑडियो पढ़कर सबटाइटल उसमें जड़ देता है, इसलिए उसकी जगह चेन के बिल्कुल आखिर में है, कट जोड़ने और एक्सपोर्ट करने के बाद।
यह वह क्रम है जो दोबारा काम से बचाता है। यह मानकर चलता है कि वीडियो छोटा है, लगभग एक मिनट का, और आखिरी हिस्से के लिए आपके पास अपनी पसंद का वीडियो एडिटर है।
किसी एक चरण को गहराई से देखना हो तो वीडियो के लिए AI वॉइसओवर, वीडियो के लिए बैकग्राउंड म्यूजिक और वीडियो के ऑटोमैटिक सबटाइटल के पेज हर कदम को अलग से समझाते हैं।
पन्ने पर पढ़ने के लिए लिखी स्क्रिप्ट इस चेन के लिए गलत स्क्रिप्ट है। वॉइस मॉडल हर शब्द अक्षरशः पढ़ेगा, और वीडियो मॉडल को ऐसी चीज़ चाहिए जिसकी वह कल्पना कर सके। भाषा मॉडल से एक साथ दो आउटपुट मांगें: एक सांस में बोले जा सकने वाले छोटे वाक्यों में नैरेशन, और शॉट सूची जिसकी हर पंक्ति एक दृश्य, एक कैमरा मूव और एक लोकेशन बताए, बिना ऐसे अमूर्त वाक्यांशों के जिन्हें वीडियो मॉडल बना न सके।
शॉट की गिनती ईमानदार रखें। वीडियो मॉडल कुछ सेकंड के छोटे क्लिप बनाते हैं, इसलिए साठ सेकंड के नैरेशन को तीन नहीं, दर्जन भर या उससे ज़्यादा शॉट चाहिए। सूची को क्रमांकित रखने को कहें और यह भी कि हर शॉट नैरेशन की कौन सी पंक्ति को कवर करता है। फिर एडिटर की टाइमलाइन लगभग खुद बन जाती है: पंक्ति एक, शॉट एक, और आगे इसी तरह।
टिप: वॉइसओवर फुटेज से पहले बनाएं, बाद में नहीं। आवाज़ की फाइल आपको योजना बनाने के लिए असली सेकंड देती है, और शॉट सूची बदलना क्लिप दोबारा बनाने से कहीं सस्ता है, खासकर तब जब नैरेशन आपके अंदाज़े से दोगुना लंबा निकले।
म्यूजिक प्रॉम्प्ट लिखते समय किसी कलाकार या गाने का नाम लेने के बजाय एहसास और टेम्पो बताएं। गर्म, हल्का एकोस्टिक, स्थिर और बिना जल्दबाज़ी, बिना वोकल, जैसा कुछ कई मॉडल में काम करता है और नैरेशन को सुनाई देता रहने देता है। लोगों वाले फुटेज के लिए काल्पनिक किरदार या अपनी खुद की तस्वीर रखें, और आवाज़ के लिए मॉडल की उपलब्ध आवाज़ों में से कोई या अपनी रिकॉर्डिंग इस्तेमाल करें; किसी असली व्यक्ति के चेहरे या आवाज़ की नकल उसकी सहमति के बिना न करें।
ज़्यादातर नाकाम चेन किसी हैंडऑफ पर टूटती हैं, किसी मॉडल के अंदर नहीं। ये सबसे आम हैं:
चेन आपको कच्चा माल देती है, तैयार फिल्म नहीं। Picasso IA ऐसी मल्टी-ट्रैक टाइमलाइन नहीं देता जहां आवाज़, क्लिप और म्यूजिक अपने आप बैठ जाएं, इसलिए कट, ट्रांज़िशन, ऑडियो लेवल और फाइनल एक्सपोर्ट वीडियो एडिटर में होते हैं। अगर आपने पहले कभी एडिटर नहीं चलाया, तो उसके लिए समय रखें, और Picasso IA बनाम CapCut पेज दोनों का फर्क समझाता है।
और भी सीमाएं हैं। निरंतरता सबसे बड़ी है: एक क्लिप में सही दिखने वाला किरदार अगले में बदल सकता है, और कई शॉट में एक ही अभिनेता वाले लंबे दृश्यों में रेफरेंस इमेज के साथ भी असली मेहनत लगती है। होंठ सिंक वाले बोलते चेहरों के लिए आवाज़ के ऊपर lipsync-2 जैसा लिपसिंक मॉडल चाहिए, जो एक और हैंडऑफ जोड़ता है। स्क्रीन पर सटीक टेक्स्ट, लोगो और सटीक प्रोडक्ट शॉट वर्णन से बनवाने के बजाय शूट या डिज़ाइन करके फिर एनिमेट करना बेहतर है। और जब किसी लंबी सीरीज़ में एक तय लुक चाहिए, तो हर एपिसोड के लिए चेन दोबारा चलाने से एडिटर में एक टेम्पलेट सरल है।
अगर आपका लक्ष्य जल्दी बनने वाला एक्सप्लेनर या फेसलेस चैनल है, तो चेन अच्छी बैठती है, जैसे AI एक्सप्लेनर वीडियो या फेसलेस YouTube वीडियो में। अगर लक्ष्य एक टेक वाला इंटरव्यू या लाइव इवेंट का रीकैप है, तो उसे शूट करें।
सारी सामग्री वहां बना सकते हैं: स्क्रिप्ट, वॉइसओवर, क्लिप, म्यूजिक और सबटाइटल। जो नहीं कर सकते वह है उन्हें टाइमलाइन पर काटकर जोड़ना, क्योंकि toolkit अलग-अलग फाइलें बनाता और एडिट करता है और मल्टी-ट्रैक प्रोजेक्ट नहीं जोड़ता। टुकड़े एक्सपोर्ट करने और कट अपने पहले से इस्तेमाल होने वाले वीडियो एडिटर में पूरा करने की योजना रखें।
कोई एक सही जवाब नहीं है, और इसीलिए कैटलॉग काम आता है। स्क्रिप्ट के लिए claude-sonnet-5, gemini-3.5-flash और gpt-5.4 भाषा मॉडल हैं जिन्हें आप एक ही प्रॉम्प्ट पर आज़मा सकते हैं। आवाज़ के लिए elevenlabs v3 और minimax speech-2.8-hd आज़माएं। फुटेज के लिए veo-3.1, kling-v3-video और seedance-2.0 आम शुरुआती बिंदु हैं, और म्यूजिक के लिए lyria-3 और minimax music-2.6। एक ही इनपुट दो मॉडल से चलाएं और जो बेहतर सुनाई या दिखाई दे उसे रखें।
हां, एक क्लिप से ज़्यादा किसी भी चीज़ के लिए। एडिटर वह जगह है जहां नैरेशन, फुटेज और म्यूजिक टाइमलाइन पर मिलते हैं, जहां आप हर शॉट को उसकी नैरेशन पंक्ति के हिसाब से ट्रिम करते हैं और ऑडियो लेवल सेट करते हैं। कोई भी एडिटर जो वीडियो और ऑडियो फाइलें लेता है, चलेगा। Picasso IA के टूल हिस्से बनाते हैं, और एडिटर उन्हें जोड़ता है।
कुछ बना सकते हैं। veo-3.1 क्लिप के साथ संदर्भ के अनुसार ऑडियो बनाता है, जो माहौल और छोटे बोले गए पलों के लिए ठीक है। नैरेशन वाले वीडियो के लिए आप आमतौर पर अलग टेक्स्ट टू स्पीच आवाज़ चाहेंगे ताकि शब्दों और रफ़्तार पर आपका नियंत्रण रहे, फिर एडिटर में बिल्ट-इन साउंड को म्यूट या धीमा कर दें ताकि दोनों टकराएं नहीं।
रोशनी, रंग और कैमरा एहसास वाला एक स्टाइल वाक्य लिखें और उसे हर शॉट प्रॉम्प्ट में पेस्ट करें। जब मॉडल रेफरेंस इमेज लेता है, तो किसी किरदार या प्रोडक्ट के हर शॉट के लिए वही इमेज दें। पूरी चेन में निरंतरता सबसे मुश्किल हिस्सा है, इसलिए एडिट पर पक्का होने से पहले क्लिप साथ-साथ रखकर जांचें; AI से एक जैसे किरदार का पेज इस पर और गहराई से जाता है।
यह मॉडल और आपकी चुनी सेटिंग पर निर्भर है। जैसे veo-3.1 हर जनरेशन के लिए कुछ सेकंड की छोटी अवधियां देता है। ज़्यादातर वीडियो मॉडल छोटे क्लिप में काम करते हैं, इसलिए लंबा वीडियो एक लंबी जनरेशन से नहीं बल्कि कई शॉट से बनता है। शॉट सूची लिखने से पहले toolkit में हर मॉडल के विकल्प देखें, ताकि शॉट की गिनती नैरेशन से मेल खाए।
अपनी आवाज़ इस्तेमाल करें, या टेक्स्ट टू स्पीच मॉडल की तैयार आवाज़, या कोई काल्पनिक किरदार। किसी असली, पहचाने जाने वाले व्यक्ति की आवाज़ या चेहरे को उसकी साफ़ अनुमति के बिना क्लोन या नकल नहीं करना चाहिए, और कुछ प्लेटफ़ॉर्म के सिंथेटिक मीडिया पर नियम होते हैं जिन्हें पब्लिश करने से पहले पढ़ लेना चाहिए। Picasso IA में इसके लिए वॉइस मॉडल भी हैं, लेकिन सहमति और खुलासा आपकी ज़िम्मेदारी रहती है।
एडिटर से जोड़ा हुआ वीडियो एक्सपोर्ट करें, वह फाइल autocaption पर अपलोड करें और फॉन्ट, रंग और जगह चुनें। वह बोले हुए को लिखित रूप देता है, सबटाइटल तस्वीर में जड़ता है और आपको एक ट्रांसक्रिप्ट फाइल देता है जिसे आप सुधारकर दोबारा साफ़ रन के लिए वापस दे सकते हैं। अगर सिर्फ टेक्स्ट चाहिए, तो gpt-4o-transcribe जैसा स्पीच टू टेक्स्ट मॉडल वीडियो को छुए बिना काम करता है।
आमतौर पर हां, लेकिन प्लेटफ़ॉर्म AI से बने मीडिया, डिस्क्लोज़र लेबल और म्यूजिक के इस्तेमाल के नियम बदलते रहते हैं, इसलिए अपलोड से पहले प्लेटफ़ॉर्म की मौजूदा ज़रूरतें देख लें। नतीजे के किसी भी कमर्शियल इस्तेमाल पर भी यही लागू होता है। हर वीडियो के प्रॉम्प्ट और एक्सपोर्ट फाइलें एक फोल्डर में रखें ताकि कोई प्लेटफ़ॉर्म या क्लाइंट पूछे तो आप दिखा सकें कि उसमें क्या लगा।
हर कदम में क्रेडिट लगते हैं, और प्रति जनरेशन कीमत मॉडल और सेटिंग पर निर्भर करती है, इसलिए यहां लिखी कोई भी संख्या जल्दी पुरानी हो जाएगी। वीडियो क्लिप आमतौर पर टेक्स्ट, आवाज़ या म्यूजिक से महंगे पड़ते हैं, यानी शॉट की गिनती ज़्यादातर बिल तय करती है। नए अकाउंट मुफ्त क्रेडिट के साथ शुरू होते हैं, और मौजूदा प्लान प्राइसिंग पेज पर हैं।
पहली कड़ी आज़माने के लिए तैयार हैं? Picasso IA का toolkit खोलें, अपना आइडिया किसी भाषा मॉडल में पेस्ट करें और उसे वह स्क्रिप्ट लिखने दें जिसे बाकी सब कुछ फॉलो करेगा।
अपनी भाषा चुनें
