अपने किरदार की फोटो अपलोड करें, रेफरेंस-टू-वीडियो मॉडल चुनें और सीन, कैमरा और एक्शन बदलते रहने पर भी वही चेहरा और वही कपड़े बनाए रखें। रेफरेंस लेने वाले चार मॉडल की तुलना देखें, रेफरेंस सेट बनाना सीखें और जानें कि चेहरा अब भी कहां भटकता है।
किसी AI वीडियो मॉडल से लाल कोट वाली एक ही महिला तीन बार मांगिए, और आपको तीन अलग महिलाएं तीन अलग कोट में मिलेंगी। टेक्स्ट प्रॉम्प्ट किसी इंसान का वर्णन करता है, उसे पहचानता नहीं। रेफरेंस-टू-वीडियो मॉडल इस समस्या को दूसरी तरफ से पकड़ते हैं: आप उन्हें अपने किरदार की फोटो देते हैं, और वे सीन, कैमरा और एक्शन बदलते रहने पर भी वही चेहरा और वही कपड़े स्थिर रखने की कोशिश करते हैं। यह पेज बताता है कि Picasso IA पर यह कैसे काम करता है, कौन से मॉडल यह करते हैं और यह कहां अब भी चूक जाता है।
टेक्स्ट-टू-वीडियो मॉडल हर क्लिप शुरू से बनाता है। हर जनरेशन शब्दों से मेल खाता एक नया इंसान चुनती है, इसलिए भूरे बाल, हरी जैकेट, तीस के आसपास की उम्र जैसे शब्दों से सौ अलग लोग निकल सकते हैं, और उनमें से कोई भी आपके पिछले क्लिप वाला नहीं होता। सीड नंबर तय करने से तभी मदद मिलती है जब प्रॉम्प्ट भी वही रहे, और अगले शॉट को नई लोकेशन चाहिए तो ठीक यही आप नहीं कर सकते।
रेफरेंस-टू-वीडियो क्रम उलट देता है। इमेज पहचान संभालती है और प्रॉम्प्ट बाकी सब: किरदार कहां है, क्या कर रहा है, कैमरा कैसे चल रहा है। चेहरे का वर्णन करके भरोसा करने के बजाय आप चेहरा दिखा देते हैं। शॉर्ट फिल्म, बार-बार आने वाले मैस्कॉट, ब्रांड के किरदार या सोशल क्लिप की सीरीज के लिए यही एक प्रोजेक्ट और बेमेल क्लिपों के ढेर का फर्क है।
अगर आपको एक जैसा किरदार सिर्फ स्थिर इमेज में चाहिए, तो उसका साथी वर्कफ्लो AI से एक जैसे किरदार है। स्थिर इमेज आसान आधा हिस्सा हैं। वीडियो में गति, कोण का बदलना और समय जुड़ जाते हैं, और इनमें से हर एक चेहरे के भटकने का मौका है।
कैटलॉग में चार मॉडल इनपुट के तौर पर रेफरेंस इमेज लेते हैं। वे इस बात में अलग हैं कि कितने रेफरेंस लेते हैं और इसके अलावा क्या कर सकते हैं, इसलिए सही चुनाव इस पर टिका है कि आपको एक मुख्य पोर्ट्रेट चाहिए, पोशाक का पूरा ब्योरा या कई शॉट वाली स्क्रिप्ट। ये सीमाएं Picasso IA पर हर मॉडल की इनपुट सेटिंग से ली गई हैं; मॉडल का पेज देखते रहें क्योंकि ये बदल सकती हैं।
| मॉडल | कितने रेफरेंस लेता है | खास सेटिंग | कब चुनें |
|---|---|---|---|
| wan-video/wan-2.7-r2v | रेफरेंस इमेज और छोटे रेफरेंस वीडियो क्लिप | 720p या 1080p, सिंगल या मल्टी शॉट, नेगेटिव प्रॉम्प्ट, सीड | आपके पास पोर्ट्रेट या छोटा क्लिप है और पहचान टिकानी है |
| xai/grok-imagine-r2v | 1 से 7 इमेज | 480p या 720p, 1 से 10 सेकंड, सात आस्पेक्ट रेशियो | कुछ ही इमेज से तेज टेस्ट करने हैं |
| kwaivgi/kling-v3-omni-video | 7 इमेज तक, या रेफरेंस वीडियो साथ हो तो 4 | छह सीन तक मल्टी-शॉट, नेटिव ऑडियो, शुरुआती और आखिरी फ्रेम | आप सीक्वेंस की स्क्रिप्ट बना रहे हैं और शॉट एक ही रन में चाहिए |
| bytedance/seedance-2.5 | 30 इमेज तक | नेटिव ऑडियो और डायलॉग, पहला और आखिरी फ्रेम, 480p या 720p | चेहरा, कपड़े और प्रॉप सब स्थिर रहने चाहिए |
इस तालिका को पढ़ते समय दो सावधानियां। रेफरेंस की ऊंची सीमा का मतलब बेहतर चेहरे नहीं है, उसका मतलब है पूरे ब्रीफ के लिए ज्यादा जगह: सामने का रुख, साइड का रुख, कपड़े, प्रॉप। और grok-imagine-r2v अपनी इमेज को स्टाइल और कंटेंट रेफरेंस की तरह लेता है, शुरुआती फ्रेम की तरह नहीं, इसलिए वह आपकी फोटो को जस का तस एनिमेट नहीं करेगा। उसके लिए कैटलॉग के इमेज-टू-वीडियो मॉडल बेहतर बैठते हैं।
यह Picasso IA पर पूरा तरीका है, कच्चे रेफरेंस से लेकर ऐसे क्लिप तक जो पिछले क्लिप से मेल खाए। सब कुछ टूलकिट में चलता है, इसलिए कुछ इंस्टॉल नहीं करना।
लागत मॉडल, रेजोल्यूशन और अवधि पर निर्भर करती है, इसलिए पहले छोटा टेस्ट चलाएं। प्राइसिंग पेज बताता है कि क्रेडिट कैसे काम करते हैं, और नए अकाउंट को शुरुआत के लिए मुफ्त क्रेडिट मिलते हैं।
एकरूपता की ज्यादातर विफलताएं रेफरेंस की विफलताएं होती हैं। एक अकेली ग्लैमर फोटो मॉडल को नकल करने के लिए एक कोण और एक रोशनी देती है, इसलिए जैसे ही किरदार मुड़ता है या रोशनी बदलती है, मॉडल अंदाजा लगाने लगता है। बेहतर सेट जानबूझकर नीरस होता है: सामने का सादा पोर्ट्रेट, तीन-चौथाई मोड़ और पूरे शरीर की एक इमेज जिसमें कपड़े पूरे दिखें।
अगर आपका किरदार अभी है ही नहीं, तो पहले उसे बनाएं। इमेज मॉडल से किसी काल्पनिक किरदार की कुछ स्थिर इमेज बनाएं, जो तीन आपस में मेल खाएं उन्हें चुनें और उन्हें रेफरेंस बनाएं। इस रास्ते से आप किसी असली इंसान की शक्ल से भी दूर रहते हैं, और यहां यह मायने रखता है: ऐसे चेहरे इस्तेमाल करें जो आपके अपने हों, आपकी अपनी फोटो हों या आपके गढ़े काल्पनिक किरदार हों, और किसी असली, पहचाने जा सकने वाले इंसान को कभी नहीं जिसने सहमति न दी हो।
सुझाव: वीडियो मॉडल से रेफरेंस के साथ एक जैसा रहने को कहने से पहले रेफरेंस को आपस में एक जैसा रखें। अगर आपके सामने वाले रुख में दाढ़ी है और साइड वाले में नहीं, तो मॉडल दोनों का औसत निकाल लेगा और आप एक घंटा नतीजे के पीछे भागेंगे।
वर्कफ्लो सीखते समय कपड़े सादे रखें। ठोस रंग, एक मुख्य एक्सेसरी और साफ आकृतियां छोटी छपाई, परतों वाले गहनों या कपड़ों पर लिखे शब्दों के मुकाबले गति में कहीं बेहतर टिकती हैं। बेस क्लिप टिकने लगे तो जटिलता बाद में जोड़ी जा सकती है।
सीक्वेंस बस कई क्लिप हैं जो एक ही रेफरेंस सेट बांटते हैं। कुछ भी जनरेट करने से पहले उसे शॉट लिस्ट की तरह योजनाबद्ध करें: शुरुआती वाइड शॉट, किरदार के अभिनय का मीडियम शॉट, प्रतिक्रिया का क्लोज-अप। हर एक को उन्हीं रेफरेंस के साथ अलग क्लिप के रूप में जनरेट करें, और प्रॉम्प्ट में सिर्फ सीन और कैमरे की पंक्तियां बदलें।
Kling v3 Omni Video एक ही रन के भीतर इससे आगे जा सकता है: उसका मल्टी-शॉट मोड छह सीन तक लेता है, हर एक का अपना प्रॉम्प्ट और अवधि, इसलिए कट मॉडल छोड़े बिना हो जाते हैं। Wan 2.7 R2V में भी मल्टी शॉट सेटिंग है। जब आप शॉट अलग-अलग चलाएं, तो जो प्रॉम्प्ट शब्दावली काम आई उसे लिख लें, क्योंकि जगह और रोशनी के लिए एक जैसे शब्द एडिट में किरदार को पड़ोसी शॉट से मिलाने में मदद करते हैं।
सीक्वेंस की योजना के लिए AI स्टोरीबोर्ड और AI शॉर्ट फिल्म और ट्रेलर शॉट लिस्ट वाला हिस्सा संभालते हैं। अगर आप एक ही फोटो से शुरू करना चाहें, तो फोटो को वीडियो में बदलना सबसे सरल शुरुआत है।
यह ऐसी तकनीक है जो भटकाव घटाती है, खत्म नहीं करती। उम्मीद रखें कि जितना रखेंगे उससे ज्यादा जनरेट करना पड़ेगा, और जानें कि विफलताएं कहां जमा होती हैं:
इसका मतलब वर्कफ्लो छोड़ देना नहीं है। इसका मतलब है ऐसे शॉट योजनाबद्ध करना जिन्हें आपके रेफरेंस संभाल सकें, और अपस्केलिंग या एडिटिंग का इस्तेमाल सिर्फ अंतिम सफाई के लिए करना, उस चेहरे को बचाने के लिए नहीं जो पहले ही बदल चुका है।
ज्यादातर हां, जब आप सिर्फ इंसान का वर्णन करने के बजाय मॉडल को रेफरेंस इमेज देते हैं। रेफरेंस-टू-वीडियो मॉडल सीन बदलने पर भी चेहरे और कपड़ों को आपकी इमेज से बांधे रखते हैं। इससे भटकाव काफी घटता है, पर यह गारंटी नहीं है, इसलिए हर क्लिप जांचें और जिनमें चेहरा हिल गया उन्हें दोबारा जनरेट करें।
यह जनरेशन का ऐसा मोड है जिसमें आप किसी किरदार, वस्तु या स्टाइल की इमेज (कुछ मॉडल में छोटे वीडियो क्लिप भी) अपलोड करते हैं, फिर नए सीन का प्रॉम्प्ट लिखते हैं। इमेज बताती हैं कि विषय कैसा दिखता है और प्रॉम्प्ट बताता है कि क्या होता है। यह इमेज-टू-वीडियो से अलग है, जिसमें आपकी इमेज क्लिप का पहला फ्रेम बन जाती है।
यहां बताए चार मॉडल में Seedance 2.5 30 इमेज तक लेता है, Kling v3 Omni Video और Grok Imagine R2V 7 तक, और Wan 2.7 R2V इमेज या छोटे क्लिप लेता है। ज्यादा का मतलब अपने आप बेहतर नहीं है, अच्छे चुने तीन कोण अक्सर लगभग एक जैसी इमेज के ढेर से जीतते हैं, पर ऊंची सीमा तब काम आती है जब कपड़े और प्रॉप मिलाने हों।
दो से चार से शुरू करें: सामने का रुख, तीन-चौथाई कोण और पूरे शरीर की इमेज। अगर शॉट में सिर घूमता है तो साइड का रुख जोड़ें, और किसी वस्तु को पहचानने लायक रखना हो तो उसका क्लोज-अप जोड़ें। हर अतिरिक्त इमेज को कुछ नया दिखाना चाहिए, वरना वह बस शोर जोड़ती है जिसे मॉडल को सुलझाना पड़ता है।
आमतौर पर दूरी, गति या ऐसे कोण की वजह से जो आपके रेफरेंस ने कभी दिखाया ही नहीं। वाइड शॉट में छोटा चेहरा, तेज मोड़ या साइड रेफरेंस के बिना प्रोफाइल मॉडल को अंदाजा लगाने पर मजबूर करते हैं। नजदीकी फ्रेमिंग, धीमी गति आजमाएं, या छूटे कोण का रेफरेंस जोड़ें, और लंबे क्लिप से पहले छोटा टेस्ट चलाएं।
सिर्फ अपनी, या ऐसे व्यक्ति की जिसने साफ सहमति दी हो। किसी असली, पहचाने जा सकने वाले इंसान का चेहरा उसकी सहमति के बिना इस्तेमाल न करें, और जनरेट की गई शक्ल को उस व्यक्ति की असली रिकॉर्डिंग की तरह पेश न करें। आपके खुद गढ़े काल्पनिक किरदार सीरीज और ब्रांड के काम के लिए सबसे सुरक्षित विकल्प हैं।
आम तौर पर नहीं। चेहरा रेफरेंस को तय करने दें और प्रॉम्प्ट को एक्शन, सेटिंग, रोशनी और कैमरे पर लगाएं। चेहरे की विशेषताएं दोबारा लिखना इमेज से टकरा सकता है, जैसे नीली आंखें मांगना जबकि आपके रेफरेंस में आंखें भूरी हैं। सिर्फ वही लिखें जो एक शॉट से दूसरे में बदलता है।
हां, दो तरीकों से। Kling v3 Omni Video आपके जुड़े रेफरेंस के साथ एक ही रन में छह सीन तक की स्क्रिप्ट बना सकता है, और Wan 2.7 R2V में मल्टी शॉट सेटिंग है। या वही रेफरेंस सेट लेकर क्लिप एक-एक करके जनरेट करें और एडिट में जोड़ें, जिससे हर शॉट पर ज्यादा नियंत्रण मिलता है।
चेहरे की एकरूपता और आवाज की एकरूपता अलग समस्याएं हैं। Seedance 2.5 और Kling v3 Omni Video जैसे कुछ मॉडल वीडियो के साथ ऑडियो जनरेट कर सकते हैं, पर कई क्लिप में स्थिर आवाज रेफरेंस इमेज से नहीं मिलती। सीरीज के लिए नैरेशन अलग से रिकॉर्ड या जनरेट करने और उसे एडिट पर चढ़ाने की योजना बनाएं।
वीडियो में इमेज से ज्यादा क्रेडिट लगते हैं, और राशि मॉडल, रेजोल्यूशन और क्लिप की लंबाई पर निर्भर करती है, इसलिए कोई एक ईमानदार संख्या नहीं है। फाइनल रेंडर से पहले रेफरेंस सेट जांचने का सस्ता तरीका छोटे, कम रेजोल्यूशन वाले टेस्ट हैं। नए अकाउंट को मुफ्त क्रेडिट मिलते हैं, और मौजूदा प्लान प्राइसिंग पेज पर हैं।
रेफरेंस सेट आजमाने को तैयार हैं? टूलकिट खोलें, अपने किरदार की तीन इमेज जोड़ें और पांच सेकंड का क्लिप जनरेट करके देखें कि चेहरा कितना टिकता है।
अपनी भाषा चुनें
