Kezdőkép vagy szöveg: melyikből lesz kiszámítható videó

Röviden: ha a snittben ember, termék vagy bármi olyan szerepel, aminek a következő snittben is ugyanúgy kell kinéznie, előbb készíts kezdőképet, és abból generáld a videót. A szövegből indított videó (text-to-video) akkor jó, ha a jelenet laza hangulati kép, és nem baj, ha minden próbálkozás kicsit mást ad.

Az ok egyszerű. Szövegből a modellnek egyszerre kell kitalálnia az arcot, a ruhát, a fényt, a kivágást és a mozgást. Kezdőképből már csak a mozgásról dönt, minden mást készen kap.

Mit dönt el a modell helyetted

Egy szöveges videóprompt rengeteget cipel. Ha valamit nem írsz le, a modell a saját átlagával tölti ki a hézagot, és ez az átlag minden generálásnál máshova esik. Az egyik változatban göndör a haj, a másikban egyenes, a harmadikban a fény is a másik oldalról jön.

Egyetlen snittnél ez még elmegy. Egy hatsnittes reklámnál viszont hat különböző nőt kapsz hat különböző konyhában, és ezt a vágásban már nem lehet megmenteni.

Miért a kezdőkép a biztosabb út

A mi tervezőnk minden snitthez előbb kezdőkép-promptot ír, és csak utána videópromptot. Ennek gyakorlati okai vannak, nem elvi okai.

• Látod a képet, mielőtt videóra költenél: egy állóképet gyorsabb újragenerálni, mint egy klipet.
• A videó a kezdőképtől örökli a realizmust: a bőr, a fény és a részletek itt dőlnek el.
• A karakterleírás kulcsjegyeit szóról szóra megismételheted minden képen, így az arc snittről snittre ugyanaz marad.
• A kezet, a kompozíciót és a hátteret még a mozgás előtt ellenőrzöd.

Egy jó kezdőkép-prompt sorrendje: kivágás, szög, objektív, aztán ki mit csinál és hol, majd a jelenetlap (napszak, fény, színek), a karakter rögzített jegyei, a realizmusblokk és a kompozíciós sor. A végére jöhet egy rövid „avoid:” lista.

Medium close-up, eye level, 85 mm lens: a woman in her early thirties pours coffee from a moka pot at a narrow kitchen window, early morning, low warm sunlight from the left, palette of cream, rust and muted teal. Oval face, straight dark eyebrows, a small mole above the left lip, light olive skin with a warm undertone, faint freckles across the nose, shoulder-length wavy chestnut hair in a loose low bun, oversized grey knit cardigan. Photorealistic, pore-level skin detail, natural matte skin with slight tonal variation, tiny natural imperfections, a few loose flyaway hairs, fabric with real weave and natural creases, diffuse realistic light falling off across the face, no beauty retouch, no airbrushing, no plastic glow. Key subject and action kept within the central square of the frame, comfortable headroom, nothing essential near the top or bottom edges. avoid: waxy or plastic skin, airbrushed look, glossy AI sheen, perfectly symmetrical face, extra or fused fingers.

Két prompt, két külön feladat

A leggyakoribb hiba, hogy a videópromptba is bemásolják a teljes képleírást. Erre nincs szükség: a kép már megmondta, ki és hol. A videóprompt csak azt írja le, ami változik.

Egy snitt, egy kameramozgás. Távolságot és időt adj meg, ne erősséget jelző mellékneveket, és nevezd meg a mozgás kezdő és záró képét. A kamera és a szereplő mozgása külön mondatba kerül.

The camera moves in from a medium close-up to a close-up of her face over the full five seconds, travelling about half a metre. The shot opens on her hands and the moka pot and ends on her eyes and the steam rising past her cheek. She finishes pouring, sets the pot down and exhales, and her shoulders drop. Her gaze leaves the cup, goes to the window and returns. Steam rises continuously from the cup, clearly visible.

Ez Kling-stílusú prompt: természetes, teljes mondatok, egy mozgás, tiltólista nélkül (azt a Kling külön mezőben kéri). Seedance-hez 60–100 szó a jó hossz, a Veónál ugyanezek az elvek érvényesek, tömörebben.

Mikor elég a szöveg

A szövegből indulásnak is van helye. Felhők, hullámok, köd egy tó fölött, absztrakt anyagtextúrák: ezeknél senki nem fogja észrevenni, ha a második változat más, mint az első. Arra is jó, hogy gyorsan kipróbáld, működik-e egy kameramozgás.

Ha viszont a snitt bekerül a filmbe, és a többi kép színvilágához, fényéhez kell illeszkednie, akkor itt is jobban jársz kezdőképpel. A jelenetlap az egész filmre szól, és egy szöveges generálás ritkán találja el pontosan.

Melyik modell melyik lépéshez

Emberes, arcos kezdőképhez a Nano Banana Pro az alapértelmezés, ennél a legkevesebb a kézhiba. Helyszínhez, anyagokhoz a Nano Banana 2, felülnézetes termékképhez a Seedream 4.5 a jó választás. Videóhoz: néma vágóképekre és termékre a Kling 3.0, élő testmozgásra és érzelmekre a Seedance 2.0, térben sétáló emberekre a Veo 3.1.

Így csináld a következő filmednél

1. Jelenetlap és karakterÍrd le egyszer a napszakot, a fényt, 3–5 színt és a szereplő arcát, haját, ruháját.
2. KezdőképekMinden snitthez készíts állóképet, és nézd meg a kezet, az arcot, a kompozíciót.
3. JavításCsak a hibás képet generáld újra, a karakter- és jelenetleírást hagyd változatlanul.
4. VideópromptEgy mozgás, távolság és idő, kezdő és záró kép, a szereplő külön mondatban.
5. Ha elcsúszikHa a mozgás nem sikerül, egyszerűsítsd, de a jó kezdőképet tartsd meg.