7 AI वीडियो प्रॉम्प्ट गलतियाँ जो चुपचाप आपके क्लिप बिगाड़ देती हैं
ज़्यादातर निराशाजनक AI वीडियो क्लिप किसी कमज़ोर मॉडल की वजह से नहीं बनते। ये उन प्रॉम्प्ट आदतों की वजह से बनते हैं जो इमेज जनरेशन से उधार ली गई थीं और जो शुरू से ही मोशन के लिए कभी काम नहीं करती थीं। एक स्थिर फ्रेम विशेषणों का ढेर सह सकता है। पाँच सेकंड का वीडियो नहीं सह सकता, क्योंकि मॉडल को एक साथ टाइमिंग, कैमरा मूवमेंट, सब्जेक्ट कंसिस्टेंसी और अक्सर ऑडियो को भी ट्रैक करना होता है।
यह गाइड सात प्रॉम्प्ट आदतों को तोड़कर बताता है जो चुपचाप AI-जनरेटेड वीडियो को नुकसान पहुँचाती हैं, साथ में पहले-और-बाद के रीराइट और PixVerse पर असली जनरेशन टेस्ट। आप इन फिक्स की तुलना PixVerse पर उपलब्ध मॉडल्स में कर सकते हैं, जिनमें Seedance 2.0, HappyHorse 1.0, PixVerse V6, PixVerse C1, Kling O3, और Kling 3.0 शामिल हैं। अंतर्निहित समस्याएँ किसी एक मॉडल के लिए विशेष नहीं हैं — ये ज़्यादातर AI वीडियो जनरेटर में दिखाई देती हैं क्योंकि फेलियर पॉइंट्स साझा हैं: भारी-भरकम प्रॉम्प्ट, अस्पष्ट मूड शब्द, आपस में टकराने वाले कैमरा निर्देश, नकली नेगेटिव प्रॉम्प्ट, गति की भाषा जो कंपन ट्रिगर करती है, अत्यधिक वर्णित रेफरेंस इमेज, और सामान्य क्वालिटी लेबल।
यह संक्षिप्तता के लिए छोटे प्रॉम्प्ट लिखने के बारे में नहीं है। यह प्रॉम्प्ट के हर शब्द को असली काम कराने के बारे में है। एक अच्छी तरह बना प्रॉम्प्ट सबसे महत्वपूर्ण जानकारी को सबसे पहले रखता है, एक ही मोशन पाथ को अपनाता है, जो भी विज़ुअली स्थिर रहना चाहिए उसकी रक्षा करता है, और अस्पष्ट रुचि वाले शब्दों को उस भाषा से बदल देता है जिसे मॉडल वास्तव में कल्पना कर सकता है।
हमने ये टेस्ट कैसे सेट किए
नीचे दिया गया हर उदाहरण PixVerse पर एक मिलान सेटअप के साथ जनरेट किया गया था: हर क्लिप के लिए वही बेसलाइन जनरेशन सेटिंग्स और ऑडियो चालू। हम किसी खास मॉडल ट्रिक को दिखाने की कोशिश नहीं कर रहे थे — मकसद यह अलग करना था कि बाकी वातावरण को स्थिर रखते हुए प्रॉम्प्ट खुद क्या कर रहा था। छह क्लिप 1280x720 लैंडस्केप में चले; रेफरेंस-इमेज वाला उदाहरण 720x1280 पोर्ट्रेट में चला, क्योंकि वह केस एक वर्टिकल प्रोडक्ट शॉट पर निर्भर करता है। हर आउटपुट में साउंड शामिल है।
हमने हर नतीजे को छह चीज़ों के आधार पर परखा जो एक काम करने वाले प्रॉम्प्ट को देनी चाहिए: निर्देश पालन, मोशन स्पष्टता, सब्जेक्ट कंसिस्टेंसी, कैमरा स्थिरता, ऑडियो उपयोगिता, और क्या क्लिप वास्तव में किसी ब्लॉग पोस्ट, विज्ञापन ड्राफ्ट, पिच डेक, या ट्यूटोरियल में जा सकता है।
ये जानबूझकर क्रॉस-मॉडल हेयुरिस्टिक्स हैं। ज़्यादातर मौजूदा वीडियो जनरेटर समान दबाव बिंदु साझा करते हैं: समय के साथ ड्रिफ्ट, अस्पष्ट मोशन संकेत, अस्थिर कैमरा पाथ, और निर्देश जो चुपचाप एक-दूसरे से टकराते हैं।
यहाँ बताए गए विशिष्ट मॉडल्स के बारे में अधिक जानने के लिए, हमारी Seedance 2.0 समीक्षा, हमारी HappyHorse 1.0 बनाम Seedance 2.0 तुलना, और हमारा Kling 3.0 विश्लेषण देखें। यदि आप प्रोडक्शन पाइपलाइन में प्रॉम्प्ट टेस्टिंग बना रहे हैं, तो हमारी AI वीडियो जनरेशन गाइड टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो काम को ऑटोमेट करने के बारे में बताती है।
गलती 1: प्रॉम्प्ट की लंबाई को नियंत्रण का प्रॉक्सी मानना
अधिक विवरण जोड़ना ऐसा लगता है जैसे मॉडल को काम करने के लिए ज़्यादा सामग्री देनी चाहिए। वास्तव में, एक ओवरलोडेड प्रॉम्प्ट आमतौर पर उस एक निर्देश को दबा देता है जो मायने रखता है। शुरुआती लाइन सबसे ज़्यादा वज़न रखती है; उसके बाद जो कुछ भी जोड़ा जाता है, वह मुख्य विचार को मज़बूत करने के बजाय मॉडल का ध्यान खींचने के लिए प्रतिस्पर्धा करता है।
यह ऐसा दिखता है:
एक शानदार स्टूडियो में एक लक्ज़री परफ्यूम बॉटल, सुंदर लाइटिंग, सिनेमैटिक रिफ्लेक्शन, प्रीमियम कमर्शियल लुक, महंगी सामग्री, नरम कण, चिकनी गति, परिष्कृत माहौल, उच्च गुणवत्ता, नाज़ुक बनावट, एक नाटकीय कैमरा मूव, भावनात्मक कहानी, लक्ज़री ब्रांड ऊर्जा, यथार्थवादी कांच, सुनहरा तरल, चमकते हाइलाइट्स, धीमी गति, सुरुचिपूर्ण छाया, परफेक्ट कंपोज़िशन, कोई विकृति नहीं, कोई फ्लिकर नहीं, कोई खराब एनाटॉमी नहीं, कोई गंदा बैकग्राउंड नहीं, कोई अतिरिक्त वस्तु नहीं, प्रोफेशनल वीडियो, वायरल विज्ञापन शैली।
यह पूरा लगता है, लेकिन लगभग हर वाक्यांश या तो अस्पष्ट है या पहले के किसी विचार को दोहरा रहा है। मॉडल को मोशन, लाइटिंग, मूड, रिफ्लेक्शन, पार्टिकल इफेक्ट्स, और क्वालिटी लेबल्स के ढेर के बीच चुनना पड़ता है — और असली सब्जेक्ट शोर में खो जाता है।
यह क्यों विफल होता है: वीडियो मॉडल टेक्स्ट को क्रमिक रूप से पढ़ते हैं, और मुख्य एक्शन के बारे में सबसे स्पष्ट संकेत पूरे क्लिप की लंबाई में सबसे अच्छी तरह टिकता है। यह तब और मायने रखता है जब क्लिप लंबे होते जाते हैं, क्योंकि टेम्पोरल कंसिस्टेंसी पहले से ही मॉडल से बहुत कुछ माँग रही होती है। यह उस बात से मेल खाता है जो OpenAI ने वीडियो मॉडल्स के बारे में बताई है, जो अभी भी सटीक भौतिकी और कारण-प्रभाव के साथ संघर्ष कर रहे हैं — मुख्य विचार के बाद कमज़ोर निर्देशों का ढेर लगाना अतिरिक्त नियंत्रण नहीं बनाता, यह बस शोर जोड़ता है।
फिक्स: एक संक्षिप्त 50-80 शब्दों की संरचना का लक्ष्य रखें — पहले वाक्य में सब्जेक्ट, एक्शन और लोकेशन, दूसरे वाक्य में कैमरा और स्टाइल, तीसरे वाक्य में सीमाएँ।
एक स्पष्ट कांच की परफ्यूम बॉटल काले संगमरमर पर खड़ी है जबकि गर्म रिम लाइट सुनहरे तरल के माध्यम से गुज़रती है। बॉटल एक छोटा शोकेस टर्न करती है, हल्का साइड एज दिखाती है, फिर वापस केंद्र में बस जाती है। लेबल की ऊँचाई से कैप तक धीमा मैक्रो पुश-इन, लक्ज़री स्टूडियो लाइटिंग, बॉटल के पीछे बहती नरम सुनहरी धूल। एक स्थिर केंद्रित फ्रेम पर समाप्त होता है, कोई टेक्स्ट ओवरले नहीं, कोई अतिरिक्त वस्तु नहीं। ऑडियो: सूक्ष्म कांच की गति, नरम स्टूडियो रूम टोन।
टेस्ट: PixVerse, 5 सेकंड, 720p, 16:9, कांच की गति और स्टूडियो टोन के लिए ऑडियो चालू। हम यह देखना चाहते थे कि क्या एक कॉम्पैक्ट प्रॉम्प्ट प्रोडक्ट पहचान, संयमित मोशन, लाइटिंग, और कैमरा कंट्रोल को बिना मुख्य एक्शन खोए बरकरार रख सकता है।
नतीजे में, बॉटल पूरे पुश-इन के दौरान केंद्रित रहती है, सुनहरा तरल कांच के माध्यम से स्पष्ट दिखता है, और गर्म बैकलाइट एक भी विशेषण के बिना प्रीमियम मूड बनाती है। छोटे प्रॉम्प्ट अपने आप अस्पष्ट प्रॉम्प्ट नहीं होते — एक सब्जेक्ट, एक संयमित एक्शन, एक कैमरा मूव, और कुछ असली सीमाओं वाला कॉम्पैक्ट निर्देश लगातार बिखरी हुई प्राथमिकताओं की लंबी सूची को हरा देता है।
गलती 2: “सिनेमैटिक” को क्वालिटी स्विच की तरह इस्तेमाल करना
“सिनेमैटिक” लगभग हर AI वीडियो प्रॉम्प्ट में दिखाई देता है, और यह सबसे कम उपयोगी शब्दों में से एक है जिसे आप इस्तेमाल कर सकते हैं। यह हॉरर लाइटिंग, रोमांटिक गोल्डन आवर, ग्रिटी डॉक्यूमेंट्री रियलिज़्म, साइ-फाई धुंध, या दर्जनों अन्य फिल्म लुक की ओर इशारा कर सकता है जिनमें एक-दूसरे से कोई समानता नहीं है।
यह ऐसा दिखता है:
एक रिटायर्ड जासूस रात में बारिश भरी गली से गुज़रता है। सिनेमैटिक, प्रोफेशनल, नाटकीय, मूवी क्वालिटी।
यह मॉडल को एक मूड देता है, लुक नहीं। आउटपुट डार्क और ग्रिटी से लेकर ब्राइट और चमकदार तक कहीं भी उतर सकता है, और आपके पास यह अनुमान लगाने का कोई तरीका नहीं है कि कौन सा।
यह क्यों विफल होता है: “सिनेमैटिक” जैसे व्यापक शब्द ट्रेनिंग डेटा के विशाल, असंबंधित टुकड़ों से जुड़े होते हैं। मॉडल को यह जानने का कोई तरीका नहीं है कि आप “सिनेमैटिक” की किस शाखा की कल्पना कर रहे हैं, जब तक आप असली विज़ुअल भाषा का नाम नहीं लेते — लाइटिंग सेटअप, लेंस कैरेक्टर, कंपोज़िशन, कैमरा मूवमेंट, कलर पैलेट, या कोई विशिष्ट डायरेक्टर-स्टाइल संकेत। Runway की Gen-3 Alpha रिसर्च उसी दिशा की ओर इशारा करती है: अत्यधिक वर्णनात्मक, टेम्पोरली डेंस कैप्शन लगातार अस्पष्ट स्टाइल लेबल्स से बेहतर प्रदर्शन करते हैं।
फिक्स: “सिनेमैटिक” को किसी ठोस चीज़ से बदलें — एक लाइटिंग सेटअप, एक लेंस व्यवहार, एक कंपोज़िशन नियम, या एक कलर पैलेट।
एक लंबे डार्क कोट में एक रिटायर्ड जासूस रात में बारिश से भीगी गली से गुज़रता है। वाइड शॉट से मीडियम क्लोज़-अप तक धीमा पुश-इन, गीले पत्थर के फर्श पर परावर्तित लाल और नीले नियॉन, गली के नीचे वन-पॉइंट पर्सपेक्टिव, प्रैक्टिकल नियॉन साइन से एनामॉर्फिक लेंस फ्लेयर, उसके चेहरे को पार करता सिगरेट का धुआँ। ऑडियो: फुटपाथ पर बारिश, दूर का ट्रैफिक, नरम नियॉन गुनगुनाहट।
टेस्ट: PixVerse, 5 सेकंड, 720p, 16:9, बारिश और शहर के माहौल के लिए ऑडियो चालू। हम यह देखना चाहते थे कि क्या विशिष्ट फिल्म तत्वों का नाम लेने से “सिनेमैटिक” शब्द अकेले की तुलना में अधिक स्थिर वातावरण बनता है।
यह काम कर गया क्योंकि प्रॉम्प्ट ने ऐसी चीज़ों का नाम लिया जिन्हें मॉडल वास्तव में रेंडर कर सकता था: गीले पत्थर का फर्श, नियॉन रिफ्लेक्शन, गली के नीचे वन-पॉइंट पर्सपेक्टिव, एक धीमा पुश-इन, नॉयर-स्टाइल लाइटिंग। जासूस विज़ुअल एंकर बना रहता है जबकि गली की गहराई और रंगीन साइनेज मूड बनाते हैं। क्लिप फिल्मी पढ़ती है क्योंकि प्रॉम्प्ट ने वर्णन किया कि शॉट कैसा दिखना चाहिए — किसी बज़वर्ड को उधार लेने की वजह से नहीं।
गलती 3: एक शॉट में कई कैमरा मूवमेंट्स को ढेर करना
AI वीडियो मॉडल कैमरा दिशा का काफी अच्छी तरह पालन कर सकते हैं, लेकिन तभी जब एक ही प्रमुख मूवमेंट हो। कई कैमरा संकेतों को एक साथ ढेर करें और आपको आमतौर पर कंपन, ड्रिफ्ट, या क्लिप के बीच में एक अवांछित ट्रांज़िशन मिलता है।
यह ऐसा दिखता है:
एक मिनिएचर मैग्नेटिक ट्रेन एक ग्लास टेरेरियम शहर से गुज़रती है। कैमरा पुश करता है, बाईं ओर पैन करता है, ट्रेन के चारों ओर ऑर्बिट करता है, मॉस टावर्स के माध्यम से ऊपर टिल्ट करता है, और हैंडहेल्ड शेक जोड़ता है।
यह एक असली फिल्म मूव जैसा लगता है, लेकिन जनरेशन के उद्देश्यों के लिए यह प्राथमिकता के लिए प्रतिस्पर्धा करने वाले पाँच अलग-अलग स्पेशियल वेक्टर हैं। मॉडल को या तो उन्हें क्रमबद्ध करना है या मिश्रित करना है, और दोनों रास्ते आमतौर पर दिखाई देने वाली अस्थिरता पैदा करते हैं।
यह क्यों विफल होता है: एक पुश-इन, एक पैन, एक ऑर्बिट, एक टिल्ट, और हैंडहेल्ड शेक प्रत्येक कैमरा यात्रा की अलग दिशा का वर्णन करते हैं। उन्हें ढेर करें और मॉडल को अनुमान लगाना पड़ता है कि किसे हावी होना चाहिए और अगले को कब सौंपना चाहिए — वह सौंपने का बिंदु आमतौर पर वह जगह है जहाँ डगमगाहट दिखाई देती है। Direct-a-Video और MotionCtrl जैसे कैमरा-कंट्रोल सिस्टम पर रिसर्च जानबूझकर कैमरा मोशन को ऑब्जेक्ट मोशन से अलग करती है ठीक इसी कारण से: एक प्रॉम्प्ट से एक साथ पाँच कैमरा वेक्टर ले जाने के लिए नहीं कहा जाना चाहिए।
फिक्स: एक मुख्य कैमरा मोशन चुनें, फिर उसके ऊपर अधिकतम एक टेक्सचर संकेत जोड़ें।
एक मिनिएचर मैग्नेटिक ट्रेन एक लैब टेबल पर ग्लास टेरेरियम शहर से गुज़रती है, मॉस टावर्स और कंडेंसेशन-बीड्ड ग्लास दीवारों को पार करती हुई। कैमरा: ट्रेन के समानांतर एक चिकनी लेटरल ट्रैकिंग मूव, केवल हल्का हैंडहेल्ड टेक्सचर। ट्रेन केंद्रित रहती है जबकि बैकग्राउंड आगे बढ़ता है। ऑडियो: नरम इलेक्ट्रिक गुनगुनाहट, छोटी रेल कंपन, कांच पर पानी की बूँदें, दबी हुई रूम टोन।
टेस्ट: PixVerse, 5 सेकंड, 720p, 16:9, ऑडियो चालू। यह दृश्य आकर्षक कैमरा अराजकता से भरा है — कांच के रिफ्लेक्शन, छोटी इमारतें, कंडेंसेशन, चलती ट्रेन, मैक्रो स्केल — जो इसे एक अच्छा स्ट्रेस टेस्ट बनाता है कि क्या एक ही लेटरल ट्रैकिंग मूव एक छोटे सब्जेक्ट को पठनीय रख सकता है जबकि बैकग्राउंड मोशन एनर्जी बनाने का काम करता है।
नतीजा इस पूरे सेट में सबसे साफ में से एक है। ट्रेन फ्रेम के नीचे पठनीय रहती है जबकि मॉस से ढका टेरेरियम इसके पीछे पैरालैक्स और गहराई बनाता है। क्योंकि प्रॉम्प्ट पुश, पैन, ऑर्बिट, और टिल्ट को ढेर करने के बजाय एक लेटरल मूव के लिए प्रतिबद्ध है, कैमरा कभी खुद से नहीं लड़ता।
गलती 4: नेगेटिव प्रॉम्प्ट लिखना जो मौजूद ही नहीं हैं
बहुत से क्रिएटर्स Stable Diffusion की आदतें वीडियो प्रॉम्प्टिंग में ले आते हैं और “negative: jitter, bent limbs, flicker, deformation” जैसी लाइनें लिखते हैं। ज़्यादातर AI वीडियो जनरेटर के पास असली नेगेटिव-प्रॉम्प्ट फील्ड नहीं होती — वह टेक्स्ट बस और प्रॉम्प्ट है।
यह ऐसा दिखता है:
एक घड़ीसाज़ डेस्क लैंप के नीचे एक तैरते हुए क्लॉकवर्क क्यूब की मरम्मत करता है। Negative: jitter, bad hands, bent fingers, flicker, deformation, broken gears, unstable lighting।
यह वास्तव में चीज़ों को बदतर बना सकता है। मॉडल अभी भी “jitter,” “bent fingers,” और “deformation” शब्दों को टेक्स्ट के रूप में पढ़ता है, और उन कॉन्सेप्ट को बाहर करने के बजाय, यह उन्हीं संबंधों को पेश कर सकता है जिनसे आप बचने की कोशिश कर रहे थे।
यह क्यों विफल होता है: जब तक इंटरफ़ेस में एक समर्पित नेगेटिव-प्रॉम्प्ट इनपुट न हो, आप जो कुछ भी टाइप करते हैं उसे पॉज़िटिव निर्देश माना जाता है। मॉडल के पास “negative:” को एक हार्ड एक्सक्लूज़न के रूप में कोई अंतर्निहित अवधारणा नहीं है — यदि आप स्थिरता चाहते हैं, तो आपको स्थिर परिणाम को सीधे वर्णित करने की ज़रूरत है।
फिक्स: हर नेगेटिव को एक पॉज़िटिव कंस्ट्रेंट में बदलें जो वांछित स्थिति बताता है।
एक घड़ीसाज़ पीतल की चिमटी का उपयोग करके एक पारदर्शी गियर को एक गर्म डेस्क लैंप के नीचे एक छोटे तैरते हुए क्लॉकवर्क क्यूब के अंदर रखता है। कैमरा धीरे-धीरे हाथों से क्यूब की ओर पुश करता है। हाथ स्वाभाविक रूप से चलते हैं, गियर के किनारे तेज़ रहते हैं, क्यूब केंद्रित रहता है, और गर्म लैंप की रोशनी बिना फ्लिकर के लगातार बनी रहती है। ऑडियो: पीतल की चिमटी की क्लिक, छोटी गियर टिक, शांत वर्कशॉप रूम टोन।
टेस्ट: PixVerse, 5 सेकंड, 720p, 16:9, छोटी मैकेनिकल ध्वनि और वर्कशॉप टोन के लिए ऑडियो चालू। हाथ, छोटे गियर, और पारदर्शी किनारे सभी आर्टिफैक्ट-प्रोन क्षेत्र हैं, जो इसे इस बात की जाँच के लिए उपयोगी बनाता है कि क्या बताई गई सीमाएँ नेगेटिव सूची की तुलना में वास्तव में दिखाई देने वाली त्रुटियों को कम करती हैं।
चिमटी, पारदर्शी क्यूब, और गियर का विवरण सभी लैंप के नीचे विज़ुअली अलग रहते हैं। हाथ कैमरा के काफी करीब है मॉडल पर दबाव डालने के लिए, लेकिन लक्षित व्यवहार को सीधे बताना — स्वाभाविक हाथ, तेज़ किनारे, स्थिर रोशनी — एक नेगेटिव सूची की तुलना में साफ परिणाम देता है जो उन्हीं शब्दों को दोहराने का जोखिम उठाती है जिनसे आप बचने की कोशिश कर रहे हैं।
गलती 5: “फास्ट” को स्पीड इंस्ट्रक्शन के रूप में इस्तेमाल करना
जब आप स्पीड चाहते हैं तो “फास्ट” स्पष्ट शब्द जैसा लगता है, लेकिन यह वीडियो जनरेशन को अस्थिरता की ओर धकेलता है — खासकर जब प्रॉम्प्ट में पहले से ही जटिल एक्शन, कैमरा मूवमेंट, या कई चलती हुई वस्तुएँ हों।
यह ऐसा दिखता है:
एक लॉन्गबोर्डर पहाड़ी सड़क पर तेज़ी से सवारी करता है, तेज़ कैमरा, तेज़ मोड़, तेज़ मोशन ब्लर, डायनामिक स्पीड, तीव्र एक्शन, तेज़ मूवमेंट।
अब सब्जेक्ट, कैमरा, इफ़ेक्ट, और सीन टाइमिंग सभी को एक साथ तेज़ करने के लिए कहा जा रहा है, और मॉडल को इस दबाव के तहत एनाटॉमी, ऑब्जेक्ट शेप, कैमरा पाथ, और बैकग्राउंड कंसिस्टेंसी को साथ बनाए रखना होता है।
यह क्यों विफल होता है: स्पीड सिर्फ एक स्टाइल शब्द नहीं है — यह एक टेम्पोरल डिमांड है। “फास्ट” माँगने के बजाय, उस भौतिक प्रमाण का वर्णन करें जो स्पीड को दृश्यमान बनाता है: संकुचित मुद्रा, स्प्रे पैटर्न, फैली हुई बैकग्राउंड ट्रेल्स, नियंत्रित कैमरा फ़्रेमिंग।
फिक्स: “फास्ट” को ठोस मोशन फिज़िक्स से बदलें।
एक डाउनहिल लॉन्गबोर्डर बारिश से फिसलन भरी पहाड़ी सड़क के मोड़ में झुकता है, घुटने संकुचित, पिछला हाथ डामर से कुछ इंच ऊपर मँडराता हुआ। हर पहिया पानी का पतला स्प्रे बाहर फेंकता है जबकि सड़क किनारे के रिफ्लेक्टर नरम बैकग्राउंड ट्रेल्स में फैल जाते हैं। कैमरा बोर्ड के बगल में नीचे एक स्थिर ट्रैकिंग शॉट में रहता है। हेलमेट और जैकेट स्थिर रहते हैं। ऑडियो: पहियों की गुनगुनाहट, गीली सड़क की फुसफुसाहट, हवा का दबाव, एक बोर्ड कार्व।
टेस्ट: PixVerse, 5 सेकंड, 720p, 16:9, ऑडियो चालू। यहाँ सवाल यह है कि क्या भौतिक मोशन भाषा मॉडल से एक साथ पाँच चीज़ों को तेज़ करने के लिए कहे बिना स्पीड को संप्रेषित कर सकती है।
नतीजा “फास्ट” शब्द के बजाय भौतिक प्रमाण के माध्यम से स्पीड बेचता है: कम कैमरा एंगल, गीली सड़क के रिफ्लेक्शन, संकुचित सवारी मुद्रा, और पानी का स्प्रे सब मिलकर उतरने को तेज़ महसूस कराते हैं जबकि सवार और बोर्ड को पूरी तरह पठनीय रखते हैं।
गलती 6: पहले से अपलोड की गई रेफरेंस इमेज को फिर से वर्णित करना
इमेज-टू-वीडियो काम के लिए, अपलोड की गई फोटो में पहले से दिख रही हर चीज़ को दोहराना एक टकराव पैदा करता है। यदि इमेज पहले से एक स्पॉटलाइट के नीचे एक स्ट्रक्चर्ड ब्लैक हैंडबैग दिखाती है, और आपका प्रॉम्प्ट थोड़े अलग शब्दों में उसी बैग का फिर से वर्णन करता है, तो मॉडल के पास अब एक सब्जेक्ट के लिए दो निर्देश हैं — पिक्सेल और टेक्स्ट — और उनके बीच कोई भी बेमेल ड्रिफ्ट को आमंत्रित करता है।
यह ऐसा दिखता है (इमेज-टू-वीडियो प्रॉम्प्ट):
एक घुमावदार हैंडल, चांदी की क्लैस्प, स्ट्रक्चर्ड बॉडी, स्टिच्ड पैनल, और डार्क स्टूडियो बैकग्राउंड वाला एक काला लेदर हैंडबैग एक नाटकीय स्पॉटलाइट के नीचे रखा है।
यदि यह सब पहले से रेफरेंस इमेज में है, तो प्रॉम्प्ट मॉडल को उन विवरणों की पुनर्व्याख्या करने के लिए आमंत्रित कर रहा है जिन्हें उसे बस संरक्षित करना चाहिए — सिल्हूट, सामग्री, सजावटी तत्व, यहाँ तक कि बैकग्राउंड भी नतीजे के तौर पर बदल सकता है।
यह क्यों विफल होता है: एक रेफरेंस इमेज अपने आप में पहले से ही एक मज़बूत निर्देश है। दृश्यमान सब्जेक्ट को फिर से वर्णित करना एक दूसरा निर्देश चैनल खोलता है जो शायद पिक्सेल-दर-पिक्सेल वास्तव में जो है उससे मेल न खाए। इस मामले में प्रॉम्प्ट का काम यह है कि वह उसे कवर करे जो इमेज नहीं दिखा सकती: मोशन और कैमरा व्यवहार।
फिक्स: इमेज-टू-वीडियो के लिए, प्रॉम्प्ट को तीन कामों तक सीमित रखें — मोशन निर्देश, कैमरा निर्देश, एक कंसिस्टेंसी नियम।
रेफरेंस ऑब्जेक्ट को पूरी तरह बरकरार रखें। वर्तमान फ़्रेमिंग से एक हल्का कैमरा पुश-इन जोड़ें जबकि एक संकरी हाइलाइट धीरे-धीरे दृश्यमान सतह पर घूमती है। रेफरेंस इमेज से सटीक सिल्हूट, सामग्री, सजावटी विवरण, बैकग्राउंड, लाइटिंग दिशा, और कंपोज़िशन को संरक्षित रखें। ऑडियो: नरम डिस्प्ले-रूम टोन, हल्की कांच की गूँज, सूक्ष्म फैब्रिक की सरसराहट।
टेस्ट: PixVerse, 5 सेकंड, 720p, 9:16 वर्टिकल, इमेज-टू-वीडियो, सूक्ष्म मैटेरियल ध्वनि और रूम टोन के लिए ऑडियो चालू। यह केवल इसलिए काम करता है क्योंकि रेफरेंस इमेज पहले से ही ऑब्जेक्ट को परिभाषित करती है — प्रॉम्प्ट जानबूझकर रंग, आकार, या सामग्री को फिर से वर्णित करने से बचता है, और मॉडल से छिपी हुई यांत्रिकी का आविष्कार करने के लिए नहीं कहता।
हैंडबैग अपना सिल्हूट, क्लैस्प पोज़िशन, हैंडल शेप, और लेदर टेक्सचर बनाए रखता है, डार्क स्टूडियो बैकग्राउंड बरकरार रहते हुए, जबकि कैमरा और हाइलाइट सारा मोशन प्रदान करते हैं। रेफरेंस-ड्रिवन प्रोडक्ट वीडियो के लिए, प्रॉम्प्ट में संयम आमतौर पर महत्वाकांक्षा से ज़्यादा मायने रखता है।
गलती 7: प्रॉम्प्ट को सामान्य क्वालिटी शब्दों से भरना
“अद्भुत,” “सुंदर,” “उच्च गुणवत्ता,” “एपिक,” और “प्रोफेशनल” जैसे शब्द AI वीडियो प्रॉम्प्ट में लगातार दिखाई देते हैं, लेकिन ये लगभग कोई दिशात्मक जानकारी नहीं देते। ये उच्च-आवृत्ति लेबल हैं जो बहुत अलग-अलग तरह के आउटपुट से जुड़े हैं जिससे विश्वसनीय नियंत्रण नहीं मिलता।
यह ऐसा दिखता है:
उच्च गुणवत्ता वाले विज़ुअल्स, अद्भुत मोशन, प्रोफेशनल लाइटिंग, और परफेक्ट कंपोज़िशन के साथ एक अद्भुत, सुंदर, एपिक फेस्टिवल सीन।
यह मॉडल को बताता है कि आउटपुट अच्छा होना चाहिए, बिना यह बताए कि इस विशिष्ट सीन में “अच्छा” वास्तव में कैसा दिखता है।
यह क्यों विफल होता है: अकेले “एपिक” का मतलब एक विशाल परिदृश्य, एक युद्ध, एक चमकता आकाश, विशाल पैमाना, नाटकीय स्कोर, धीमी गति, या फंतासी कवच हो सकता है। मॉडल के पास यह अनुमान लगाने का कोई तरीका नहीं है कि आपका मतलब कौन सा था, जब तक कि आप विशेषण को कुछ दृश्यमान और विशिष्ट से न बदलें।
फिक्स: हर सामान्य विशेषण को एक नामित, दृश्यमान संकेत से बदलें — कंपोज़िशन, लाइटिंग सेटअप, लेंस स्पेक, कलर पैलेट, मैटेरियल व्यवहार।
एक रात का पतंग महोत्सव एक सफेद साल्ट फ्लैट पर होता है जो पानी के पतले शीशे से ढका है। गहरे समुद्र के जीवों के आकार में तीन पारदर्शी पतंगें ऊपर तैरती हैं, कपड़े के नीचे नीली-हरी बायोल्यूमिनसेंट पसलियाँ धड़कती हैं। एड़ी-ऊँचाई के रिफ्लेक्शन से निकटतम पतंग की पूँछ तक लो-एंगल धीमा पुश-इन, वाइड-लेंस फील, सियान-मैजेंटा कलर कंट्रास्ट, क्षितिज के साथ लालटेन। ऑडियो: कपड़े की फड़फड़ाहट, तनी हुई डोरी का कंपन, उथले पानी में कदम, दूर की भीड़ की गुनगुनाहट।
टेस्ट: PixVerse, 5 सेकंड, 720p, 16:9, कपड़े, कदमों, और भीड़ के माहौल के लिए ऑडियो चालू। लक्ष्य यह देखना था कि क्या ठोस विज़ुअल संकेत सामान्य क्वालिटी शब्दों की तुलना में स्टाइल कंसिस्टेंसी को बेहतर बनाए रखते हैं।
आउटपुट मुख्य विचार को संरक्षित करता है — साल्ट-फ्लैट रिफ्लेक्शन के ऊपर चमकती पसलियों वाली पारदर्शी, प्राणी-आकार की पतंगें। कैमरा एंगल अनुरोधित एड़ी-ऊँचाई फ्रेमिंग से थोड़ा ऊपर उतरा, इसलिए पालन बिल्कुल त्रुटिहीन नहीं था, लेकिन विज़ुअल पहचान अकेले “सुंदर एपिक फेस्टिवल” के उत्पादित किसी भी चीज़ से कहीं ज़्यादा मज़बूत है। ठोस संज्ञाएँ, लाइटिंग संकेत, और कलर संबंध लगातार रुचि विशेषणों से बेहतर प्रदर्शन करते हैं।
दो पूर्ण प्रॉम्प्ट, विश्लेषित
पहले: “एक फ्यूचरिस्टिक शहर के बारे में एक कूल सिनेमैटिक AI वीडियो बनाओ। इसे सुंदर, यथार्थवादी, नाटकीय, उच्च गुणवत्ता, और वायरल बनाओ।” — यह गलती 2 और गलती 7 को बिना किसी सब्जेक्ट, एक्शन, कैमरा पाथ, या फाइनल फ्रेम के ढेर करता है जिस पर वह टिक सके।
बाद में: “एक 6-सेकंड का फ्यूचरिस्टिक शहर रिवील। कैमरा एक बारिश-भीगी सड़क के ऊपर नीचे से सरकता है जिसमें नीले होलोग्राफिक साइन फुटपाथ में परावर्तित होते हैं। एक अकेला डिलीवरी ड्रोन लेंस के करीब से गुज़रता है और एक ग्लास टावर की ओर उठता है। चिकनी फॉरवर्ड ट्रैकिंग, कूल ब्लू पैलेट, गर्म टावर एंट्रेंस लाइट, हल्की बारिश, दूर का ट्रैफिक, एक ड्रोन पास-बाय।”
पहले: “एक लॉन्गबोर्डर पहाड़ी सड़क पर तेज़ी से रेस करता है, ट्रैफिक से बचता है, एक गिरे हुए पेड़ पर कूदता है, चिंगारियों के बीच फिसलता है, एक ड्रोन शॉट पर कट करता है, एक व्हील क्लोज़-अप पर कट करता है, एक हेलमेट रिफ्लेक्शन पर कट करता है, फिर 5 सेकंड में एक लोगो और आतिशबाज़ी के साथ समाप्त होता है, तेज़ कैमरा, परफेक्ट साउंड।” — यह गलतियाँ 1, 3, 4, और 5 को एक ओवरलोडेड रन-ऑन में जोड़ता है।
बाद में: ऊपर गलती 5 से वही लॉन्गबोर्डर फिक्स — एक एक्शन, एक कैमरा मूव, पॉज़िटिव कंस्ट्रेंट, ठोस ऑडियो संकेत।
एक पुन: उपयोग योग्य प्रॉम्प्ट टेम्पलेट
इसे अपने डिफ़ॉल्ट शुरुआती बिंदु के रूप में इस्तेमाल करें:
[सब्जेक्ट] + [एक एक्शन] + [लोकेशन]। [एक कैमरा मूवमेंट] + [विशिष्ट स्टाइल, लेंस, लाइटिंग, या कंपोज़िशन]। [पॉज़िटिव कंस्ट्रेंट: क्या स्थिर रहना चाहिए, क्या अनुपस्थित होना चाहिए, क्या ऑडियो की ज़रूरत है]।
उदाहरण: “एक सिरेमिक कॉफी कप एक डार्क वुडन टेबल पर रखा है जबकि भाप धीमी घुमावों में उठती है। धीमा मैक्रो पुश-इन, गर्म टंगस्टन साइड लाइट, शैलो डेप्थ ऑफ़ फील्ड, शांत सुबह के कैफे बैकग्राउंड। कप का आकार स्थिर रहता है, कोई टेक्स्ट ओवरले नहीं, ऑडियो में नरम रूम टोन और हल्की चम्मच की खनक शामिल है।”
निष्कर्ष
बेहतर AI वीडियो प्रॉम्प्ट लंबे नहीं होते — वे साफ होते हैं। सब्जेक्ट, एक्शन, और लोकेशन को सबसे पहले रखें। “सिनेमैटिक” और सामान्य क्वालिटी शब्दों को दृश्यमान, विशिष्ट संकेतों से बदलें। एक ही कैमरा मोशन के प्रति प्रतिबद्ध रहें। नकली नेगेटिव प्रॉम्प्ट को छोड़कर पॉज़िटिव कंस्ट्रेंट अपनाएँ। “फास्ट” को भौतिक मोशन विवरण से बदलें। इमेज-टू-वीडियो के लिए, रेफरेंस इमेज को उसका काम करने दें बजाय इसे फिर से वर्णित करने के।
ये फिक्स ज़्यादातर मौजूदा AI वीडियो जनरेटर में काम करते हैं क्योंकि ये उन्हीं अंतर्निहित कमज़ोरियों को लक्षित करते हैं: टेम्पोरल ड्रिफ्ट, अस्पष्ट स्टाइल सैंपलिंग, कैमरा जिटर, सब्जेक्ट असंगति, और ओवरलोडेड मोशन निर्देश। PixVerse इसे व्यवहार में लाना आसान बनाता है, क्योंकि आप बिना टूल बदले या अपना वर्कफ़्लो फिर से बनाए Seedance 2.0, HappyHorse 1.0, PixVerse V6, PixVerse C1, Kling O3, और Kling 3.0 पर एक ही प्रॉम्प्ट का परीक्षण कर सकते हैं।
अक्सर पूछे जाने वाले प्रश्न
एक AI वीडियो प्रॉम्प्ट को वास्तव में अच्छा क्या बनाता है? एक अच्छा प्रॉम्प्ट मॉडल को एक स्पष्ट शॉट देता है: सब्जेक्ट, एक्शन, लोकेशन, एक कैमरा मूवमेंट, दृश्यमान स्टाइल संकेत, और कुछ पॉज़िटिव कंस्ट्रेंट। “काले संगमरमर पर एक कांच की परफ्यूम बॉटल, धीमा शोकेस टर्न, गर्म रिम लाइट, स्थिर रिफ्लेक्शन” हर बार “एक सिनेमैटिक लक्ज़री प्रोडक्ट वीडियो” से बेहतर प्रदर्शन करता है।
एक AI वीडियो प्रॉम्प्ट कितना लंबा होना चाहिए? ज़्यादातर टेक्स्ट-टू-वीडियो प्रॉम्प्ट के लिए, 50-80 शब्द एक ठोस शुरुआती सीमा है। सब्जेक्ट, एक्शन, और लोकेशन से शुरुआत करें, फिर कैमरा मूवमेंट, लाइटिंग, मोशन विवरण, और ऑडियो जोड़ें। एक अस्पष्ट शुरुआती वाक्य शायद ही उसके बाद और शब्दों से बच पाता है।
“सिनेमैटिक” प्रॉम्प्ट शब्द के रूप में अच्छी तरह क्यों काम नहीं करता? यह किसी विशिष्ट चीज़ की ओर इशारा करने के लिए बहुत व्यापक है। इसे दृश्यमान फिल्म भाषा से बदलें — “35mm हैंडहेल्ड फील,” “नियॉन रिफ्लेक्शन वाली बारिश की गली,” “धीमा डॉली-इन,” “हार्ड बैकलाइट,” “बैकग्राउंड में गर्म प्रैक्टिकल लाइट्स।”
क्या AI वीडियो जनरेटर असली नेगेटिव प्रॉम्प्ट को सपोर्ट करते हैं? कुछ टूल्स के पास एक समर्पित नेगेटिव-प्रॉम्प्ट फील्ड होती है, लेकिन एक स्टैंडर्ड प्रॉम्प्ट बॉक्स आमतौर पर हर चीज़ को निर्देश के रूप में पढ़ता है। इसके बजाय पॉज़िटिव कंस्ट्रेंट लिखें — “हाथ स्वाभाविक रहते हैं,” “कैमरा स्थिर रहता है,” “बैकग्राउंड खाली रहता है,” “प्रोडक्ट सिल्हूट बरकरार रहता है।”
अपने सब्जेक्ट को बदले बिना इमेज-टू-वीडियो कैसे प्रॉम्प्ट करूँ? जो पहले से अपलोड की गई इमेज में है उसे फिर से वर्णित न करें। प्रॉम्प्ट का उपयोग उसके लिए करें जो इमेज नहीं दिखा सकती — मोशन, कैमरा व्यवहार, लाइटिंग परिवर्तन, ऑडियो, और एक कंसिस्टेंसी नियम (“रेफरेंस ऑब्जेक्ट को बरकरार रखें, एक हल्का पुश-इन जोड़ें, सिल्हूट और सामग्री को संरक्षित रखें”)।