Generator promptów do AI

Ruch kamery trzeba nazwać wprost. Bez tego kamera improwizuje, a improwizacja modelu wideo rzadko trafia w to, co masz w głowie. „Kamera statyczna" jest pełnoprawnym poleceniem i często najlepszym, gdy ruszać ma się tylko postać.

Ruch musi mieć punkt domknięcia. Otwarta akcja bez wskazanego końca to najczęstsza przyczyna generowania, które wisi na 99 procentach. Dopisanie zdania o powrocie do pozycji wyjściowej rozwiązuje to i jednocześnie robi z ujęcia materiał do zapętlenia. W generatorze odpowiada za to przełącznik domykający ruch, włączony domyślnie.

Jedna główna akcja na ujęcie. Akcję można rozłożyć w czasie, bo VIDEO 3.0 pewnie obsługuje ciąg zdarzeń: najpierw podnosi wzrok, potem odwraca głowę, w końcu się uśmiecha. Czego nie należy robić, to upychać trzech niezależnych rzeczy w jednym prompcie - do tego jest tryb wielu ujęć.

Konkret bije ogólnik na każdym poziomie. „Cyberpunkowa uliczka o północy, odbicia neonów na mokrym asfalcie" daje przewidywalny wynik, „ulica" nie daje żadnego.

Limit słów zależy od wariantu i to nie jest kosmetyka: Kling 4.0 przyjmuje długie opisy, do 8000 tokenów, a na starszych wariantach to od 100 do 200 słów na rodzinie 3.0, od 50 do 80 na 2.6, od 40 do 60 na 2.5 Turbo. Generator liczy słowa na żywo i zmienia kolor licznika, gdy zbliżasz się do limitu wybranego wariantu.

Przy dialogu warto przypisać mówcę i, na Klingu 4.0, nazwać język. Generator składa to w składnię właściwą dla wariantu, a samą kwestię zostawia w Twoim języku, bo ona ma tak zabrzmieć. Prompt negatywny przydaje się tylko do rodziny 3.0: przewodnik 4.0 go odradza i zostawia dwie instrukcje, bez napisów i bez muzyki.

Przy edycji gotowego filmu obowiązuje dodatkowa reguła: jedna intencja zmiany na generowanie i jawna lista tego, co ma zostać nietknięte. Kąt kamery, tor ruchu, układ przestrzenny, pozycje postaci. Bez tej listy edycja odjeżdża od materiału źródłowego. Jeśli coś wklejasz do kadru, dochodzi jeszcze klauzula o dopasowaniu światła i cieni, bez której obiekt wygląda jak naklejka.

Lista tagów jest najczęstszym błędem przy tym modelu. „Pies, park, 4k, realistyczne, słonecznie" to zapis pod poprzednią generację narzędzi. Nano Banana rozumie zdania, a puste wzmacniacze w rodzaju „arcydzieło" albo „8k" po prostu ignoruje, zabierając przy tym miejsce w prompcie.

Edytuj, nie generuj od nowa. Jeśli obraz jest dobry w 80 procentach, opisz zmianę i zachowaj resztę. To najmocniejsza rzecz w tym modelu i główny powód, dla którego warto go wybrać nad model, który każdą poprawkę zaczyna od zera.

Najważniejsze pole przy edycji nazywa to, co ma zostać nietknięte. Jego pominięcie daje niekontrolowane zmiany: twarz, która się zmienia, tło, które odjeżdża, światło, które przeskakuje. Dlatego w generatorze to pole jest podstawowe, nie schowane, a jego treść trafia do promptu wielkimi literami jako osobna instrukcja.

Podaj powód, do czego obraz posłuży. „Do okładki książki kucharskiej" pomaga modelowi podjąć decyzje artystyczne, których inaczej nie ma na czym oprzeć. To nie ozdoba promptu - trzy z czterech wariantów są modelami rozumującymi, więc kontekst realnie zmienia wynik.

Napis w obrazie ma dwie reguły. Pierwsza: dokładna treść w cudzysłowie, z miejscem i krojem. Druga, prosto z dokumentacji: przy grafikach z dużą ilością tekstu najpierw ustal samą treść, a dopiero w drugim kroku poproś o obraz z tym tekstem. Jednoczesne wymyślanie treści i składanie jej w układ wychodzi gorzej.

Kolory podawaj kodem szesnastkowym, nie nazwą. „Niebieski" jest nieprecyzyjny, a marka ma jeden konkretny odcień. To samo dotyczy proporcji i rozdzielczości: napisanie ich w prompcie pomaga kompozycji, ale rozmiar płótna ustawia się parametrem wywołania.

Jeden styl na prompt. Mieszanie dwóch rodzin stylistycznych daje breję, a nie połączenie. Jeśli zależy Ci na spójnej serii obrazów z tą samą osobą, zamiast opisywać ją od nowa w każdym prompcie, podaj obraz wzorcowy i zablokuj wygląd postaci.

Zdefiniuj bohatera, zamiast liczyć na domysł. Obraz wzorcowy zawiera zwykle więcej niż jedną rzecz, więc trzeba wskazać, co jest podmiotem: dwie, trzy stałe cechy, które go jednoznacznie odróżniają, i ta sama nazwa przy każdej dalszej wzmiance. Sprzeczne cechy jednego podmiotu to gwarantowany rozjazd.

Rozpisz ujęcia i trzymaj w każdym tę samą kolejność: ruch kamery albo cięcie, potem akcja i mimika, potem pozycja w przestrzeni, na końcu dźwięk. Nie przypisuj ujęciom czasu. Dokumentacja mówi wprost, że sterowanie sekundami jest niestabilne i wymuszanie go może dać nienormalny wynik.

Jeden ruch kamery na ujęcie. Najazd, odjazd, panorama i przesunięcie naraz zwiększają niestabilność obrazu. Jeśli potrzebujesz złożonego ruchu, daj mu osobne ujęcie.

Rozbij akcję na części ciała i podaj miarę. Nie „biegnie", a „powoli podnosi rękę", „szybko odwraca głowę", „mocno odbija się od ziemi". I preferuj ruchy powolne, ciągłe, małe - duży ruch jest miejscem, w którym modele wideo się psują, więc to ograniczenie modelu, nie ostrożność bez powodu.

Emocję zapisuj jako fizyczny szczegół, nie jako nazwę uczucia. Zamiast „smutna" - opuszczona głowa, lekko drżące ramiona, palce mimowolnie zaciskające skraj ubrania. Dokumentacja producenta ma na to całą tabelę tłumaczeń i to jest jedna z rzeczy, które najbardziej podnoszą jakość wyniku.

Model ma własne znaki dla rodzajów dźwięku i to konwencja, nie ozdoba: nawiasy klamrowe dla kwestii dialogowych, ostre dla efektów, okrągłe dla muzyki, kwadratowe dla napisów. Dialog w innym języku niż angielski i chiński trzeba oznaczyć wprost, więc polska kwestia jedzie jako „says in Polish" plus treść w klamrach. Generator robi to za Ciebie na podstawie pola z językiem dialogu.

Klauzule ograniczające są w dokumentacji nazwane bardzo ważnymi, nie opcjonalnym wykończeniem. Zakaz napisów, logo i znaku wodnego plus wymóg stabilnej twarzy i płynnego ruchu tłumią zniekształcenia i przypadkowe elementy. Generator dokleja je na końcu, a przełącznik zakazu napisów jest domyślnie włączony.

Przy edycji obowiązuje jedna pułapka, która cicho psuje zadanie: do filmu trzeba odnieść się bezpośrednio, a nie „na podstawie" niego. Słowo o odnoszeniu się przestawia model na zadanie referencyjne, czyli dostajesz nowy film zainspirowany Twoim, zamiast edycji Twojego. Dlatego prompt składany przez generator zaczyna się od polecenia edycji.

Mniej materiałów wzorcowych niż wolno. Na Seedance 2.0 limit to dziewięć obrazów, trzy filmy i trzy pliki audio, ale producent zaleca cztery do pięciu sztuk łącznie: jeden lub dwa obrazy postaci, jeden obraz scenerii, jeden film z ruchem kamery, jeden plik dźwiękowy. Za dużo materiałów utrudnia modelowi ocenę, co jest ważniejsze, i kończy się konfliktem stylów.

Najpierw rozstrzygnij Turbo czy bazowy, bo od tego zależy sposób pisania, a nie tylko szybkość. Turbo nie ma prowadzenia, więc prompt negatywny jest w nim martwy, a różnorodność między ziarnami niska. Model bazowy ma jedno i drugie, kosztem czterech do sześciu razy większej liczby kroków. Jeśli blokuje Cię brak wykluczeń albo brak wariantów, zmień wariant, nie walcz z promptem.

W Turbo każde „bez czegoś" trzeba przepisać na obecność czegoś innego. „Bez napisów" nie zadziała, „czysta, nieprzerwana powierzchnia" zadziała. „Bez bałaganu" nie zadziała, „pusty blat, jeden przedmiot na środku, szerokie puste marginesy" zadziała. Generator ma na to osobne pole i to jest jedyne miejsce w narzędziu, gdzie wykluczenia lądują w prompcie pozytywnym.

Zero słów nastroju. W oficjalnym przykładzie nie ma ani „piękny", ani „arcydzieło", ani „8k" - każda fraza niesie informację wizualną. Zasada praktyczna: jeśli nie umiesz powiedzieć, co dane słowo zmienia w obrazie, wytnij je.

Grupuj szczegóły obszarami, jedna grupa na zdanie: ubranie, twarz, włosy i nakrycie głowy, dłonie i trzymane przedmioty, potem tło. I nazywaj układ wprost. „Lampa nad wyciągniętą lewą dłonią" mówi modelowi coś, czego „trzyma lampę" nie mówi.

Fotorealizm buduje się słownikiem fotograficznym, nie przymiotnikami. Trzy warstwy: nazwij aparat albo rodzaj kliszy, złam symetrię twarzy i sylwetki (trzydniowy zarost, widoczne pory, zwyczajny wygląd, nie modelka), nazwij fakturę materiału. Brak tej trzeciej warstwy jest główną przyczyną plastikowego wyglądu skóry.

Długo w konkretach jest dobrze, długo w modyfikatorach jest źle. Twórca modelu mówi, że model działa najlepiej na długich, szczegółowych promptach - i to nie kłóci się z radą, żeby nie mieszać stylów. Więcej konkretu o jednej spójnej scenie pomaga; czterdzieści przymiotników jakości i dwie rywalizujące rodziny stylistyczne rozmywają uwagę.

Napisy w obrazie: dokładna treść w cudzysłowie, z miejscem i wagą kroju opisaną słowami. Producent deklaruje angielski i chiński. Mniej tekstu wychodzi znacznie pewniej niż akapit, a polskie ogonki są poza deklarowanym wsparciem, więc przy materiale do publikacji lepiej wygenerować obraz czysty i złożyć napis w edytorze.

Zamierzony sposób pracy z tym modelem to rozwijanie promptu przed generowaniem: piszesz krótko, co ma być, ktoś rozbudowuje to do gęstych fraz, generujesz z wersji rozbudowanej. Twórca modelu wprost tak to opisuje i dlatego krótkie prompty wydają się słabe. Generator robi właśnie ten drugi krok, tylko na podstawie pól, a nie zgadywania.