ابزارِ رایگان · استودیوی جیبی · ویدیو
ساختِ پرامپتِ ویدیو، با ده تصمیم.
پرامپتِ ضعیفِ ویدیو جوری خراب میشود که پرامپتِ عکس نمیشود: بستهبندی وسطِ نما وا میرود، دستِ آدم شش انگشت پیدا میکند، نما بیخبر کات میخورد به صحنهای که کسی نخواسته. استودیوی جیبیِ ویدیو شما را از همان ده تصمیمی رد میکند که کارگردان پیش از «حرکت» میگیرد، و آخرش پرامپت را برای Kling، Veo (در Gemini یا Flow) یا Sora مینویسد؛ فهرستِ «هرگز» هم از اول در آن هست.
رایگان است، ثبتنام نمیخواهد، و هر چه مینویسید در همین مرورگر میماند. برای نمایی که میخواهید دستِ یک گروهِ فیلمبرداری بدهید، حالتِ کارگردان بهجای ده سؤال، چهارده سؤال میپرسد.
چطور کار میکند؟
- تصمیم بگیرید. ده صفحهی کوتاه، هر کدام یک تصمیم. شمارندهی بالای ابزار میگوید چندتا را به مدل سپردهاید.
- بچسبانید. Kling، Veo یا Sora را انتخاب کنید. شکلِ پرامپت برای هر کدام عوض میشود، و یک کادرِ کوچک میگوید کدام تنظیم جایش در خودِ ابزار است، نه در پرامپت: نسبت، مدت، صدا.
- فقط یک چیز را تعمیر کنید. اگر کلیپ تقریباً درست است، زبانهی «یک تعمیر» برای همان یک مشکل یک خط میدهد: دستِ وارفته، لوگوی کج، پرپر زدنِ نور، کاتِ ناخواسته.
ابزار فارسی است، ولی پرامپتی که کپی میکنید همیشه انگلیسی است. Kling و Veo و Sora انگلیسی را بهتر دنبال میکنند و گوگل برای Veo فقط انگلیسی را بهعنوانِ زبانِ پرامپت نام برده. اگر خواستید بفهمید چه نوشته، با یک دکمه ترجمهی فارسیاش را کنارش میبینید.
ده تصمیمی که پرامپتِ ویدیوی حرفهای را میسازد
این ترتیب را در کارگاه تفکر با هوش مصنوعی درس میدهم. شرکتکنندهها با یک جمله میآیند، «یک ویدیوی قشنگ از محصولم»، و بعد میفهمند چرا محصولِ یک نفرِ دیگر تحویل گرفتهاند. هر تصمیمی که نگیرید، مدل بیسروصدا به جای شما میگیرد:
- قالب و مدت. ریلز و استوری ۹ به ۱۶، یوتیوب ۱۶ به ۹، مربع، یا پستِ اینستاگرام. هیچکدام از این سه مدل ۴ به ۵ نمیسازد؛ برای پست، ابزار نمای عمودیای میچیند که بعد از بُرش سالم بماند. حدودِ پنج یا حدودِ ده ثانیه.
- سوژه و یک حرکت. چه در قاب است و آن یک چیزی که تکان میخورد. دو حرکت در پنج ثانیه، یعنی دو نما.
- اندازهی نما. نزدیک، متوسط، باز، یا فقط یک جزء.
- حرکتِ دوربین. ثابت، نزدیک شدنِ آرام، دور شدن، پن، چرخیدن دورِ سوژه، تعقیب، بالا رفتن با کرین، یا روی دست. هر نما یک حرکت؛ نزدیک شدن و چرخیدن در پنج ثانیه همان جایی است که بستهبندی خم میشود.
- سرعت. واقعی، آهسته، یا تایملپس.
- نور. پنجره از کنار، نرمِ استودیو، طلاییِ غروب، شب با چراغهای خودِ صحنه، یا نور از پشت.
- صحنه. زمینهی ساده، روی میز، فضای داخلیِ واقعی، طبیعت، یا خیابانِ شهر.
- سبک. فیلمِ واقعیِ سینمایی، سهبعدیِ نرم، انیمیشنِ دوبعدی، استاپموشنِ خمیری، یا مستندِ واقعی.
- حالوهوا، رنگ و صدا. بیننده چه حسی بگیرد، حداکثر سه رنگ، و اینکه صدای محیط میخواهید، یک جملهی کوتاه دیالوگ، یا بیصدا تا خودتان در تدوین صدا بگذارید.
- فریمِ اول. از متن، یا از تصویری که دارید. با تصویر، پرامپت فقط حرکت و دوربین را میگوید؛ بقیه را خودِ تصویر نشان میدهد.
شش چیز همیشه در فهرستِ «هرگز» است: دست و صورتی که وا برود یا شکلش عوض شود، انگشتِ اضافه، لوگو و نوشتهی بستهبندی که کج یا عوض شود، پرپر زدنِ نور، کاتِ ناگهانی، و نوشتهای که روی تصویر بیاید. Kling اینها را در کادرِ جدای دستورِ منفی میگیرد. Veo و Sora به شکلِ جملهی «از اینها پرهیز کن» میگیرند، چون نه اپِ Gemini کادرِ منفی دارد، نه Sora.
پرامپتِ Kling، پرامپتِ Veo، پرامپتِ Sora: چه فرقی دارند؟
| مدل | ابزار چه مینویسد | چه تنظیمی را یادآوری میکند |
|---|---|---|
| Kling | خطهای برچسبدار به ترتیبِ راهنمای خودِ Kling (سوژه، حرکت، صحنه، دوربین، نور، حالوهوا) و یک دستورِ منفیِ جدا | نسبتِ ۱۶ به ۹، ۹ به ۱۶ یا ۱ به ۱. مدتِ ۵ یا ۱۰ ثانیه در همهی مدلهای فعلی. کلیدِ صدا در ۲٫۶ و ۳٫۰ |
| Veo · Gemini · Flow | یک پاراگراف که یک نمای پیوسته میخواهد؛ صدا در جملهی خودش و «هرگز»ها به شکلِ جملهی پرهیز | نسبتِ ۹ به ۱۶ یا ۱۶ به ۹. کلیپِ Veo 3.1 چهار، شش یا هشت ثانیه است. صدا همراهِ تصویر ساخته میشود |
| Sora | یک پاراگرافِ صحنه، بعد دوربین، حرکت و دیالوگ در بلوکهای کوتاه؛ هر نما یک حرکتِ دوربین و یک حرکتِ سوژه | مدت و جهتِ تصویر تنظیمات است؛ راهنمای Sora میگوید نوشتن در پرامپت عوضشان نمیکند. فقط عمودی یا افقی |
اینها چیزهایی است که آبانِ ۱۴۰۵ در مستنداتِ خودِ هر مدل بررسی کردم. هر جا چیزی قابلِ بررسی نبود، ابزار آن را نمیگوید و حدس نمیزند.
یک هشدارِ مخصوصِ ما: راهنمای Kling برای گفتار فقط چینی، انگلیسی، ژاپنی، کرهای و اسپانیایی را نام میبرد. دیالوگِ فارسی را از مدل نخواهید؛ صدای فارسی را خودتان ضبط کنید و در تدوین بگذارید. نوشتهی فارسیِ روی تصویر هم کارِ تدوین است، نه پرامپت.
قبل و بعد: یک ایده، دو پرامپت
چیزی که بیشترِ ما مینویسیم:
یک ویدیوی قشنگ از فنجان قهوه برای ریلز
و چیزی که استودیوی جیبیِ ویدیو بعد از ده انتخاب برای Kling مینویسد (همان متنی که کپی میکنید):
Subject: A ceramic cup of coffee with latte art on a wooden table.
Action: Steam rises slowly from the cup while a spoon is set down beside it. Everything moves at real-time speed.
Scene: The setting is a simple tabletop; the background is softly out of focus.
Camera: Close-up: the subject fills most of the frame. The camera slowly pushes in toward the subject (dolly in). One continuous shot, no cuts.
Lighting: Soft natural window light from one side, with gentle shadows.
Style: Cinematic live-action footage, as if shot on a real film camera.
Mood: Warm and cosy. Colour palette: only cream and brown.
Sound: quiet café murmur and the soft clink of a spoon on porcelain. No music, no dialogue.
Timing: The shot lasts about 5 seconds, and the action fills the whole shot.
ترجمهی فارسیاش، همان که در ابزار با دکمهی «فارسی» میبینید:
سوژه: یک فنجان قهوهی سرامیکی با لاتهآرت روی میزِ چوبی.
حرکت: بخار آرام از فنجان بالا میرود و یک قاشق کنارش گذاشته میشود. همهچیز با سرعتِ واقعی حرکت میکند.
صحنه: صحنه روی یک میزِ ساده است و پشتِ آن نرم و محو.
دوربین: نمای نزدیک: سوژه بیشترِ قاب را پر میکند. دوربین آرام به سوژه نزدیک میشود (دالی به جلو). یک نمای پیوسته، بدونِ کات.
نور: نورِ نرمِ پنجره از یک طرف، با سایهی ملایم.
سبک: تصویرِ واقعیِ سینمایی، انگار با دوربینِ واقعیِ سینما گرفته شده.
حالوهوا: گرم و خودمانی. رنگها: فقط کرم و قهوهای.
صدا: همهمهی آرامِ کافه و صدای قاشق روی چینی. بدونِ موسیقی و دیالوگ.
زمان: نما حدودِ ۵ ثانیه است و حرکت کلِ نما را پر میکند.
اولی همهی تصمیمها را به مدل میسپارد، حتی آنهایی که نمای محصول را خراب میکنند. دومی هیچکدام را نمیسپارد.
سه نما که کنارِ هم یک فیلم شوند
یک کلیپِ خوب ممکن است شانس باشد. سه نما که پشتِ هم یک فیلم شوند، کارگردانی است. در حالتِ «ستِ سه نمای همخانواده» نور، رنگ، صحنه و سبک را یک بار قفل میکنید، الگوی ست را انتخاب میکنید (یک صحنه در سه اندازهی نما؛ یک سوژه با سه حرکتِ دوربین؛ قبل، حین، بعد) و یک جزءِ کوچک میگذارید که تکرار شود. خطهای ظاهر در هر سه پرامپت کلمهبهکلمه یکی است. همین، بهاضافهی یک فریم از نمای اول اگر ابزارتان تصویرِ مرجع میگیرد، ست را به هم وصل میکند. مدلها نمای اول را خودشان به خاطر نمیآورند.
حالتِ کارگردان: چهارده خط، هیچ چیز برای حدس
مسیرِ دهتصمیمی شما را زود به یک کلیپِ خوب میرساند. حالتِ کارگردان برای یک نماست؛ نمایی که بشود دستِ گروهِ فیلمبرداری داد. همان سؤالهایی را میپرسد که کارگردان در برگهی نما جواب میدهد، و جوابها را برای Kling، Veo یا Sora پرامپت میکند.
پرامپتِ حرفهای ویدیو به چهارده سؤال جواب میدهد: صحنه، شخصیت، هدفِ شخصیت، کنش تکهبهتکه، اندازهی نما، ارتفاع و زاویهی دوربین، لنز، یک حرکتِ دوربین، ترکیببندی، نور، بازی، مدت، فریمِ پایانی و پیوستگی. هر خطی که خالی بماند، تصمیمی است که مدل به جای شما میگیرد.
| خط | چه چیزی را قفل میکند |
|---|---|
| صحنه | مکان، ساعتِ روز، و آنچه دورِ کنش است |
| شخصیت | کیست، چه پوشیده، در چه حالی است |
| هدف | هدفی که دوربین ببیند: «نان را سالم بیرون بیاورد»، نه «احساسِ غرور کند» |
| کنش | فعلهای دیدنی، هر تکه در یک خط، به ترتیب. ابزار تعدادِ تکهها را با مدت میسنجد |
| اندازهی نما | هشت اندازه، از خیلی باز تا اینسرت |
| ارتفاع و زاویهی دوربین | دوربین کجا ایستاده و از کجا نگاه میکند |
| لنز | از ۱۶ تا ۱۳۵ میلیمتر، همراهِ عمقِ میدان |
| حرکتِ دوربین | فقط یک حرکت، با جهت، اندازه و ثانیه، که در یک جملهی کامل نوشته میشود |
| ترکیببندی | سوژه کجای قاب است، جلو و پشتش چیست |
| نور | منبع، جهت، سخت یا نرم، عمقِ سایهها |
| بازی | نگاه، ژست، زمانِ واکنش |
| مدت | حدودِ پنج یا حدودِ ده ثانیه |
| فریمِ پایانی | آخرین فریم، مثلِ یک عکس توصیف میشود |
| پیوستگی | لباس، اشیا، جهتِ نور؛ آنچه نمای بعدی کلمهبهکلمه به ارث میبرد |
پیش از کپی، ابزار نما را مثلِ دستیارِ اولِ کارگردان میخواند. یادداشتهایش اینها را میگیرد: خطِ خالی، دو حرکتِ دوربین در یک نما، حرکتی که از خودِ نما طولانیتر است، تکههای زیاد برای این مدت، نبودنِ فریمِ پایانی، لنزی که با اندازهی نما نمیخواند، و نبودنِ خطِ پیوستگی. کنارِ هر یادداشت دکمهی «درستش کن» هست.
زیرِ پرامپت، مسیرِ ششقدمیِ «از دستور تا انتشار» هست: فریمِ اول را با ابزارِ ساخت پرامپت عکس بهصورتِ عکس بسازید، با پرامپت متحرکش کنید، کلیپ را فریمبهفریم بررسی کنید، خطِ پیوستگی را به نمای بعد ببرید، نوشته و لوگو را در تدوین بگذارید، و یک آدم نسخهی نهایی را تأیید کند. «کپیِ برگهی نما» چهارده خط را شمارهدار و به فارسی به شما میدهد، برای استوریبورد یا گروهِ فیلمبرداری.
جایی که پرامپت کافی نیست
اگر بستهی توی کلیپ باید همان بستهی شما باشد، با «تصویر دارم» از عکسِ واقعی شروع کنید. آنوقت پرامپت فقط حرکت و دوربین را اضافه میکند و از مدل میخواهد شکل، رنگ، لوگو و نوشتهی بسته را نگه دارد. با همهی اینها، من هنوز ۶۰ تا ۷۰ درصدِ برداشتها را دور میریزم. این روش مدل را بینقص نمیکند؛ هر برداشتِ ردشده را ارزانتر و هر تلاشِ دوباره را حسابشده میکند.
اول عکس لازم دارید؟ ابزارِ همخانوادهاش را ببینید: ساختِ پرامپتِ عکس. اگر تیزر یا فیلمِ معرفیِ کامل میخواهید، این کارِ هرروزهی من است: ساختِ تیزرِ تبلیغاتی با هوش مصنوعی و خدمات. و اگر میخواهید این طرزِ فکر را یاد بگیرید، به کارگاه سر بزنید.
ترجیح میدهید ویدیو را برایتان بسازم؟
عکسِ محصول یا برگهی نما را در واتساپ بفرستید تا کلیپش را بسازم. قبل از شروعِ کار قیمت را میگویم، و معمولاً همان روز جواب میدهم.
سؤالهای پرتکرار
استودیوی جیبیِ ویدیو رایگان است؟
بله. نه حساب کاربری میخواهد، نه ایمیل، نه سقفی دارد. هر چه مینویسید در همین مرورگر میماند و به هیچ سروری فرستاده نمیشود.
پرامپتِ ویدیو را فارسی بنویسم یا انگلیسی؟
پرامپتی که به مدل میدهید انگلیسی باشد. ابزار همهی انتخابها را خودش انگلیسی مینویسد؛ فقط سوژه و حرکت را که خودتان تایپ میکنید، بهتر است انگلیسی بنویسید. ترجمهی فارسی برای خواندن کنارش هست.
پرامپتِ Kling را چطور بنویسم؟
سوژه، یک حرکتِ دیدنی، صحنه، یک حرکتِ دوربین، نور و حالوهوا، به همین ترتیب؛ و هر چه نباید باشد را در کادرِ Negative Prompt بگذارید. ابزار هر دو بخش را مینویسد و یادتان میاندازد نسبت و مدتِ ۵ یا ۱۰ ثانیه را در تنظیماتِ Kling بگذارید.
پرامپتِ Veo با صدا چه شکلی است؟
تصویر در یک پاراگراف، صدا در یک جملهی جدا: صدای محیط، یا یک جملهی کوتاه که با «says:» میآید. یک نمای پیوسته بخواهید، چون اپِ Gemini ممکن است چند نما پشتِ هم تحویل دهد.
چرا دست و لوگو در ویدیوی هوش مصنوعی وا میرود؟
هر ثانیه و هر حرکتِ دوربینِ اضافه به آنها جا میدهد که از شکل بیفتند. هر نما یک حرکت، کوتاه، و شش «هرگز» روشن. اگر لوگو باز هم کج شد، بهجای توصیفِ بسته از عکسِ واقعیاش شروع کنید.
با عکسِ محصولِ خودم کار میکند؟
بله. «تصویر دارم» را انتخاب کنید، عکس را در Kling، Veo یا Sora بهعنوانِ فریمِ اول بارگذاری کنید و پرامپت را بچسبانید. پرامپت فقط حرکت و دوربین را میگوید و از مدل میخواهد چه چیزی عوض نشود.
حالتِ کارگردان چیست؟
مسیرِ چهارمِ ابزار، برای یک نمای کاملاً مشخص. چهارده سؤال میپرسد، از صحنه و هدفِ شخصیت تا فریمِ پایانی و پیوستگی، نما را برای اشکالهای رایج بررسی میکند، و پرامپت را برای Kling، Veo یا Sora مینویسد؛ بهاضافهی یک برگهی نما که میشود دستِ گروهِ فیلمبرداری داد.
ویدیو را برایم میسازید؟
بله. عکسِ محصول یا برگهی نما را در واتساپ بفرستید. قبل از شروعِ کار قیمت را میگویم.
ساختهی محمد نصراوی، کارگردانِ خلاقِ هوش مصنوعی. واقعیتهای هر مدل از مستنداتِ خودش، آبانِ ۱۴۰۵.