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.

چطور کار می‌کند؟

1. تصمیم بگیرید. ده صفحه‌ی کوتاه، هر کدام یک تصمیم. شمارنده‌ی بالای ابزار می‌گوید چندتا را به مدل سپرده‌اید.
2. 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.
3. 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:

1. 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.
2. سوژه و یک حرکت. چه در قاب است و آن یک چیزی که تکان می‌خورد. دو حرکت در پنج ثانیه، یعنی دو نما.
3. اندازه‌ی نما. نزدیک، متوسط، باز، یا فقط یک جزء.
4. 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.
5. سرعت. واقعی، آهسته، یا تایم‌لپس.
6. نور. پنجره از کنار، نرمِ استودیو، طلاییِ غروب، شب با چراغ‌های خودِ صحنه، یا نور از پشت.
7. صحنه. زمینه‌ی ساده، روی میز، فضای داخلیِ واقعی، طبیعت، یا خیابانِ شهر.
8. سبک. فیلمِ واقعیِ سینمایی، سه‌بعدیِ نرم، انیمیشنِ دوبعدی، استاپ‌موشنِ خمیری، یا مستندِ واقعی.
9. 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.
10. 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؟

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.

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.

سؤال‌های پرتکرار

ساخته‌ی محمد نصراوی، کارگردانِ خلاقِ هوش مصنوعی. واقعیت‌های هر مدل از مستنداتِ خودش، آبانِ ۱۴۰۵.