Veo 3.1 प्रॉम्ट गाइड: ऐसे प्रॉम्ट लिखें जो सच में काम करें
Veo 3.1 प्रॉम्ट लिखने की व्यावहारिक गाइड: सात-भागों का ढांचा, कैमरा मोशन शब्द, ऑडियो संकेत, और $0.10 प्रति वीडियो से शुरू होने वाले असली क्लिप्स।
एक Veo 3.1 प्रॉम्ट (निर्देश) एक छोटा सीन विवरण होता है जो Google के वीडियो मॉडल को बताता है कि उसे क्या और कैसे शूट करना है। मॉडल आपके टेक्स्ट को एक डायरेक्टर के निर्देश की तरह समझते हैं: वे इसमें से सब्जेक्ट, एक्शन, स्टाइल, कैमरा वर्क, कम्पोजीशन, लेंस का चुनाव और लाइटिंग को पढ़ते हैं, फिर बाकी चीजों को अपने अंदाज़े से भर देते हैं। एक अच्छा प्रॉम्ट लिखने का मतलब है - मॉडल के लिए अंदाज़ा लगाने की गुंजाइश को कम से कम करना।
अगर आप सिर्फ एक पैराग्राफ पढ़ना चाहते हैं, तो इसका संक्षिप्त संस्करण यह है: एक सब्जेक्ट का वर्णन करें जो एक एक्शन कर रहा हो, और फिर उसमें कैमरा मोशन जोड़ दें। एक उपयोगी टेम्पलेट है: "[shot type] of [subject] [doing action] in [setting], [camera movement], [lens or focus], [lighting and mood]"। कैमरा मोशन और लाइट जोड़ने की यह एक आदत, एक उबाऊ क्लिप और एक बेहतरीन उपयोग करने योग्य क्लिप के बीच के अंतर को पूरी तरह पाट देती है। नीचे की पूरी गाइड इसी के विवरण और उदाहरणों के बारे में है।
जब से हमने वीडियो जनरेशन लॉन्च किया है, मैं BananaBanana पर रोजाना Veo 3.1 का इस्तेमाल कर रहा हूं। एक साधारण प्रॉम्ट और एक व्यवस्थित (structured) प्रॉम्ट के बीच का अंतर यहाँ किसी भी इमेज मॉडल की तुलना में बहुत ज़्यादा है। इमेजेस फिर भी अस्पष्टता को संभाल लेती हैं, लेकिन वीडियो उसे फ्रेम और मोशन (गति) दोनों स्तरों पर काफी बिगाड़ देता है।
एक अच्छा Veo 3.1 प्रॉम्ट क्या होता है?
Google के Veo डॉक्यूमेंटेशन के अनुसार, एक मजबूत प्रॉम्ट में सात तत्व शामिल होते हैं: सब्जेक्ट (subject), एक्शन (action), स्टाइल (style), कैमरा पोजीशन (camera positioning), कम्पोजीशन (composition), फोकस और लेंस इफेक्ट्स (focus and lens effects), और एम्बियंस (ambiance)। आपको हर बार इन सातों की आवश्यकता नहीं होती है। लेकिन आपको पता होना चाहिए कि आप किसे छोड़ रहे हैं, क्योंकि मॉडल बाकी चीजों को खुद से जोड़ देगा।
| तत्व | यह क्या नियंत्रित करता है | उदाहरण वाक्यांश |
|---|---|---|
| Subject | स्क्रीन पर कौन या क्या है | "an elderly potter with clay-stained hands" |
| Action | क्लिप के दौरान क्या होता है | "shaping a bowl on a spinning wheel" |
| Style | समग्र एस्थेटिक (दिखावट) | "cinematic documentary style" |
| Camera | कैमरा पोजीशन और मूवमेंट | "slow dolly-in at eye level" |
| Composition | फ्रेमिंग (कम्पोजीशन) | "close-up" |
| Lens / focus | ऑप्टिकल विशेषता (फोकस) | "shallow depth of field" |
| Ambiance | रोशनी और रंग का मूड | "warm window light, dust in the air" |
शब्दों का क्रम उतना मायने नहीं रखता जितना लोग सोचते हैं। मैं आम तौर पर सब्जेक्ट और एक्शन को शुरुआत में रखता हूँ क्योंकि मॉडल इसी पर ज़्यादा ध्यान केंद्रित करता है, फिर अंत में कैमरा मोशन और लाइटिंग जोड़ता हूँ। जो चीज़ सबसे ज़्यादा मायने रखती है वह है विशिष्टता (specificity): "a horse" (एक घोड़ा) लिखने पर मॉडल चालीस अलग-अलग प्रजातियों में से किसी को भी चुन सकता है, जबकि "a chestnut Arabian horse" लिखने पर ऐसा नहीं होता।
एक ईमानदार चेतावनी। Veo 3.1 में Google की तरफ़ से एक प्रॉम्ट रीराइटर (prompt rewriter) होता है जो वीडियो बनाने से पहले छोटे प्रॉम्ट्स को बड़ा कर देता है, और आप यह पूरी तरह से नहीं देख सकते कि उसने क्या जोड़ा है। छोटे प्रॉम्ट्स कभी-कभी ऐसे विवरणों के साथ आ सकते हैं जिन्हें आपने कभी नहीं माँगा था। खुद से सारे विवरण लिखना ही रीराइटर से इस आज़ादी को छीनने का एकमात्र तरीका है।
Veo 3.1 में कैमरे को कैसे नियंत्रित करें?
कैमरा की भाषा Veo 3.1 प्रॉम्ट का सबसे महत्वपूर्ण हिस्सा है, जिसे अधिकांश लोग छोड़ देते हैं। मॉडल मानक सिनेमाई शब्दों (standard film vocabulary) को अच्छी तरह समझता है, इसलिए इसका शाब्दिक रूप से उपयोग करें।
पोजीशन के लिए: aerial view (हवाई दृश्य), eye-level (आँख के स्तर पर), low-angle shot (कम कोण वाला शॉट), top-down shot (ऊपर से नीचे), over-the-shoulder (कंधे के ऊपर से)। मूवमेंट के लिए: dolly in or out (डॉली इन या आउट), tracking shot (ट्रैकिंग शॉट), pan left or right (बाएं या दाएं पैन), tilt up (टिल्ट अप), slow zoom (धीमा ज़ूम), POV shot (पीओवी शॉट)। फ्रेमिंग के लिए: extreme close-up (अत्यंत क्लोज़-अप), close-up (क्लोज़-अप), medium shot (मध्यम शॉट), wide shot (वाइड शॉट), establishing shot (स्थापना शॉट)। ऑप्टिक्स के लिए: shallow focus (उथला फोकस), deep focus (गहरा फोकस), macro lens (मैक्रो लेंस), wide-angle lens (वाइड-एंगल लेंस), soft focus (सॉफ्ट फोकस)।
हमारे परीक्षणों से मिले दो व्यावहारिक नियम। पहला, प्रति क्लिप केवल एक कैमरा मोशन रखें। यदि आप प्रॉम्ट में "a pan that becomes a dolly-in and then tilts up" (एक पैन जो डॉली-इन बनता है और फिर टिल्ट अप होता है) मांगते हैं, तो आमतौर पर आपको इनमें से केवल एक ही गति मिलती है जो यादृच्छिक (random) रूप से चुनी जाती है, या फिर दोनों के बीच का कोई असंतोषजनक परिणाम मिलता है। क्लिप केवल 4 से 8 सेकंड के होते हैं; इसलिए एक मोशन को अच्छे से करने की ही गुंजाइश होती है। दूसरा, विरोधाभास होने पर गति वाले शब्द कैमरा संज्ञाओं पर हावी हो जाते हैं। यदि आपका सब्जेक्ट "sprints" (तेज़ दौड़ता) है लेकिन कैमरा "static wide shot" (स्थिर वाइड शॉट) पर है, तो उम्मीद करें कि मॉडल दौड़ने को प्राथमिकता देगा और कैमरे को भी घुमा देगा। दोनों के बीच तालमेल रखें।
लाइटिंग भी इसी तरह काम करती है: इसका नाम वैसे ही लिखें जैसे कोई सिनेमैटोग्राफर लिखता है। "Golden hour backlight" (गोल्डन ऑवर बैकलाइट), "cool blue moonlight" (शांत नीली चाँदनी), "harsh overhead fluorescent" (तेज़ ओवरहेड फ्लोरोसेंट लाइट), "flickering torchlight" (टिमटिमाती मशाल की रोशनी) - ये सभी शब्द सटीक परिणाम देते हैं। वहीं "beautiful lighting" (खूबसूरत रोशनी) जैसे अस्पष्ट शब्द मॉडल के लिए बेअसर साबित होते हैं।
पहले और बाद में: एक ही विचार, दो अलग प्रॉम्ट
बातों से ज़्यादा काम बोलता है, इसलिए यहाँ BananaBanana पर Veo 3.1 Fast की मदद से बिना आवाज़, 6 सेकंड और 720p पर दो बार जनरेट किया गया एक ही सीन है। दोनों डेमो की कुल लागत: लगभग $1।
पहले, वह प्रॉम्ट जो हर कोई शुरुआत में लिखता है। सिर्फ "A horse running on a beach" (समुद्र तट पर दौड़ता हुआ घोड़ा):
यह ठीक है। ध्यान दें कि मॉडल ने सूर्यास्त का समय खुद ही चुन लिया है; यह वही प्रॉम्ट रीराइटर है जो आपके लिए फैसले ले रहा है। फ्रेमिंग एक दूर का वाइड शॉट बनी हुई है, कैमरा कोई खास मूवमेंट नहीं करता, और इसमें से कुछ भी आपकी पसंद का नहीं था। अब इसी विचार को हमारे सात-तत्वों वाले ढांचे के साथ दोबारा लिखा गया है: "A chestnut Arabian horse gallops along wet sand at golden hour, kicking up spray of seawater with its hooves, low-angle tracking shot moving alongside the horse, shallow depth of field, warm backlit rim light from the setting sun" (एक सुनहरी अरबी घोड़ा सुनहरी शाम के समय गीली रेत पर सरपट दौड़ रहा है, जिसके खुरों से समुद्र के पानी की बौछारें उड़ रही हैं, घोड़े के साथ चलता हुआ लो-एंगल ट्रैकिंग शॉट, उथला फोकस (shallow depth of field), और डूबते सूरज से आती हुई खूबसूरत बैकलाइट):
वही सब्जेक्ट, वही मॉडल, वही कीमत। दूसरी क्लिप में एक सुनियोजित कैमरा मूवमेंट, प्रकाश की एक निश्चित दिशा, और बैकलाइट को पकड़ती पानी की बौछारें शामिल हैं, जो किस्मत के भरोसे नहीं बल्कि प्रॉम्ट में लिखे शब्दों की वजह से मिली हैं।
इस डेमो को बनाने से मिली एक सीख जिसके लिए मुझे दो बार फिर से वीडियो बनाना पड़ा: इस प्रॉम्ट के एक पुराने वर्जन के अंत में "cinematic 35mm look" लिखा था, और Veo ने उस फिल्म संदर्भ को बिल्कुल सच मान लिया, जिससे वीडियो के ऊपर और नीचे काली पट्टियां (letterbox bars) बनी आ गईं। ऐसा दो बार हुआ। "35mm", "anamorphic" या "cinematic film look" जैसे स्टाइल के शब्द पूरी वाइडस्क्रीन प्रस्तुति को काली पट्टियों के साथ खींच लाते हैं। यदि आप बिना पट्टियों के वही सिनेमाई एहसास चाहते हैं, तो सीधे लाइट और लेंस की विशिष्टताओं को लिखें और फिल्म-स्टॉक से जुड़े शब्दों को छोड़ दें।
यदि आप टेक्स्ट के बजाय एक फोटो से शुरुआत कर रहे हैं, तो तरीका थोड़ा बदल जाता है (आपकी इमेज पहले फ्रेम को लॉक कर देती है और प्रॉम्ट केवल मोशन का वर्णन करता है)। हमने इस प्रक्रिया को अपनी इमेज से वीडियो गाइड में अलग से कवर किया है।
Veo 3.1 में ऑडियो के लिए प्रॉम्ट कैसे लिखें?
Veo 3.1 वीडियो के साथ ही ऑडियो भी जनरेट करता है, और Google के दस्तावेजों के अनुसार यह API में हमेशा ऑन रहता है: संवाद (dialogue), साउंड इफेक्ट्स (sound effects), और एम्बिएंट नॉइज़ (ambient noise) जो तस्वीर के साथ पूरी तरह तालमेल में रहते हैं। आप प्रत्येक को एक अलग टेक्स्ट कन्वेंशन के साथ नियंत्रित कर सकते हैं।
- डायलॉग (संवाद) को कोट्स में लिखा जाता है और उसे बोलने वाले से जोड़ा जाता है: A man murmurs, "This must be it."
- साउंड इफेक्ट्स को सीधे घटनाओं के रूप में दर्शाया जाता है: "tires screeching" (टायर की चीख), "waves crashing against rocks" (चट्टानों से टकराती लहरें)।
- एम्बिएंस को वातावरण के रूप में वर्णित किया जाता है: "faint hum of fluorescent lights" (फ्लोरोसेंट लाइट की धीमी गूंज), "distant seagulls" (दूर उड़ते समुद्री बगुले)।
Google का अपना उदाहरण प्रॉम्ट इस पैटर्न को दिखाता है: "A close up of two people staring at a cryptic drawing on a wall, torchlight flickering. A man murmurs, 'This must be it.'" कोट्स वाला डायलॉग लिप-सिंक की गई आवाज़ पैदा करता है, और "flickering" और "torchlight" जैसे शब्द कमरे का सटीक साउंड टोन तय करते हैं।
बोले जाने वाले संवादों को छोटा रखें। हमारे परीक्षणों में पाया गया है कि प्रति लाइन लगभग 12 से अधिक शब्द होने पर 8-सेकंड की क्लिप में संवाद का अंत कटने या बहुत जल्दी खत्म होने का जोखिम रहता है। साथ ही केवल एक या दो किरदारों के लिए ही संवाद लिखें, पूरी भीड़ के लिए नहीं; क्योंकि आपस में टकराती हुई आवाजें बिल्कुल अस्पष्ट लगती हैं।
BananaBanana पर ऑडियो को आप अपनी मर्जी से ऑन या ऑफ कर सकते हैं, और इसकी कीमत अलग है क्योंकि Google इसके लिए अलग से शुल्क लेता है: 720p या 1080p पर 8 सेकंड की Veo 3.1 Fast क्लिप बिना ऑडियो के $0.70 और ऑडियो के साथ $1.00 की पड़ती है। ऊपर दिए गए डेमो जानबूझकर बिना ऑडियो के रखे गए हैं, जो कि बजट बचाने का एक अच्छा तरीका है जब आपकी क्लिप वैसे भी म्यूट होकर ऑटोप्ले होने वाली हो। (यदि आप चाहते हैं कि हर क्लिप में डिफ़ॉल्ट रूप से आवाज़ हो, तो Omni Flash मॉडल इसके उलट काम करता है: ऑडियो हमेशा ऑन, $0.10 प्रति सेकंड पर)।
नेगेटिव प्रॉम्ट, समयावधि और Veo 3.1 की लागत
नेगेटिव प्रॉम्ट (नकारात्मक निर्देश) की स्थिति वास्तव में भ्रमित करने वाली है, इसलिए यहाँ हम आपको इसे API की तरफ़ से समझाते हैं। Veo 3.1 के लिए Gemini API दस्तावेज़ों में नेगेटिव प्रॉम्ट का कोई ज़िक्र नहीं है। हालांकि, Vertex AI एंडपॉइंट, जिस पर BananaBanana काम करता है, negativePrompt को स्वीकार करता है, और हमारे वीडियो जनरेशन में यह काफी हद तक परिणाम को बेहतर बनाता है। इसलिए हमारे जनरेटर में यह विकल्प मौजूद है और काम करता है; बस इससे किसी बहुत कड़े फिल्टर की तरह व्यवहार करने की उम्मीद न करें।
नेगेटिव लिखने का Google के प्रॉम्ट गाइडेंस से जुड़ा एक अनोखा नियम है: नेगेटिव फील्ड में कभी भी "no" या "don't" न लिखें। जिन चीजों को आप वीडियो में नहीं चाहते हैं, उन्हें केवल सीधे संज्ञा (noun) के रूप में लिखें। "Cartoon, low quality, text overlay, watermark" बहुत अच्छे से काम करता है; वहीं "no cartoons" लिखना नुकसानदेह हो सकता है क्योंकि "cartoon" शब्द अभी भी वहां मौजूद है।
Google के दस्तावेजों और हमारे प्रोडक्शन सेटअप के अनुसार समयावधि और फॉर्मेट इस प्रकार हैं: क्लिप्स 16:9 या 9:16 आस्पेक्ट रेशियो पर 4, 6, 7 या 8 सेकंड के होते हैं, जिसमें 720p, 1080p और 4K आउटपुट शामिल हैं। 1080p, 4K, रेफरेंस इमेज और वीडियो एक्सटेंशन (विस्तार) के लिए कम से कम 8 सेकंड की लंबाई जरूरी है। एक्सटेंशन Veo का एक बेहतरीन फीचर है: प्रत्येक अनुरोध वीडियो में 7 सेकंड और जोड़ देता है, जिसे अधिकतम 20 बार इस्तेमाल किया जा सकता है। इस तरह आप एक ही प्रॉम्ट चेन से दो मिनट से बड़ा वीडियो बना सकते हैं।
8-सेकंड की 720p क्लिप के लिए BananaBanana की वर्तमान कीमतें:
| मॉडल | बिना ऑडियो | ऑडियो के साथ |
|---|---|---|
| Veo 3.1 Lite | $0.20 | $0.36 |
| Veo 3.1 Fast | $0.70 | $1.00 |
| Veo 3.1 | $1.40 | $3.00 |
एक 4 सेकंड की म्यूट Lite क्लिप केवल $0.10 की है, और हर नए अकाउंट को मिलने वाला फ्री बैलेंस ऐसी दो क्लिप के लिए काफ़ी है। इसलिए आपका पहला Veo वीडियो पूरी तरह मुफ्त होगा! और सच कहें तो, Fast या फुल मॉडल पर असली पैसे खर्च करने से पहले प्रॉम्ट का ढांचा सीखने के लिए 720p पर Lite मॉडल बेहद शानदार है। पूरी कीमतों की सूची हमारे मूल्य निर्धारण पेज पर दी गई है।
मेरा डिफ़ॉल्ट वर्कफ़्लो: पहले Lite पर एक रफ़ प्रॉम्ट बनाएं, मनचाहा मोशन और फ्रेम मिलने तक बदलाव करें, और फिर अंतिम प्रॉम्ट को Fast या Veo 3.1 पर चलाएं। प्रॉम्ट की गुणवत्ता सभी मॉडलों में बिल्कुल एक समान तरीके से काम करती है; आप जो अतिरिक्त पैसे देते हैं वे मुख्य रूप से रेंडर क्वालिटी (साफ़-सुथरे वीडियो) के लिए होते हैं।
सामान्य प्रश्न (FAQ)
Veo 3.1 के लिए सबसे अच्छा प्रॉम्ट ढांचा कौन सा है?
सब्जेक्ट, एक्शन, स्टाइल, कैमरा, कम्पोजीशन, लेंस, एम्बिएंस, लगभग इसी क्रम में। एक संक्षिप्त टेम्पलेट: "[shot type] of [subject] [action] in [setting], [camera move], [lens], [lighting]"। विशिष्ट संज्ञाएं (specific nouns) विशेषणों से बेहतर परिणाम देती हैं, और प्रति क्लिप एक कैमरा मूवमेंट तीन से कहीं बेहतर है।
क्या Veo 3.1 नेगेटिव प्रॉम्ट्स को सपोर्ट करता है?
हाँ, Vertex AI पर यह संभव है: negativePrompt पैरामीटर स्वीकार किया जाता है और काम भी करता है, भले ही Gemini API दस्तावेज़ों में Veo 3.1 के लिए इसका उल्लेख न हो। नेगेटिव्स को हमेशा सीधे शब्दों के रूप में लिखें (जैसे "cartoon, blurry, watermark"), कभी भी "no X" वाले वाक्यों के रूप में न लिखें।
मैं Veo 3.1 से आवाज़ (speech) कैसे जनरेट करवाऊं?
संवाद को कोट्स में लिखें और प्रॉम्ट के भीतर उसे बोलने वाले से जोड़ें: A woman whispers, "We're not alone." Veo छोटे वाक्यों को बेहतरीन तरीके से लिप-सिंक करता है; संवाद को प्रति क्लिप लगभग 12 शब्दों से कम ही रखें।
एक Veo 3.1 वीडियो कितना लंबा हो सकता है?
बुनियादी क्लिप्स 4 से 8 सेकंड की होती हैं। वीडियो विस्तार (Extension) फीचर के साथ (प्रति अनुरोध 7 अतिरिक्त सेकंड, अधिकतम 20 बार) एक ही प्रॉम्ट चेन से वीडियो 148 सेकंड (720p पर) तक लंबा हो सकता है।
एक Veo 3.1 वीडियो की लागत कितनी होती है?
BananaBanana पर, $0.10 (720p पर 4-सेकंड की म्यूट Veo 3.1 Lite क्लिप) से लेकर $4.40 (ऑडियो के साथ 8-सेकंड की 4K Veo 3.1 क्लिप) तक। एक मध्यम स्तर का डिफ़ॉल्ट विकल्प, यानी 8-सेकंड की बिना आवाज़ वाली Fast क्लिप, $0.70 की पड़ती है।