Veo 3.1 پرامپٹ گائیڈ: کام کرنے والے پرامپٹس کیسے لکھیں

ایک Veo 3.1 پرامپٹ ایک مختصر منظر کی تفصیل ہوتی ہے جو Google کے ویڈیو ماڈل کو بتاتی ہے کہ کیا اور کیسے شوٹ کرنا ہے۔ ماڈلز آپ کے ٹیکسٹ کو ایک ڈائریکٹر کے بریف کی طرح لیتے ہیں: وہ اس میں سے سبجیکٹ، ایکشن، اسٹائل، کیمرہ ورک، کمپوزیشن، لینس کا انتخاب، اور لائٹنگ کو سمجھتے ہیں، اور پھر ہر وہ چیز جو آپ نے واضح نہیں کی، اپنے اندازوں سے پُر کرتے ہیں۔ اچھا پرامپٹ لکھنا بنیادی طور پر اندازہ لگانے کے لیے کم سے کم چیزیں چھوڑنے کے بارے میں ہے۔

اگر آپ صرف ایک پیراگراف پڑھنا چاہتے ہیں، تو فوری خلاصہ یہ ہے: ایک سبجیکٹ اور اس کے ایکشن کی تفصیل دیں، پھر کیمرہ شامل کریں۔ ایک کام کرنے والا ٹیمپلیٹ یہ ہے: "[shot type] of [subject] [doing action] in [setting], [camera movement], [lens or focus], [lighting and mood]"۔ صرف یہ ایک عادت، یعنی کیمرہ اور لائٹ شامل کرنا، ایک بورنگ کلپ اور استعمال کے قابل کلپ کے درمیان کا زیادہ تر فرق ختم کر دیتی ہے۔ نیچے دی گئی تمام معلومات تفصیلات اور ثبوت ہیں۔

جب سے ہم نے ویڈیو جنریشن شروع کی ہے، میں روزانہ BananaBanana پر Veo 3.1 چلا رہا ہوں، اور ایک سست پرامپٹ اور منظم پرامپٹ کے درمیان فرق یہاں کسی بھی امیج ماڈل کے مقابلے میں بہت زیادہ ہے۔ تصاویر مبہم باتوں کو معاف کر دیتی ہیں۔ ویڈیو اس کی دو بار سزا دیتی ہے، ایک بار فریم میں اور ایک بار حرکت میں۔

ایک اچھا Veo 3.1 پرامپٹ کس چیز سے بنتا ہے؟

Google کی Veo دستاویزات کے مطابق، ایک مضبوط پرامپٹ سات عناصر پر محیط ہوتا ہے: سبجیکٹ، ایکشن، اسٹائل، کیمرہ پوزیشننگ، کمپوزیشن، فوکس اور لینس کے اثرات، اور ایمبینس (ماحول)۔ آپ کو ہر بار ان تمام ساتوں کی ضرورت نہیں ہوتی۔ لیکن آپ کو یہ معلوم ہونا چاہیے کہ آپ کن کو چھوڑ رہے ہیں، کیونکہ ماڈل باقی چیزوں کو خود سے تیار کرے گا۔

ترتیب اتنی اہمیت نہیں رکھتی جتنا لوگ سمجھتے ہیں۔ میں عام طور پر سبجیکٹ اور ایکشن کو شروع میں رکھتا ہوں کیونکہ ماڈل ان پر انحصار کرتا ہے، پھر آخر میں کیمرہ اور لائٹ شامل کرتا ہوں۔ جو چیز زیادہ اہم ہے وہ تفصیل ہے: صرف "a horse" لکھنے سے ماڈل چالیس نسلوں میں سے کسی ایک کا انتخاب کرے گا، جبکہ "a chestnut Arabian horse" لکھنے سے ایسا نہیں ہوگا۔

ایک سچی تنبیہ۔ Veo 3.1 میں Google کی طرف ایک پرامپٹ ری رائٹر موجود ہے جو جنریشن سے پہلے مختصر پرامپٹس کو پھیلاتا ہے، اور آپ مکمل طور پر نہیں دیکھ سکتے کہ اس نے کیا شامل کیا۔ مختصر پرامپٹس بعض اوقات ایسی تفصیلات کے ساتھ واپس آتے ہیں جو آپ نے کبھی نہیں مانگی تھیں۔ خود تفصیل لکھنا وہ طریقہ ہے جس سے آپ یہ فیصلہ ری رائٹر سے واپس لے لیتے ہیں۔

آپ Veo 3.1 میں کیمرہ کیسے کنٹرول کرتے ہیں؟

کیمرہ کی زبان Veo 3.1 پرامپٹ کا سب سے زیادہ اثر انگیز حصہ ہے، اور یہی وہ حصہ ہے جسے زیادہ تر لوگ چھوڑ دیتے ہیں۔ ماڈل معیاری فلمی الفاظ کو سمجھتا ہے، اس لیے اسے لفظ بہ لفظ استعمال کریں۔

پوزیشن کے لیے: aerial view، eye-level، low-angle shot، top-down shot، over-the-shoulder۔ حرکت کے لیے: dolly in یا out، tracking shot، pan left یا right، tilt up، slow zoom، POV shot۔ فریمنگ کے لیے: extreme close-up، close-up، medium shot، wide shot، establishing shot۔ آپٹکس کے لیے: shallow focus، deep focus، macro lens، wide-angle lens، soft focus۔

ہماری جنریشنز کے دو عملی اصول۔ پہلا، ہر کلپ میں صرف ایک کیمرہ موومنٹ۔ ایک ایسا پرامپٹ جس میں "a pan that becomes a dolly-in and then tilts up" مانگا گیا ہو، وہ عام طور پر ان تینوں میں سے کوئی ایک تصادفی طور پر منتخب کرتا ہے، یا ایک مبہم سمجھوتہ بن جاتا ہے۔ کلپس 4 سے 8 سیکنڈ کے ہوتے ہیں؛ اس لیے صرف ایک اچھی طرح سے کی گئی موومنٹ کی گنجائش ہوتی ہے۔ دوسرا، جب تضاد ہو تو حرکت کے وربز کیمرے کے ناؤنز پر غالب آتے ہیں۔ اگر آپ کا سبجیکٹ "sprints" کرتا ہے لیکن کیمرہ "static wide shot" ہے، تو امید رکھیں کہ ماڈل اسپرنٹ کو ترجیح دے گا اور کیمرے کو بہرحال حرکت دے گا۔ ان دونوں کو ایک دوسرے سے ہم آہنگ بنائیں۔

لائٹنگ بھی اسی طرح کام کرتی ہے: اس کا نام ایسے رکھیں جیسے ایک سینیماٹوگرافر رکھتا ہے۔ "Golden hour backlight"، "cool blue moonlight"، "harsh overhead fluorescent"، "flickering torchlight" سب قابل اعتماد طریقے سے کام کرتے ہیں۔ "beautiful lighting" جیسے مبہم الفاظ کا کوئی اثر نہیں ہوتا۔

پہلے اور بعد میں: ایک ہی خیال، دو پرامپٹس

باتیں کرنا آسان ہے، اس لیے یہاں ایک ہی منظر ہے جسے BananaBanana پر Veo 3.1 Fast کے ساتھ دو بار تیار کیا گیا ہے، خاموش، 6 سیکنڈ، 720p۔ دونوں ڈیمو کی کل لاگت: تقریباً $1۔

یہ ٹھیک ہے۔ نوٹ کریں کہ ماڈل نے غروبِ آفتاب کا انتخاب خود ہی کیا؛ یہ پرامپٹ ری رائٹر ہے جو آپ کے لیے فیصلے کر رہا ہے۔ فریمنگ ایک دور کا وائیڈ شاٹ ہی رہتی ہے، کیمرہ کبھی پوزیشن نہیں لیتا، اور ان میں سے کچھ بھی آپ کی پسند نہیں تھا۔ اب وہی خیال سات عناصر کے ڈھانچے کے ساتھ دوبارہ لکھا گیا ہے: "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"۔

وہی سبجیکٹ، وہی ماڈل، وہی قیمت۔ دوسرے کلپ میں ایک سوچا سمجھا کیمرہ موومنٹ، ایک مستقل روشنی کی سمت، اور بیک لائٹ کو پکڑنے والا اسپرے ہے، یہ سب قسمت کے بجائے پرامپٹ میں لکھے گئے الفاظ کا نتیجہ تھے۔

اس ڈیمو کو بنانے کے ایک سبق کی وجہ سے مجھے دو بار ری-رول کرنا پڑا: اس پرامپٹ کا ایک سابقہ ورژن "cinematic 35mm look" پر ختم ہوا تھا، اور Veo نے فلم کے حوالے کو لفظ بہ لفظ لیا، جس سے فریم میں کالی لیٹر باکس بارز شامل ہو گئیں۔ دو بار۔ "35mm"، "anamorphic" یا "cinematic film look" جیسے اسٹائلش الفاظ پوری وائڈ اسکرین پریزنٹیشن بشمول بارز لا سکتے ہیں۔ اگر آپ بارز کے بغیر وہ ماحول چاہتے ہیں، تو روشنی اور لینس کے برتاؤ کو براہ راست بتائیں اور فلمی اسٹاک کے الفاظ کو چھوڑ دیں۔

اگر آپ متن کے بجائے تصویر سے شروعات کر رہے ہیں، تو طریقہ کار تھوڑا بدل جاتا ہے (آپ کی تصویر پہلے فریم کو لاک کر دیتی ہے اور پرامپٹ صرف حرکت کی وضاحت کرتا ہے)۔ ہم نے اس ورک فلو کا احاطہ الگ سے image to video guide میں کیا ہے۔

آپ Veo 3.1 میں آڈیو کا پرامپٹ کیسے لکھتے ہیں؟

Veo 3.1 مقامی آڈیو جنریٹ کرتا ہے، اور Google کی دستاویزات کے مطابق یہ API میں ہمیشہ آن رہتا ہے: ڈائیلاگ، ساؤنڈ ایفیکٹس، اور ایمبینٹ شور، جو تصویر کے ساتھ مطابقت رکھتا ہے۔ آپ ہر ایک کو ایک الگ ٹیکسٹ طریقے سے کنٹرول کرتے ہیں۔

• ڈائیلاگ کوٹس میں لکھا جاتا ہے، اور بولنے والے سے منسلک ہوتا ہے: A man murmurs, "This must be it."
• ساؤنڈ ایفیکٹس کو واقعات کے طور پر بیان کیا جاتا ہے: "tires screeching" (ٹائروں کے چیخنے کی آواز)، "waves crashing against rocks" (چٹانوں سے ٹکراتی لہریں)۔
• ایمبینس کو ماحول کے طور پر بیان کیا جاتا ہے: "faint hum of fluorescent lights" (فلوروسینٹ لائٹس کی دھیمی آواز)، "distant seagulls" (دور دراز کے سیگلز)۔

Google کا اپنا مثالی پرامپٹ اس پیٹرن کو ظاہر کرتا ہے: "A close up of two people staring at a cryptic drawing on a wall, torchlight flickering. A man murmurs, 'This must be it.'"۔ ڈائیلاگ کوٹ لپ-سنکڈ گفتگو پیدا کرتا ہے، اور "flickering" کے ساتھ "torchlight" کمرے کے ٹون کو سیٹ کرتا ہے۔

بولے جانے والے جملوں کو مختصر رکھیں۔ ہمارے ٹیسٹوں میں، فی لائن تقریباً ایک درجن سے زیادہ الفاظ کا مطلب یہ ہے کہ 8 سیکنڈ کے کلپ کے اندر آخر کا حصہ کٹنے یا بہت جلدی میں بولے جانے کا خطرہ ہوتا ہے۔ اور ایک یا دو بولنے والوں کے لیے ڈائیلاگ لکھیں، ہجوم کے لیے نہیں؛ آپس میں ٹکراتی ہوئی آوازیں واضح نہیں ہوتیں۔

BananaBanana پر آڈیو ایک ٹوگل ہے، اور اس کی قیمت الگ ہے کیونکہ Google اس کا بل الگ سے لیتا ہے: ایک 8 سیکنڈ کا Veo 3.1 Fast کلپ 720p یا 1080p پر خاموش کے لیے $0.70 یا آڈیو کے ساتھ $1.00 کا ہے۔ اوپر والے ڈیمو جان بوجھ کر خاموش ہیں، جو کہ بجٹ کے لحاظ سے ایک ایماندارانہ فیصلہ ہے جب ایک کلپ بہرحال بغیر آواز کے خود بخود چلنے کے لیے ہو۔ (اگر آپ پہلے سے طے شدہ طور پر ہر کلپ پر آواز چاہتے ہیں، تو Omni Flash model اس کے برعکس طریقہ اپناتا ہے: آڈیو ہمیشہ آن، فلیٹ $1۔)

نیگیٹو پرامپٹس، دورانیہ، اور Veo 3.1 کی لاگت کیا ہے

نیگیٹو پرامپٹ کی صورتحال واقعی الجھن کا باعث ہے، تو یہاں وہ ہے جو ہم API کی طرف سے دیکھتے ہیں۔ Veo 3.1 کے لیے Gemini API دستاویزات نیگیٹو پرامپٹ پیرامیٹر کی وضاحت نہیں کرتیں۔ Vertex AI اینڈ پوائنٹ، جس پر BananaBanana چلتا ہے، وہ negativePrompt قبول کرتا ہے، اور ہماری جنریشنز میں یہ واضح طور پر آؤٹ پٹ کو کنٹرول کرتا ہے۔ تو ہمارے جنریٹر میں یہ فیلڈ موجود ہے اور کام کرتی ہے؛ بس یہ توقع نہ کریں کہ یہ ایک سخت فلٹر کی طرح کام کرے گی۔

نیگیٹو لکھنے کا ایک غیر متوقع اصول Google کی پرامپٹ گائیڈنس سے ہے: نیگیٹو فیلڈ میں کبھی بھی "no" یا "don't" نہ لکھیں۔ ناپسندیدہ چیزوں کو عام ناؤنز کے طور پر درج کریں۔ "Cartoon, low quality, text overlay, watermark" کام کرتا ہے؛ "no cartoons" کا الٹا اثر ہو سکتا ہے کیونکہ لفظ "cartoon" اب بھی شامل ہے۔

دورانیہ اور فارمیٹس، Google کی دستاویزات اور ہمارے پروڈکشن سیٹ اپ کے مطابق: کلپس 4، 6، 7، یا 8 سیکنڈ کے 16:9 یا 9:16 پر، 720p، 1080p، اور 4K آؤٹ پٹ کے ساتھ چلتے ہیں۔ 1080p، 4K، ریفرنس امیجز، اور ایکسٹینشن کے لیے 8 سیکنڈ کا دورانیہ لازمی ہے۔ ایکسٹینشن Veo کی ایک زبردست خصوصیت ہے: ہر درخواست 7 سیکنڈ کا اضافہ کرتی ہے، 20 بار تک، جس سے آپ ایک پرامپٹ چین سے دو منٹ سے زیادہ کا دورانیہ حاصل کر سکتے ہیں۔

ایک 8 سیکنڈ کے 720p کلپ کے لیے موجودہ BananaBanana کی قیمتیں:

ایک 4 سیکنڈ کا خاموش Lite کلپ $0.10 کا ہے، جو کہ بالکل وہی مفت بیلنس ہے جو ہر نئے اکاؤنٹ کو ملتا ہے۔ اس لیے آپ کی پہلی Veo ویڈیو کی لاگت کچھ بھی نہیں ہے، اور سچ کہوں تو، Fast یا فل ماڈل پر حقیقی رقم خرچ کرنے سے پہلے پرامپٹ کے ڈھانچے کو سیکھنے کے لیے 720p پر Lite کافی اچھا ہے۔ قیمتوں کا مکمل گرڈ pricing page پر موجود ہے۔

میرا ڈیفالٹ ورک فلو: پرامپٹ کا مسودہ Lite پر تیار کریں، حرکت اور فریمنگ درست ہونے تک اسے دہرائیں، پھر حتمی پرامپٹ کو ایک بار Fast یا Veo 3.1 پر دوبارہ چلائیں۔ پرامپٹ کا معیار تمام ٹائرز میں تقریباً بالکل ایک جیسا منتقل ہوتا ہے؛ رینڈر کا معیار وہ ہے جس کے لیے آپ ادائیگی کر رہے ہیں۔

FAQ

Veo 3.1 کے لیے بہترین پرامپٹ ڈھانچہ کیا ہے؟

سبجیکٹ، ایکشن، اسٹائل، کیمرہ، کمپوزیشن، لینس، ایمبینس، تقریباً اسی ترتیب میں۔ ایک جامع ٹیمپلیٹ: "[shot type] of [subject] [action] in [setting], [camera move], [lens], [lighting]"۔ مخصوص ناؤنز ایڈجیکٹیوز سے بہتر ہوتے ہیں، اور فی کلپ ایک کیمرہ موومنٹ تین سے بہتر ہے۔

کیا Veo 3.1 نیگیٹو پرامپٹس کو سپورٹ کرتا ہے؟

Vertex AI پر، ہاں: negativePrompt پیرامیٹر قبول کیا جاتا ہے اور کام کرتا ہے، حالانکہ Gemini API دستاویزات اسے Veo 3.1 کے لیے درج نہیں کرتیں۔ نیگیٹو کو عام ناؤنز کے طور پر لکھیں ("cartoon, blurry, watermark")، کبھی بھی "no X" جیسے جملوں کی شکل میں نہیں۔

میں Veo 3.1 سے گفتگو کیسے جنریٹ کرواؤں؟

جملے کو کوٹس میں رکھیں اور پرامپٹ کے اندر اسے بولنے والے سے منسلک کریں: A woman whispers, "We're not alone."۔ Veo مختصر جملوں کو اچھی तरह سے لپ-سنک کرتا ہے؛ فی کلپ ڈائیلاگ کو تقریباً ایک درجن الفاظ سے کم رکھیں۔

Veo 3.1 ویڈیو کتنی لمبی ہو سکتی ہے؟

بنیادی کلپس 4 سے 8 سیکنڈ کے ہوتے ہیں۔ ایکسٹینشن کے ساتھ (فی درخواست 7 اضافی سیکنڈ، Google کی دستاویزات کے مطابق 20 ایکسٹینشنز تک) ایک پرامپٹ چین 720p پر 148 سیکنڈ تک پہنچ سکتی ہے۔

ایک Veo 3.1 ویڈیو کی قیمت کتنی ہے؟

BananaBanana پر، $0.10 (4-second silent Veo 3.1 Lite at 720p) سے لے کر $4.40 (8-second 4K Veo 3.1 with audio) تک۔ درمیانی رینج کا پہلے سے طے شدہ، یعنی ایک 8 سیکنڈ کا خاموش Fast کلپ، $0.70 کا ہے۔