Wpisujesz „kobieta idzie ulicą w deszczu”, dostajesz ładny klip, w którym bohaterka w połowie ujęcia ma inne buty, kamera nagle zmienia kierunek, a tło przeskakuje z europejskiej kamienicy na coś, co wygląda jak studio. Brzmi znajomo? To zwykle nie wina narzędzia, lecz brakującej warstwy pośredniej między pomysłem a generacją — dyrektywy wizualnej.
Dyrektywa wizualna to ustrukturyzowany opis tego, co ma pozostać niezmienne, co ma się zmieniać i w jakiej kolejności. Działa niezależnie od tego, czy pracujesz w modelu komercyjnym, czy w rozwiązaniu open source uruchamianym lokalnie. Różnica między chaotycznym promptowaniem a świadomym projektowaniem instrukcji to często nie „lepszy model”, ale dwadzieścia minut pracy przed pierwszą generacją.
Poniżej znajdziesz kompletny system: strukturę promptu, sposób budowania identyfikatora postaci, kontrolę scenografii, parametry kamery, workflow produkcyjny, listę typowych błędów oraz kryteria wyboru modelu do konkretnego zadania.
Dlaczego prompt wideo działa inaczej niż prompt do obrazu
Prompt do obrazu ma jedno zadanie: doprowadzić do jednej klatki, która wygląda dobrze. Prompt do wideo musi doprowadzić do sekwencji klatek, które wyglądają dobrze razem. Ta różnica zmienia całą logikę pisania instrukcji.
Model obrazu wybacza mnóstwo niedomówień. Jeśli nie określisz kierunku światła, losowo wybierze coś estetycznego i nikt tego nie zauważy. Model wideo w tej samej sytuacji zgubi się w połowie ujęcia: cień przejdzie na drugą stronę twarzy, dłoń rozmyje się w dwie, a architektura tła zmieni się między klatką czterdziestą a sześćdziesiątą. Widz nie ocenia pojedynczej klatki — ocenia ciągłość.
Dlatego instrukcja dla wideo musi zawierać trzy elementy, których prompt obrazowy nie potrzebuje:
- Stałość cech — co ma pozostać identyczne przez cały czas trwania ujęcia.
- Oś czasu — co się zmienia, w którym momencie i w jakim tempie.
- Kontynuację — jak to ujęcie łączy się z poprzednim i następnym.
Jest jeszcze drugi mechanizm, o którym rzadko się mówi: budżet uwagi. Model nie analizuje promptu jak człowiek czytający scenariusz. Im więcej słów poświęcisz na opis ruchu, tym mniej „miejsca” zostanie na wygląd, oświetlenie i detale. Dlatego prompty wideo powinny być krótsze niż się intuicyjnie wydaje. Jeśli musisz opisać bardzo dużo, najczęściej nie potrzebujesz dłuższego promptu, lecz dwóch krótszych ujęć.
Praktyczny test przed wysłaniem promptu: przeczytaj go i sprawdź, czy da się z niego wywnioskować, co dzieje się w pierwszych dwóch sekundach i co w ostatnich. Jeśli nie — model też tego nie wywnioskuje.
Anatomia dyrektywy wizualnej: cztery warstwy
Najczęstszy błąd początkujących polega na wrzuceniu wszystkiego do jednego akapitu. Doświadczeni twórcy myślą warstwami, bo gdy coś nie działa, od razu wiedzą, którą warstwę poprawić.
Warstwa narracyjna
Jedno zdanie odpowiadające na pytanie: co się dzieje i po co? Nie opisuj wyglądu — opisz zdarzenie.
„Kucharz odkrywa, że sos się przypalił, i w ostatniej chwili ratuje danie.”
Ta warstwa ustala intencję. Bez niej model generuje ruch bez celu, a widz traci zainteresowanie po dwóch sekundach — nawet jeśli obraz jest piękny.
Warstwa inscenizacji
Kto, gdzie, w jakim otoczeniu, o jakiej porze dnia, w jakiej atmosferze. Tu pojawiają się konkrety: liczba postaci, przybliżony wiek, ubiór, materiał podłogi, rodzaj źródła światła w pomieszczeniu, liczba obiektów w tle.
Warstwa techniczna
Parametry kamery i obrazu: typ planu (szeroki, średni, zbliżenie), ruch kamery (statyczna, najazd, jazda, ręczna), ogniskowa, głębia ostrości, proporcje kadru, tempo akcji, czas trwania.
Warstwa stylistyczna
Referencje wizualne: „ziarno 16 mm”, „paleta chłodnych błękitów z akcentem pomarańczowym”, „miękka, rozproszona mgła jak w kinie skandynawskim”. To warstwa, która nadaje charakter i najłatwiej się rozmywa, jeśli nie powtórzysz jej w każdym ujęciu w identycznym brzmieniu.
Kolejność warstw nie jest święta, ale warto trzymać się jednego porządku w całym projekcie. Jeśli w pierwszym ujęciu napiszesz inscenizację przed kamerą, a w drugim odwrotnie, spójność wyników spadnie — modele uczą się wzorca z kontekstu.
Szkielet promptu wideo w praktyce
Sześcioelementowy szkielet sprawdza się w większości generatorów tekst-na-wideo i łatwo go zapamiętać:
- Temat i akcja — jedno zdanie narracyjne.
- Podmiot — kto lub co jest w kadrze, z trzema do pięciu cechami identyfikującymi.
- Otoczenie — miejsce, pora, pogoda, nastrój.
- Kamera — plan, ruch, ogniskowa, kadrowanie.
- Światło i kolor — kierunek światła, kontrast, paleta.
- Styl i ograniczenia — estetyka oraz to, czego nie chcemy.
Przykład złożony w całość:
Średni plan. Kobieta po trzydziestce, ciemne włosy spięte w kucyk, beżowy płaszcz, stoi przy oknie pociągu i patrzy na odjeżdżający peron. Późne popołudnie, wnętrze przedziału, ciepłe światło słońca z lewej strony, drobiny kurzu w powietrzu. Kamera powoli sunie w prawo, delikatny ruch ręczny, płytka głębia ostrości. Estetyka filmowa, ziarno 35 mm, ciepła paleta, bez tekstu i bez dodatkowych osób.
Zwróć uwagę na ostatnie zdanie: nie mówi tylko, co ma być, ale też czego ma nie być. To pomost do promptu negatywnego.
Drugi przykład — ujęcie produktowe, gdzie logika jest inna, bo bohaterem jest przedmiot:
Zbliżenie. Szklana butelka z zielonym płynem, etykieta bez czytelnego tekstu, krople wody na powierzchni, stoi na ciemnym kamieniu. Chłodne światło z tyłu, mocny kontur, ciemne tło. Kamera statyczna, makro, bardzo płytka głębia ostrości, powolny obrót stołu o piętnaście stopni. Estetyka studyjna, wysoki kontrast, bez dodatkowych elementów w tle.
Tabela poniżej pokazuje, co realnie tracisz, gdy pominiesz dany element:
| Pominięty element | Typowy efekt |
|---|---|
| Akcja | ruch bez sensu, kadr „ładny, ale pusty” |
| Podmiot z cechami | postać zmienia wygląd między ujęciami |
| Otoczenie | tło zmienia się nawet w obrębie jednego ujęcia |
| Kamera | niekontrolowany, chaotyczny ruch |
| Światło | skoki ekspozycji i cieni |
| Styl | obraz płaski, „renderowy” |
Prompt negatywny i kontrola artefaktów
Większość modeli wideo obsługuje osobne pole wykluczeń, ale nawet gdy go nie ma, umieszczenie zakazów w głównym prompcie działa lepiej niż brak jakiejkolwiek kontroli. Skuteczny prompt negatywny jest krótki i konkretny. Długie listy zakazów paradoksalnie wprowadzają wymienione elementy do generacji, bo model traktuje je jako część opisu sceny.
Sprawdzone wykluczenia uniwersalne:
- napisy, znaki wodne, logo, czytelny tekst
- dodatkowe kończyny, zniekształcone dłonie i palce
- zmiana liczby postaci w kadrze
- nagła zmiana kierunku światła
- rozmycie ruchu w klatkach kluczowych
- przeskoki kadru i skoki montażowe
Wykluczenia sytuacyjne zależą od sceny:
- odbicia w szybie, jeśli nie są zamierzone
- wiatr poruszający ubraniem, jeśli scena ma być statyczna
- inne pojazdy na drodze
- deszcz, jeśli scena ma być sucha
- dodatkowa biżuteria, jeśli postać ma być ascetyczna
Zasada praktyczna: maksymalnie osiem do dwunastu wykluczeń. Jeśli lista rośnie, prawdopodobnie próbujesz naprawić problem, który lepiej rozwiązać inaczej — na przykład dzieląc ujęcie na dwa krótsze.
Ważna subtelność: słowa z promptu głównego mają większą wagę niż wykluczenia. Jeśli w głównym opisie napiszesz „plakat filmowy” albo „napisy końcowe”, model może wygenerować tekst, mimo że w wykluczeniach masz „bez napisów”. Najpierw usuwaj źródło problemu z opisu, potem dodawaj zakaz.
Spójność postaci: identyfikator zamiast opisu
Ciągłość postaci to najtrudniejszy element generacji wideo. Model nie pamięta, jak wyglądała bohaterka w ujęciu trzecim, jeśli w ujęciu siódmym opiszesz ją inaczej. Rozwiązanie polega na stworzeniu identyfikatora postaci: krótkiego, niezmiennego bloku tekstu, który kopiujesz do każdego promptu bez żadnych zmian — nawet drobnych.
Identyfikator powinien zawierać pięć do siedmiu cech o wysokiej rozróżnialności:
- typ sylwetki i wzrost względny
- kolor, długość i sposób ułożenia włosów
- charakterystyczny element ubioru, np. kolor kurtki lub typ kołnierza
- cechy twarzy: kształt nosa, kształt brwi, obecność zarostu, piegi
- wiek w przybliżeniu, nigdy dokładna liczba lat
Czego nie umieszczać w identyfikatorze: nastroju, emocji, pozycji ciała, tła. Te elementy zmieniają się między ujęciami, a jeśli wrzucisz je do identyfikatora, model zacznie traktować je jako stałe. Efekt: bohater przez cały film wygląda na przestraszonego i stoi dokładnie w tej samej pozie.
Kolejność ma znaczenie
W wielu modelach pierwsze piętnaście do dwudziestu procent promptu ma największą wagę. Umieść identyfikator postaci na samym początku, zaraz po zdaniu akcji. W modelach z tokenizacją tekstu działa to podobnie do ważenia tokenów w generatorach obrazu.
Referencje obrazowe
Jeśli model przyjmuje obraz referencyjny, użyj go do twarzy, a nie do całej sceny. Referencja całej sceny to pułapka: model skopiuje kompozycję tak wiernie, że każde ujęcie będzie wyglądać jak duplikat, a ty stracisz możliwość zmiany planu i kąta. Referencja twarzy plus tekstowy identyfikator daje znacznie lepszy stosunek kontroli do elastyczności.
Test spójności
Przed rozpoczęciem produkcji wygeneruj trzy różne ujęcia tej samej postaci — zbliżenie, plan średni i plan ogólny — w tej samej scenerii. Jeśli w planie ogólnym twarz się rozjeżdża, problem prawie zawsze leży w zbyt małej liczbie cech identyfikujących albo w zbyt dużej liczbie konkurujących elementów w kadrze. Rozwiązanie: dodaj jedną cechę charakterystyczną, najczęściej dotyczącą włosów lub okrycia wierzchniego, i wyczyść tło.
Spójność scenografii i generacja wieloetapowa
Scenografia rządzi się inną logiką niż postać. Postać identyfikujesz cechami, scenografię — relacjami przestrzennymi. Model znacznie lepiej zapamiętuje „okno po lewej, drzwi na wprost, drewniany stół na pierwszym planie” niż „przytulne wnętrze w stylu rustykalnym”. Przymiotniki są interpretowalne, relacje przestrzenne nie.
Przy dłuższych sekwencjach warto rozbić generację na etapy:
- Ustalenie planu szerokiego — generujesz szerokie ujęcie całej przestrzeni i zatwierdzasz je jako referencję główną.
- Wyprowadzenie planów bliższych — każde kolejne ujęcie opisujesz z odniesieniem do układu przestrzennego z planu szerokiego.
- Domknięcie powrotem do planu szerokiego — ostatnie ujęcie sceny wraca do kompozycji z etapu pierwszego, co daje widzowi poczucie zamknięcia.
Ten wzorzec działa, ponieważ model nie musi zgadywać geometrii przestrzeni — dostaje ją w formie tekstowej, powtarzalnej i jednoznacznej.
Kotwice stylistyczne
W projektach wieloujęciowych wybierz trzy do czterech kotwic stylistycznych i powtarzaj je dosłownie w każdym prompcie. Przykłady: „chłodna paleta z akcentem pomarańczowym”, „miękka mgła przy podłodze”, „subtelne ziarno 16 mm”, „kontrastowe światło z okna po lewej”. Powtarzalność kotwic buduje wrażenie, że wszystkie ujęcia pochodzą z jednego świata — nawet jeśli generował je inny model albo inna sesja.
Kotwice warto zapisać w osobnym pliku i kopiować mechanicznie. Parafraza „miękka mgła przy podłodze” na „lekka mgła w dolnej części kadru” brzmi dla człowieka niemal identycznie, ale dla modelu to inny opis.
Kamera, światło i rytm: parametry, które naprawdę widać
Wiele osób pisze długie opisy wyglądu, a pomija opis ruchu. Tymczasem w wideo ruch jest treścią. Poniżej lista parametrów o największym wpływie na odbiór, uszeregowana od najważniejszych.
| Parametr | Wpływ na odbiór | Jak zapisać w prompcie |
|---|---|---|
| Ruch kamery | decyduje o energii sceny | „statyczna”, „najazd”, „jazda w prawo”, „ręczna” |
| Kierunek światła | określa nastrój i czytelność twarzy | „światło z lewej, ciepłe, nisko” |
| Tempo akcji | steruje napięciem | „powolny ruch”, „gwałtowny obrót” |
| Głębia ostrości | oddziela plan od tła | „płytka ostrość na twarzy” |
| Wysokość kamery | zmienia hierarchię postaci | „na wysokości oczu”, „lekko z dołu” |
| Czas trwania | wpływa na gęstość akcji | „ujęcie trwa cztery sekundy” |
Zasada, która oszczędza mnóstwo czasu: jedno ujęcie, jeden ruch kamery. Jeśli chcesz w jednym ujęciu najazd, obrót i podniesienie, model prawdopodobnie wykona tylko jeden z nich albo zgubi postać w połowie drogi. Ruch łączony zostaw dla krótkich, dynamicznych wstawek.
Drugi parametr wart przemyślenia to spójność kierunku światła między ujęciami. Jeśli w pierwszym ujęciu słońce świeci z lewej, w drugim również powinno, chyba że zmieniasz miejsce akcji i wyraźnie to zaznaczasz. Konsekwentny kierunek światła to najtańszy sposób na to, by montaż wyglądał zawodowo, a nie przypadkowo.
Trzeci element to rytm. Trzy ujęcia po cztery sekundy w jednym tempie dają wrażenie monotonii. Zmieniaj długość ujęć w zależności od funkcji: ujęcia ustanawiające mogą być dłuższe, reakcje postaci krótsze. W prompcie zapisuj czas trwania jawnie, bo model domyślnie wybierze wartość losową — zwykle nie tę, której potrzebujesz.
Workflow produkcyjny od storyboardu do klipu
Powtarzalny proces to połowa sukcesu. Poniższy schemat działa zarówno przy jednoujęciowych materiałach pionowych, jak i przy dłuższych formach.
Etap 1. Karta ujęcia
Dla każdego ujęcia zapisz jedno zdanie akcji, typ planu i czas trwania. Nic więcej. Karta ujęcia nie jest scenariuszem — to jednostka produkcyjna.
Etap 2. Blok wspólny
Zdefiniuj identyfikator postaci, kotwice stylistyczne i listę wykluczeń. Ten trzyczęściowy zestaw będzie powtarzany w każdym prompcie bez zmian.
Etap 3. Generacja próbna
Wygeneruj każde ujęcie w najkrótszej możliwej wersji. Celem nie jest jakość, lecz weryfikacja kompozycji i spójności. Odrzucenie taniego testu jest znacznie mniej bolesne niż odrzucenie finalnego renderu.
Etap 4. Korekta jednej zmiennej
Poprawiaj po jednym elemencie naraz: najpierw kompozycję, potem ruch, na końcu styl. Zmiana trzech rzeczy jednocześnie uniemożliwia naukę — nie wiesz, co zadziałało.
Etap 5. Generacja finalna
Wersje ostateczne generuj z ustabilizowanym ziarnem losowości, jeśli model to umożliwia. Powtarzalność jest ważniejsza niż pojedynczy szczęśliwy traf, zwłaszcza gdy klient poprosi o drobną zmianę.
Etap 6. Montaż i korekcja kolorów
Nawet najbardziej spójne ujęcia wymagają ujednolicenia kolorystycznego. Prosta korekcja barw potrafi ukryć drobne różnice w oświetleniu lepiej niż dziesięć kolejnych iteracji generacji.
Typowe błędy i szybkie poprawki
Postać zmienia ubranie w połowie ujęcia. Przyczyna: opis ubioru znajduje się na końcu promptu i wypada z okna uwagi. Poprawka: przenieś identyfikator ubioru na początek i nie zmieniaj jego brzmienia.
Twarz rozjeżdża się przy szybkim ruchu. Przyczyna: zbyt duży zakres ruchu przy zbyt krótkim czasie trwania. Poprawka: skróć dystans ruchu albo wydłuż ujęcie o sekundę. Generatory mają skończoną pojemność ruchu.
Tło zmienia się między klatkami. Przyczyna: brak opisu relacji przestrzennych. Poprawka: dopisz układ elementów w kadrze i ogranicz liczbę obiektów w tle.
Obraz jest płaski i wygląda jak render. Przyczyna: brak warstwy stylistycznej lub zbyt ogólne określenia typu „realistyczny”, „wysoka jakość”. Poprawka: użyj konkretnych referencji technicznych — typ obiektywu, rodzaj ziarna, charakterystyka światła.
Model ignoruje połowę promptu. Przyczyna: prompt jest za długi. Poprawka: skróć opis do najważniejszych elementów albo rozbij ujęcie na dwa.
Mikroskopijne drgania i „gotowanie” tekstury. Przyczyna: zbyt duża liczba drobnych szczegółów w tle. Poprawka: upraszczaj tło i przenieś detal na pierwszy plan.
Jak wybrać model do konkretnego zadania
Modele wideo mają różne mocne strony i nie ma sensu używać jednego do wszystkiego. Zamiast porównywać ogólne rankingi, zadaj sobie trzy pytania.
- Czy scena wymaga realizmu twarzy? Jeśli tak, wybierz model o wysokiej wierności detali ludzkich, nawet kosztem swobody stylistycznej.
- Czy scena wymaga precyzyjnego ruchu kamery? Jeśli tak, postaw na model, który dobrze rozumie język kinematografii.
- Czy scena wymaga wyraźnej stylizacji? Jeśli tak, wybierz model o silnym charakterze estetycznym i nie zmuszaj go do fotorealizmu.
Praktyczna wskazówka: trzymaj w swoim zestawie narzędzi dwa modele — jeden do ujęć realistycznych z ludźmi, drugi do stylizacji i szerokich planów. Mieszanie ujęć z różnych modeli w jednej scenie działa dobrze, o ile kotwice stylistyczne i korekcja kolorów są spójne.
Kontrola jakości przed publikacją
Zanim uznasz klip za gotowy, przejrzyj go w zwolnionym tempie i sprawdź sześć punktów:
- Czy twarz bohatera pozostaje rozpoznawalna w każdej klatce?
- Czy liczba postaci w kadrze jest zgodna z założeniem?
- Czy kierunek światła nie zmienia się w trakcie ujęcia?
- Czy ruch kamery jest płynny i jednokierunkowy?
- Czy wszystkie ujęcia mają wspólną paletę i ziarno?
- Czy dłonie i stopy wyglądają poprawnie w klatkach kluczowych?
Jeśli któryś punkt zawodzi, nie generuj od nowa całej sceny. Popraw prompt w tym jednym miejscu, które odpowiada za problem, i wygeneruj ponownie tylko to ujęcie.
Najczęstsze pytania i checklista
Ile słów powinien mieć prompt wideo?
Najlepsze rezultaty daje zakres od czterdziestu do stu dwudziestu słów. Poniżej trzydziestu słów model ma zbyt dużą swobodę, powyżej stu pięćdziesięciu zaczyna ignorować końcowe fragmenty. Jeśli potrzebujesz więcej informacji, rozbij scenę na dwa ujęcia.
Czy warto pisać prompt w ojczystym języku?
Jeśli narzędzie obsługuje twój język, tak — precyzja opisu rośnie, gdy piszesz w języku, w którym myślisz. Jeśli model lepiej rozumie angielski, napisz prompt po angielsku, ale identyfikatory postaci i kotwice stylistyczne trzymaj w jednym języku w całym projekcie. Mieszanie języków w obrębie jednego promptu pogarsza spójność.
Jak utrzymać tę samą postać w kilkunastu ujęciach?
Użyj niezmiennego identyfikatora tekstowego, referencji twarzy i stałego porządku warstw w prompcie. Przetestuj spójność na trzech planach przed właściwą produkcją.
Czy prompt negatywny naprawdę działa?
Tak, pod warunkiem że jest krótki i konkretny. Długie listy zakazów często wprowadzają wykluczane elementy do kadru, ponieważ model traktuje je jako część opisu sceny.
Co zrobić, gdy model uparcie dodaje napisy?
Dodaj do wykluczeń „tekst, napisy, znak wodny, logo” i sprawdź, czy w prompcie głównym nie ma słów sugerujących grafikę — na przykład „plakat”, „tytuł”, „napisy końcowe”. Słowa z głównego opisu mają większą wagę niż wykluczenia.
Jak długie ujęcia mogę generować?
Większość modeli najlepiej radzi sobie z ujęciami od trzech do ośmiu sekund. Dłuższe są możliwe, ale wymagają albo bardzo statycznej kompozycji, albo modelu przystosowanego do długich sekwencji. W praktyce łatwiej uzyskać wrażenie długiego ujęcia, montując trzy krótkie, niż generując jedno długie.
Czy warto zapisywać prompty w repozytorium?
Zdecydowanie. Prowadź plik z blokiem wspólnym — identyfikatorem postaci, kotwicami stylistycznymi i listą wykluczeń — oraz osobny plik z promptami poszczególnych ujęć. Dzięki temu kolejny projekt nie zaczyna się od zera, a poprawki wprowadzasz w jednym miejscu.
Czy dyrektywy wizualne zabijają kreatywność?
Raczej ją kanalizują. Model i tak podejmie decyzje za ciebie — pytanie tylko, czy będą to decyzje świadome, czy losowe. Dyrektywa wizualna to sposób na to, by przypadek pracował na twoją korzyść, a nie przeciwko tobie.
Checklista gotowa do skopiowania
Przed wysłaniem promptu do modelu sprawdź, czy zawiera:
- jedno zdanie akcji,
- identyfikator postaci z pięcioma do siedmiu cechami,
- opis relacji przestrzennych w scenografii,
- jeden ruch kamery,
- kierunek i charakter światła,
- trzy do czterech kotwic stylistycznych,
- krótką listę wykluczeń,
- zadeklarowany czas trwania ujęcia.
Jeśli któryś punkt jest niejasny, model wypełni lukę własnym pomysłem — a własny pomysł modelu rzadko pokrywa się z twoim. Im precyzyjniej opiszesz świat przed pierwszym uruchomieniem generacji, tym mniej czasu spędzisz na poprawianiu klatek, których nigdy nie planowałeś.
