Prompt to nie opis sceny, lecz dokument produkcyjny
Większość osób zaczyna pracę z generatorami wideo od zdania w rodzaju „piękna kobieta idzie w deszczu po ulicy”. Model coś wygeneruje, ale wynik będzie loterią: raz wyjdzie klimatyczny kadr, raz rozmazana animacja z dziwnymi dłońmi. Różnica między amatorem a operatorem, który regularnie dostaje materiał nadający się do montażu, nie polega na znajomości tajnego słowa-klucza. Polega na sposobie myślenia o promptcie.
Prompt kinowy to nie opis, to dokument produkcyjny zapisany w jednym akapicie. Zawiera decyzje, które na planie filmowym podejmuje reżyser, operator kamery, scenograf, kostiumograf i colorzysta — tylko w formie tekstu. Im bardziej te decyzje są konkretne i uporządkowane, tym mniejsza przestrzeń na interpretację, a większa szansa na powtarzalny efekt.
Drugi filar to świadomość ograniczeń. Model generatywny nie „rozumie” filmu. Przewiduje najbardziej prawdopodobny obraz na podstawie wzorców i słów, które mu podałeś. Jeśli napiszesz „dynamiczne ujęcie”, dostaniesz coś, co statystycznie kojarzy się z dynamiką — prawdopodobnie chaotyczny ruch kamery. Jeśli napiszesz „wolny najazd kamery na dolly, obiektyw 50 mm, wysokość oczu, kadr średni”, zawężasz przestrzeń decyzyjną do jednego, konkretnego rozwiązania.
Trzeci filar to iteracja. Profesjonalny workflow nigdy nie kończy się na pierwszym renderze. Każde ujęcie przechodzi przez trzy do pięciu prób, w których zmieniasz jedną zmienną naraz — światło, ruch, długość obiektywu, tempo akcji. To brzmi banalnie, ale większość problemów z generatorami wideo wynika właśnie z tego, że ktoś zmienia pięć elementów jednocześnie i nie wie, co zadziałało.
W tym poradniku znajdziesz kompletny system: warstwy promptu, język światła, słownik ruchu kamery, kryteria doboru modelu do zadania, techniki utrzymania spójności bohatera między ujęciami, troubleshoot najczęstszych błędów oraz checklistę, którą możesz trzymać obok monitora.
Siedem warstw porządku w jednym promptcie
Podstawowy błąd to pisanie promptu jak akapitu powieści. Zdanie „zmęczony detektyw w prochowcu stoi na dachu wieżowca o zmierzchu, w tle migają światła miasta, kamera powoli się cofa” jest lepsze niż nic, ale wciąż miesza informacje o bohaterze, scenografii, świetle i kamerze w jednym strumieniu. Modele lepiej reagują na strukturę. Ustal sobie stałą kolejność warstw i trzymaj się jej w każdym ujęciu.
Warstwa 1: podmiot i akcja
Zacznij od tego, kto lub co jest w kadrze i co robi. Nie od nastroju, nie od lokalizacji. „Mężczyzna w średnim wieku, prochowiec, zmęczona twarz, stoi nieruchomo i patrzy w dół na miasto” — to jest jednostka akcji, na której model może się oprzeć. Jeśli scena ma dwie postacie, opisz ich krótko, ale wyraźnie rozdziel, żeby model nie zlał ich w jedną sylwetkę.
Warstwa 2: otoczenie i czas
Dopiero teraz dodaj miejsce i porę: „dach wieżowca, betonowe krawędzie, barierki z siatki, godzina po zachodzie słońca”. Konkretne materiały (beton, stal, mokry asfalt) działają lepiej niż ogólne pojęcia (nowoczesne miasto). Czas dnia zapisuj jako etapy: świt, złota godzina, niebieska godzina, pełne południe, noc z praktycznym oświetleniem miejskim.
Warstwa 3: światło
To warstwa o największym wpływie na wrażenie „kinowości”. Zamiast „ładne światło” napisz, skąd ono pada i jaki ma charakter: „światło konturowe z prawej, zimne i kierunkowe, twarz w półcieniu, praktyczne światła miasta jako wypełnienie z dołu”. Światło opisuj zawsze w kategoriach kierunku, twardości, temperatury i proporcji między kluczem a wypełnieniem.
Warstwa 4: kamera i optyka
Tu wkracza język operatora: typ ujęcia (szeroki, średni, zbliżenie, detal), wysokość kamery (poziom oczu, z dołu, z góry), obiektyw (szeroki 24 mm, standardowy 50 mm, portretowy 85 mm), ruch (statyczny, panoramiczny, dolly, steadicam, handheld, orbit) oraz tempo ruchu (bardzo wolny, wolny, umiarkowany).
Warstwa 5: styl i materiał
Określ nośnik obrazu: „filmowe ziarno 35 mm”, „czysty cyfrowy look”, „taśma 16 mm z lekkim odblaskiem”, „anamorphic z owalnym boke”. Możesz też wskazać gatunek estetyczny: neo-noir, dokumentalny realizm, kino drogi, dramat sądowy. Gatunek jest skrótem myślowym — jedno słowo zastępuje kilka decyzji o palecie barw i kontraście.
Warstwa 6: ruch wewnątrz kadru i tempo
Opisz, co robi bohater w czasie trwania ujęcia: „powoli odwraca głowę w stronę horyzontu, płaszcz porusza się na wietrze”. Modele interpretują czas inaczej niż ludzie — musisz podpowiedzieć, ile się dzieje. Zbyt wiele akcji w krótkim ujęciu daje przyspieszone, sztuczne ruchy. Jedna wyraźna czynność na klip to złota zasada.
Warstwa 7: parametry techniczne i negatywne
Na końcu dopisz format i to, czego nie chcesz: proporcje kadru, liczbę klatek na sekundę, poziom realizmu, a w części negatywnej — artefakty, których nie tolerujesz (zniekształcone dłonie, dodatkowe kończyny, chaotyczny ruch kamery, napisy, znaki wodne, nadmierne wygładzenie skóry).
Kolejność warstw nie jest święta, ale jej stałość w całym projekcie tak. Dzięki temu łatwiej porównujesz wersje i szybciej wyłapujesz, która zmiana poprawiła obraz.
Światło: język, który faktycznie zmienia obraz
W generatorach wideo światło jest jednocześnie najsilniejszym i najgorzej opisywanym narzędziem. Autorzy piszą „dramatyczne światło” i dostają losowy efekt. Tymczasem każdy operator myśli o świetle przez cztery pytania: skąd pada, jak jest twarde, jakiej jest barwy i co robi z tłem.
Kierunek opisuj konkretnie: „klucz z lewej strony, pod kątem 45 stopni, lekko od góry”. Twardość to wybór między „ostrymi, zdefiniowanymi cieniami” a „miękkim, rozproszonym światłem z okna”. Barwa to „ciepłe 3200 K od lampy praktycznej” kontra „zimne, niebieskie światło księżyca”. Relacja klucza do wypełnienia decyduje o kontraście: „wysoki kontrast, głębokie cienie bez szczegółu” albo „niskokontrastowy, miękki look z zachowanym detalem w cieniach”.
Warto opisywać światło warstwowo, tak jak robi to ekipa oświetleniowa:
- światło kluczowe (główny kierunek, definiuje formę twarzy),
- światło wypełniające (redukuje kontrast, ustawia poziom czerni),
- światło konturowe (oddziela sylwetkę od tła),
- światła praktyczne w kadrze (lampy, neony, ekrany, reflektory samochodów),
- światło odbite od otoczenia (mokry asfalt, śnieg, woda).
Praktyczne światła w kadrze to jeden z najskuteczniejszych sposobów na wrażenie realizmu. Neon w tle, świecący ekran telefonu, reflektory przejeżdżającego auta — to elementy, które model potrafi odtworzyć z zaskakującą wiernością i które natychmiast budują głębię scenografii.
Dobrym nawykiem jest też definiowanie punktu, od którego liczysz ekspozycję: „ekspozycja na twarzy, tło o pół stopnia ciemniejsze” albo „tło przepalone, sylwetka czytelna”. Bez tego model często „wypłaszcza” obraz, rozjaśniając wszystko równomiernie — a to najprostsza droga do telewizyjnego, a nie kinowego wyglądu.
Kamera i optyka: słownik, który redukuje przypadek
Drugim obszarem, w którym precyzja procentuje natychmiast, jest opis kamery. Traktuj go jak krótką instrukcję dla operatora, nie jak metaforę. Zamiast „ujęcie z lotu ptaka pokazujące skalę miasta” napisz „kadr z drona, wysokość 80 metrów, powolny zjazd w dół, obiektyw 35 mm, kamera pozioma”.
Podstawowy zestaw pojęć, który warto opanować:
- Wielkość planu: plan szeroki (establishing), plan pełny, plan średni, zbliżenie, detal.
- Wysokość kamery: poziom oczu, z dołu (potęga, zagrożenie), z góry (wrażenie małości), niski montaż podłogowy.
- Ruch: statyczny, panoramiczny poziomy i pionowy, dolly do przodu i do tyłu, jazda boczna, orbit wokół bohatera, handheld, crane, dron.
- Tempo ruchu: bardzo wolny (narastające napięcie), wolny (obserwacja), umiarkowany (akcja), szybki (energia).
- Ogniskowa: 18–24 mm (przestrzeń, zniekształcenia), 35 mm (uniwersalny reportaż), 50 mm (naturalna perspektywa), 85 mm (izolacja portretowa), 135 mm (kompresja tła).
- Głębia ostrości: płytka (bohater wyizolowany, tło rozmyte) albo głęboka (czytelne otoczenie).
- Kąt i kompozycja: trójpodział, kadr centralny, kompozycja symetryczna, prowadnice linii, przestrzeń negatywna.
Dwa najczęstsze błędy to zbyt duża liczba ruchów w jednym ujęciu oraz brak informacji o starcie i końcu kadru. Model musi wiedzieć, gdzie kamera jest na początku i gdzie kończy. „Zaczyna na zbliżeniu dłoni, kończy na planie średnim, płynnie przechodząc w górę” to opis, który da przewidywalny rezultat. „Dynamiczny, zapierający dech w piersiach ruch kamery” da rezultat odwrotny.
Warto też pamiętać o zasadzie jednego ujęcia na jedną intencję. Jeśli scena wymaga trzech różnych wielkości planu, wygeneruj trzy osobne klipy i złóż je w montażu. Generatory wideo wciąż słabo radzą sobie z wielokrotnymi cięciami wewnątrz jednego klipu — próba zmuszenia ich do tego kończy się zwykle płynnym, niekontrolowanym przejściem.
Jak wybrać model do konkretnego zadania
Rynek generatorów wideo jest już zbyt zróżnicowany, żeby jeden model był odpowiedzią na wszystko. Zamiast pytać „który jest najlepszy”, zadaj sobie cztery pytania: czego wymaga ujęcie, jaki jest budżet czasu, jaka jest docelowa rozdzielczość i czy potrzebujesz spójności z poprzednimi klipami.
Fotorealizm i twarze. Modele nastawione na realizm i wierność detalu sprawdzają się w zbliżeniach, portretach i scenach dialogowych. Wymagają jednak bardzo precyzyjnego opisu światła, bo brak wskazówek o kierunku oświetlenia kończy się plastikową skórą i „wypranymi” kontrastami. Dodawaj informacje o teksturze skóry, porach, potencjalnym pocie i niedoskonałościach.
Ruch i kinowa dynamika. Modele z naciskiem na kinową estetykę i płynność ruchu lepiej radzą sobie z ujęciami akcji, jazdą kamery i scenami grupowymi. Często wymagają krótszych klipów, żeby utrzymać stabilność — zamiast jednego długiego ujęcia lepiej wygenerować dwa i połączyć je cięciem.
Stylizacja i animacja. Jeśli budujesz świat baśniowy, animowany albo mocno stylizowany graficznie, wybierz narzędzie, które nie walczy z nierzeczywistością. W takich projektach spójność estetyczna jest ważniejsza niż fizyczna poprawność ruchu.
Szybkość iteracji. Do testów stylu, storyboardów i animatyków wybieraj modele generujące szybko i tanio w sensie czasu, niekoniecznie jakości. Wersje robocze mają być brzydkie — mają tylko potwierdzić kompozycję i ruch. Dopiero finalne ujęcia renderuj w trybie wysokiej jakości.
Spójność seryjna. Przy dłuższych projektach liczy się to, jak narzędzie obsługuje referencje: obraz startowy, klatkę końcową, postać referencyjną, opis garderoby. Im więcej punktów zaczepienia, tym stabilniejszy wynik — i tym mniej czasu spędzasz na ratowaniu nieudanych twarzy.
Praktyczna rada: prowadź dziennik promptów. Dla każdego ujęcia zapisz model, wersję promptu, ustawienia i krótką ocenę. Po dwóch tygodniach będziesz wiedzieć więcej o swoim stylu pracy niż po przeczytaniu dziesięciu poradników.
Spójność postaci między ujęciami: najtrudniejszy problem
Pojedyncze ładne ujęcie to jeszcze nie film. Prawdziwe wyzwanie zaczyna się, gdy ten sam bohater ma się pojawić w pięciu klipach — i za każdym razem wyglądać jak ta sama osoba. Modele generatywne nie mają pamięci scenariusza; każdy render startuje od zera.
Rozwiązanie opiera się na trzech mechanizmach. Pierwszy to opis niezmienników: cechy, które nie zmieniają się ani o milimetr między ujęciami. Zapisz je raz i kopiuj dosłownie do każdego promptu:
- wiek i typ sylwetki,
- kolor i długość włosów, fryzura,
- kolor oczu i charakterystyczne rysy twarzy,
- konkretna garderoba z materiałem i kolorem,
- akcesoria (okulary, zegarek, blizna, kolczyk),
- ogólny typ urody i zarost.
Drugi to referencja wizualna. Zamiast liczyć na opis słowny, użyj klatki startowej lub zdjęcia postaci jako punktu odniesienia. Nawet przybliżona referencja działa lepiej niż najdłuższy opis — model dostaje konkretny wzorzec do naśladowania. Jeśli narzędzie pozwala wskazać ostatnią klatkę poprzedniego ujęcia jako początek następnego, korzystaj z tego bez wahania: to najprostszy sposób na ciągłość ruchu i światła.
Trzeci to kontrola otoczenia i światła. Zmiana poru dnia czy kierunku światła natychmiast zdradza, że ujęcia powstały osobno. Ustal dla całej scenki jeden „przepis świetlny”: kierunek klucza, temperaturę, poziom kontrastu, paletę barw. Ten sam zestaw fraz powtarzaj w każdym ujęciu. Brzmi to monotonnie, ale właśnie monotonia daje wrażenie, że ujęcia pochodzą z jednej sesji zdjęciowej.
Warto też ograniczać liczbę postaci w kadrze. Im więcej osób, tym większe ryzyko, że model pomiesza twarze, garderobę albo proporcje. Sceny zbiorowe lepiej budować z kontrplanów i ujęć pojedynczych niż próbować uzyskać idealną grupę w jednym renderze.
Przepływ pracy: od pomysłu do gotowego ujęcia
Dobry workflow nie zaczyna się w generatorze, tylko na kartce. Oto ośmiostopniowy proces, który sprawdza się przy projektach od kilku ujęć do kilkudziesięciu.
1. Pomysł i logline. Jedno zdanie opisujące scenę i emocję. Bez tego każde ujęcie będzie miało inny ton.
2. Storyboard tekstowy. Rozpisz ujęcia w tabeli: numer, wielkość planu, ruch kamery, akcja, czas trwania. Tabela kosztuje piętnaście minut i oszczędza godziny renderów.
3. Biblia projektu. Wydziel osobny dokument z niezmiennikami: wygląd bohatera, paleta barw, typ światła, format kadru, styl ziarna. To twoje źródło prawdy przy każdym promptcie.
4. Prompt bazowy. Napisz pełny, siedmiowarstwowy prompt dla ujęcia numer jeden. To będzie szablon.
5. Warianty. Wygeneruj trzy do czterech wersji, zmieniając jedną zmienną: kierunek światła, tempo ruchu albo ogniskową. Oceń je obok siebie, nie po kolei.
6. Selekcja i dopracowanie. Wybierz najlepszą wersję i popraw tylko to, co naprawdę przeszkadza. Nie przepisuj całego promptu — to najczęstszy sposób na utratę tego, co działało.
7. Skalowanie. Gdy masz ujęcie, które działa, użyj jego struktury do pozostałych. Zmieniaj tylko akcję i wielkość planu, zostawiając styl, światło i opis postaci bez zmian.
8. Montaż i korekcja. Złóż ujęcia w edytorze, dopasuj tempo cięć, wyrównaj kolory między klipami i dodaj dźwięk. Dźwięk robi więcej dla wrażenia kinowości niż kolejny render — pokaż komukolwiek wersję bez dźwięku i z dźwiękiem, a różnica będzie oczywista.
Warto dodać krok równoległy: notatki o porażkach. Zapisuj, które sformułowania nie działają. Lista antywzorców bywa cenniejsza niż lista ulubionych fraz.
Prompty negatywne, parametry i kontrola przypadku
Część negatywna promptu to twoja polisa ubezpieczeniowa. Nie chodzi o to, żeby wymieniać wszystko, co brzydkie, ale o wyłapanie konkretnych artefaktów, które regularnie psują materiał.
Najczęstsze wpisy do listy wykluczeń:
- zniekształcone lub dodatkowe dłonie i palce,
- zniekształcone twarze, asymetryczne oczy,
- nakładające się kończyny i „topiące się” sylwetki,
- chaotyczny, nieuzasadniony ruch kamery,
- nagłe zmiany oświetlenia w trakcie ujęcia,
- tekst, napisy, znaki wodne, interfejsy,
- nadmierne wygładzenie skóry i efekt plastiku,
- migotanie, przeskoki klatek, rozmycie ruchu w miejscach statycznych,
- zoom cyfrowy i sztuczne przejścia.
Parametry liczbowe warto traktować jako narzędzie, nie ozdobnik. Proporcje kadru ustawiaj od razu pod docelową platformę: szeroki kadr dla kina i YouTube, pion dla mediów społecznościowych. Liczbę klatek na sekundę dobieraj do charakteru: 24 klatki dają wrażenie filmowe, 30–60 to look bardziej telewizyjny i płynniejszy. Długość klipu trzymaj krótko — jeśli potrzebujesz ośmiu sekund, wygeneruj dwie krótsze części, bo pod koniec długich ujęć modele najczęściej tracą spójność.
Warto też pamiętać o proporcji między kontrolą a naturalnością. Zbyt restrykcyjny prompt potrafi „zamrozić” obraz: model trzyma się litery opisu, ale gubi życie w kadrze. Jeśli wynik jest poprawny, ale martwy, dodaj jeden element nieprzewidywalności: podmuch wiatru, przelatujący ptak, drgnięcie światła, kurz w powietrzu.
Typowe błędy i szybkie poprawki
Problem: obraz wygląda jak wygenerowany. Przyczyna najczęściej leży w świetle i głębi. Poprawka: dodaj kierunkowe światło kluczowe, wyraźne cienie, drugi plan z odrębnym oświetleniem, drobinę ziarna i niedoskonałości faktury (kurz, para, odbicia).
Problem: bohater zmienia wygląd między ujęciami. Poprawka: skopiuj dosłownie blok niezmienników, użyj referencji obrazowej i powtórz ten sam opis światła. Nie improwizuj przy każdym ujęciu.
Problem: ruch jest sztucznie przyspieszony. Poprawka: skróć liczbę zdarzeń w ujęciu, dopisz „powolny, jednostajny ruch”, zwiększ długość klipu lub podziel akcję na dwa ujęcia.
Problem: kamera „ucieka” w niechciane cięcia. Poprawka: opisz jedno ujęcie i jeden ruch. Wyraźnie zaznacz, że kamera jest statyczna, jeśli nie chcesz ruchu.
Problem: twarze w tle wyglądają upiornie. Poprawka: zmniejsz głębię ostrości, rozmyj tło, ogranicz liczbę osób albo wygeneruj scenę z jednym bohaterem i dodaj tło osobno.
Problem: dialog i usta nie zgadzają się. Poprawka: unikaj zbliżeń z mową, dopóki nie pracujesz w narzędziu wyspecjalizowanym w synchronizacji. W ujęciach fabularnych pokazuj mówiącego w planie średnim lub od tyłu.
Problem: styl jest niespójny w całym projekcie. Poprawka: ustal receptę stylu (nośnik, kontrast, paleta, ziarno) i wklejaj ją do każdego promptu bez zmian. Spójność wygrywa z indywidualnym pięknem pojedynczego kadru.
Checklista operatora promptu
Przed każdym renderem przejrzyj te punkty:
- Czy prompt ma wszystkie siedem warstw w ustalonej kolejności?
- Czy opisałeś źródło, kierunek i charakter światła?
- Czy wskazałeś wielkość planu, wysokość kamery, ogniskową i ruch?
- Czy w ujęciu dzieje się tylko jedna główna akcja?
- Czy blok niezmienników postaci jest identyczny jak w poprzednim ujęciu?
- Czy recepta stylu (nośnik, kontrast, paleta) jest powtórzona?
- Czy lista wykluczeń obejmuje artefakty typowe dla tego modelu?
- Czy proporcje kadru i liczba klatek odpowiadają platformie docelowej?
Najczęstsze pytania
Ile słów powinien mieć prompt? Nie ma magicznej liczby. Praktyczna reguła: tyle, ile potrzeba na opisanie siedmiu warstw — zwykle od 50 do 120 słów. Dłuższe prompty zaczynają się wzajemnie znosić, jeśli zawierają sprzeczne wskazówki.
Czy prompt po polsku działa? W wielu narzędziach tak, ale modele są trenowane głównie na angielskim, więc angielskie sformułowania techniczne (close-up, dolly in, golden hour) dają zwykle bardziej przewidywalny rezultat. Dobrą praktyką jest pisanie promptu po angielsku, a notatek i decyzji produkcyjnych — w swoim języku.
Jak długie ujęcia generować? Krótkie, pojedyncze akcje: od trzech do pięciu sekund na jeden render to bezpieczna strefa. Dłuższe klipy składaj z kilku fragmentów, pilnując ciągłości światła i kierunku ruchu.
Co zrobić, gdy jedno ujęcie jest idealne, a sąsiednie nie pasuje? Nie regeneruj wszystkiego. Użyj idealnego ujęcia jako referencji klatki startowej dla sąsiedniego i powtórz identyczny opis światła oraz postaci. Zwykle wystarczą dwie–trzy próby.
Czy warto używać jednego narzędzia do wszystkiego? Zwykle nie. Łatwiej osiągnąć powtarzalność, gdy wiesz, że do zbliżeń używasz jednego modelu, do akcji drugiego, a do storyboardów trzeciego. Stały zestaw narzędzi buduje instynkt: wiesz, co powiedzieć, żeby dostać konkretny efekt.
Jak najszybciej poprawić swoje wyniki? Prowadź dziennik: data, ujęcie, model, prompt, ocena od 1 do 5, jedna rzecz do zmiany. Po dwudziestu wpisach zaczniesz zauważać wzorce i skrócisz liczbę prób o połowę.
Kinowy efekt nie bierze się z jednego idealnego renderu, lecz z serii świadomych decyzji powtórzonych w każdym ujęciu: konsekwentnego światła, przemyślanej kamery, niezmiennego bohatera i cierpliwej iteracji. Prompt jest tylko zapisem tych decyzji — im mniej w nim przypadku, tym bliżej ekranu kinowego.
