Veo 3.1: полное руководство по промптам

Veo 3.1 делает восемь секунд видео с собственным звуком: реплику, сказанную тем голосом, который вы описали, шаги под ней, помещение, в котором её записали, и музыку, если вы позволите. Всё это рождается из того же промпта, что и картинка, — промпта, написанного в трёх каналах, которые модель читает по отдельности.

Veo 3.1 — это три модели, и все они принимают один и тот же бриф.

• Veo 3.1 принимает референсы.
• Veo 3.1 Fast — та же модель с меньшей точностью. Идеальна для репетиций.
• Veo 3.1 Lite не умеет выключать звук. Идеальна для больших объёмов.

ПРИМЕЧАНИЕ: всё в этом руководстве верно для всех трёх, если не названа конкретная.

Цена, ограничения и настройки каждой — на её странице модели: Veo 3.1, Veo 3.1 Fast и Veo 3.1 Lite.

Обзор

Коротко

Четыре решения делают большую часть работы. Если больше ничего не читать, прочитайте их. Каждое подробно разобрано ниже.

1. Пишите звук в трёх отдельных каналах

   Veo читает реплики в кавычках, SFX: и Ambient noise: как три разные вещи. Звук, спрятанный во фразе про картинку, даёт вам картинку: опишите нож «with a satisfying crunch» — и получите нож. Строка, которая начинается с SFX:, даст вам сам хруст.

   Вместо

   The blade presses down with a satisfying crunch

   Пишите

   SFX: a dense crystalline crunch, releasing as the blade breaks through

2. Отдавайте последнему блоку действие, а не затухание

   Veo сдвигает посекундный планСписок того, что и когда происходит: одна строка на каждый момент, у каждой — секунды, которые она занимает. Это форма фильма, записанная до того, как что-либо отрендерилось. к началу и ничего не растягивает, чтобы заполнить хвост. Последний блок, в котором названы поза, тишина или затихающий звук, останавливает и картинку, и звук разом — 44% одного восьмисекундного дубля вернулись тише −41 дБ, потому что последняя строка просила звон затихнуть.

   Назовите в последнем блоке реальное событие: ломтик, который докачивается и замирает, нож, который кладут на стол, последнюю реплику на ходу. В дубле, где каждый блок называл действие, провалов не было нигде.

3. Называйте устройство, а не тип плана

   «POV shot» и «selfie angle» просят кадрировку и получают её наполовину. Камеру, описанную как предмет в мире — вещь в названной руке, — модель держит, а кадрировка получается сама. Любая работающая версия формата влога в том или ином виде произносит эту фразу.

   Вместо

   POV selfie shot, wide angle

   Пишите

   He holds a selfie stick in his right hand, at arm's length — that is where the camera is

4. Референсы фиксируют соотношение сторон и длину

   Видео по референсам идёт в 16:9 и восемь секунд — и никак иначе, а любой последний кадрИзображение, которое вы задаёте и к которому клип должен прийти. Оно становится финальным кадром, а модель придумывает движение, которое к нему ведёт., переданный вместе с ними, отбрасывается. У Veo 3.1 Fast и Veo 3.1 Lite слота для референсов нет вовсе.

   Для всего вертикального описывайте объект словами или начинайте с первого кадра нужной формы. Вертикального входа для референсов нет ни у одной модели семейства.

Часы — это три числа

Большинство видеомоделей принимают длительность так, как её понимает монтажёр: любое значение в диапазоне, а часто ещё и auto, если не хочется решать. Seedance 2.5 работает в диапазоне от 4 до 30 секунд или выбирает сам.

Veo не делает ни того, ни другого. Четыре, шесть или восемь секунд — три числа, ничего между ними, ничего длиннее восьми и никакого auto.

Поэтому длина здесь не настройка, а структура. Вы пишете под часы, а не под количество символов: четыре блока по две секунды на максимуме, а всё, что длиннее, — это два дубляОдин запуск модели: один сгенерированный клип от начала до конца. Повторный запуск того же брифа даёт новый дубль, а не правку этого., склеенных встык.

Что модель принимает

Сколько это стоит

Цена Veo 3.1 и Veo 3.1 Fast зависит от переключателя звука и больше ни от чего, так что дубль в 1080p и дубль в 720p стоят одинаково, и снимать в меньшем разрешении нет смысла.

Цена Veo 3.1 Lite зависит от разрешения, и переключателя у неё нет: каждый дубль Lite генерирует звук, поэтому столбца «без звука» нет и сделать его нельзя. В 1080p она работает только при восьми секундах.

На полной модели звук удваивает тариф. Выключайте его для всего, где никто ничего не говорит, — пейзажа, текстуры, плана, к которому вы сами подложите музыку, — и включайте, как только кто-то открывает рот.

Правила

Семь вещей, которые верны, что бы вы ни делали. Каждая выросла из дубля, который пошёл не так, и они упорядочены по тому, как часто это важно.

Пишите звук в трёх отдельных каналах

Veo их разделяет. Промпт, который этого не делает, просит один канал нести три.

Собственная нотация Google — это три пометки, и модель читает каждую как отдельную дорожку:

"…"              dialogue, quoted verbatim
SFX:             events, on their own line, attached to the beat they belong to
Ambient noise:   the bed that runs under all of it

Спрячьте «with a satisfying crunch» во фразу про нож — и получите нож. Строка, которая начинается с SFX:, даст вам хруст. Каждый звуковой момент в брифе про стеклянную клубнику стоит на своей строке SFX:, привязанной к своему таймкоду, и уровни легли туда, куда их просили.

Обычный текст тоже работает. Просто работает хуже при том же количестве символов.

Отдавайте последнему блоку действие, а не затухание

Модель играет до сирены, только если на сирене что-то происходит.

Veo сдвигает посекундный план к началу и не растягивает действие, чтобы заполнить хвост, в котором, как ему сказали, ничего не происходит. Это можно измерить.

• Последний блок с текстом «the last of the glass ringing decaying away into silence» дал 3,5 секунды мёртвой тишины — 44% хронометража, все пики ниже −41 дБ, и картинка замерла вместе со звуком.
• Последний блок, в котором названы протирка объектива, возвращающееся в кадр лицо и произнесённая реплика, вернулся без единого провала: средний уровень от −11,2 до −19,5 дБ во всех шестнадцати полусекундных окнах.

Та же модель, та же длина, та же неделя. Разница в том, что один последний блок называл отсутствие, а другой — событие.

Таймкод — это бюджет, и Veo его соблюдает

Четыре блока по две секунды — рабочая единица для восьми секунд.

[00:00-00:02] — это не подсказка. В плане из четырёх блоков четыре реплики попали четыре из четырёх: каждая в своё окно, по порядку, слово в слово.

Самое сильное доказательство того, что модель читает план, а не слова, — это тишина: блок, где было названо действие и не было диалога, дал 2,1 секунды намеренной паузы, после чего модель вовремя вернулась к речи.

Две секунды — примерно самый мелкий шаг, который имеет смысл. Мельче вы делите восемь секунд на куски, слишком маленькие, чтобы вместить событие, и получаете событие скомканное.

Называйте устройство, а не тип плана

Тип плана просит кадрировку. Предмет просит вещь, а кадрировка следует за ней.

«POV shot» и «selfie angle» оба работают плохо. "He is holding a selfie stick in his right hand, at arm's length, a little above his own eyeline and angled down at him — that is where the camera is" работает.

И работает дважды. Референс вернулся с рукой, уже уходящей за край кадра к объективу, — то есть устройство существовало ещё до того, как клип отправили в работу; а шутка в последнем блоке срабатывает, потому что модели уже сказали, какая рука занята палкой.

По этому же правилу камере можно приказать измениться. Тип плана нельзя положить, а телефон — можно.

Репетируйте на Fast, доводите на Veo 3.1

Те же часы, те же соотношения сторон, те же три канала. Одна из моделей — чтобы разведать.

Veo 3.1 Fast из того же семейства и принимает тот же бриф. У неё те же шаги 4/6/8, те же два соотношения сторон, тот же переключатель звука и та же нотация, так что план, который работает на одной, работает и на другой. Жертвует она точностью — и референсами, которых у неё нет совсем.

Поэтому сначала прогоните бриф на Fast и честно оцените результат. Он отвечает на всё, в чём план может ошибиться: попадают ли блоки туда, куда вы просили, укладываются ли реплики в часы, приходит ли звук на нужной секунде, та ли это игра, которую вы себе представляли. Потом запустите те же слова на Veo 3.1 — это будет версия, которую вы оставите.

Единственное, что на ней не отрепетировать, — набор референсов, потому что положить их некуда. Если вашей работе нужны референсы, репетируйте на полной модели при четырёх секундах.

Референс несёт позу, а не только внешность

Свойство, которое задаёт вход, дальше у модели уже не отспорить.

Референсом для влога был портрет в полный рост, стоя. Бриф просит ходьбу в строке плана, в абзаце про персонажа и внутри каждого из четырёх блоков — already moving at second 0, walking for the whole shot and never stops, already mid-stride, keeps walking, does not stop walking, still walking. Он стоит. Замеры по кадрам на 0,2 с, 2,4 с, 3,6 с, 7,4 с и 7,9 с: тот же гребень, та же геометрия фона, никакого движения вперёд и никакого ритма шагов.

Шесть фраз текста проиграли одному свойству картинки. Решение — не седьмая фраза, а снять референс в нужном состоянии: на середине шага, вес тела впереди, одно плечо опущено, гребень уплывает назад за его спиной.

Описывайте движение на картинке, а не в абзаце.

Референсы фиксируют соотношение сторон, длину и ваш последний кадр

Одна дверь или другая, и дверь референсов — узкая.

Видео по референсам — это режим, а не настройка, которую добавляют к уже выбранной. Передайте от одного до трёх референсов, и запрос привязывается к единственной форме:

• 16:9 — с референсами другие соотношения сторон не работают;
• 8 секунд — это заодно и потолок, так что теряете вы 4 и 6, а не длину;
• любой последний кадр отбрасывается.

К тому же они есть только у полной модели — у Veo 3.1 Fast и Veo 3.1 Lite слота для референсов нет, так что многокадровая последовательность, построенная на одной из них, не сойдётся.

Поэтому выбор конкретный, а не эстетический. У вертикального ролика с повторяющимся персонажем нет пути через референсы: опишите персонажа словами или закрепите его в первом кадре и анимируйте уже его.

Пайплайны

У Veo четыре двери, и то, через какую вы войдёте, решает в результате больше, чем всё, что вы напишете. Каждая что-то исключает.

Блоки, из которых состоит любой бриф

Пишите его как режиссёрский сценарий с приложенной звуковой партитурой. Именно так модель его и читает.

Через какую бы дверь вы ни вошли, промпт собирается из одних и тех же частей, в том порядке, который модель читает надёжнее всего:

[Shot]           the take, its length, the camera, and that it is unbroken
[Subject]        who or what must stay identical from first frame to last
[Context]        the room, the weather, the light — skipped if a frame carries it
[Action]         the beat sheet, one block per two seconds
  SFX:             the events inside that block, on their own line
[Ambient noise]  the bed that runs under all of it
[Style]          the stock, the lens, the grade
[Avoid]          what must never appear

Поля для негативного промпта здесь нет, поэтому исключения живут в строке Avoid: в конце брифа. Её читают: каждый бриф в разобранных примерах ниже заканчивается такой строкой, и то, что в них запрещено, в кадр не попало.

При 4000 символов на восемь секунд фильма места вам хватит. Бороться приходится за внимание.

Правило сокращения: удаляйте всё, что не может произойти за восемь секунд. Смена костюма, вторая локация, арка персонажа — ничего из этого не помещается, и фраза, которая это описывает, потрачена впустую.

Как писать звуковой блок

Речь приводится дословно в кавычках внутри того момента, к которому она относится. События получают собственную строку SFX:. Фон получает одну строку Ambient noise: на весь клип.

[00:02-00:04] He keeps walking, his breath fogging past the lens, and says,
"Forty minutes back." The wind rises behind him.
SFX: fur and wind buffeting the microphone, a low gust building.

Ambient noise: a constant high-altitude wind under everything, thin and cold.

Прежде чем писать такой блок, полезно знать три вещи.

Цитируйте реплику, а не описывайте её. she says, "That's the part nobody tells you." даст вам эту реплику. she says something encouraging даст рот, который двигается вокруг слогов, не складывающихся в слова, — потому что вы попросили описание, и модель отрендерила описание.

Сверяйте количество слов с часами. Восемь секунд — это примерно двадцать английских слов в естественном темпе, во всех блоках вместе. Напишите двадцать пять — и дубль оборвётся на полуслове.

Пишите «no music», если вам не нужна музыка. Предоставленный самому себе, Veo чаще всего подкладывает под сцену музыку, обычно низкий пэд, и она приходит уже смикшированной под диалог, откуда её потом ничем не отделить. Если музыка вам всё-таки нужна, назовите инструмент и настроение — solo piano, sparse, one note at a time, — потому что название жанра даст вам трейлер.

Пайплайн A: из текста

Ничего, кроме письменного брифа.

Для чего он

• Лучше всего для: би-роллаКадры, в которых никто не говорит, — пейзаж, руки, улица, деталь, — их вставляют вокруг основных планов, чтобы перекрыть озвучку или дать сцене подышать., establishing-плановОбщий план, который открывает сцену и показывает, где вы находитесь, прежде чем кто-то в ней что-то сделает., атмосферы, одной реплики в месте, которое ни с чем не нужно совпадать.
• Чем вы платите: контролем. Вы получаете хорошую версию своего описания, но не своего конкретного человека или продукт.
• На что смотреть: это единственная дверь, где ничто не удерживает лицо или предмет на месте все восемь секунд.

Как его писать

Работать должен каждый блок, потому что ничего не передано. Тратьте символы на объект и моменты, а внешний вид описывайте фактами о камере, а не словами настроения: названный объектив, заданное направление света, зерно. «Cinematic» ничего не даёт.

Опишите того, кто должен оставаться одинаковым, один раз и подробно, а дальше ссылайтесь на это описание, а не повторяйте его. Повтор провоцирует перерисовку.

Пайплайн B: из текста с первым кадром

У вас есть одна картинка, и клип начинается ровно с неё.

Для чего он

• Лучше всего для: оживления готовой картинки — продуктового кадра, постера, персонажа, экрана.
• Чем вы платите: референсами. Либо одна дорога, либо другая.
• На что смотреть: это дверь, которая сохраняет 9:16, а референсы — нет.

Как его писать

В этом пайплайне чем меньше промпта, тем лучше.

Кадр уже несёт кадрировку, одежду, помещение, свет и цвет. Описывать их заново значит тратить символы и рисковать противоречием картинке — а если ваши слова и картинка расходятся, вы сделали неопределённым то, что уже было решено.

Скажите «the woman of the first frame, unchanged» один раз, а всё остальное потратьте на то, что меняется: движение, игру, речь, камеру.

Кадр — это контрольная точка

Сделайте статичный кадр и посмотрите на него, прежде чем что-то задвигается. На восьми секундах кадр нужен не для того, чтобы удержать план, — дрейф на таком коротком клипе почти не грозит. Он нужен, чтобы ошибка первого шага всплыла, пока это ещё одна картинка, а не восемь секунд движения поверх неё.

Стеклянная клубника — ровно такой случай. Это стекло или ягода? — решается в статичном кадре или не решается вовсе: видеомодель, начавшая с настоящей клубники, все восемь секунд будет резать настоящую клубнику, и никакое описание звука её не спасёт.

Разобранные примеры: Два разреза, восемь секунд и Реклама с водительского сиденья.

Пайплайн C: из текста с первым и последним кадром

У вас есть оба конца, а середину придумывает модель.

Для чего он

• Лучше всего для: перехода, обе стороны которого вы нарисовали, движения, которое должно закончиться в точно заданном месте, плана, который должен передать эстафету следующему.
• Чем вы платите: референсами, которые молча его отключают.
• На что смотреть: между двумя кадрами должны правдоподобно умещаться восемь секунд. Это интерполяцияДостраивание движения между двумя уже готовыми картинками вместо того, чтобы придумывать, где закончится план. Оба конца задаёте вы, путь проделывает модель., а не телепортация.

Как его писать

Оба кадра главнее текста. Момент, противоречащий последнему кадру, — это две инструкции, тянущие в разные стороны, и картинка обычно побеждает. Поэтому посмотрите на последний кадр, прежде чем писать последний момент, и перепишите момент так, чтобы он описывал то, что на картинке действительно есть.

Кроме того, это единственная дверь одинаковой ширины на всех трёх уровнях. Fast и Lite принимают первый и последний кадр точно так же, как полная модель, так что интерполяция — единственное, что Veo 3.1 Lite делает так же хорошо, как остальные в семействе.

Практический довод в пользу второго кадра — он закрепляет концовку. Иначе последнюю секунду клипа держит только посекундный план, а расписание сползает, как только что-то в кадре должно физически переместиться. Два конца означают, что расписание может сползти, а пункт назначения — нет.

Так же вы выходите за пределы восьми секунд: извлеките последний кадр одного дубля, передайте его как первый кадр следующего и склейте всю серию в конце.

Пайплайн D: из текста с референсами

У вас есть объект — персонаж, существо, продукт, — и он должен пережить клип.

Для чего он

• Лучше всего для: персонажа, который возвращается в нескольких клипах, лица, которое должно совпасть с уже отрендеренным.
• Чем вы платите: вертикалью, выбором 4 или 6 секунд и последним кадром. А также Fast и Lite, у которых нет слота для референсов.
• На что смотреть: референс задаёт не только внешность, но и позу.

От одного до трёх, и у каждого своя задача

Три слота — скромный бюджет по сравнению с тем, что дают модели длинных дублей, так что каждый должен заслужить своё место. Скажите, для чего он, и исключите то, для чего — нет:

[Image1] is <subject>. Use it for <face, build, colour> only.
         Do not use its background, lighting, framing or pose.

Выбирайте чёткие, хорошо освещённые картинки, где объект показан с того ракурса, с которого вы хотите его видеть, — и помните, что «с того ракурса, с которого вы хотите его видеть» включает и позу, в которой вы его хотите, потому что поза переезжает вместе с ним.

Разобранный пример: Дорога, которую никто не снимал: один референс, восемь секунд и посекундный план, выполненный четыре из четырёх.

Когда что-то ломается

«Последние две секунды мёртвые»

Последний блок называл затухание, позу или тишину, а Veo не растягивает действие, чтобы заполнить хвост, в котором, как ему сказали, ничего не происходит.

Решение: дайте последнему блоку настоящее событие — ломтик, который замирает, нож, который кладут, реплику на выходе из кадра. Проверяйте уровень на седьмой секунде, а не на первой.

«Дубль обрывается на полуслове»

Слов больше, чем вмещают часы. Восемь секунд — это около двадцати английских слов в естественном темпе, во всех блоках вместе.

Решение: считайте слова, а не строки. Вырежьте момент вместо того, чтобы кого-то ускорять, или разделите сцену на два дубля и склейте их.

«Под видео играет музыка, а я её не просил»

Предоставленный самому себе, Veo чаще всего подкладывает под сцену музыку, и она приходит уже смикшированной под диалог.

Решение: пишите No music, no score, no soundtrack. в строке Avoid: каждого брифа, под который потом собираетесь положить свою дорожку. Отделить музыку позже невозможно, так что это решение принимается один раз на дубль.

«Не получается вертикальный клип с моим персонажем»

Референсы работают в 16:9 и ни в каком другом соотношении сторон — на каждой модели семейства, где они есть, а есть они только у полной. Вертикаль и референсы несовместимы, так что соотношение сторон решается в тот момент, когда вы тянетесь за референсом.

Решение: используйте первый кадр нужной формы или опишите объект словами. Первый кадр сохраняет 9:16, набор референсов — никогда.

«Мой последний кадр ничего не сделал»

В том же запросе были переданы референсы, а при них последний кадр всегда отбрасывается.

Решение: выберите одну дверь. Дубль с первым и последним кадром не несёт референсов, а у дубля с референсами нет концовки, которую можно закрепить.

«Персонаж не делает того, о чём я прошу снова и снова»

Референс несёт не только внешность, но и позу, а свойство, которое задаёт картинка, у модели не отспорить текстом.

Решение: переснимите референс в нужном состоянии. Один кадр сильнее шести фраз, и никакое количество фраз не победит.

«Вышло вдвое дороже, чем я ожидал»

Переключатель звука. На Veo 3.1 он удваивает посекундный тариф, а на Fast добавляет ещё половину.

Решение: выключайте звук для всего, где никто ничего не говорит, — пейзажа, текстуры, плана, к которому вы сами подложите музыку. Учтите, что у Veo 3.1 Lite выключать нечего, так что беззвучный клип придётся делать на Veo 3.1 или на Fast.

«Некуда вписать негативный промпт»

Поля для него здесь нет.

Решение: впишите его в промпт последней строкой Avoid:. Называйте сбой, к которому подталкивает сцена, а не общую оговорку: «it does not shatter, crack, splinter, crumble, chip or send shards flying» — вот что дало два чистых разреза стеклянной клубники, а позитивное сравнение рядом («parts cleanly, like cold butter») — вот что заставило отрицание сработать.

Разобранные примеры

Три готовые работы, у каждой — бриф, по которому она сделана. Каждая — это одна генерация, и ничего здесь не склеено из нескольких дублей.

Все три вошли через изображение — дважды через первый кадр и один раз через референс, — потому что именно это мы запускали. Для пайплайна A разобранного примера пока нет, а выдуманный стоил бы меньше, чем этот пробел.

Два разреза, восемь секунд

Пайплайн B: один первый кадр.

Нож сквозь клубнику из выдувного стекла — исходный формат AI ASMR и тот, что до сих пор конвертирует. Продукт здесь — звук; картинка нужна, чтобы звук был правдоподобным.

Два разреза за восемь секунд, потому что один — это демо, а три — уже монтаж. Каждый звуковой момент стоит на своей строке SFX:, привязанной к своему таймкоду, и каждый вернулся отдельным измеримым событием: первое касание на 1,6 с, нажим на 1,9 с (−7,4 дБ), лезвие проходит насквозь на 3,0 с (−0,1 дБ), второй разрез на 4,1 с (−1,2 дБ). Вот что даёт нотация — отдельно прописанные звуки приходят по отдельности, а не сплошной кашей.

Два вывода, которые стоит забрать с собой. Называйте сбой, к которому подталкивает физика: стекло под лезвием хочет разлететься, и все ранние публичные версии этого формата разлетаются. И описывайте внутренность до того, как что-то её разрежет, потому что срез — это главный кадр всего жанра, а модель не придумает внутренность, о которой ей ничего не сказали.

Здесь же было измерено правило мёртвого хвоста. На восемь секунд попросили четыре момента; модель сыграла все четыре за первые четыре секунды, и начиная с 4,5 с все пики ниже −41 дБ — три с половиной секунды, 44% ролика, и в картинке тоже ничего не движется. Последний блок просил звон, затухающий в тишину, а Veo не заполняет блок, который называет отсутствие. Дайте ему вместо этого ломтик, который докачивается и замирает.

Extreme close-up, one single continuous unbroken 8-second shot from a locked-off
camera. No pan, no tilt, no zoom, no push-in, no dolly, no handheld drift, no
cuts, no dissolves. Shallow depth of field. The framing at second 8 is identical
to second 0.

Subject: a solid opaque glass sculpture of a strawberry, in a strawberry's own
natural red, resting on a pale warm wooden cutting board. Glossy blown-glass
surface, seed pits and shoulder dimples moulded into the glass, a small opaque
green glass hull on top. Inside, the glass is a paler milky pink, so every cut
face reveals a clean cross-section of pale core inside red rind. It is a glass
object for the whole shot and never becomes a real fruit: it never softens,
never bleeds juice, never turns to wet flesh or pulp, never sweats. One human
hand holds a stainless steel chef's knife and enters from the right.

Context: the board sits on a dark uncluttered surface, the background falling
away to soft shadow. Crisp soft studio key from camera-left, gentle specular
highlights along the blade and the glass shoulders, one thin red caustic thrown
onto the wood. The light, the board and the background never change.

Action:

[00:00-00:02] The glass strawberry sits perfectly still. The knife lowers from
above and the edge settles against the top of the glass without moving it.
SFX: one faint high glass tick as the steel meets the glass.

[00:02-00:04] The blade presses down and passes cleanly through in one smooth
unhurried stroke. The first slice separates and tips over flat onto the board,
its pale cross-section facing the camera. SFX: a dense crystalline crunch
building through the stroke and releasing as the blade breaks through, then a
bright glassy clink as the slice lands on the wood.

[00:04-00:06] The hand lifts the knife clear, shifts a finger's width to the
left, and cuts again, a little faster. A second even slice falls away and comes
to rest beside the first. SFX: a second crunch, shorter and sharper than the
first, then a light double clink as the slice rocks twice and settles.

[00:06-00:08] The knife lifts up out of the top of frame. The two slices are
still. Nothing else moves. SFX: the last of the glass ringing decaying away into
silence.

Cutting behaviour: the glass parts cleanly, like cold butter, along the exact
line of the blade. It does not shatter, crack, splinter, crumble, chip or send
shards flying, and no piece leaves the board.

Ambient noise: a quiet padded studio room tone underneath everything, and
nothing else.

Style: photorealistic, ultra sharp, calm and premium, high-fidelity ASMR
recording in both picture and sound. The audio is close-miked and intimate, and
the loudest thing in the mix is the glass.

Avoid: music, score, melody, humming, singing, speech, voice-over, narration,
breathing, a second hand, a second piece of fruit, real fruit juice or pulp,
flying shards, camera movement of any kind, cuts, crossfades, background
changes, extra props, on-screen text, captions, subtitles, watermarks and logos.

Дорога, которую никто не снимал

Пайплайн D: один референс.

Влог криптида — то, с чего началось персонажное AI-видео, и вся шутка в том, что он говорит совершенно искренне. Восемь секунд рутины, снятые тем, кто её выполняет: он идёт, говорит две фразы про дорогу, погода его перебивает, и он договаривает.

Посекундный план был выполнен почти в точности. Расшифровка с таймкодами слов в сравнении с четырьмя запрошенными блоками:

Четыре из четырёх — и самое сильное доказательство того, что модель прочитала план, — это 2,1 секунды намеренной тишины в окне порыва. Она промолчала весь блок, где было названо действие и не было диалога, а потом вовремя вернулась к речи.

Протирка отрендерилась, причём в правильном порядке: порыв засвечивает кадр добела около 4,0 с, палец входит справа около 5,0 с, пока всё ещё белое, и картинка проясняется за ним. Три идеи удержаны одновременно: объектив — это поверхность, на нём снег, а палец принадлежит той руке, что не держит палку.

И он не идёт. Бриф просит ходьбу в строке плана, в абзаце про персонажа и в каждом из четырёх блоков. Референс — портрет стоя, и вернулся он тоже стоя: всё правило о позе в одном клипе.

A single continuous unbroken 8-second handheld selfie video, filmed by the yeti
himself. He is holding a selfie stick in his right hand, at arm's length, a
little above his own eyeline and angled down at him — that is where the camera
is. The camera never leaves his hand. Wide-angle lens, his head and shoulders
filling the frame, the ridge and the sky behind him. The frame jolts and swings
with every step he takes, and it is already moving at second 0.

Subject: the creature from the reference image, unchanged — the same dirty
off-white shaggy fur, the same broad flat face, the same tired patient
expression. He is walking for the whole shot and never stops, never sits and
never puts the camera down. He speaks directly into the lens in a deep, low,
rumbling voice, flat and matter-of-fact, like a man describing his commute. His
breath fogs in the cold.

Context: he is trudging along an exposed snow ridge high above a sea of cloud,
exactly as in the reference image, the wind hard from his left and spindrift
streaming past him. Bright flat diffuse daylight with no sun disc, no cast
shadows and no rim light. The light never changes and the background stays a
soft white cloud layer throughout.

Action:

[00:00-00:02] Already mid-stride and already shaking. He glances into the lens
and says, "Forty minutes to the ridge."
SFX: the deep crunch and squeak of huge feet breaking wind-packed snow, one
heavy step at a time, close to the microphone.

[00:02-00:04] He keeps walking, his breath fogging past the lens, and says,
"Forty minutes back." The wind rises behind him.
SFX: fur and wind buffeting the microphone, a low gust building.

[00:04-00:06] A hard gust hits from his left and throws a sheet of spindrift
straight across the lens. The picture goes white and grainy and he is only a
dark shape behind it. He does not react and does not stop walking.
SFX: a sharp roar of wind peaking, snow hissing against the lens.

[00:06-00:08] One enormous furred finger comes into frame from the right and
drags across the lens, smearing the snow clear in a wet streak with a little
still caught in the corners. His face comes back into view, still walking, and
he finishes, "Every day of my life."
SFX: a soft muffled scrape of fur on wet glass, then the footfalls again.

Ambient noise: a constant high-altitude wind under everything, thin and cold,
with no melody in it.

Style: photorealistic amateur vlog footage, natural available light only — the
honest look of a phone camera in bad weather, with mild wide-angle distortion, a
little sensor noise, and an exposure that hunts slightly in all the white.

Avoid: music, score, soundtrack, humming, singing, a narrator, a second voice, a
second character, any other person or animal, on-screen text, captions,
subtitles, titles, watermarks, logos, a locked-off or tripod-steady frame, a
camera that leaves his hand, a third-person shot, a drone shot, cuts, dissolves,
speed ramps, slow motion, the yeti stopping or standing still, bared fangs, a
snarl, a costume seam, a human face.

Реклама с водительского сиденья

Пайплайн B на Veo 3.1 Fast: один первый кадр, вертикаль.

UGCUser-generated content: реклама, снятая так, будто её снял на телефон настоящий покупатель, а не как реклама.-реклама в той форме, которую принимает почти любая из них: четыре момента, четыре реплики в кавычках, неподвижная камера на приборной панели и продукт, поднятый рядом с лицом.

Она показывает две вещи. Первый кадр сохраняет 9:16 — на выходе 720×1280, и вертикальный ролик должен проходить именно через эту дверь, потому что референсы перевели бы его в горизонталь. И четыре реплики в кавычках помещаются в восемь секунд с запасом: всего восемнадцать слов, меньше двадцатисловного потолка, и ни одна не обрывается на полуслоге.

Единственное, чего она не показывает, — мелкий шрифт. Следите за коробкой все восемь секунд: мятный цвет и форма держатся, а надпись под ними сдаётся примерно к середине. Крупный шрифт видеомодель переживает. Мелкий шрифт — это текстура, а тексту, который должен оставаться читаемым, место в первом кадре, крупно, а не в промпте.

One continuous unbroken 8-second vertical shot from a completely fixed camera
resting on the dashboard. No pan, no tilt, no zoom, no push-in, no handheld
drift, no cut, no dissolve. The framing at second 8 is identical to second 0.

Subject: the woman of the first frame, unchanged in every frame — same face,
same hair, same dusty-pink fleece, same seatbelt, same car. She stays in the
driver's seat of the parked car throughout and never opens a door, never starts
the engine, never turns away from the lens.

Product: the pale mint NUVELO carton of the first frame, its lettering unchanged
and legible whenever it faces the camera, plus one loose stick sachet in the
same mint and coral. The carton never changes size, colour or wording.

Action:

[00:00-00:02] She is already holding the carton up beside her face. She looks
into the lens and speaks, her other hand resting on the wheel.
"Okay, I have to talk about these."
SFX: the close soft ambience of a parked car interior.

[00:02-00:04] She rotates the carton a quarter turn to show its side, then
brings it square to the camera again.
"Thirty sticks, one a day."
SFX: a light card-on-card rustle as the box turns in her hand.

[00:04-00:06] She lowers the carton out of the bottom of the frame and brings up
a single stick sachet, pinched between thumb and forefinger, and gives it one
small shake.
"You just tear one open."
SFX: a short crisp foil crinkle as the sachet shakes.

[00:06-00:08] She raises the carton back up beside her face so the box and the
sachet are held up together, one in each hand, nods once and smiles.
"That's the whole thing. Try it."
SFX: nothing but the room.

Light: constant flat daylight through the windshield for all eight seconds. No
exposure shift, no relight, no flicker, no colour drift.

Ambient noise: the quiet interior of a parked car, a faint distant street
outside, and nothing else.

Style: plain front-facing phone video, no colour grade, no cinematic contrast,
faint sensor noise in the shadows. Her voice is close, warm, conversational and
unhurried, as recorded by the phone's own microphone.

Avoid: music, score, backing track, a second voice, a second person, a second
pair of hands, camera movement of any kind, cuts, crossfades, speed ramps, the
car moving, a face or hair that morphs or re-rolls, clothes that change, the
carton changing its wording or colour, a phone visible in frame, on-screen text,
captions, subtitles, watermarks and logos.