Video från texten: hur man beskriver en scen så att det blir som man tänkt sig

Kort om det viktigaste (BLUF)

Den första videon från texten för nästan alla visar sig vara en tre sekunder lång röra - eftersom beskrivningen inte innehåller huvudsaken. Vi delar upp scenen i fem lager: vem gör vad, hur den är tagen, ljus och stil. Med exempel på ”dåligt → bra” och analys av var det oftast går sönder.

Den första videon från texten misslyckades för nästan alla. En person skriver "en vacker video med en katt", får en röra på tre sekunder och drar slutsatsen att neurala nätverk är överskattade.

Det handlar inte om modellen. Faktum är att en scenbeskrivning inte är en sökfråga, utan en liten teknisk uppgift för operatören. Jag ska berätta vad den består av.

Fem lager av normal beskrivning

Modellen gissar allt du inte sa. Ju mindre de säger, desto mer gissar hon, och desto längre är resultatet från det som fanns i hennes huvud. Därför talar vi i lager:

• Vem eller vad är i ramen. Inte "katt", utan "en röd katt sitter på fönsterbrädan."
• Vad händer. En åtgärd, inte tre. "Vänder huvudet mot fönstret."
• Var är kameran och hur rör den sig. "Medellång bild, kameran zoomar långsamt in." Detta lager hoppas oftast över, men det löser halva problemet.
• Ljus och tid på dygnet. "Varmt solnedgångsljus från fönstret, mjuka skuggor."
• Humör eller stil. "Lugn, hemtrevlig, som i en dokumentär."

Vi samlar in: "Den röda katten sitter på fönsterbrädan och vänder sakta huvudet mot fönstret. Medium skott, kameran zoomar långsamt in. Varmt solnedgångsljus, mjuka skuggor, lugn hemtrevlig atmosfär." Detta är en teknisk specifikation, inte en önskan.

Dåligt → bra

Några par från verklig träning:

• "Stad" → "Nattgata i regnet, neon reflekteras i vattenpölar, kameran rör sig långsamt framåt i ögonhöjd."
• "Vackert kaffe" → "Närbild: mjölk hälls i svart kaffe i en tunn stråle, mönstret sprider sig i cirklar, mjukt sidoljus."
• "Flickan går" → "Medellång skott bakifrån: en man i lång rock går längs en tom vall, vinden ruvar i rockfållen, grå morgon."

Lägger du märke till ett mönster? Alla "bra" alternativ har exakt en åtgärd. Detta är huvudregeln: fyra sekunder är en rörelse, inte en plot.

Var går det sönder oftast?

Tre misstag ser jag hela tiden.

För många saker. "En man lämnar sitt hus, sätter sig i en bil, kör runt i staden och kommer till havet" - det här är inte en video, det här är en storyboard för fyra videor. Modellen kommer att försöka passa in allt och göra ingenting.

Abstraktioner istället för bilder. "Atmosfärisk", "snygg", "wow-effekt" - modellen vet inte hur den ser ut. Men han vet "lågt motljus, rök i ramen, långa skuggor."

Text i ram. Modellen ritar fortfarande inskriptioner dåligt: ​​bokstäverna kommer ut krokiga eller till och med fiktiva. Om du behöver text, lägg till den senare i valfri redigerare.

Om formatet

Bestäm i förväg var videon ska gå. Vertikal 9:16 - för tejp och shorts, horisontell 16:9 - för webbplats och presentation. Det kommer inte att vara möjligt att göra om formatet senare utan att tappa kanterna; det är lättare att skapa det direkt efter behov.

Du kan försöka skriva en egen beskrivning i avsnittet videogenerering, en kort landning för denna uppgift - video från text. Om du inte vill ha från grunden, utan enligt en färdig mall, ta en titt trender, scenerna är redan beskrivna för dig, allt du behöver göra är att lägga till dina egna.

Förresten, om du har en passande bild går det ofta snabbare att levandegöra den än att beskriva scenen med ord: analys av gratis sätt att generera videor Och granskning av modeller för video hjälper dig att välja var du ska börja.

Börja med en handling och en fras om kameran. Därifrån går det av sig självt.

Vanliga frågor (FAQ)

Fråga: Hur får man det bästa resultatet från ett neuralt nätverk?
Svar: Använd detaljerade uppmaningar (beskrivningar) på engelska, ställ in stilen och detaljerna för scenen.

Fråga: Kan dessa material användas för kommersiella ändamål?
Svar: Ja, det genererade innehållet är helt och hållet ditt.