כשאתם כותבים פרומפט וידאו בשורה אחת, המודל לא מחזיר לכם סרטון גרוע. הוא מחזיר סרטון סביר, ובוחר בשבילכם את כל מה שלא אמרתם: איפה המצלמה עומדת, מאיפה מגיע האור, מי הדמות, מה היא עושה ומה שומעים ברקע. במאמר הזה אני מראה ארבעה זוגות של סרטונים שייצרתי במיוחד בשבילו, כל זוג מאותו רעיון בדיוק, ומפרק את ההבדל לשבעה רכיבים שאפשר להתחיל להשתמש בהם כבר בפרומפט הבא.
איך בדקתי
כל זוג נוצר באותו מודל (Seedance 2.5, דרך Magnific), באותו אורך (5 שניות), באותה רזולוציה (720p) ועם אותן הגדרות: סאונד דולק, בלי מוזיקה. הדבר היחיד שהשתנה בין שני הסרטונים בזוג הוא הפרומפט.
חשוב לי להדגיש שני דברים. הראשון: ניסיון אחד לכל פרומפט, בלי להריץ כמה פעמים ולבחור את הטוב. מה שאתם רואים הוא מה שיצא. השני: גם בגרסה המקצועית המודל לא ביצע את הכל, ובכל זוג אני מציין במפורש מה הוא פספס. זה חלק מהשיעור.
הנגנים מתחילים בלי קול. כדי לשמוע את ההבדל באודיו, הפעילו את הסאונד בנגן.
שבעת הרכיבים
פרומפט וידאו מקצועי הוא בסך הכל תשובה לשבע שאלות שבמאי היה עונה עליהן לפני צילום:
- שוט ותנועת מצלמה. מאיזה גובה ומאיזה מרחק מצלמים, והאם המצלמה זזה.
- נושא מפורט. מי או מה במרכז, עם פרטים שמבדילים אותו מהממוצע.
- פעולה אחת ברורה. מה קורה בחמש השניות האלה, מהתחלה ועד סוף.
- סביבה והקשר. איפה זה קורה ומה נמצא בפריים מלבד הנושא.
- תאורה ושעה ביום. מאיפה מגיע האור, באיזה צבע ובאיזו עוצמה.
- עדשה וסגנון. אורך מוקד, עומק שדה, פלטה ומראה כללי.
- סאונד. מה שומעים, ובמפורש מה לא (למשל "No music").
המדריך הרשמי של גוגל לכתיבת פרומפטים ל-Veo בנוי סביב רכיבים דומים מאוד (נושא, פעולה, סצנה, תנועת מצלמה, תאורה, סגנון ואודיו), ומנסח את העיקרון במשפט אחד: "Specificity helps avoid generic outputs" (Google Cloud, Veo prompt guide).
זוג 1: מוצר על שולחן
הרכיבים בפוקוס: שוט ותנועת מצלמה, עדשה וסגנון.
זה הסרטון שמעצבים ומנהלי מוצר צריכים הכי הרבה: שוט של מוצר לעמוד השקה, למצגת או לפוסט.
מה לראות:
- ברירת המחדל. בגרסה השטחית המודל בחר שולחן עץ בהיר, מצלמה כמעט קבועה, ואז הוסיף מעצמו יד שנכנסת לפריים ומחליקה על מסך עם התראה. אף אחד לא ביקש את היד הזאת.
- מסך בלי טקסט. בגרסה המקצועית ביקשתי גרדיאנט מופשט ו-"no text", כי מודלי וידאו עדיין לא כותבים טקסט קריא על ממשק. כך המסך נשאר נקי ומוכן להחלפה בממשק האמיתי שלכם.
- מה פספס. ביקשתי סיבוב של 90 מעלות וקיבלתי תנועה עדינה בהרבה. האור מהתריסים, הבטון והעדשה הארוכה הגיעו בדיוק.
זוג 2: רקע לאתר
הרכיבים בפוקוס: סביבה והקשר, תאורה ושעה ביום.
וידאו כרקע ל-Hero הוא שימוש נפוץ באתרים, והוא דורש משהו שהמודל לא ינחש לבד: שקט, תנועה מינימלית ומקום ריק לטקסט.
מה לראות:
- תנועת מצלמה. בגרסה השטחית המצלמה מתקרבת לאט לצמח. זה נראה יפה, אבל כרקע לאתר זה בעיה: הטקסט שיושב מעל הווידאו "זז" יחד איתו. "Static locked-off" פתר את זה.
- אור כקומפוזיציה. הצללים הארוכים על הקיר, הווילון שנע ושטח הקיר הריק מימין הגיעו כמו שביקשתי. זה בדיוק המקום לכותרת.
- מה פספס. ביקשתי מונסטרה וקיבלתי פיקוס כינורי. המודל הקשיב לאור ולקומפוזיציה, ואת סוג הצמח הוא החליף. כשפרט כזה קריטי לכם, שווה להוסיף תמונת ייחוס במקום לסמוך על מילה אחת.
זוג 3: דמות ופעולה
הרכיבים בפוקוס: נושא מפורט, פעולה אחת ברורה.
מה לראות:
- "מעצב" לפי המודל. בגרסה השטחית קיבלנו את הממוצע: גבר צעיר בחולצה כהה, מצייר תרשים זרימה עם עיגולים ומלבנים, בתאורת משרד שטוחה.
- פעולה עם התחלה וסוף. בגרסה המקצועית יש רגע: הוא מושיט יד, מדביק פתק, נסוג צעד ומסתכל. הפעולה הכתובה כרצף ("מקלף, עוצר, מדביק, נסוג") נתנה לחמש השניות מבנה.
- מה פספס. הקיר יצא צפוף ומסודר מדי, בלי "המרכז הריק" שביקשתי, והעיפרון שמאחורי האוזן הפך לקו שחוצה את הראש. ככל שמבקשים יותר פרטים קטנים על הדמות, גדל הסיכוי שאחד מהם ייצא מוזר. כדאי לבחור שניים או שלושה פרטים שבאמת חשובים.
זוג 4: סאונד ומגע
הרכיבים בפוקוס: סאונד, ושוב פעולה.
כאן כדאי במיוחד להפעיל את הקול.
מה לראות:
- חומר עם זהות. "חמר" לבד יצא אפור-בז' ויבש יחסית. "חמר אדום כהה, רטוב, מבריק" נתן לכל הסרטון פלטה ותחושה.
- פרט שמזהה. הטבעת הכסופה הגיעה בדיוק, ובזכותה אלה ידיים של מישהו מסוים ולא "ידיים".
- סאונד שמתוכנן. כשמפרטים את הצלילים (מנוע האובניים, החמר הרטוב, טפטוף) ומוסיפים "No music", מקבלים פסקול שמשרת את התמונה במקום מוזיקת רקע כללית.
מילון קטן: מצלמה ותאורה
הרכיב שהכי קשה לנסח במילים הוא שוט ותאורה, כי חסר לנו אוצר מילים. בשביל שיעור הווידאו בסדנה ייצרתי סדרה של סרטונים עם אותה דמות באותו רחוב, כשבכל סרטון משתנה רק המונח. הנה שמונה מהם:
העצה שלי: תשמרו לעצמכם רשימה קצרה של המונחים שעובדים, עם דוגמה לכל אחד. בפעם הבאה שתרצו "משהו יותר דרמטי", תוכלו לכתוב "Low-Key" ולקבל בדיוק את זה.
תבנית להעתקה
זו התבנית שאני משתמש בה. כל שורה היא רכיב אחד, והסדר עוזר למודל להבין מה עיקר ומה טפל:
שימו לב: את הפרומפט עצמו אני כותב באנגלית, כי כך עבדתי בכל הדוגמאות כאן, והמונחים המקצועיים (Dolly In, Low-Key, Shallow Depth of Field) ממילא באנגלית. את התכנון של הסצנה אפשר לעשות בעברית, ולבקש מקלוד לתרגם אותו לשבעת הרכיבים.
מה למדתי מהזוגות
- ברירת מחדל סבירה. המודלים של היום מחזירים סרטון יפה גם משורה אחת. ההבדל הוא מי החליט על מה שרואים, אתם או הממוצע.
- מצלמה ותאורה קודם. בארבעת הזוגות, הרכיבים שהמודל ביצע בצורה הכי עקבית היו מיקום המצלמה, התאורה והפלטה.
- פרטים קטנים בסיכון. סוג הצמח, צפיפות הפתקים והעיפרון מאחורי האוזן לא הגיעו כמו שביקשתי. לפרטים קריטיים עדיפה תמונת ייחוס.
- בלי טקסט על המסך. כשהווידאו מציג ממשק, עדיף מסך מופשט שמחליפים אחר כך, או פריים התחלה עם הממשק האמיתי.
סיכום
- הבעיה: פרומפט של שורה משאיר למודל את כל ההחלטות, והוא בוחר את הממוצע.
- הפתרון: שבעה רכיבים, שוט, נושא, פעולה, סביבה, תאורה, עדשה וסאונד, שכל אחד מהם הוא החלטה שלכם.
- הציפייה: גם פרומפט מקצועי לא מבוצע במאה אחוז. הוא מעביר את רוב ההחלטות אליכם, ואת השאר משלימים עם תמונות ייחוס ופריימים.
- הצעד הבא: בסדנת AI for UX אנחנו לוקחים את זה למוצר עצמו, מסרטון בודד ועד וידאו שמשתלב באתר ובממשק. להרשמה לסדנה.
אהבתם את הפוסט? אולי תאהבו גם את הפייסבוק, הטיק טוק, האינסטגרם שלנו. אנחנו מעלים טיפים יומיים על נושאים שמרגשים אותנו.

