Jeden krótki klip, od pustej strony do gotowego pliku

Chciałem jeden dziesięciosekundowy klip: kobieta na balkonie nocą, miasto za nią, takie ujęcie, którym coś by się otwierało. Nic ambitnego. Zajęło jakieś czterdzieści minut i 3150 monet, a spisanie, gdzie one poszły, jest bardziej użyteczne niż jakikolwiek uporządkowany poradnik, bo większość tych czterdziestu minut nie zeszła na pisanie.

Najpierw wybór drogi, gdzie prawie się pomyliłem

Pierwszy odruch to opisać wszystko tekstem i pozwolić modelowi wymyślić. To byłby zły wybór, a powód jest jedyną rzeczą, którą warto wiedzieć przed startem: tekst na wideo wymyśla też osobę, i za każdym razem inną.

Skoro chciałem konkretnego wyglądu, który przetrwa cały klip, odpowiedź brzmiała: najpierw kadr, potem go ożywić. Gdybym chciał fal na falochronie albo nocnego ruchu, tekst by wystarczył i oszczędziłbym krok. Cała ta decyzja mieści się w jednym zdaniu, a wpis porównawczy je daje.

Kadr: cztery obrazy, 160 monet

Jakość standardowa, po 40 monet. Pierwszy był za jasny, na drugim patrzyła w obiektyw, a chciałem, żeby odwracała wzrok, trzeci był dobry, ale zbyt szeroko skadrowany, czwarty był ten.

Jedną rzecz zrobiłem celowo, nauczywszy się jej drogą kosztowną: napisałem ten kadr jako klatkę startową, a nie jako dobre zdjęcie. To znaczy, że postać jest w spoczynku, a nie w środku gestu, bo kadr, który już wygląda na środek ruchu, nie zostawia modelowi wideo dokąd pójść. A tło jest rozmyte, bo to na tle dryf widać najwcześniej.

Pierwszy klip: cztery sekundy, 500 monet, pudło

Szkic w czterech sekundach i 720p na modelu turbo, najtańsza użyteczna kombinacja, jaka istnieje. Mój prompt opisywał scenę: balkon, światła miasta, jej włosy, nastrój.

Wróciło tak, jakby kadr lekko poruszono. Ruchu prawie nie ma, a ten, który jest, wydaje się bez celu.

Błąd z perspektywy czasu jest oczywisty i popełniam go za każdym razem, gdy tydzień nie dotykałem wideo. Kadr już powiedział, jak scena wygląda. Powtórzenie tego w promptcie wydało cały mój budżet poleceń na informację, którą model już miał. Prompt do wideo powinien być o tym, co się rusza.

Drugi klip: cztery sekundy, 500 monet, prawie

Przepisałem tylko o ruchu: powolny oddech, włosy lekko unoszone przez wiatr, światła miasta miękko zmieniające ostrość za nią, kamera nieruchoma. Cztery frazy, wszystkie o zmianie w czasie.

Ogromna różnica. Teraz było to ujęcie, a nie drgające zdjęcie. Wciąż jednak nie to: nieruchoma kamera sprawiła, że wyglądało to jak zapis z monitoringu. Co było pożyteczne, bo znaczyło, że zmienną jest kamera, a jej nie tknąłem.

Trzeci klip: cztery sekundy, 500 monet, to jest to

Zmieniłem dokładnie jedną rzecz. Nieruchoma kamera stała się „very slow push in”. Cała reszta identyczna.

To było to ujęcie. Lekki ruch w stronę postaci robi z uwagą coś, czego nic w kadrze nie zrobi samo, a kosztowało jedną frazę.

Ta sama dyscyplina co przy obrazach: jedna zmienna na próbę. Przy wideo jest ważniejsza, nie mniej ważna, bo każda próba kosztuje dwanaście razy tyle.

Decyzja o długości: dziesięć sekund, 1250 monet

Dopiero teraz, przy ustalonym ruchu i kamerze, puściłem to na dziesięć sekund. Ten sam prompt, ta sama klatka startowa, dłuższy czas.

To ten etap procesu, który realnie oszczędza pieniądze. Dziesięć sekund to 1250 monet w 720p turbo; eksperymenty prowadziłem po 500 i cenę dziesięciu sekund zapłaciłem raz, na końcu. Zrobienie tego odwrotnie to sposób, w jaki jeden klip zjada duży pakiet, a drabina cen jest na tyle stroma, że dyscyplina zwraca się natychmiast.

Uczciwa uwaga: dłuższa wersja to nie po prostu wydłużona czterosekundowa. Generuje się od nowa, więc ruch jest podobny, ale nie identyczny. Czasem dłuższe ujęcie wychodzi gorzej i puszcza się je ponownie. Zaplanuj tę możliwość, zamiast się nią zaskakiwać.

Dźwięk: nic

Dosłownie nic do zrobienia. Klip przyszedł jako jeden MP4 ze ścieżką dźwiękową w środku, wygenerowaną do tej samej sceny, a cena się nie zmieniła. Wpisałem w prompt „distant traffic, wind” i mniej więcej to tam było.

To etap, który kiedyś był połową pracy, a teraz jest etapem, którego nie ma. Więcej we wpisie o generowanym dźwięku.

Końcowy rachunek

• 4 kadry po 40 monet: 160
• 3 klipy szkicowe po cztery sekundy: 1500
• 1 klip finalny na dziesięć sekund: 1250
• Razem: 3150 monet, około czterdziestu minut

Z tych czterdziestu minut pisania było może sześć. Reszta to czekanie na rendery, które idą minuty, nie sekundy, i chodzenie w kółko z decyzją, czy poprzedni był dość dobry. Ten rytm to prawdziwa różnica wobec pracy z obrazami: nie da się iterować szybko, więc każda próba musi być warta zrobienia.

Co powiedziałbym sobie przed startem: pisz kadr jako klatkę startową, opisuj tylko ruch, zmieniaj jedną zmienną i nie ruszaj długości, dopóki wersja czterosekundowa nie będzie tym ujęciem, którego chcesz. Cała reszta to cierpliwość. Dzieje się to w Fellowi Video, a przewodnik po promptach wideo jest skróconą wersją tych dwóch klipów, które zmarnowałem.