Tekst na wideo czy obraz na wideo: czego naprawdę potrzebujesz

Fellowi obsługuje cztery modele wideo. Dwa zaczynają od zdania, dwa od obrazu, a każda z tych par występuje w szybkiej wersji turbo i wolniejszej pełnej. To cały katalog, a jedynym wyborem, który naprawdę zmienia to, co dostajesz, jest ten pierwszy: podajesz modelowi kadr czy opis?

Trzeba przyznać, że przez jakiś czas opisywaliśmy to źle. Trzy wpisy na tym blogu twierdziły wprost, że droga wyłącznie tekstowa nie istnieje. To była nieprawda i poprawiliśmy je. Jeśli czytałeś tu na początku września, że obraz na wideo to jedyna opcja, to właśnie to zdanie naprawiliśmy.

Jedna zasada, która rozstrzyga większość przypadków

Jeśli na wyjściu ma być konkretna twarz, zacznij od obrazu.

To nie kwestia gustu. Opis tekstowy nie może nieść twarzy. „Kobieta pod trzydziestkę, ciemne włosy, zielone oczy” zawęża kategorię odrobinę i zostawia w środku tysiące twarzy, a model za każdym razem bierze inną. Podanie kadru usuwa zgadywanie w całości: kto jest w kadrze, jest już rozstrzygnięte, a zadanie modelu kurczy się do poruszenia tej osoby. Pisaliśmy, dlaczego tożsamość mieszka w obrazie referencyjnym , a nie w słowach, i wideo to najostrzejsza wersja tego problemu, bo niespójność na dwudziestu czterech klatkach na sekundę widać znacznie bardziej niż między dwoma osobnymi obrazami.

Tekst na wideo zarabia na siebie tam, gdzie temat jest ogólny, a liczy się scena. Fale uderzające o falochron, nocny ruch, dopalająca się świeca, plan ogólny ulicy. Nikt z widzów nie wie, jak to ma wyglądać, więc nie ma z czym być niespójnym, a ty pomijasz cały etap robienia kadru.

Czego wymaga od ciebie każda droga

Tekst na wideo chce promptu, który niesie cały świat: temat, miejsce, światło, kamerę i ruch. To trudniejszy prompt, bo nic nie jest za ciebie ustalone, a mglisty da uśredniony klip rodem z banku zdjęć.

Obraz na wideo chce niemal odwrotności. Kadr już powiedział, jak wygląda scena, więc powtarzanie tego w promptcie jest zmarnowane, a zaprzeczanie mu jest gorsze niż zmarnowane. Wydaj każde słowo na ruch: co się porusza, jak szybko i co robi kamera. Nasz przewodnik po promptach wideo jest zbudowany dokładnie wokół tej dyscypliny, a jeden z naszych gotowych promptów napisano specjalnie jako dobrą klatkę startową.

Droga od obrazu potrafi coś trzeciego, czego droga tekstowa nie potrafi: przyjąć klatkę końcową obok początkowej. Podaj obie, a wyrenderuje ruch między dwoma wybranymi przez ciebie kadrami, co jest największą dostępną tu kontrolą nad klipem. To naturalne narzędzie do krótkiego pionu, w którym dokładnie wiesz, gdzie ujęcie ma wylądować.

Turbo czy pełny to osobne pytanie

Po wyborze drogi wciąż wybierasz rodzinę, a tu chodzi o sufit i cenę, nie o wierność pomysłowi.

Modele turbo to szybka i tania para. Oferują 720p i 1080p, a cztery sekundy w 720p kosztują 500 monet. Modele pełne są wolniejsze i sięgają dalej: dokładają 480p na dole i 4K na górze, a ich 720p jest widocznie lepsze, dlatego te same cztery sekundy kosztują 900 monet zamiast 500. Wraz z rozdzielczością przepaść rośnie szybko, bo to ceny za sekundę, a 4K to ogromna liczba pikseli: cztery sekundy pełnego 4K to 4400 monet, a trzydzieści sekund 33 000.

Uczciwa rada: szkicuj w turbo. Ustaw ruch i kadrowanie w 720p za 500 monet i dopiero potem zdecyduj, czy akurat ten klip zasługuje na render w pełnym modelu. Wszystko liczone jest za sekundę, więc koszt odkrycia, że chciałeś innego ruchu kamery, zależy w całości od tego, na jakim modelu to odkryłeś.

Ustawienia wspólne dla obu dróg

Długość od czterech do trzydziestu sekund. Proporcji jest siedem, w tym 9:16 do pionowego wideo społecznościowego, plus ustawienie automatyczne, które zachowuje kadrowanie obrazu startowego zamiast narzucać kształt. Dźwięk to pole wyboru, generowany razem z klipem i nie zmienia ceny. Więcej o każdej gałce jest we wpisie o panelu sterowania.

Praktyczna uwaga o cenie: jest liniowa względem długości i ustalana przez model oraz rozdzielczość, więc identyczna niezależnie od drogi. Wybór tekstu na wideo niczego nie oszczędza, a wybór obrazu na wideo niczego nie dokłada. Wybieraj merytorycznie.

Nieudane generowanie zwraca monety automatycznie. Najpierw warto więc puścić tani eksperyment: zrób kadr w Fellowi Images za 40 monet, zabierz go do Fellowi Video i opisz tylko to, co się porusza. Jeśli okaże się, że temat wcale nie potrzebuje twarzy, właśnie się nauczyłeś, że jeden krok był zbędny, a to tania nauka.