7 perbaikan prompt saat video AI Anda keluar melenceng

Sebagian besar klip video AI yang gagal bukan masalah modelnya. Itu prompt dengan satu cacat tertentu, dan cacat itu meninggalkan sidik jari: tangan yang meleleh, subjek yang berdiri diam, kamera yang tidak pernah bergerak, jaket yang berganti warna di tengah jalan. Begitu Anda bisa membaca sidik jarinya, tiap perbaikan prompt video AI di bawah ini hanya butuh satu kali suntingan.

Artikel ini disusun menurut gejala, bukan menurut prinsip. Kalau Anda ingin dasarnya — subjek, gaya, pencahayaan, komposisi — mulailah dari cara menulis prompt yang lebih baik lalu kembali ke sini ketika ada satu hasil yang berulah. Semua di bawah ini mengandaikan Anda sudah menulis prompt yang layak dan ingin tahu kata mana yang harus diubah ketika sebuah klip gagal.

Contoh-contohnya memakai model yang tersedia di ruang kerja video OmniArt — Seedance, Veo 3.1, Kling, Grok Imagine, PixVerse V6 dan C1 — karena sebagian dari kerja mendiagnosis adalah mengenali kapan sebuah gejala lebih baik diselesaikan oleh model yang berbeda daripada oleh tambahan teks di prompt.

Diagnosis satu variabel setiap kali

Sebelum masuk ke perbaikan satu per satu, ambil kebiasaan yang membuat semuanya lebih cepat: ubah satu hal saja per pembuatan. Menulis ulang seluruh prompt setelah hasil yang buruk tidak mengajari Anda apa pun, karena Anda tidak bisa tahu suntingan mana yang membantu.

Durasi, resolusi, rasio aspek, dan gambar referensi memengaruhi hasil sebanyak pilihan katanya, jadi catat pengaturannya berdampingan dengan teks prompt-nya. Dua atau tiga putaran yang disengaja biasanya mengalahkan sepuluh kali menulis ulang.

Perbaikan 1: Wajah, tangan, dan anggota tubuh meleyot di tengah klip

Yang Anda lihat: bingkai pertamanya bersih, lalu jemarinya melebur, sebuah wajah meluncur turun dari tengkoraknya, atau muncul satu lengan tambahan ketika subjeknya berputar.

Mengapa itu terjadi: modelnya menyisipkan gerak tubuh melalui posisi-posisi yang tidak pernah diuraikan prompt Anda. Gerak anggota tubuh yang cepat, pembingkaian rapat pada tangan, penghalangan (tangan yang lewat di depan wajah), dan durasi yang panjang semuanya menggandakan jumlah bingkai yang harus dikarang model.

Perbaikannya: kurangi apa yang harus dikarang. Tarik pembingkaiannya satu tingkat lebih lebar, sebutkan mekanika tubuhnya secara tegas, dan jaga tangannya tetap diam atau bergerak di jalur yang sederhana. Mulai dari gambar yang bersih alih-alih dari teks juga menambatkan anatominya, karena modelnya mewarisi tubuh yang benar daripada menebaknya.

Sebelum: "Bidikan dekat tangan seorang koki yang cepat mencacah sayuran dan melemparkannya ke dalam wajan."

Sesudah: "Bidikan sedang seorang koki di meja kayu. Satu gerakan mencacah yang mantap dengan tangan kanan, tangan kiri bertumpu rata di atas talenan. Tangannya tetap di dalam bingkai, tanpa potongan. 50mm, cahaya jendela lembut dari kiri kamera."

Untuk bidikan yang berpusat pada manusia, Veo 3.1 dan Kling cenderung menjaga struktur tubuh dengan baik sepanjang satu rekaman, dan gambar-ke-video pada model apa pun mengalahkan teks-ke-video ketika anatomi adalah titik kegagalannya. Kalau bidikan dekatnya wajib dipertahankan, pendekkan klipnya dan terimalah satu gerakan saja alih-alih dua.

Perbaikan 2: Subjeknya mengabaikan aksi yang Anda minta

Yang Anda lihat: pembingkaian, pencahayaan, dan gayanya semua cocok dengan prompt Anda, tapi subjeknya cuma berdiri di situ sambil bernapas, atau melakukan gerakan menganggur yang umum alih-alih aksi yang Anda sebutkan.

Mengapa itu terjadi: aksinya terkubur. Kalau kata kerjanya duduk di ujung kalimat deskriptif yang panjang, atau bersaing dengan tiga kata kerja lain, model menganggapnya satu atribut tambahan dari sebuah pemandangan diam. Kata kerja yang samar ("berinteraksi", "menikmati", "menjelajahi") sama sekali tidak punya bentuk visual, jadi tidak ada yang terjadi.

Perbaikannya: taruh subjek dan aksinya di depan, pakai satu kata kerja fisik yang konkret dalam bentuk sekarang, dan uraikan titik akhir aksinya. Pindahkan semua penataan gaya — lensa, palet, suasana — ke belakang aksinya supaya terbaca sebagai hiasan, bukan sebagai klausa utamanya.

Sebelum: "Sebuah gang dramatis, sendu, dan basah kuyup hujan di malam hari dengan pantulan neon dan uap, tempat seorang kurir menjelajahi kawasannya dan berinteraksi dengan sekelilingnya."

Sesudah: "Seorang kurir berjongkok dan memungut sebuah amplop yang terjatuh, lalu berdiri dan menoleh ke kiri. Gang basah kuyup hujan di malam hari, pantulan neon di aspal basah, uap dari lubang ventilasi. Bidikan sedang dengan kamera genggam."

Seedance menanggapi baik penyusunan kalimat bergaya daftar bidikan seperti ini, dan PixVerse C1 adalah pilihan yang layak ketika arahannya berupa satu ketukan gerak yang terkendali seperti berputar, mengulurkan tangan, atau memperlihatkan produk.

Perbaikan 3: Gerak kameranya tidak terjadi, atau justru berkelahi dengan subjeknya

Yang Anda lihat: Anda minta dolly masuk dan yang didapat adalah bingkai yang terpaku. Atau kameranya bergerak, tapi subjeknya meluncur aneh terhadap latarnya, dan bidikannya terasa seperti foto yang dibengkokkan daripada gerakan melintasi ruang.

Mengapa itu terjadi: dua sebab, dan keduanya kelihatan mirip. Entah gerakannya dinyatakan sebagai efek tanpa alasan yang menggerakkannya ("zoom masuk", "gerakan kamera sinematik"), atau Anda menumpuk instruksi yang saling bertolak belakang — dorongan masuk sementara subjeknya berjalan menuju kamera, satu geseran plus satu kemiringan plus satu gerakan crane dalam klip empat detik.

Perbaikannya: satu gerak kamera per klip, disebut dengan bahasa film, dan diikatkan pada sesuatu yang terjadi di dalam bingkai. Setelah itu periksa pertentangannya: kalau subjeknya bergerak mendekati lensa, kameranya harus menahan diri atau mundur, bukan mendorong.

Sebelum: "Gerakan kamera sinematik yang megah, zoom masuk dan berputar mengelilingi pahlawan saat ia berlari ke arah kamera, sudut-sudut yang dinamis."

Sesudah: "Pahlawannya berlari menuju kamera menyusuri sebuah koridor. Kamera mundur di depannya dengan laju yang mantap, menahannya pada pembingkaian sedang. Sudut rendah, lensa lebar, tanpa gerak kamera lain."

Kling dan Seedance keduanya menerima arahan kamera yang tegas dengan baik, dan Grok Imagine layak dicoba untuk gerakan yang lebih longgar dan bertenaga, ketika pembingkaian yang tepat kurang penting dibanding rasanya. Kalau sebuah gerakan tetap menolak terbaca, uraikan perubahan pada apa yang dilihat penonton — "garis langit kota masuk ke bingkai dari bawah" — daripada menyebut nama peralatannya.

Perbaikan 4: Adegannya melenceng atau identitasnya berubah di tengah klip

Yang Anda lihat: subjeknya mulai sebagai satu orang dan berakhir sebagai sepupu orang itu. Jaket merah berubah menjadi merah anggur, deretan toko di latar menyusun ulang dirinya, ruangannya menumbuhkan jendela kedua.

Mengapa itu terjadi: tidak ada apa pun di dalam prosesnya yang memaku penampilannya. Prompt teks menguraikan sebuah kategori, bukan seorang individu, jadi setiap bingkai bebas menafsirkan "perempuan muda berjaket merah" sedikit berbeda. Durasi yang lebih panjang dan latar yang sibuk mempercepat pelencengannya.

Perbaikannya: tambatkan dengan sebuah gambar, lalu uraikan hanya apa yang berubah. Ketika Anda mengunggah referensi atau bingkai awal, mengulangi seluruh penampilannya di dalam prompt justru merugikan — teksnya bersaing dengan gambarnya. Jaga latarnya tetap sederhana, dan pecah gagasan yang panjang menjadi beberapa bidikan pendek alih-alih satu rekaman panjang.

Sebelum: "Seorang perempuan muda berjaket merah dengan rambut cokelat berjalan melintasi pasar yang sibuk, 10 detik, banyak detail, banyak orang dan kios."

Sesudah: "Pertahankan wajah, rambut, dan jaket merah subjek pada referensi tanpa perubahan. Ia berjalan maju melewati dua kios lalu berhenti dan menoleh ke kanan. Kedalaman ruang yang dangkal supaya pasar di belakangnya tetap lembut. 5 detik, satu bidikan menerus."

Perbaikan 5: Teks dan logonya keluar kacau

Yang Anda lihat: papan nama yang terbaca "SHOPP", label produk yang meluruh menjadi huruf-huruf palsu, logo yang bermutasi setiap beberapa bingkai.

Mengapa itu terjadi: model video membuat teks sebagai tekstur, bukan sebagai huruf, dan gerak apa pun akan membuat ulang tekstur itu bingkai demi bingkai. Huruf berukuran kecil, teks di permukaan yang melengkung atau bergerak, dan teks di bidang perspektif adalah kasus terburuknya.

Perbaikannya: berhentilah meminta model video menyusun teksnya. Buat bingkainya dengan model gambar tempat Anda bisa mengulik tipografinya dengan murah, lalu hidupkan bingkai itu. Di dalam prompt videonya, kutip rangkaian hurufnya secara persis, jaga tetap pendek, dan jaga permukaan berhurufnya sedatar dan sestabil mungkin.

Sebelum: "Sebuah bagian depan kafe dengan papan nama besar yang rinci, papan menu, dan banyak penanda saat kamera menyapu melewatinya."

Sesudah: "Hidupkan bingkai yang disediakan. Papan nama bertuliskan 'DAYLIGHT' tetap datar menghadap kamera dan tidak berubah. Geseran menyamping yang lambat ke kanan, papan namanya sepenuhnya di dalam bingkai sepanjang waktu, tidak ada teks lain yang terlihat."

Di OmniArt Anda bisa menjalankan langkah pertamanya dengan model gambar seperti GPT Image 2 atau Seedream 5.0 Pro, lalu mengirim bingkai yang sudah disetujui ke model video di ruang kerja yang sama. Untuk apa pun yang akan dilihat klien, perlakukan teks yang harus terbaca sebagai pekerjaan yang dimulai dari gambar.

Perbaikan 6: Geraknya terlalu cepat, tersentak-sentak, atau tergagap

Yang Anda lihat: klipnya tayang seperti diputar 1,5 kali kecepatan, atau subjeknya bergetar sedikit, atau geraknya maju dalam undakan yang kelihatan alih-alih mengalir mulus.

Mengapa itu terjadi: kata sifat yang menandakan intensitas dibaca sebagai kecepatan. "Dinamis", "meledak-ledak", "bertenaga", dan "penuh aksi" mendorong model menjejalkan lebih banyak perubahan ke dalam jumlah bingkai yang sama. Sebab umum yang lain adalah meminta terlalu banyak kejadian dalam waktu yang terlalu sedikit — tiga ketukan dalam empat detik tidak menyisakan bingkai untuk salah satunya.

Perbaikannya: hapus kata-kata intensitas dan tentukan lajunya. Beri satu ketukan per klip, nyatakan bahwa bidikannya menerus, dan kalau aksinya memang butuh waktu lebih, mintalah durasi yang lebih panjang alih-alih penampilan yang lebih cepat.

Sebelum: "Bidikan aksi yang meledak-ledak dan dinamis, pemain skateboard melakukan atraksi, gerakan cepat bertenaga, potongan yang bertubi-tubi."

Sesudah: "Seorang pemain skateboard meluncur naik sebuah landasan dan mengangkat papannya dalam satu ollie yang lambat di puncaknya. Laju yang mantap dan merata, satu bidikan menerus, tanpa potongan. Kamera mengikuti di sampingnya dengan kecepatan yang sama."

Kalau getarannya halus dan bukan bersifat struktural, coba tingkatan yang lebih tinggi dari keluarga model yang sama — tingkatan standar alih-alih tingkatan cepat atau mini — karena tingkatan yang lebih rendah menukar kestabilan waktu dengan kecepatan dan biaya.

Perbaikan 7: Audio dan gerak bibirnya tidak sejajar

Yang Anda lihat: mulutnya bergerak sebelum atau sesudah kata-katanya, dialognya berlanjut sementara bibirnya tertutup, atau ucapannya terkubur di bawah musik yang ditambahkan sendiri oleh modelnya.

Mengapa itu terjadi: penyelarasan gerak bibir butuh mulut yang terlihat dan kalimat yang cukup pendek untuk masuk ke dalam klipnya. Dialog panjang di bidikan lima detik memaksa model memburu-buru mulutnya atau melepaskan keselarasannya. Uraian suasana seperti "dengan lagu latar yang megah" mengundang lapisan musik yang bersaing dengan suaranya.

Perbaikannya: satu pembicara, satu kalimat pendek di dalam tanda kutip, mulut yang jelas terbingkai dan tak terhalang, dan tidak ada instruksi audio yang bersaing. Katakan apa yang harus sunyi setegas apa yang harus terdengar.

Sebelum: "Dua orang berbicara tentang peluncuran produk dengan lagu latar yang megah dan suasana kota, bidikan dekat."

Sesudah: "Bidikan dekat sedang seorang perempuan menghadap kamera, mulutnya sepenuhnya terlihat. Ia berkata: 'Kami kirim hari Jumat.' Lalu ia berhenti sejenak dan tersenyum. Hanya suara ruangan yang sunyi, tanpa musik."

Veo 3.1 membuat audio asli termasuk dialog, dan PixVerse V6 mendukung audio pada tingkatan Free di OmniArt. Ketika model yang Anda inginkan tidak punya suara asli, jalur yang bisa diandalkan adalah membuat klipnya tanpa suara lalu memproduksi suaranya secara terpisah dengan model ucapan seperti MiniMax Speech 2.8 atau ElevenLabs, kemudian menyusun keduanya. Itu juga memberi Anda kesempatan mengulang pembacaannya tanpa membuat ulang gambarnya.

Rujukan cepat gejala ke perbaikan

Pakai ini sebagai tabel penyortiran ketika sebuah klip kembali dengan hasil yang salah. Ubah butir di kolom pertama sebelum menyentuh apa pun yang lain.

Mulai di OmniArt

Ambil klip gagal Anda yang paling baru dan diagnosis terhadap tujuh gejala di atas. Terapkan tepat satu perbaikan, buat ulang, lalu bandingkan — dua putaran biasanya sudah memberi tahu apakah masalahnya ada di prompt-nya atau di pilihan modelnya. Karena OmniArt menyimpan model gambar, video, dan audio dalam satu ruang kerja, bidikan yang keras kepala bisa berpindah antar pendekatan tanpa Anda menyiapkan ulang segalanya: tambatkan dengan model gambar, coba lagi di model video kedua, atau tambahkan jalur suaranya secara terpisah.

Buka ruang kerja pembuatan, tempel prompt yang sudah dibetulkan, dan simpan hasil yang bertahan.