7 poprawek promptów do wideo AI, gdy klip wychodzi źle

Większość nieudanych klipów wideo AI nie wynika z problemu modelu. To prompt z jedną konkretną wadą, a ta wada zostawia ślad: dłonie, które się rozpływają, główny obiekt, który stoi w miejscu, kamera, która nigdy nie rusza, kurtka, która w połowie ujęcia zmienia kolor. Gdy umiesz odczytać ten ślad, poniższe poprawki promptów do wideo AI wymagają po jednej zmianie.

Ten artykuł porządkuje problemy według objawów, a nie zasad. Jeśli potrzebujesz fundamentów — temat, styl, światło, kompozycja — zacznij od pisania lepszych promptów, a potem wróć tutaj, gdy konkretne generowanie zacznie się zachowywać źle. Wszystko poniżej zakłada, że piszesz już rozsądne prompty i chcesz wiedzieć, które słowo zmienić, gdy klip zawodzi.

Przykłady korzystają z modeli dostępnych w przestrzeni OmniArt do wideo — Seedance, Veo 3.1, Kling, Grok Imagine, PixVerse V6 i C1 — ponieważ częścią debugowania jest rozpoznanie, kiedy objaw lepiej rozwiązuje inny model niż większa ilość tekstu w prompcie.

Debuguj jedną zmienną naraz#

Zanim przejdziesz do poszczególnych poprawek, przyjmij nawyk, który przyspiesza je wszystkie: w każdym generowaniu zmieniaj jedną rzecz. Przepisanie całego promptu po złym ujęciu niczego nie uczy, bo nie widać wtedy, która edycja pomogła.

Czas trwania, rozdzielczość, proporcje obrazu i obrazy referencyjne wpływają na wynik równie mocno jak dobór słów, więc zapisuj ustawienia obok treści promptu. Dwa albo trzy świadome podejścia zwykle wygrywają z dziesięcioma przepisanymi wersjami.

Poprawka 1: twarze, dłonie i kończyny deformują się w środku klipu#

Co widać: pierwsza klatka wygląda czysto, a potem palce się sklejają, twarz zsuwa się z czaszki albo podczas obrotu pojawia się dodatkowe ramię.

Dlaczego tak się dzieje: model interpoluje ciało przez pozycje, których prompt nigdy nie opisał. Szybki ruch kończyn, bliskie kadrowanie dłoni, zasłonięcie (dłoń przechodząca przed twarzą) i długi czas trwania zwielokrotniają liczbę klatek, które model musi wymyślić.

Poprawka: ogranicz to, co trzeba wymyślić. Cofnij kadr o jeden plan, nazwij mechanikę ciała wprost i trzymaj dłonie nieruchomo albo na prostej ścieżce. Start z czystego obrazu zamiast tekstu też kotwiczy anatomię, bo model dziedziczy poprawne ciało, a nie zgaduje je od zera.

W ujęciach skupionych na człowieku Veo 3.1 i Kling zwykle dobrze utrzymują strukturę ciała przez całe ujęcie, a generowanie wideo z obrazu w dowolnym modelu wygrywa z generowaniem wideo z tekstu, gdy punktem awarii jest anatomia. Jeśli zbliżenie musi zostać, skróć klip i zaakceptuj jeden ruch zamiast dwóch.

Poprawka 2: postać ignoruje akcję z promptu#

Co widać: kadrowanie, światło i styl pasują do promptu, ale postać po prostu stoi i oddycha albo wykonuje jakiś ogólny ruch spoczynkowy zamiast określonej akcji.

Dlaczego tak się dzieje: akcja ginie w opisie. Jeśli czasownik znajduje się na końcu długiego opisowego zdania albo konkuruje z trzema innymi czasownikami, model traktuje go jak jeszcze jeden atrybut nieruchomej sceny. Niejasne czasowniki ("interacting", "enjoying", "exploring") w ogóle nie mają formy wizualnej, więc nic się nie dzieje.

Poprawka: ustaw postać i akcję na początku, użyj jednego konkretnego czasownika fizycznego w czasie teraźniejszym i opisz punkt końcowy akcji. Przenieś cały opis stylu — obiektyw, paletę, nastrój — po akcji, żeby czytał się jak dekoracja, a nie główne zdanie.

Seedance dobrze reaguje na taki zapis listy ujęć, a PixVerse C1 jest rozsądnym wyborem, gdy założeniem jest jeden kontrolowany akcent ruchu, na przykład obrót, sięgnięcie albo odsłonięcie produktu.

Poprawka 3: ruch kamery się nie pojawia albo walczy z tematem#

Co widać: prośba dotyczyła najazdu kamery, a wynik to statyczny kadr. Albo kamera się rusza, ale postać dziwnie ślizga się względem tła i ujęcie przypomina zniekształcone zdjęcie, a nie ruch przez przestrzeń.

Dlaczego tak się dzieje: są dwie przyczyny i wyglądają podobnie. Ruch jest albo podany jako efekt bez motywacji ("zoom in", "cinematic camera movement"), albo składasz sprzeczne instrukcje — najazd, gdy postać idzie w stronę kamery, panoramę plus pochylenie plus ruch kranowy w jednym czterosekundowym klipie.

Poprawka: jeden ruch kamery na klip, nazwany językiem filmu i powiązany z tym, co dzieje się w kadrze. Potem sprawdź konflikt: jeśli postać porusza się w stronę obiektywu, kamera powinna stać albo się wycofywać, nie napierać.

Kling i Seedance dobrze przyjmują precyzyjne wskazówki kamerowe, a Grok Imagine warto sprawdzić przy luźniejszych, energicznych ruchach, w których dokładne kadrowanie jest mniej ważne niż wrażenie. Jeśli ruch nadal nie chce się pojawić, opisz zmianę tego, co widzi odbiorca — "the skyline enters frame from the bottom" — zamiast nazywać sprzęt.

Poprawka 4: scena dryfuje albo tożsamość zmienia się w środku klipu#

Co widać: postać zaczyna jako jedna osoba, a kończy jako jej daleki kuzyn. Czerwona kurtka staje się bordowa, witryna w tle przestawia się sama, w pokoju wyrasta drugie okno.

Dlaczego tak się dzieje: nic w generowaniu nie przypina wyglądu. Prompty tekstowe opisują kategorię, nie konkretną osobę, więc każda klatka może odrobinę inaczej zinterpretować "young woman in a red jacket". Dłuższy czas trwania i ruchliwe tła przyspieszają dryf.

Poprawka: zakotwicz ujęcie obrazem, a potem opisz tylko to, co się zmienia. Gdy wgrywasz obraz referencyjny albo klatkę startową, powtarzanie pełnego wyglądu w prompcie aktywnie szkodzi — tekst konkuruje z obrazem. Uprość tło i dziel długie pomysły na kilka krótkich ujęć zamiast jednego długiego ujęcia.

Poprawka 5: tekst i logotypy wychodzą zniekształcone#

Co widać: szyld pokazuje "SHOPP", etykieta produktu rozpływa się w pseudolitery, logotyp mutuje co kilka klatek.

Dlaczego tak się dzieje: modele wideo generują tekst jako teksturę, a nie jako glify, a każdy ruch renderuje tę teksturę od nowa klatka po klatce. Mały krój, tekst na zakrzywionej albo ruchomej powierzchni oraz tekst w płaszczyźnie perspektywy to najgorsze przypadki.

Poprawka: przestań prosić model wideo, żeby tworzył tekst. Wygeneruj klatkę modelem obrazu, gdzie iterowanie typografii jest tanie, a potem animuj tę klatkę. W prompcie wideo zacytuj dokładny napis, trzymaj go krótko i zadbaj, żeby powierzchnia z literami była możliwie płaska i stabilna.

W OmniArt możesz wykonać ten pierwszy krok z modelem obrazu, takim jak GPT Image 2 albo Seedream 5.0 Pro, a potem wysłać zatwierdzoną klatkę do modelu wideo w tej samej przestrzeni. Przy wszystkim, co trafia do klienta, traktuj czytelny tekst domyślnie jako zadanie zaczynające się od obrazu.

Poprawka 6: ruch jest za szybki, drżący albo rwany#

Co widać: klip wygląda, jakby odtwarzał się 1,5 raza szybciej, temat lekko wibruje albo ruch przesuwa się widocznymi skokami zamiast płynnie.

Dlaczego tak się dzieje: przymiotniki intensywności są czytane jako prędkość. "Dynamic", "explosive", "energetic" i "action-packed" popychają model do upchnięcia większej zmiany w tej samej liczbie klatek. Druga częsta przyczyna to prośba o zbyt wiele wydarzeń w zbyt krótkim czasie — trzy zdarzenia w 4 s nie zostawiają klatek dla żadnego z nich.

Poprawka: usuń słowa intensywności i zamiast tego określ tempo. Daj jeden akcent ruchu na klip, zaznacz, że ujęcie jest ciągłe, a jeśli akcja naprawdę potrzebuje więcej czasu, poproś o dłuższy czas trwania zamiast szybszego wykonania.

Jeśli drganie jest drobne, a nie strukturalne, spróbuj wyższego wariantu z tej samej rodziny modeli — wariantu standardowego zamiast szybkiego albo mini — bo niższe warianty wymieniają stabilność czasową na prędkość i koszt.

Poprawka 7: audio i synchronizacja ust się rozjeżdżają#

Co widać: usta ruszają się przed słowami albo po nich, dialog trwa, gdy wargi są zamknięte, albo mowa ginie pod muzyką, którą model dodał sam.

Dlaczego tak się dzieje: synchronizacja ust wymaga widocznych ust i kwestii na tyle krótkiej, żeby zmieściła się w klipie. Długi dialog w pięciosekundowym ujęciu zmusza model do przyspieszenia ruchu ust albo porzucenia synchronizacji. Opisy tła typu "with an epic soundtrack" zapraszają podkład muzyczny, który konkuruje z głosem.

Poprawka: jedna mówiąca osoba, jedna krótka kwestia w cudzysłowie, usta wyraźnie w kadrze i bez zasłonięcia, do tego brak konkurencyjnych instrukcji audio. Powiedz, co ma być ciche, równie wprost jak to, co ma być słyszalne.

Veo 3.1 generuje natywne audio, w tym dialog, a PixVerse V6 obsługuje audio w planie Free w OmniArt. Gdy wybrany model nie ma natywnego dźwięku, niezawodną ścieżką jest wygenerowanie niemego klipu i osobne przygotowanie głosu w modelu mowy, takim jak MiniMax Speech 2.8 albo ElevenLabs, a potem zmontowanie ich razem. To daje też ponowne nagrania samej kwestii bez ponownego generowania obrazu.

Szybka tabela objawów i poprawek#

Używaj jej jako tabeli diagnostycznej, gdy klip wraca z błędem. Zmień element z pierwszej kolumny, zanim dotkniesz czegokolwiek innego.