Jak pisać prompty do 10-sekundowego wideo w Gemini Omni Flash
Gemini Omni Flash ma nietypowy sposób pracy z promptami: brak parametru negatywnego, dwie proporcje obrazu, tylko angielski i dwa odrębne tryby promptowania. Zobacz, jak dobrze pisać oba.
Większość poradników o promptach do wideo AI uczy pisać jedną rzecz: bogaty, szczegółowy akapit, który raz przekazujesz modelowi. Gemini Omni Flash przełamuje to założenie. Jego API dla deweloperów (działa od 30 czerwca) opiera się na dwóch różnych działaniach z promptem — pierwszym generowaniu, a potem bieżącej rozmowie o edycjach, z których każda przekształca ten sam klip. Gdy piszesz tylko pod jedno i pomijasz drugie, zostawiasz większość możliwości modelu niewykorzystaną.
Sposób pracy z promptem w Omni Flash jest nietypowy także przez to, co usuwa. Nie ma pola promptu negatywnego, parametru temperature, instrukcji systemowej, a proporcje obrazu są tylko dwie. To nie są luki, które trzeba ślepo obchodzić — każda zmienia sposób formułowania promptu. Ten przewodnik omawia oba tryby i ograniczenia, które je kształtują.
Uwaga
Od publikacji tego przewodnika Gemini Omni Flash dołączył do przestrzeni wideo OmniArt dla standardowego generowania z tekstu i obrazu referencyjnego. Poniższe sekcje nadal opisują bezpośrednio konwersacyjny proces Google, ponieważ OmniArt obecnie nie udostępnia kontrolek Interactions API, które zachowują sesję.
Dwa tryby promptu, nie jeden#
Każda sesja Omni Flash ma dwa rodzaje promptu i każdy premiuje inny sposób pisania.
Prompt pierwszego generowania to kompletny brief dla jednego 10-sekundowego momentu: temat, ruch, kamera, światło, dźwięk, styl. Działa jak każdy mocny prompt typu text-to-video lub image-to-video — umieść szczegóły na początku, pisz konkretnie i opisz całe ujęcie naraz.
Instrukcja edycji konwersacyjnej jest odwrotna. Jest krótka, wskazuje dokładnie jedną zmianę i zakłada, że model ma już poprzedni klip w kontekście. "Make the lighting golden hour." "Swap the sedan for a pickup." Model wprowadza zmianę, zachowując wszystko, czego nie wymieniasz — przez previous_interaction_id, który przenosi stan sesji przez maksymalnie trzy kolejne edycje w Interactions API. Upchnij trzy zmiany w jednej instrukcji edycji, a stracisz precyzję, dla której ten tryb jest wart użycia.
Model mentalny: komponuj w pierwszym prompcie, reżyseruj w kolejnych. Zbuduj solidny klip bazowy, a potem dopracowuj go tak, jak przekazuje się reżyserowi uwagi w trakcie zdjęć — po jednej naraz.
Ograniczenia API, które kształtują brzmienie promptu#
Lista parametrów Omni Flash jest z założenia krótka. Każde pominięcie ma konsekwencję dla promptowania:
| Ograniczenie | Co oznacza dla promptu |
|---|---|
| Brak pola promptu negatywnego | Wpisuj wykluczenia w sam prompt — "an empty street, no pedestrians, no traffic" zamiast osobnej listy negatywnej |
| Brak parametrów temperature / top_p i brak instrukcji systemowej | Nie możesz regulować zmienności ani ustawić trwałej reguły stylu — za każdym razem wpisuj ton i styl w tekst promptu |
| Proporcje obrazu: tylko 9:16 albo 16:9 | Wybierz orientację z góry; nie ma opcji kwadratu ani szerokiego kadru kinowego, więc kadruj pionowo albo poziomo od pierwszego słowa |
| Audio opisywane, nigdy wgrywane | Nie możesz podać ścieżki do dopasowania — opisujesz słowami dźwięk, którego chcesz (zobacz niżej) |
| Angielski w pełni obsługiwany; inne języki nieprzetestowane | Pisz prompty po angielsku, aby uzyskać przewidywalne wyniki |
| Twardy limit 10 s | Jedna wyraźna akcja na generowanie — nie lista ujęć |
Ostrzeżenie
Omni Flash nie obsługuje wgrywania referencji audio. Nie możesz dać mu podkładu muzycznego ani próbki głosu do synchronizacji. Model domyślnie generuje ścieżkę audio, a jedyną kontrolą są słowa w prompcie — więc projekt dźwięku trzeba opisać, nie załączyć.
Szablon dla pierwszego generowania#
Ponieważ 10 s mieści jeden moment, najmocniejsze pierwsze prompty opisują jedną ciągłą scenę z doprecyzowaną każdą warstwą. Sześć pól obejmuje niemal każde ujęcie:
- Temat — kto albo co jest na ekranie, opisane konkretnie
- Ruch — jedna akcja, która rozgrywa się w klipie
- Kamera — jeden ruch, nie sekwencja ("slow push in", "locked-off wide")
- Światło — kierunek, charakter, pora dnia
- Projekt dźwięku — audio, które ma zostać wygenerowane, opisane słowami
- Styl — paleta, epoka, odniesienie filmowe, faktura
Przykład roboczy:
Zauważ, że wykluczenia są wpisane w zdanie ("no music"), kamera ma jeden ruch, a dźwięk jest opisany wprost. Na tym polega cała dyscyplina.
Edycja konwersacyjna: słownictwo, które trafia#
Gdy masz już klip bazowy, edycje są miejscem, w którym Omni Flash wyprzedza procesy typu wygeneruj i wyrzuć. Trzymaj każdą instrukcję przy jednej intencji i korzystaj ze spójnego słownika czasowników, który model odczytuje jednoznacznie:
- Relight — "make it golden hour", "add a cool rim light from behind"
- Replace — "swap the coffee dripper for a French press"
- Restyle — "make it feel like 1970s film stock"
- Recolor — "change the mug to matte black"
- Re-time — "slow the pour down", "let the steam linger longer"
Dwie zasady utrzymują spójność wątku. Jedna zmiana na turę — model zachowuje to, czego nie wymieniasz, więc pojedyncza uwaga jest bardziej przewidywalna i łatwiejsza do cofnięcia przez ponowny prompt. I buduj na języku poprzedniej tury — używaj ponownie rzeczowników, które już zostały ustalone ("the mug", "the pour"), aby model zakotwiczył się w tych samych elementach zamiast od nowa wnioskować scenę.
Wskazówka
Łańcuch trzech edycji to budżet, nie sugestia. Zaplanuj prompt bazowy tak, aby wymagał jak najmniej kolejnych kroków — mocne pierwsze generowanie zostawia tury edycji na prawdziwe zmiany kreatywne, a nie na naprawianie rzeczy, które pierwszy prompt mógł określić.
Jak pracować z obecnymi ograniczeniami#
Kilku ograniczeń nie da się rozwiązać promptem, więc warto promptować z myślą o nich, zamiast z nimi walczyć:
- Limit 10 s. API nie ma przedłużania sceny, więc nie pisz promptów sugerujących dłuższy łuk. Zaprojektuj jeden samodzielny moment.
- Spójność postaci między zmianami sceny jest uznaną słabością. Jeśli podobieństwo ma znaczenie, trzymaj edycje w tej samej scenie, zamiast prosić model o przeniesienie postaci do nowego miejsca.
- Referencje wideo powyżej 3 s nie są w pełni przetwarzane. Każdy klip referencyjny powinien być krótki i konkretny.
- Brak referencji z wielu plików wideo i brak edycji głosu — oba elementy nie są obsługiwane, więc zaplanuj te kroki w osobnym narzędziu, a nie w prompcie.
Żadne z nich nie dyskwalifikuje Omni Flash jako szybkiego narzędzia do krótkich iteracji. Oznaczają tylko, że Omni Flash nagradza prompty dopasowane do tego, co robi dobrze: jeden ciasny moment, dopracowywany konwersacyjnie.
Co działa dziś w OmniArt#
Gemini Omni Flash jest już dostępny w OmniArt i niemal każdy powyższy nawyk promptowania przekłada się bezpośrednio: jeden jasny moment, konkret zamiast gąszczu słów kluczowych i dźwięk wpisany w prompt. Głównym wyjątkiem jest wieloturowa edycja z zachowaniem sesji, która pozostaje procesem po stronie API dostawcy, a nie kontrolką interfejsu OmniArt.
- Generowanie oparte na materiałach referencyjnych przekłada się bezpośrednio na Seedance 2.0, dostępny w OmniArt, który przyjmuje do dziewięciu obrazów, trzech wideo i trzech plików audio przypisanych do ról składnią
@image1/@video1— idea „komponowania z plików”, z większą liczbą wejść niż oferuje Omni Flash. - Kinowy język kamery dobrze pasuje do Veo 3.1, który z umiarem interpretuje czasowniki ruchu, takie jak "drift", "glide" i "dolly in".
- Sześciopolowy szablon (temat, ruch, kamera, światło, dźwięk, styl) to ten sam szkielet, który daje czyste wyniki w każdym modelu wideo w przestrzeni.
Otwórz Gemini Omni Flash w przestrzeni wideo i napisz pierwszy prompt jako jeden kompletny moment. Jeśli potrzebujesz wieloturowej pętli edycji Google, kontynuuj tę część w Interactions API; dla standardowego generowania i procesów z obrazem referencyjnym wpis modelu OmniArt jest gotowy już teraz.
Gotowy, aby tworzyć?
Zacznij generować świetne treści z AI
Zacznij za darmo