ykurilov/video-prompts

映像プロンプト

映像モデルは、独自のデフォルト動作を持つディレクターのようなものです。プロンプトが沈黙していることについては、モデルが自ら判断します。プロンプトは重要なことを指定し、不要なデフォルト動作を上書きします。このスキルはプロンプトのテキストとリクエスト設定を出力します。実際のリクエストは、生成を行うサービスのスキルが担当します。

手順

1. タスクを収集する。 モデル、そのバージョン、およびサービス。モード：テキストからの新規動画、画像の動画化、最初と最後のフレーム、参照、編集、延長。入力ファイル：それぞれを開いて確認すること。キャラクターの特徴や参照の適合性はファイルから取得し、推測からは判断しない。逐語的なセリフやテキスト表示。長さとフレームアスペクト比。不足している情報は会話から推測する。尋ねるのは、逐語的なセリフとテキスト表示、およびモードやモデルが不明な場合に限る。モデルが指定されていない場合は、「モデル選択」セクションに従って選択し、その選択を明示する。
2. モデルファイルをプロンプトの最初の行まで丸ごと読む： Omni 1.2、Seedance 2.5 および 2.0、Kling 4.0 および 3.0、Veo 3.1。モデルファイルが以下の一般ルールと異なる場合は、モデルファイルの記述が優先される。
3. 「タイミング」セクションに従って動画を時間軸で分解する： 各イベント、セリフ、カメラワークにはそれぞれの時間セグメントがあり、セグメントの合計が動画の長さになる。収まらない、または足りない場合は、プロンプトの前にその旨を伝え、対応策を提案する。
4. 「リファレンス」セクションに従ってファイルに役割を割り当てる： 各ファイルには役割とその範囲があり、モデルの制限を超えない。希望が制限に収まらない場合は、プロンプトの前にその旨を伝え、収まる最も近い代替案を提案する。
5. モデルファイルの各デフォルト動作を判断する： モデルに任せるか、フレーズで上書きするかを決定する。
6. プロンプトを作成する。
7. 「チェックリスト」を実行する： 各項目が満たされているか、プロンプトに関係ないことを確認する。
8. 3つの部分を出力する： 送信可能なコードブロック内のプロンプト、モデルのフィールド名をリストにしたリクエスト設定、生成された動画を目と耳で確認すべき項目。英語のプロンプトには、ロシア語での1〜2行の要約を追加する。タスクがモデルファイルで既知の失敗に該当する場合は、生成前にその旨を伝える。

タイミング

ストップウォッチではなく順序。 モデルはイベントの順序は保持するが、正確な時間は保持しない。指定された2秒の間隔は、実際には1.5秒から3秒の間になる。時間のマーキングはテンポを設定する。秒単位の精度はモデルファイルのみが保証する。別のイベントと同時に発生しなければならないイベントは、数値ではなく、フレーム内の視覚的なイベントに結びつける。正確な最終状態は、完成した最後のフレームで示す。

動画の予算。 約5秒で1つの完結したアクション。約10秒で2〜4つのセグメント。15秒で3〜4つのセグメント。過密な動画はイベントを失い、不要なカットで区切られる。内容が少なすぎる動画は、待機、反復、スローダウンで埋められる。指定された長さに対して内容が少なすぎる場合は、イベントをでっち上げるのではなく、より短い動画を提案する。内容が多すぎる場合は、より長い動画または複数の動画を提案する。

マーキングを行うタイミング。 単一の単純なアクションにはマーキングは不要。複数のイベントがあり、その順序が重要な場合にマーキングが必要。マーキングの構文はモデルごとに異なり、モデルファイルに記載されている：タイムコード、プラン番号、または個別のフィールド。

マーキング方法。

• セグメントの前に、シーン全体を要約する1つのフレーズを置く。これがないと、セグメントの基盤がなくなる。
• セグメントは切れ目なく連続しており、秒単位で、動画の全長をカバーし、長さフィールドと一致する。
• 各セグメントには、開始と終了がある1つのアクションが含まれ、一連の小さな動きではない。
• 各セグメントには、カメラワークが1つだけ含まれる。カメラワークとキャラクターの大きな動きを同じセグメントに含めると競合する。2つのうち、どちらか一方が優先される。
• アクションのテンポは、カウントとポーズで設定する：歩数、停止する場所。

フィナーレの劣化。 動画の終わりに向けて、モデルはアクションを放棄し、最後のカメラワークを失い、シーンを初期状態に戻すことがある。必須のイベントは最後の1秒より前に終了させ、最後のセグメントは単純な完了とする。

発話の予算。 信頼性の高い目安として、1秒あたり約2つの英語の単語。4単語で発話は途切れる。ロシア語の単語はより長いため、測定値はない。余裕を持って計算すること。発話前のアクション時間は、発話に割り当てられた時間から差し引かれる。1セグメントあたり、1つの発話と1人の話者のみ。ユーザーの発話がセグメントに収まらない場合は、「ユーザーテキストは一字一句」のルールが適用される。

編集は常に決定する。 1つの連続したショットか、カットの連続かは、すべてのプロンプトで明示する。モデルがマーキングセグメントをカットに変換するかどうかは、モデルファイルに記載されている。

リファレンス

役割と範囲。 ファイルをアップロードしても、役割は定義されない。各ファイルには、テキスト内で1つの狭い役割（ファイルに何が写っていて、そこから何を取得するか）と範囲（そこから取得しないもの：背景、服装、照明、カメラ）を指定する。範囲を指定しないと、ファイル上のすべて（多くの場合、背景）が動画に引き継がれる。ファイルへの参照は、モデルファイルの構文で記述する。キャラクターのラベルはプロンプト全体で1つとし、代名詞は使用しない。

機能するファイルのみ。 制限を超えてはならない。不要なファイルは他を希釈する。役割のないファイルはリクエストに含めない。

最初のフレームは説明しない。 テキストは、画像にないものを説明する：動き、変化、カメラ、音声。2つのフレームがある場合、テキストは実際に最後のフレームに至る経路を説明する。

参照用のキャラクター。 顔を言葉で説明しない。確認が容易でモデルが失いがちな2〜3の特徴（服の色、ロゴ、手に持った物）は簡潔に繰り返す。言葉は画像と矛盾してはならない。外見を説明するかどうかの問題は、テストで解決されていない。このルールは慎重な中間点である。

参照用ビデオ。 そこから何を取得するか（動き、カメラ、リズム）と、何を取得しないか（外見、服装、場所）を明示する。ビデオからの外見は無断で漏れ出る可能性があるため、「確認リスト」に追加する。

参照の適合性。 プロンプトの前にファイルを確認すること。適合するもの：高解像度、均一な照明、顔がはっきり見える、クリーンでニュートラルな背景、画像内に1人のキャラクター、不要なテキストがない。複数の異なるアングルを個別のファイルで提供すると、1つの画像よりもキャラクターを保持できる。1枚の画像でのキャラクターシートは、モデルファイルが別の方法を指定していない場合の代替手段である。弱い参照がある場合は、生成前にユーザーにその旨を伝える。

カウントと正確な位置は画像で。 3つ以上の同一オブジェクト、フレーム内の正確なレイアウト、グラフデータは言葉では保持できない。これらは完成したフレームで伝える。

動画間の一貫性。 同じファイルセット、同じキャラクター記述を一字一句、同じ照明とカラーパレットを使用する。次の動画は、前の動画の最後のフレームから始まる。

その他のテキストルール

設定はテキスト内に記述しない。 長さ、フレームアスペクト比、解像度、音声の有無はリクエストフィールドで設定する。テキスト内で指定すると、無視されるか、フィールドと競合する。

音声は常に決定する。 すべてのプロンプトで、発話、音楽、効果音の3つについて、何が聞こえ、何が聞こえないかを明示する。

ユーザーテキストは一字一句。 ユーザーが指定したセリフ、テキスト表示、ナレーションは、一字一句そのままプロンプトに含める。簡略化、短縮、分割、または別の声への割り当ては行わない。テキストがモデルが確実に処理できる範囲を超えている場合は、プロンプトの前にその旨を伝え、代替案を提案し、ユーザーの同意を得た後にのみ変更する。ユーザーがテキストを指定しておらず、自分で作成する場合にのみ、言葉の自由がある。

発話。 話者は視覚的な特徴で特定され、セリフはその話者に付随する。セリフの記録形式と、モデルがロシア語の音声をどのように扱うかは、モデルファイルに記載されている。発話がない場合は、その旨を明示する。

テキスト表示。 それぞれを一字一句、その位置、フォント、出現方法、画面表示時間とともに指定する。フレーム内に他のテキストがないことを明示する。

禁止事項は具体的に。 まず望ましい状態を説明し、次に特定の不要なものに対する短い禁止を記述する。禁止事項は常に守られるとは限らない。禁止されたものは「確認リスト」に追加する。

編集と延長。 編集は、1つの変更に関する1つの短い指示と、残りを保持するフレーズで構成する。シーンを再説明しない。延長は、新しい部分のみを説明し、すでに撮影された部分は再説明しない。そうしないと、モデルは既存のアクションを繰り返す。フレームから外れたキャラクターやオブジェクトは、再度名前を指定する。

言語。 モデルファイルが別の言語を指定していない限り、シーンは英語で説明する。セリフとテキスト表示は元の言語のままにする。ユーザーがロシア語のプロンプトを要求した場合は、ロシア語で作成する。

モデル選択

調査で確認された相違点のみ：

必要な機能	適したモデル
1回のリクエストで15秒を超える動画	Seedance 2.5、Kling 4.0（最大30秒）
最大8秒の短いモーメント	任意。ただしVeo 3.1はこの長さのみ
ロシア語の発話	Omni 1.2、Veo 3.1。Kling 3.0は不可
フレーム内のロシア語テキスト表示	Omni 1.2
指定秒でのカット	Kling 4.0
多数の参照、または参照としての音声	Seedance 2.5。声の場合はKling 4.0も可
参照ビデオからの動き	Seedance、Kling 4.0、Omni 1.2。Veoは不可
中間キーフレーム	Kling 4.0、Seedance 2.5
既存動画の言葉による編集	Omni 1.2、Seedance 2.5、Kling。Veoは不可
動画の延長	Omni 1.2、Seedance 2.5
正確なメカニクス、厳格な編集	Seedance 2.0

動画がプロンプト通りにならない場合

1. 1つのフレーズでミスを特定し、その原因となったプロンプトのフレーズを見つける。該当するフレーズがない場合は、デフォルト動作が作用している。それを上書きする。
2. ミスが毎回異なる箇所で発生する場合は、同じプロンプトで生成を繰り返す。同じミスが繰り返される場合は、その原因となったフレーズのみを修正する。
3. 指示が無視される場合は、まずその周囲の二次的な指示を削除し、強く押し出そうとはしない。削除したユーザープロンプトの指示は、名前を挙げてユーザーに伝える。
4. イベントが失われる、または動画が静止する場合は、「タイミング」セクションに従って予算を再計算する。ファイルから不要なものが混入している場合は、その役割を絞り込み、範囲を指定する。
5. 動画のほぼ全体が正しい場合は、1つの短い指示で完成した動画を編集する。問題が基礎にある場合（オブジェクトの消失、顔の変形）は、再生成する。編集では基礎的な問題は修正されない。
6. モデルファイルで既知の失敗と照合する。テキストでは修正できないミスもあるため、その場合はプロンプトを書き直すのではなく、その旨を伝える。

チェックリスト

• モデルファイルの各デフォルト動作が、フレーズで上書きされているか、意識的にモデルに任せている。
• テキスト内に長さ、フレームアスペクト比、解像度が含まれていない。これらは設定に含まれている。
• 時間のマーキングはモデルの構文で記述され、全長を切れ目なくカバーし、長さフィールドと一致している。
• 各セグメントには1つのアクションと最大1つのカメラワークが含まれ、必須のイベントは最後の1秒に配置されていない。
• 各セリフはそのセグメントに収まっている。
• 1つのショット（連続）か、カットの連続（編集）かが明示されている。
• 各ファイルに役割と範囲があり、参照はモデルの構文で記述されている。役割のないファイルは存在しない。
• 最初のフレームとキャラクターの顔は説明されていない。
• 発話、音楽、効果音について言及されている。
• ユーザーのセリフ、テキスト表示、ナレーションは一字一句そのまま含まれている。相違点はすべてユーザーの同意を得ている。
• 編集：1つの変更、シーンは再説明されていない、残りを保持するフレーズがある。延長：新しい部分のみが説明されている。
• モデルとサービスの制限を超えていない。このバージョンにない機能は使用されていない。
• 生成された動画で確認すべき項目が指定されている：各必須イベント、各禁止事項、テキスト表示のスペル、音声とアクションの同期、キャラクターの特徴。