मुख्य बिंदु
फ़र्क इसमें है कि विषय कौन चुनता है
टेक्स्ट-टू-वीडियो में मॉडल सब कुछ गढ़ता है: चेहरा, कमरा, पहनावा, रोशनी और मूवमेंट। इमेज-टू-वीडियो में आप एक फ़्रेम देकर चेहरा, कमरा, पहनावा और रोशनी पहले ही तय कर चुके होते हैं, और मॉडल को सिर्फ़ यह तय करना बचता है कि आगे क्या होगा। यही पूरा फ़र्क है, और हर व्यावहारिक नतीजा इसी से निकलता है। अगर आपको परवाह है कि विषय कैसा दिखता है, तो आप इमेज-टू-वीडियो के दायरे में हैं, चाहे आपको इसका एहसास हो या नहीं।
कैटलॉग का ज़्यादातर हिस्सा इमेज-टू-वीडियो है, और यह संयोग नहीं है
यहाँ उपलब्ध मॉडल फ़ैमिली में इमेज-टू-वीडियो एंडपॉइंट टेक्स्ट-टू-वीडियो से लगभग दो-एक के अनुपात में ज़्यादा हैं। इंडस्ट्री वहीं पहुँची क्योंकि वीडियो में कठिन हिस्सा संगति है, मूवमेंट नहीं। शुरुआती फ़्रेम मिलने पर मॉडल के पास आगे के हर फ़्रेम में पहचान, रोशनी और फ़्रेमिंग का एक लंगर होता है। केवल शब्द मिलने पर उसे यह सब शुरू से दोबारा निकालना पड़ता है, और छोटे भटकाव क्लिप की लंबाई में जुड़ते जाते हैं।
दोनों में प्रॉम्प्ट का काम पूरी तरह बदल जाता है
टेक्स्ट-टू-वीडियो प्रॉम्प्ट को रूप-रंग, परिवेश, कैमरा और मूवमेंट एक साथ ढोना होता है, और उसे पूरा पढ़ा जाएगा। इमेज-टू-वीडियो प्रॉम्प्ट में लगभग सिर्फ़ मूवमेंट और कैमरा होना चाहिए — विषय को दोबारा बताना ज़्यादा से ज़्यादा बेकार है और बुरी से बुरी हालत में सीधा नुकसानदेह, क्योंकि आप मॉडल को ऐसी चीज़ की पुनर्व्याख्या का न्योता दे रहे हैं जिसे वह पहले से देख सकता है। इमेज-टू-वीडियो की सबसे आम ग़लती है टेक्स्ट-टू-वीडियो प्रॉम्प्ट चिपका देना और फिर सोचना कि चेहरा क्यों बदल गया।
कैसे पहचानें कि आपके आइडिया को कौन-सा चाहिए
पूछें कि क्या आप शॉट में मौजूद व्यक्ति का नाम बता सकते हैं। अगर जवाब “लाल ड्रेस में एक महिला” है — एक वर्णन, कोई विशिष्ट व्यक्ति नहीं — तो टेक्स्ट-टू-वीडियो ठीक है और हर प्रयास में ज़्यादा विविधता देता है। अगर जवाब “यह व्यक्ति, इस फ़ोटो से” है, तो इमेज-टू-वीडियो ही वह एकमात्र मोड है जो यह दे सकता है, और प्रॉम्प्ट का कोई भी विवरण टेक्स्ट-टू-वीडियो से किसी ख़ास चेहरे की समानता नहीं टिकवा सकता। एक उपयोगी बीच का रास्ता है पहले एक स्टिल बनाना, जो पसंद आए उसे रखना, और उसे एनिमेट करना।
वर्ज़न और विकल्प
- तय करें कि विषय वर्णित है या विशिष्ट। वर्णित का मतलब टेक्स्ट-टू-वीडियो; विशिष्ट का मतलब इमेज-टू-वीडियो।
- इमेज-टू-वीडियो के लिए सबसे मज़बूत उपलब्ध स्टिल चुनें — तीखी, अच्छी रोशनी वाली, विषय बैकग्राउंड से साफ़ अलग। मूवमेंट धुँधले सोर्स फ़्रेम को बचा नहीं सकता।
- मोड के हिसाब से प्रॉम्प्ट लिखें: टेक्स्ट-टू-वीडियो के लिए रूप-रंग के साथ मूवमेंट, इमेज-टू-वीडियो के लिए केवल मूवमेंट और कैमरा।
- कुछ और सेट करने से पहले अवधि सेट करें। यही वह पैरामीटर है जो नतीजे और लागत दोनों को सबसे ज़्यादा प्रभावित करता है।
- टेस्ट के लिए एक छोटा क्लिप बनाएँ, लंबा नहीं। ज़्यादा के लिए भुगतान करने से पहले 5 सेकंड पर मूवमेंट की गुणवत्ता परखें।
- अगर इमेज-टू-वीडियो में पहचान भटकती है तो प्रॉम्प्ट दोबारा लिखने के बजाय क्लिप छोटा करें — भटकाव समय के साथ जमा होता है, शब्दों के साथ नहीं।
साक्ष्य और मार्गदर्शन
हर एक कहाँ निराश करता है
टेक्स्ट-टू-वीडियो दोहराव पर निराश करता है: वही प्रॉम्प्ट दो बार चलाएँ तो दो अलग लोग मिलते हैं। इमेज-टू-वीडियो महत्वाकांक्षा पर निराश करता है — वह आपके विषय को किसी दूसरे कमरे में नहीं ले जाएगा, दिन का समय नहीं बदलेगा, या ऐसा दूसरा व्यक्ति नहीं जोड़ेगा जो सोर्स फ़्रेम में नहीं है। इनके लिए कहने पर आम तौर पर ऐसा क्लिप मिलता है जो निर्देश को अनदेखा कर देता है, न कि ऐसा जो साफ़ तौर पर विफल हो, और इसीलिए यह चुपचाप क्रेडिट बर्बाद करता है।
तीसरा मोड: एक की जगह दो फ़्रेम
कुछ मॉडल फ़ैमिली एक स्टार्ट फ़्रेम और एक एंड फ़्रेम स्वीकार करती हैं और उनके बीच का बदलाव बनाती हैं। यह जानना काम का है क्योंकि यह उस समस्या को हल करता है जिसे बाकी दोनों मोड अच्छी तरह नहीं सँभालते: क्लिप को किसी ख़ास अंतिम स्थिति तक पहुँचाना। केवल एक स्टार्ट फ़्रेम के साथ आप मॉडल से कह रहे हैं कि वह खुद गढ़े कि मूवमेंट कहाँ खत्म होगा, और वह वह चुनेगा जो विश्वसनीय लगे, वह नहीं जो आपने चुना। दोनों सिरे तय होने पर मॉडल इम्प्रोवाइज़ करने के बजाय इंटरपोलेट करता है, और नतीजा कहीं ज़्यादा अनुमान लायक होता है — कीमत यह कि आपको पहली इमेज से मेल खाती दूसरी इमेज बनानी पड़ती है।
मॉडल के लिए “मूवमेंट” का मतलब क्या है, और उसे कैसे कहें
मूवमेंट के निर्देश सबसे ज़्यादा इसलिए विफल होते हैं कि वे किसी हरकत के बजाय एक एहसास का वर्णन करते हैं। “Dynamic”, “cinematic” और “lively” हरकतें नहीं हैं; वे विशेषण हैं जिन्हें मॉडल को हरकत में अनुवाद करना पड़ता है, और वह जो कुछ उसने देखा है उसका औसत चुन लेगा। हरकतों में दिशा, विषय और गति होती है: कैमरा धीरे-धीरे अंदर आता है, हल्की हवा में बाल उठते हैं, सिर बाईं ओर मुड़कर लौट आता है। कुछ मॉडल फ़ैमिली एक साफ़ एम्प्लीट्यूड कंट्रोल भी देती हैं, जिसे होने पर इस्तेमाल करना चाहिए — यह कम मूवमेंट माँगने और उसकी उम्मीद करने के बीच का फ़र्क है।
लागत मोड से स्वतंत्र फ़ैसला है
एक चीज़ जो दोनों मोड में नहीं बदलती वह है बिल को क्या चलाता है: पहले अवधि, फिर रिज़ॉल्यूशन। यह मान लेना लुभावना है कि इमेज-टू-वीडियो सस्ता है क्योंकि आपने आधी जानकारी दी, पर कीमत ऐसे काम नहीं करती — मॉडल दोनों हालत में हर फ़्रेम रेंडर करता है। मोड चुनना रचनात्मक फ़ैसला है; लंबाई चुनना बजट का फ़ैसला है। उन्हें अलग-अलग, उसी क्रम में, लेना वह आदत है जो दोहराव को किफ़ायती रखती है।
