A narratív koherenciát úgy tartod fenn, hogy szigorú vizuális horgonyt hozol létre a karakterek és a környezetek számára, majd minden egyes klipben szigorúan kontrollálod a kamera pozícióját és a megvilágítási paramétereket. Az időbeli konzisztencia generatív videókban nem úgy érhető el, hogy remeled, a modell megérti a történetedet; hanem úgy, hogy minden videóklipet egy statikus, előre meghatározott vizuális állapot elkülönített renderelésének tekintesz.
Az időbeli megszakítás problémája generatív videókban
A generatív videómodellek kereteket jósolnak meg egy prompt és egy korlátozott kontextusablak alapján. Nem rendelkeznek tartós memóriával arról, hogy a karaktered milyen volt az előző klipben. Ha egy öt másodperces klipet generálsz egy utcán sétáló nőről, majd egy második öt másodperces klipet arról, ahogy hátrafordul, a modell a második promptot új, izolált utasításként kezeli. Explicit korlátozások nélkül valószínűleg megváltoztatja az arcvonásait, a hajszínét, a ruházat textúráját vagy akár a magasságát. Ezt a jelenséget időbeli megszakításnak nevezzük. A modell az aktuális prompton belüli hihetőségre optimalizál, nem pedig egy globális narratív identitáshoz való hűségre. Ennek megoldásához el kell térned az értelmezést lehetővé tevő természetes nyelvű leírásoktól, és a variációra teret nem engedő, szigorú, deklaratív specifikációk felé kell fordulnod.
A vizuális horgony meghatározása: karakter- és környezetleírók rögzítése
Mielőtt bármilyen mozgást generálnál, abszolút pontossággal kell meghatároznod a szereplőid és a környezetük vizuális identitását. Hozz létre egy mesterleírót minden karakterhez. Ez a leírónak tartalmaznia kell a változatlan attribútumokat: életkor, etnikum, konkrét arcvonások (pl. "erős állkapocs, enyhe heg a bal szemöldökön"), hajstílus és hajszín, valamint ruházati részletek a mintázatig és a szabásmódig. Ne használj homályos kifejezéseket, mint a "menő outfit" vagy a "misztikus nő". Ehelyett konkrétan írd le: "szürke gyapjúköpeny, nyakig gombolva, piros selyemsállal." Írd meg ezt a leírót egyszer, és másold be minden olyan promptba, amely érinti az adott karaktert.
Környezetek esetén is így járjon el. Határozza meg a helyszínt térbeli és texturális állandókkal. Ha a jelenet egy könyvtár, jelölje meg a polcok fafajtáját, a szőnyeg színét és a fő fényforrás helyzetét. Ezek a leírók alkotják vizuális horgonyát. Ők a statikus alap, amelyre minden mozgás épül. Ha egy leírót megváltoztat a klipek között, megsérti a kontinuitást. Ha kihagy egy leírót, a modell a saját statisztikai átlagával tölti ki a hézagot, amely eltérni fog az előző klipjétől.
Kamera mozgásának és térbeli viszonyoknak a megadása
A kamera nyelvezete az a terület, ahol a legtöbb narratív törés bekövetkezik. A modellek gyakran kétértelműen értelmezik a „kamera követi” vagy a „jobb felé pásztázás” utasításokat, ami hirtelen ugrásokat okoz a nézőpontban vagy a tájolásban. Explicit módon meg kell határoznia a kamera pozícióját, tájolását és mozgásvektorát. Ahelyett, hogy azt mondaná: „a kamera követi a karaktert”, pontosítsa: „statikus közepes plán, szemmagasságú, a kamera rögzített A pozícióban, a karakter balról jobbra halad át a képkockán”. Ha mozgó felvételt igényel, határozza meg az útvonalat: „lassú dolly előre, szemmagasság megtartása mellett, követve a karakter hátát.”
A térbeli viszonyokat a kamerához képest kell rögzíteni, nem csak egymáshoz képest. Ha A karakter B karakterrel szemben áll, határozza meg egymáshoz viszonyított pozíciójukat és tájolásukat. „A karakter a képkocka bal harmadában áll, jobbra néz. B karakter a jobb harmadban áll, balra néz. Két méterre vannak egymástól.” Ez a geometriai rögzítés megakadályozza, hogy a modell felcserélje a pozíciókat vagy megváltoztassa a szereplők közötti bekapcsolódás szögét a felvételek között. Használjon olyan kifejezéseket, mint „profilnézet”, „háromnegyedes nézet” és „közvetlen szemközti nézet” az arcok és testek tájolásának rögzítésére.
Világítás és színkorrekció konzisztenciájának kezelése
A fény a kontinuitás legfinomabb, mégis legkritikusabb eleme. Ha a fényforrás pozíciója vagy erőssége változik a klipek között, az árnyékok eltolódnak, és a sorozat két különböző filmnek tűnik. Határozza meg a világítási beállítást a mesterleírásban. Adja meg az elsődleges fényforrást (pl. „egyetlen mennyezeti fénycső, hideg fehér, 4000K”), az árnyékok irányát és a környezeti feltöltő fényt. Minden promptba foglaljon be színkorrekciós utasításokat. Ha a narratíva noir stílusú, határozza meg: „magas kontraszt, deszaturált paletta, türkiz és narancs árnyéktónusok”. Ha világos és vidám, határozza meg: „lágy, szórt nappali fény, meleg csúcsfények, alacsony kontraszt”. Ezeknek a színkorrekciós paramétereknek állandónak kell maradniuk a jelenet összes klipjében. Ha narratív hatás érdekében fényváltást szeretne, azt szándékos, promptban rögzített átmenetként hajtsa végre, ne véletlen elcsúszásként.
Klipek összefűzése: a záróképek használata kezdőképként
A kontinuitás megőrzésének leghatékonyabb technikája a klipek összefűzése. Sorozat generálásakor vonja ki az 1. klip utolsó képkockáját, és használja azt a 2. klip kezdőképeként vagy referenciaképeként. Ez arra kényszeríti a modellt, hogy a generálást pontosan abból a vizuális állapotból kezdje, ahol az előző klip véget ért. Még ha a prompt szövege kissé változik is az új akcióhoz, a kezdőkép vizuális horgonya rögzíti a karakter megjelenését, a világítást és a kamera pozícióját. Ez a módszer jobb, mint a kontinuitás kizárólag szöveges promptokra alapozása, mert megkerüli a modell identitásleírók valószínűségi értelmezését. Ha az eszköz támogatja a kép-videóvá alakítást vagy a kulcsképkockák interpolációját, használja azt. Ha nem, használja a záróképet stílusreferenciaként vagy inpainting-kényszerként, hogy biztosítsa, a következő klip eleje megegyezzen az előző végével.
Gyakori hibák: a mozgás túlzott specifikálása versus a kontextus alulspecifikálása
A alkotók gyakran két szélsőséges csapdába esnek. Az első a mozgás túlzott specifikálása. Ha minden mikromozgást leír – „pislog, testsúlyt helyez át, haja a szélben leng” –, a modell túlterheltté válik, és figyelmen kívül hagyhatja a fő akciót, vagy fizikailag lehetetlen eredményeket generálhat. Tartsa a mozgásleírásokat magas szintűen és kinetikusan: „előrelép”, „fejet fordít”, „kart emel”. Hagyja, hogy a modell kezelje a mikromechanikát.
A második hiba a kontextus alulmeghatározása. Ha arra bízza a modellt, hogy egy homályos promptból következtessen a karakter identitására vagy a jelenet fényviszonyaira, elveszíti az irányítást. Nem feltételezheti, hogy a modell emlékezni fog a karakterre az előző klipből, ha nem ismétli meg a vizuális horgonyt. Nem feltételezheti, hogy a fényviszonyok konzisztensek maradnak, ha nem határozza meg őket kifejezetten. A szabály egyszerű: az állandó elemeket (identitás, fényviszonyok, kameraállás) rendkívül részletesen határozza meg, a változó elemeket (mozgás, cselekvés) pedig magas szintű tömörséggel.