12 अगस्त 2026
AI को सिनेमैटोग्राफर की तरह डायरेक्ट करें: लेंस, फ्रेमिंग और मूवमेंट जो सब बदल देते हैं
इमेज और वीडियो मॉडल लाखों ऐसी फोटो पर सीखे हैं जिनके कैप्शन में सिनेमा की शब्दावली थी। उनसे 85 mm, f/1.4 और low angle में बात कीजिए, वे मान जाएँगे। Imaginode का Camera नोड ये शब्द आपकी जगह लिखता है, प्रॉम्प्ट की शुरुआत में, जहाँ उनका असर सबसे ज्यादा होता है।
वह शब्द जो आपके प्रॉम्प्ट में कम है
"close-up, 85mm lens, f/1.4" जैसे आठ तकनीकी शब्द ही बेतरतीब फ्रेम किए पोर्ट्रेट को धुँधले बैकग्राउंड वाले टाइट शॉट में बदल देते हैं: यही सिनेमैटोग्राफर की शब्दावली है।
दो प्रॉम्प्ट लीजिए। पहला: "एक कैफे में लाल बालों वाली महिला का पोर्ट्रेट"। दूसरा: "close-up, 85mm lens, f/1.4, एक कैफे में लाल बालों वाली महिला का पोर्ट्रेट"। पहला ठीक-ठाक इमेज देता है, बेतरतीब फ्रेमिंग के साथ, और बैकग्राउंड सुर्खियों के लिए लड़ता रहता है। दूसरा टाइट पोर्ट्रेट देता है, बैकग्राउंड रोशनी के धब्बों में घुला हुआ, नजर एकदम शार्प। विषय वही, फर्क आठ शब्दों का, और दो बिल्कुल अलग इमेज।
ये आठ शब्द कोई जादुई मंत्र नहीं हैं। ये वही शब्द हैं जो कोई सिनेमैटोग्राफर शॉट लेने से पहले अपने कैमरा असिस्टेंट को कहता है। और होता यह है कि AI मॉडल इन्हें बेहद अच्छी तरह समझते हैं, एक खास वजह से, जिसे हम आगे खोलेंगे।
यह लेख हर सेटिंग को उसके ठोस असर के साथ देखता है, दिखाता है कि Imaginode का Camera नोड ये सारे शब्द आपकी जगह कैसे लिखता है, और आखिर में मल्टी-शॉट की असली चुनौती पर आता है: एक शॉट से दूसरे तक वही डायरेक्शन बनाए रखना।
मॉडल सिनेमा की शब्दावली क्यों समझते हैं
मॉडल लाखों ऐसी इमेज पर ट्रेन हुए हैं जिन्हें फोटोग्राफरों ने कैप्शन दिया था: "85mm" या "low angle shot" बहुत सटीक रेंडर बुलाते हैं, "सुंदर प्रोफेशनल फोटो" से कहीं ज्यादा भरोसेमंद तरीके से।
इमेज और वीडियो मॉडल भारी मात्रा में कैप्शन वाली फोटो और क्लिप पर ट्रेन हुए हैं। अब सवाल: अपनी इमेज को ध्यान से कैप्शन कौन देता है? फोटोग्राफर, स्टॉक इमेज बैंक, गियर रिव्यू वाली साइटें। उनके विवरण तकनीकी जिक्रों से भरे रहते हैं: "shot on 85mm", "f/1.4", "low angle shot", "dolly in"।
नतीजा यह कि मॉडल के लिए ये शब्द सजावटी नहीं हैं: ये आँकड़ों के स्तर पर बहुत खास किस्म के रेंडर से जुड़े हुए हैं। "85mm" लिखना मॉडल की देखी हुई सारी 85 mm पोर्ट्रेट इमेज को बुला लाता है, उनके परिप्रेक्ष्य के संपीड़न और मुलायम बैकग्राउंड समेत। यह "सुंदर प्रोफेशनल फोटो" से अनगिनत गुना भरोसेमंद है, जो किसी खास रेंडर से जुड़ा ही नहीं है।
इसका व्यावहारिक नतीजा फोटोग्राफी से आने वालों के लिए रोमांचक है और बाकी लोगों के लिए झुँझलाहट भरा: असरदार प्रॉम्प्ट शूटिंग की कॉल शीट जैसा दिखता है, अंग्रेजी में। अच्छी खबर यह है कि आपको इसे रटने की जरूरत नहीं।
Camera नोड: पाँच डायल, रटने के लिए कोई शब्दजाल नहीं
पाँच सचित्र डायल, यानी फ्रेमिंग, लेंस, अपर्चर, एंगल और मूवमेंट, अंग्रेजी के सही शब्द आपकी जगह लिखते हैं और उन्हें प्रॉम्प्ट की शुरुआत में रखते हैं, जहाँ मॉडल उन्हें सबसे ज्यादा मानते हैं।
Imaginode के कैनवास पर Camera नोड रटने की जगह पाँच सचित्र डायल दे देता है: फ्रेमिंग, मिलीमीटर में लेंस, अपर्चर, एंगल और मूवमेंट। आप थंबनेल देखते हुए डायल घुमाते हैं, और नोड उससे मेल खाते सही अंग्रेजी शब्द लिख देता है। यह जानने की जरूरत नहीं कि "मिड-थाई शॉट" को "cowboy shot" कहते हैं।
एक बात जो सब कुछ बदल देती है: ये शब्द प्रॉम्प्ट की शुरुआत में डाले जाते हैं, आपके सीन के विवरण से पहले। मॉडल प्रॉम्प्ट के शुरुआती हिस्से को ज्यादा वजन देते हैं, इसलिए पहली जगह पर रखी सेटिंग वाक्य के आखिर में दबी उसी सेटिंग से कहीं बेहतर मानी जाती है। मूवमेंट को अलग से आखिरी वाक्य के रूप में जोड़ा जाता है, क्योंकि वीडियो मॉडल इसी रूप का सबसे अच्छा पालन करते हैं।
इसके बाद Camera नोड को किसी भी दूसरे इनपुट की तरह Image या Video नोड से जोड़ दीजिए: एक केबल, जलती हुई पिन, और काम हो गया। एक ही Camera नोड कई जेनरेटर को एक साथ फीड कर सकता है, इस पर हम लौटेंगे, यही मल्टी-शॉट निरंतरता का गुप्त हथियार है।
छह फ्रेमिंग और वे क्या कहती हैं
तनाव गढ़ने वाले एक्सट्रीम क्लोज-अप से लेकर पूरी दुनिया खड़ी करने वाले एस्टैब्लिशिंग शॉट तक छह फ्रेमिंग हैं: सब कुछ मीडियम शॉट में जेनरेट करने के बजाय, जो मॉडल का डिफ़ॉल्ट है, इन्हें बदल-बदलकर इस्तेमाल कीजिए।
फ्रेमिंग पहला फैसला है, वही तय करती है कि दर्शक क्या देखेगा। डायल छह विकल्प देती है। एक्सट्रीम क्लोज-अप किसी एक ब्योरे को अलग करता है, जैसे आँखें या दरवाजे के हैंडल पर रखा हाथ, और तनाव गढ़ता है। क्लोज-अप चेहरे को फ्रेम करता है: यह भावना की फ्रेमिंग है, वही जो किसी किरदार को अस्तित्व देती है।
मीडियम शॉट कमर पर कटता है और संवाद तथा हाव-भाव के लिए ठीक रहता है। अमेरिकन शॉट, जो जाँघ के बीच से कटता है, वेस्टर्न फिल्मों से आया है जहाँ रिवॉल्वर दिखना जरूरी था, और आज भी किसी को काम करते हुए दिखाने की सबसे स्वाभाविक फ्रेमिंग है। वाइड शॉट किरदार को उसके परिवेश में रखता है। एस्टैब्लिशिंग शॉट किरदार को विशाल माहौल में छोटा कर देता है: किसी कहानी की शुरुआत के लिए एकदम सही।
शुरुआती लोगों की गलती रोज दिखती है: सब कुछ मीडियम शॉट में जेनरेट करना, जो कुछ न बताने पर मॉडल की डिफ़ॉल्ट फ्रेमिंग होती है। पूरा सीक्वेंस विषय से एक ही दूरी पर हो तो वह सपाट लगता है, मॉडल चाहे कितना भी अच्छा हो। बदलाव लाइए: जगह बताने के लिए एस्टैब्लिशिंग शॉट, एक्शन के लिए अमेरिकन शॉट, प्रतिक्रिया के लिए क्लोज-अप।
लेंस: 14 mm विकृत करता है, 135 mm संपीड़ित करता है
डायल 14 से 135 mm तक जाती है: वाइड-एंगल परिप्रेक्ष्य खींच देता है, 50 mm इंसानी आँख जैसा दिखाता है, और टेलीफोटो तलों को दबाकर सबसे ज्यादा सिनेमाई रेंडर देता है।
लेंस वाली डायल 14 से 135 mm तक जाती है, और यह आंकड़ा इमेज की ज्यामिति ही बदल देता है। 14 mm बहुत बड़ा फील्ड समेटता है और परिप्रेक्ष्य को खींच देता है: रेखाएँ दौड़ती हैं, अग्रभूमि विशाल हो जाती है। वास्तुकला या तंग इंटीरियर के लिए शानदार, चेहरे के लिए क्रूर, जिसे यह मेले के आईने की तरह विकृत कर देता है।
24 mm और 35 mm रिपोर्ताज के लेंस हैं: इतने चौड़े कि जगह दिखा दें, इतने संयत कि विकृत न करें। 50 mm लगभग इंसानी आँख जैसा परिप्रेक्ष्य देता है, इसीलिए इसे नॉर्मल लेंस कहते हैं। यह तटस्थ विकल्प है, जो सीन से आगे कुछ नहीं कहता।
इसके आगे टेलीफोटो संपीड़ित करता है। 135 mm अलग-अलग तलों को नजर में एक-दूसरे के करीब ले आता है: पहाड़ ऐसे लगता है जैसे किरदार के ठीक पीछे रखा हो, गाड़ियों की कतार एक ठोस दीवार बन जाती है। यह संपीड़न, बैकग्राउंड के धुँधलेपन के साथ मिलकर, पूरे सेट की सबसे "सिनेमाई" इमेज देता है। एक ही सड़क का सीन पहले 24 mm में और फिर 135 mm में आजमाइए: आपको यकीन नहीं होगा कि यह वही जगह है।
85 mm, पोर्ट्रेट का सबसे अच्छा दोस्त
85 mm लगभग हर चेहरे को निखारता है, और क्लोज-अप, 85 mm तथा बड़े अपर्चर का मेल लगभग हर बार आँखों पर शार्प और पीछे से धुँधला पोर्ट्रेट देता है।
अगर इस लेख से आपको सिर्फ एक आंकड़ा याद रखना हो, तो 85 याद रखिए। 85 mm पोर्ट्रेट की आदर्श फोकल लंबाई है: इतनी लंबी कि नक्श हल्के चपटे हो जाएँ, जिससे लगभग हर चेहरा निखर जाता है, और इतनी छोटी कि विषय के पीछे थोड़ा संदर्भ भी बना रहे। नाक 24 mm की तुलना में पतली लगती है, अनुपात ज्यादा सही लगते हैं।
AI मॉडल ने "85mm" कैप्शन वाले लाखों पोर्ट्रेट देखे हैं, इसलिए यह शब्द इस पूरी शब्दावली के सबसे ताकतवर शब्दों में से एक है। किसी Image नोड पर क्लोज-अप, 85 mm और बड़े अपर्चर का मेल लगभग हर बार ऐसा पोर्ट्रेट देता है जो आँखों पर शार्प और पीछे से धुँधला होता है, वही लुक जो हाई-एंड वेडिंग फोटो से जुड़ा है। हमारे बिना स्टूडियो फैशन फोटोशूट वाले वर्कफ़्लो इसी सेटिंग पर टिके हैं, जहाँ वही मॉडल एक ही ऑप्टिक्स में कई पोज देती है।
एक प्रोडक्ट पेज प्रोजेक्ट का असली किस्सा: वही पोर्ट्रेट प्रॉम्प्ट, Flux Pro 1.1 पर 6 क्रेडिट में, पहले बिना किसी सेटिंग के और फिर Camera नोड के साथ 85 mm f/1.8 पर। पहला वर्जन इस्तेमाल लायक था। दूसरे को क्लाइंट ने स्टूडियो फोटो समझ लिया। इस तुलना पर कुल बारह क्रेडिट खर्च हुए, और सीख लंबे समय तक काम आई।
अपर्चर: f/1.4 अलग करता है, f/16 सब दिखाता है
अपर्चर डेप्थ ऑफ फील्ड चलाता है: f/1.4 विषय को धुँधले बैकग्राउंड से अलग करता है, f/8 या f/16 लैंडस्केप के लिए सब कुछ शार्प रखते हैं; इसे हमेशा फ्रेमिंग के साथ मिलाइए।
अपर्चर डायल f/1.4 से f/16 तक जाती है, और यह दिखने वाली सिर्फ एक चीज चलाती है: डेप्थ ऑफ फील्ड। सीधा नियम, बड़ा अपर्चर यानी धुँधला बैकग्राउंड। f/1.4 पर सिर्फ विषय शार्प रहता है, बैकग्राउंड मुलायम रंगों और रोशनी के गोलों में घुल जाता है। f/16 पर अग्रभूमि से क्षितिज तक सब कुछ शार्प रहता है।
f/1.4 अलगाव का औजार है: भरे-भरे बैकग्राउंड से कटा हुआ चेहरा, अटी पड़ी मेज पर रखा प्रोडक्ट। यह एक स्वीकृत पर्दा भी है: जब मॉडल कोई अधकचरा बैकग्राउंड बनाता है, तो धुँधलापन उसे शालीनता से ढँक देता है। बहुत सारे क्रिएटर इसे इसी काम के लिए इस्तेमाल करते हैं, बिना कहे।
इसके उलट, f/8 या f/16 लैंडस्केप और वास्तुकला के काम आते हैं, जहाँ हर तल पढ़ने लायक रहना चाहिए। तालमेल का ध्यान रखिए: पहाड़ का एस्टैब्लिशिंग शॉट f/1.4 पर माँगना अपने आप में विरोधाभास है, और तब मॉडल जैसा-तैसा जवाब देता है। टाइट शॉट पर बड़ा अपर्चर, वाइड शॉट पर छोटा अपर्चर: यह एक आदत 90 % मामले सुलझा देती है।
एंगल: विषय को नायक बनाना या कुचल देना
लो एंगल बड़ा और नायक बनाता है, हाई एंगल कुचलता और अकेला करता है, टॉप-डाउन सीन को ग्राफिक रचना बना देता है, और झुका हुआ एंगल बेचैनी पैदा करता है: कैमरे की हर ऊँचाई कोई पक्ष लेती है।
आँख की ऊँचाई तटस्थ एंगल है, वही जो डॉक्यूमेंट्री का है। कैमरा जैसे ही यह ऊँचाई छोड़ता है, वह पक्ष लेने लगता है। लो एंगल, यानी नीचे रखा कैमरा जो ऊपर की ओर देखता है, विषय को बड़ा और नायक बना देता है: यह सुपरहीरो पोस्टरों और मैगजीन कवर पर छपे CEO की फोटो का एंगल है। नजरिए में दस सेंटीमीटर का फर्क, और आपका किरदार पूरे सीन पर छा जाता है।
हाई एंगल इसका उल्टा करता है: यह कुचलता है, अलग करता है, कमजोर बनाता है। बड़े खाली कमरे में हाई एंगल से फिल्माया गया किरदार बिना एक शब्द कहे अकेलापन बयान कर देता है। बिल्कुल ऊपर से लिया गया टॉप-डाउन एंगल सीन को ग्राफिक रचना में बदल देता है, जो खाने और करीने से सजी डेस्क की तस्वीरों में खूब इस्तेमाल होता है।
बचा झुका हुआ एंगल, यानी जानबूझकर टेढ़ा किया गया क्षितिज, जो बेचैनी और अस्थिरता पैदा करता है: पीछा करने के दृश्य, संकट के सीन, वे पल जब कुछ गड़बड़ है। इसे कम इस्तेमाल कीजिए, ठीक इसीलिए कि यह नजर में आ जाता है। पूरा टीजर झुके हुए एंगल में हो तो बस चक्कर आते हैं।
यह सब प्रॉम्प्ट की शुरुआत में क्यों होना चाहिए
मॉडल टेक्स्ट की शुरुआत को ज्यादा वजन देते हैं: पहले तकनीकी शब्द, फिर सीन का विवरण, और आखिरी वाक्य में कैमरा मूवमेंट, यही ढाँचा Camera नोड अपने आप लागू करता है।
प्रॉम्प्ट किसी अनुबंध की तरह नहीं पढ़ा जाता, जहाँ हर शब्द का वजन बराबर हो। मॉडल टेक्स्ट की शुरुआत को ज्यादा अहमियत देते हैं, और यह वजन आखिर की तरफ घटता जाता है। पहली जगह पर लिखा "low angle shot" माना जाएगा; वही शब्द चालीसवें स्थान पर कभी-कभी नजरअंदाज हो जाएगा, खासकर तब जब सीन का विवरण भारी हो।
Camera नोड ठीक यही ढाँचा लागू करता है: पहले तकनीकी शब्द, यानी फ्रेमिंग, फोकल लंबाई, अपर्चर, एंगल, फिर आपके सीन का विवरण, हरे रंग में किरदारों के आपके @mention, और आपकी स्टाइल। और कैमरा मूवमेंट आखिरी स्पष्ट वाक्य में, क्योंकि वीडियो मॉडल मूवमेंट के निर्देश को विशेषण के बजाय एक पूरी क्रिया के रूप में बेहतर समझते हैं।
अगर आप अपने प्रॉम्प्ट हाथ से लिखते हैं, तो इसी ढाँचे को दोहराइए। और अगर आपका प्रॉम्प्ट कच्ची हिंदी में है, तो Image और Video नोड की मैजिक वैंड उसे Kimi मॉडल के जरिए 1 क्रेडिट में सुव्यवस्थित अंग्रेजी में दोबारा लिख देती है, @mention बचाते हुए। वह इसी क्रम का पालन करती है: तकनीक सबसे पहले, फिर सीन, और आखिर में मूवमेंट।
पहले और बाद में: वही सीन, डायरेक्शन के साथ और बिना
बिना डायरेक्शन के वही बेकर स्टॉक फोटो जैसी इमेज देती है; Camera नोड की दो सेटिंग के साथ वह दो अलग इरादे बन जाती है, तीन इमेज के लिए कुल 9 क्रेडिट में।
टेस्ट सीन: "एक महिला बेकर सुबह की रोशनी में ब्रेड का ताजा बैच निकालती है"। बिना किसी डायरेक्शन के मॉडल आम तौर पर आँख की ऊँचाई पर मीडियम शॉट देते हैं, सब कुछ शार्प, रोशनी ठीक-ठाक, कंपोजिशन स्टॉक फोटो जैसी। तकनीकी रूप से साफ, और तुरंत भूल जाने लायक। यह ट्रेनिंग में देखी गई सारी बेकरियों का सांख्यिकीय औसत है।
Camera नोड के साथ पहला प्रयास: क्लोज-अप, 85 mm, f/1.4, आँख की ऊँचाई। नतीजा एकाग्र चेहरे को टाइट फ्रेम करता है, भट्ठी की भाप एक हेलो में घुल जाती है, और ब्रेड अग्रभूमि में सुनहरा धब्बा बन जाती है। दूसरा प्रयास: वाइड शॉट, 24 mm, f/8, हल्का लो एंगल। इस बार पूरी दुकान अस्तित्व में आती है, अलमारियाँ परिप्रेक्ष्य में दौड़ती हैं, और बेकर पूरी जगह की धुरी बन जाती है।
इनमें से कोई भी वर्जन "बेहतर" नहीं है। ये दो अलग इरादे हैं, और बात ठीक यही है: बिना सेटिंग के आपके पास कोई इरादा था ही नहीं, सिर्फ एक औसत था। Imagen 4 Fast पर पूरे प्रयोग का खर्च: तीन इमेज के लिए 9 क्रेडिट, करीब 0.09 €। कैमरा डायरेक्शन पूरी AI क्रिएशन का सबसे सस्ता लीवर है।
वीडियो मूवमेंट, एक-एक करके
आठ विकल्प हैं, सबसे कम गड़बड़ाने वाले स्थिर कैमरे से लेकर सबसे भरोसेमंद स्लो जूम तक, और बीच में ट्रैकिंग शॉट, पैन, क्रेन और ऑर्बिट, जिसे मॉडल सबसे ज्यादा बिगाड़ते हैं।
वीडियो में पाँचवीं डायल काम में आती है। स्थिर कैमरा वह डिफ़ॉल्ट विकल्प है जिसे अपनाने में शर्म नहीं होनी चाहिए: यह सीन को जीने देता है और मॉडल के लिए गलती का एक स्रोत हटा देता है, क्योंकि स्थिर शॉट जटिल मूवमेंट वाले शॉट से कम बार बिगड़ता है। फॉरवर्ड ट्रैकिंग शॉट विषय के पास जाता है और डूबने का या खतरे का एहसास देता है; बैकवर्ड ट्रैकिंग शॉट संदर्भ खोलता है या सीन के अंत का संकेत देता है।
पैन एक धुरी पर सीन को बुहारता है, जो किसी जगह को खोलने या किसी हलचल का पीछा करने के लिए आदर्श है। ऊपर उठती क्रेन सीन के ऊपर चढ़ जाती है, फिल्मों के अंत वाला मूवमेंट। ऑर्बिट विषय के चारों ओर घूमता है और उसे कीमती चीज बना देता है: प्रोडक्ट विज्ञापन में खूब इस्तेमाल होता है, दिखने में शानदार पर माँग भरा, और यही वह मूवमेंट है जिसे मॉडल सबसे ज्यादा बिगाड़ते हैं।
हैंडहेल्ड कैमरा इंसानी कँपकँपी जोड़ता है, जो एक्शन सीन या नकली डॉक्यूमेंट्री के लिए बहुत काम का है। और आखिर में स्लो जूम, जो फ्रेम को अगोचर ढंग से कसता है और एक दबा हुआ तनाव पैदा करता है: सबसे कम दिखने वाला और शायद जेनरेशन में सबसे भरोसेमंद मूवमेंट। Camera नोड को Video नोड से जोड़िए, मूवमेंट का वाक्य प्रॉम्प्ट के आखिर में जुड़ जाता है।
किस इरादे के लिए कौन-सा मूवमेंट
जो एहसास चाहिए उसके हिसाब से चुनिए: विशालता के लिए क्रेन, प्रोडक्ट के लिए धीमा ऑर्बिट, बेचैनी के लिए हैंडहेल्ड, और एक सख्त नियम: 5 सेकंड के हर शॉट में सिर्फ एक मूवमेंट।
सही मूवमेंट इस पर निर्भर करता है कि शॉट को क्या महसूस कराना है, इस पर नहीं कि क्या प्रभावशाली लगता है। टीजर खोल रहे हैं? ऊपर उठती क्रेन या बैकवर्ड ट्रैकिंग शॉट, जो दुनिया की विशालता खड़ी करते हैं। कोई प्रोडक्ट दिखा रहे हैं? धीमा ऑर्बिट या स्लो जूम, जो बारीकी का एहसास देते हैं। किसी परेशान किरदार का पीछा कर रहे हैं? फॉरवर्ड ट्रैकिंग में हैंडहेल्ड कैमरा, बेचैनी तुरंत पहुँच जाती है।
क्रेडिट गँवाकर सीखा हुआ संयम का एक नियम: 5 सेकंड के हर शॉट में सिर्फ एक मूवमेंट। जो प्रॉम्प्ट जूम के साथ ऊपर उठता ऑर्बिट माँगते हैं, वे नशे में लड़खड़ाती ट्रैजेक्टरी देते हैं। आज के वीडियो मॉडल एक सरल और साफ नाम वाला मूवमेंट अच्छे से करते हैं, और कोरियोग्राफी से लादते ही भटक जाते हैं।
और याद रखिए कि स्थिर कैमरा क्या कर सकता है। पत्तों में चलती हवा और साँस लेते किरदार वाले किसी खूबसूरत शॉट पर कैमरा मूवमेंट का न होना निर्देशन का फैसला है, आलस नहीं। किसी प्रोफेशनल फिल्म के करीब एक तिहाई शॉट स्थिर होते हैं। आपके AI वीडियो भी वही अनुपात रख सकते हैं।
आपके सारे शॉट के लिए एक ही Camera नोड
एक ही Camera नोड आपके सारे Image और Video नोड को फीड कर सकता है: छह शॉट के लिए ऑप्टिक्स का एक ही स्रोत, और एक डायल घुमाते ही पूरा सीक्वेंस दोबारा जेनरेट हो जाता है।
दिक्कत दूसरे ही शॉट से शुरू हो जाती है: आपका शॉट A आँख की ऊँचाई पर 35 mm में है, और बिना सोचे आप शॉट B को 85 mm में लो एंगल से जेनरेट कर देते हैं। दोनों को जोड़कर देखें तो कोलाज जैसा लगता है, बिना यह बता पाए कि क्यों। असली फिल्में इसीलिए टिकती हैं क्योंकि कोई सिनेमैटोग्राफर पूरे सीक्वेंस पर एक जैसे ऑप्टिकल फैसले लागू करता है।
कैनवास पर हल संरचनात्मक है: एक ही Camera नोड कई जेनरेटर को फीड कर सकता है। अपनी विजुअल पहचान के हिसाब से एक नोड बनाइए, मान लीजिए 35 mm, f/2.8, आँख की ऊँचाई, और उसे अपने तीन Image नोड और तीन Video नोड से जोड़ दीजिए। छह शॉट, ऑप्टिक्स का एक ही स्रोत।
जिस दिन आप डायरेक्शन बदलना चाहें, बस एक नोड पर एक डायल घुमाइए और दोबारा जेनरेट कर दीजिए। हर नोड की पिछली 12 जेनरेशन का इतिहास आपको फैसला लेने से पहले पुराने और नए वर्जन की तुलना करने देता है। पैलेट के लिए एक Style नोड और किरदार के लिए एक Reference नोड जोड़ दीजिए, और आपके पास ऐसा पाइपलाइन तैयार है जो किसी असली शूटिंग यूनिट जैसा लगता है।
कैमरा, स्टाइल, रेफरेंस: पूरी शूटिंग यूनिट
एक सुसंगत फिल्म तीन स्तंभों पर टिकती है: ऑप्टिक्स के लिए Camera नोड, पैलेट के लिए Style नोड, और सिर्फ एक @mention से वही चेहरे बनाए रखने के लिए Reference नोड।
Camera नोड ऑप्टिक्स तय करता है, पर एक सुसंगत फिल्म तीन स्तंभों पर टिकती है। दूसरा है Style नोड: लिखी हुई कला-निर्देशन दिशा और मूडबोर्ड इमेज, जिसे आपके जेनरेटर से जोड़कर सारे शॉट पर वही पैलेट और वही बनावट थोपी जाती है। तीसरा है Reference नोड, जो आपके किरदारों को एक शॉट से दूसरे तक पहचानने लायक रखता है।
Reference नोड दो वाक्य के निर्देश का हकदार है। आप उसे एक नाम, एक विवरण और कुछ फोटो देते हैं; इसके बाद किसी भी प्रॉम्प्ट में एक सादा @mention, जो हरे रंग में दिखता है, विवरण को जोड़ देता है और फोटो अपने आप संलग्न कर देता है। उसके बिना आपकी हीरोइन का चेहरा हर जेनरेशन में बदलता रहेगा, और Camera नोड की कोई डायल इसका इलाज नहीं कर सकती।
यानी किसी सीक्वेंस का सामान्य ढाँचा गिने-चुने नोड में बन जाता है: हर जगह जुड़ा एक Camera, हर जगह जुड़ा एक Style, हर किरदार के लिए एक Reference, और फिर हर शॉट के लिए एक Image या Video नोड। अगर यह सब जोड़ना आपको डराता है, तो नीचे दाईं ओर बैठा असिस्टेंट पूरा वर्कफ़्लो बनाकर एक क्लिक में कैनवास पर रख देता है, प्रति मैसेज 1 क्रेडिट पर।
डायरेक्शन क्या नहीं बचा सकती, और आगे क्या
Camera नोड न हाथ ठीक करता है न भौतिकी, और तीन या चार में से एक वीडियो अब भी खराब जाती है: यह मुख्य रूप से उन नाकामियों को हटाता है जो सोच-समझकर चुनी नहीं, बल्कि थोपी गई फ्रेमिंग से आती थीं।
सीमाओं पर साफ बात कर लेते हैं। Camera नोड रेंडर को भरोसेमंद बनाता है, वह मॉडल की कमजोरियाँ ठीक नहीं करता: हाथ अब भी अनिश्चित रहते हैं, भौतिकी अब भी अधकचरी रहती है, और वीडियो में तीन या चार में से एक जेनरेशन कूड़े में जाती ही है, सेटिंग चाहे जितनी सही हों। जो शॉट डिलीवर तो हुआ पर खराब निकला, उसका पैसा लगता है; सिर्फ तकनीकी विफलताओं का रिफंड अपने आप होता है।
कैमरा डायरेक्शन मुख्य रूप से नाकामियों का बुरा आधा हिस्सा घटाती है: वह हिस्सा जो सोच-समझकर चुनी नहीं, बल्कि थोपी गई फ्रेमिंग से आता था। इसे उस तरीके के साथ मिलाइए जिसमें हर शॉट को एनिमेट करने से पहले इमेज के रूप में मंजूर किया जाता है, जिसे पहली AI वीडियो पर हमारे लेख में विस्तार से बताया गया है, और लॉटरी वाला बजट प्रोडक्शन वाला बजट बन जाता है।
अगला ठोस कदम: एक कैनवास खोलिए, Flux Schnell पर 1 क्रेडिट वाला एक Image नोड रखिए, एक Camera नोड रखिए, और वही सीन तीन अलग फ्रेमिंग में जेनरेट कीजिए। तीन क्रेडिट, दस मिनट, और जो इस लेख ने आपको समझाया वह आपको सहज रूप से समझ आ जाएगा। अगर आप आजमाने से पहले देखना पसंद करते हैं, तो डॉक्यूमेंटेशन में शामिल वीडियो कोर्स अकादमी यह अभ्यास असली परिस्थितियों में करके दिखाती है।