12 अगस्त 2026
पहली AI वीडियो: बजट उड़ाए बिना बनाने का तरीक़ा
मॉडल और रेज़ोल्यूशन के हिसाब से एक AI वीडियो 26 से 330 क्रेडिट तक की पड़ती है। यहाँ बताया गया है कि कुछ भी एनिमेट करने से पहले अपने शॉट को 1 से 7 क्रेडिट में इमेज पर कैसे वैलिडेट करें, ड्यूरेशन और रेज़ोल्यूशन समझदारी से कैसे तय करें, और वे गलतियाँ कैसे टालें जो एक ही शाम में अकाउंट खाली कर देती हैं।
पहली कोशिश का जाल
सीधा टेक्स्ट-टू-वीडियो आपसे 26 क्रेडिट लेकर वह कंपोज़िशन दिखाता है जिसे एक स्टिल इमेज एक सेंट में वैलिडेट कर देती: सही तरीक़ा है पहले इमेज पर तय करना, फिर एनिमेट करना।
दृश्य जाना-पहचाना है। शुक्रवार की शाम, दिमाग़ में एक क्लिप का आइडिया, आप कोई वीडियो जेनरेटर खोलते हैं, टाइप करते हैं “सूरज निकलते समय एक नाइट धुंध भरे जंगल से गुज़रता है”, और Generate दबा देते हैं। तीन मिनट का इंतज़ार। नतीजा आता है: नाइट पीठ किए खड़ा है, जंगल किसी नगरपालिका के पार्क जैसा लगता है, और धुंध गायब है। छब्बीस क्रेडिट उड़ गए, और काम लायक एक शॉट भी नहीं मिला।
समस्या मॉडल की नहीं है। जिस Kling 2.5 Turbo ने वह बेकार नाइट बनाया, वह एक बेहतरीन जेनरेटर है। समस्या तरीक़े की है: सीधे टेक्स्ट-टू-वीडियो में आप एनिमेशन का पूरा दाम चुकाकर वह कंपोज़िशन देखते हैं, जिसे आप एक स्टिल इमेज पर एक सेंट में जाँच सकते थे। यह वैसा ही है जैसे पहला अध्याय दोबारा पढ़ने के लिए पूरी किताब छपवा देना।
यह लेख उल्टा तरीक़ा समझाता है, वही जो 13 € वाले Starter सब्सक्रिप्शन पर पूरा महीना निकाल लेने वाले क्रिएटर अपनाते हैं: हर शॉट पहले इमेज पर तय कीजिए, फिर उसी इमेज को एनिमेट कीजिए। असली आँकड़ों, असली नाकामियों, और इस जानकारी के साथ कि Imaginode किस चीज़ का पैसा लौटाता है और किसका नहीं।
एक वीडियो जेनरेशन असल में कितने की पड़ती है
Kling 2.5 Turbo पर 5 सेकंड के 26 क्रेडिट, Seedance 2.0 Fast पर 48, और 4K में 330 तक, जबकि एक इमेज 1 से 7 क्रेडिट की: कम से कम 1 और 30 का अनुपात।
पहले आँकड़ों का पैमाना तय कर लेते हैं, क्योंकि पूरी सोच इसी पर टिकी है। Imaginode पर 1 क्रेडिट करीब 0.01 € का है। Kling 2.5 Turbo 5 सेकंड के लिए करीब 26 क्रेडिट लेता है, यानी 0.26 €। Seedance 2.0 Fast 720p में 5 सेकंड के लिए करीब 48 क्रेडिट तक जाता है। और पूरा Seedance 2.0, 4K में, 5 सेकंड के लिए करीब 330 क्रेडिट तक पहुँचता है: एक क्लिप के 3 € से ज़्यादा।
इसके मुकाबले एक इमेज 1 क्रेडिट (Flux Schnell) से 7 क्रेडिट (Flux 2 Pro) के बीच पड़ती है। यानी एक खराब वीडियो की कीमत इमेज पर 4 या 5 पूरी एक्सप्लोरेशन के बराबर है, हर एक में दस-दस कोशिशों के साथ। 1 और 30 का, कभी-कभी 1 और 300 का यह अनुपात ही वह अकेला आँकड़ा है जो Generate दबाने से पहले याद रखना है।
एक सुरक्षा भी है: क्लिक करने से पहले Generate बटन पर सही-सही खर्च दिख जाता है। बिलिंग में कोई सरप्राइज़ नहीं, कीमत फ़ैसले के ठीक उसी पल साफ़ लिखी होती है। इसे पढ़ने की आदत डालिए। बहुत से नए यूज़र बाद में जान पाते हैं कि उन्होंने आदतन कोई हाई-एंड मॉडल चला दिया था।
बैलेंससीधा टेक्स्ट-टू-वीडियो एक जुआ क्यों है
सीधा वीडियो प्रॉम्प्ट एक साथ पाँच फ़ैसले मॉडल को सौंप देता है, जिनका पता पैसे देने के बाद चलता है, और तीन-चार में से एक जेनरेशन कूड़े में जाती है; डिलीवर हुई बदसूरत वीडियो का पैसा भी लगता है।
जब आप सीधे किसी वीडियो मॉडल को प्रॉम्प्ट भेजते हैं, तो आप उसे सब कुछ सौंप देते हैं: फ़्रेमिंग, लाइट, किरदार का चेहरा, कलर पैलेट, और मूवमेंट। एक साथ पाँच फ़ैसले, जिनका पता पैसे चुकाने के बाद चलता है। आँकड़ों के हिसाब से इनमें से एक भी बिगड़ जाए तो पूरा शॉट बेकार हो जाता है।
और यह साफ़ कहना ज़रूरी है: AI वीडियो अब भी अक्सर फ़ेल होती है। तीन-चार में से करीब एक जेनरेशन कूड़े में जाती है, कभी टेढ़े-मेढ़े हाथों की वजह से, कभी स्क्रीन पर पिघलते टेक्स्ट या संदिग्ध फ़िज़िक्स की वजह से, जैसे गिलास जो मेज़ के आर-पार निकल जाए। 48 क्रेडिट वाली कोशिश में हर नाकामी भारी पड़ती है। तीन सीधी कोशिशों में आपने 144 क्रेडिट खर्च कर दिए, और शायद दो ही ठीक-ठाक शॉट मिले।
शुरू करने से पहले एक और बात जान लीजिए: नतीजा बदसूरत हो पर तकनीकी रूप से डिलीवर हो गया हो, तो उसका पैसा लगता ही है। सिर्फ़ प्रोवाइडर की तरफ़ की तकनीकी नाकामी पर पैसा लौटता है। प्लेटफ़ॉर्म आपके नाइट की खूबसूरती नहीं आँकता, वह बस देखता है कि फ़ाइल बनी या नहीं। इसीलिए यह ज़रूरी है कि वीडियो मॉडल के पास बिगाड़ने के लिए जितना कम बचे, उतना अच्छा।
तरीक़ा: पहले इमेज पर वैलिडेट कीजिए
वीडियो मॉडल से कभी कंपोज़िशन गढ़वाइए मत: 1 से 7 क्रेडिट में एक इमेज तय कीजिए, नोड की हिस्ट्री में तुलना कीजिए, और फिर उसे वीडियो का पहला फ़्रेम बनाइए।
सिद्धांत एक वाक्य में है: किसी वीडियो मॉडल से कभी कंपोज़िशन गढ़ने को मत कहिए, उससे कहिए कि वह उस इमेज को एनिमेट करे जिसे आप पहले ही मंज़ूर कर चुके हैं। Imaginode के कैनवास पर एक Image नोड जोड़िए, अपना प्रॉम्प्ट लिखिए, जेनरेट कीजिए। मॉडल के हिसाब से 1 से 7 क्रेडिट में, नतीजा कुछ ही सेकंड में सामने है।
इमेज पसंद नहीं आई? प्रॉम्प्ट बदलिए और दोबारा चलाइए। हर नोड अपनी पिछली 12 जेनरेशन की हिस्ट्री रखता है, इसलिए आप वर्ज़न अगल-बगल रखकर तुलना कर सकते हैं और अगर आठवाँ कमज़ोर लगे तो तीसरे पर लौट सकते हैं। यह सुविधा वीडियो में नहीं मिलती, जहाँ हर तुलना कम से कम 26 क्रेडिट की पड़ती।
जब इमेज ठीक वैसी हो जाए जैसी आप चाहते हैं, फ़्रेमिंग समेत, तो वही आपकी वीडियो का पहला फ़्रेम बन जाती है। अब वीडियो मॉडल के पास सिर्फ़ एक काम बचता है: जो पहले से मौजूद है उसे हिलाना। आपने पाँच अनजान चरों वाले जुए को एक चर वाले जुए में बदल दिया।
इस पहले फ़्रेम के लिए कौन सा इमेज मॉडल
1 क्रेडिट वाले Flux Schnell पर मोटा खाका बनाइए, 6 क्रेडिट वाले Flux Pro 1.1 या Imagen 4 पर फ़ाइनल करें, और बार-बार आने वाले किरदार के लिए 5 क्रेडिट वाला Seedream 5 Lite: कुल मिलाकर पंद्रह के करीब क्रेडिट।
मोटा खाका बनाने के लिए 1 क्रेडिट वाला Flux Schnell अजेय है। कंपोज़िशन की दस कोशिशें 10 क्रेडिट यानी 0.10 € की पड़ती हैं। यह फेंक देने लायक ड्राफ़्ट का बादशाह है: तेज़, डिटेल में हमेशा बारीक नहीं, पर फ़्रेमिंग और लाइट परखने के लिए काफ़ी।
कंपोज़िशन तय हो जाने के बाद फ़ाइनल वर्ज़न किसी ज़्यादा सधे मॉडल पर दोबारा बनाइए: 6 क्रेडिट पर Flux Pro 1.1 या Imagen 4, और अगर आपको ज़्यादा से ज़्यादा डिटेल चाहिए तो 7 क्रेडिट पर Flux 2 Pro। अगर आपके शॉट में कोई ऐसा किरदार है जो Reference नोड में तय किया गया है, तो रेफ़रेंस के पालन में 5 क्रेडिट वाला Seedream 5 Lite सबसे आगे है।
एक गंभीर एक्सप्लोरेशन का हिसाब: ड्राफ़्ट समेत करीब पंद्रह क्रेडिट। यानी Kling की एक खराब वीडियो से भी सस्ता। और आप एनिमेशन के चरण में एक ऐसी निश्चितता के साथ पहुँचते हैं जो सीधा टेक्स्ट-टू-वीडियो कभी नहीं देगा: आपको पहले से पता है कि आपका शॉट कैसा दिखेगा।
इमेज को Video नोड से जोड़िए
Image नोड से Video नोड तक एक केबल पहला फ़्रेम तय कर देती है: कंपोज़िशन, लाइट और चेहरा लॉक हो जाते हैं, अब मॉडल सिर्फ़ मूवमेंट पर ही गलती कर सकता है।
कैनवास पर Image नोड के आउटपुट पोर्ट से एक केबल खींचकर Video नोड तक लाइए। कनेक्शन बनते ही इनपुट डॉट जल उठता है, यानी जुड़ाव सक्रिय है। अगर आप केबल को नोड पर कहीं भी छोड़ दें, तो वह अपने आप सबसे संभावित इनपुट से जुड़ जाती है, इस मामले में शुरुआती इमेज से।
चुने गए मॉडल के हिसाब से Video नोड अलग-अलग इनपुट दिखाता है। शुरुआती इमेज, जो हमेशा एक ही होती है, पहला फ़्रेम तय करती है। कुछ मॉडल आखिरी इमेज भी लेते हैं, जो नियंत्रित ट्रांज़िशन के लिए काम की है। और रेफ़रेंस इमेज आपके किरदारों को एक जैसा रखती हैं: Seedance 2.0 पर 9 तक, Seedance 2.5 पर उससे भी ज़्यादा।
शुरुआती इमेज जुड़ी हो तो कंपोज़िशन, लाइट और चेहरा लॉक हो जाते हैं। सिर्फ़ टेक्स्ट के मुकाबले काम लायक शॉट मिलने की दर साफ़ तौर पर बढ़ जाती है, क्योंकि अब मॉडल सिर्फ़ मूवमेंट पर ही गलती कर सकता है। एक और बात: इमेज-टू-वीडियो में Seedance अपनी रेज़ोल्यूशन शर्तें लगाता है, प्लेटफ़ॉर्म यह आपके लिए खुद संभाल लेता है।
5 सेकंड और 720p से शुरू कीजिए, बाद में बढ़ाइए
हर टेस्ट 5 सेकंड और 720p में कीजिए: Seedance 2.0 पर वही शॉट 720p Fast में 48 क्रेडिट से बढ़कर 4K में करीब 330 हो जाता है, यानी एक टेस्ट के लिए लगभग सात गुना महँगा।
ड्यूरेशन और रेज़ोल्यूशन ही वे दो स्लाइडर हैं जो बजट उड़ाते हैं। वैलिडेट करने के लिए इन्हें न्यूनतम रखिए, डिलीवर करने के लिए अधिकतम। ठोस बात: मूवमेंट के हर टेस्ट के लिए 5 सेकंड, 720p। यह जाँचने के लिए काफ़ी से ज़्यादा है कि नाइट स्वाभाविक ढंग से चल रहा है या शतरंज के मोहरे की तरह ज़मीन पर फिसल रहा है।
कीमत का फ़र्क़ इस अनुशासन को जायज़ ठहराता है। Seedance 2.0 पर 5 सेकंड का वही शॉट 720p Fast में करीब 48 क्रेडिट से बढ़कर पूरे मॉडल पर 4K में करीब 330 क्रेडिट का हो जाता है। ऐसे टेस्ट के लिए लगभग सात गुना ज़्यादा, जिसका नतीजा शायद आप फेंक ही देंगे। 4K फ़ाइनल वर्ज़न के लिए है, उसी के लिए जिसे आप एक्सपोर्ट करेंगे।
ड्यूरेशन का तर्क भी यही है। Seedance 2.5 पर 30 सेकंड तक की क्लिप बन जाती है, जो वाकई कमाल है, लेकिन 30 सेकंड की एक नाकामी 5 सेकंड की नाकामी से छह गुना महँगी पड़ती है। अपने सीन को छोटे शॉट में बाँटिए, एक-एक करके वैलिडेट कीजिए, और लंबे शॉट उन्हीं मूवमेंट के लिए रखिए जो पहले से परखे जा चुके हैं।
शुरुआत के लिए कौन सा वीडियो मॉडल
दो भरोसेमंद विकल्प: सीखने के लिए Kling 2.5 Turbo, 5 सेकंड के करीब 26 क्रेडिट, और बारीक टेक्सचर के लिए Seedance 2.0 Fast, 48 क्रेडिट; सीखने के दौरान एक ही मॉडल पर टिके रहिए।
Imaginode 47 मॉडलों तक पहुँच देता है, सबका भुगतान उन्हीं क्रेडिट से होता है, इसलिए बिना नया सब्सक्रिप्शन लिए दो क्लिक में प्रोवाइडर बदला जा सकता है। पहली शाम के लिए दो भरोसेमंद नाम। Kling 2.5 Turbo, 5 सेकंड के करीब 26 क्रेडिट, सीखने के लिहाज़ से कीमत और क्वालिटी का सबसे अच्छा मेल है: तेज़, स्वाभाविक मूवमेंट, और आपके आइडिया परखने के लिए काफ़ी अच्छा। Seedance 2.0 Fast, करीब 48 क्रेडिट, ज़्यादा बारीक टेक्सचर देता है।
कैटलॉग के बाकी नाम बाद में आएँगे। Veo 3.1 Lite और Fast तब, जब आपको जेनरेट किया हुआ ऑडियो चाहिए; पूरा Seedance 2.0 तब, जब 1080p या 4K पर जाना हो; Seedance 2.5 कई रेफ़रेंस और 30 सेकंड तक की क्लिप के लिए। Grok Imagine Video, MiniMax H3, Wan 2.7, Kling V3 या PixVerse, हर एक की अपनी ताक़त है, पर पहली क्लिप के लिए इनमें से कोई ज़रूरी नहीं।
हमारी दो टूक सलाह: सीखने के दौरान एक ही मॉडल पर टिके रहिए। हर जेनरेटर की अपनी आदतें हैं, ट्रैवलिंग शॉट या किसी लाइट को समझने का अपना ढंग, और आप तभी आगे बढ़ेंगे जब आपके पास तुलना करने लायक कोशिशें जमा होंगी। हर शॉट पर मॉडल बदलने का मतलब है हर शॉट पर शून्य से शुरू करना, और सीखने की कीमत बार-बार चुकाना।
मूवमेंट लिखिए, इमेज नहीं
कंपोज़िशन तो इमेज पहले ही तय कर चुकी है: सिर्फ़ वह लिखिए जो हिलता है, यानी सब्जेक्ट, कैमरा, रफ़्तार; कैमरा मूवमेंट आखिरी वाक्य में रखिए और 5 सेकंड के शॉट में एक ही एक्शन।
आपकी इमेज कंपोज़िशन पहले ही तय कर चुकी है, इसलिए उसे वीडियो प्रॉम्प्ट में दोहराइए मत। सिर्फ़ वह लिखिए जो हिलता है: सब्जेक्ट, कैमरा, रफ़्तार। “नाइट धीरे-धीरे कैमरे की ओर बढ़ता है, उसकी केप हवा में लहराती है, आगे की तरफ़ पत्ते गिर रहे हैं।” मूवमेंट का एक साफ़ वाक्य, दोहराव भरे पूरे पैराग्राफ़ से बेहतर है।
कैमरा मूवमेंट को आखिरी वाक्य में साफ़-साफ़ लिखिए, मॉडल इस पर बीच में दबे किसी विशेषण के मुकाबले कहीं बेहतर प्रतिक्रिया देते हैं। और मात्रा को लेकर संयम रखिए: एक हिलता हुआ सब्जेक्ट और एक कैमरा मूवमेंट, 5 सेकंड के लिए यह भी बहुत है। जो प्रॉम्प्ट चार-चार एक्शन ठूँस देते हैं, वे खिचड़ी बनाते हैं।
अगर तकनीकी अंग्रेज़ी आड़े आती है, तो प्रॉम्प्ट फ़ील्ड पर मौजूद मैजिक वैंड आपके टेक्स्ट को Kimi मॉडल के ज़रिए भरपूर और सुगठित अंग्रेज़ी में 1 क्रेडिट में दोबारा लिख देती है। वह किरदारों के आपके @mentions भी बचाकर रखती है। 48 क्रेडिट वाली जेनरेशन को भरोसेमंद बनाने के लिए एक क्रेडिट, हिसाब साफ़ है।
ईमानदारी से: अब भी क्या-क्या बिगड़ता है
अच्छी शुरुआती इमेज के बावजूद तीन-चार में से एक नाकामी मान कर चलिए: टेढ़े हाथ, पिघलता टेक्स्ट, संदिग्ध फ़िज़िक्स; बचाव यही है कि ऐसे शॉट चुनें जो इन जालों से बचें।
कोई तरीक़ा AI वीडियो को अचूक नहीं बनाता, और उलटा दावा करना आपसे झूठ बोलना होगा। साफ़-सुथरी शुरुआती इमेज के बावजूद तीन-चार जेनरेशन में करीब एक नाकाम मानकर चलिए। हाथ आज भी सबसे बड़ी कमज़ोरी हैं: जुड़ी हुई उँगलियाँ, फ़ालतू अंगूठे, और पकड़ी हुई चीज़ों का बिगड़ जाना।
स्क्रीन पर दिखने वाला टेक्स्ट दूसरा जाना-पहचाना कब्रिस्तान है। आपकी शुरुआती इमेज में साफ़ पढ़ा जाने वाला साइनबोर्ड एनिमेशन की दूसरी सेकंड में ही चित्रलिपि में पिघल सकता है। और फ़िज़िक्स अब भी अनुमान भर है: गुरुत्वाकर्षण को धता बताते तरल पदार्थ, फिसलते हुए क़दम, एक-दूसरे के आर-पार निकलती चीज़ें।
बचाव सबसे ज़्यादा शॉट चुनने में है। हाथों के क्लोज़-अप जिनमें कोई काम हो रहा हो, ऐसा टेक्स्ट जिसे पढ़ा जाना ज़रूरी हो, और कॉफ़ी उँडेलने जैसी जटिल ऑब्जेक्ट इंटरैक्शन से बचिए। चेहरों, चलने के दृश्यों, माहौल, और सेट पर होने वाले कैमरा मूवमेंट को तरजीह दीजिए। एक अच्छा AI डायरेक्टर अपनी लड़ाइयाँ चुनता है, ठीक वैसे ही जैसे कम बजट वाला डायरेक्टर वही सीन चुनता है जिन्हें वह सचमुच शूट कर सकता है।
तकनीकी नाकामी पर पैसा वापस, बदसूरत नतीजे पर नहीं
तकनीकी नाकामी पर कुछ सेकंड में अपने आप पैसा लौटता है, डिलीवर हुई पर निराश करने वाली वीडियो का पैसा लगता ही है: हर फ़ाइनल शॉट के लिए दो-तीन जेनरेशन का बजट रखिए, यानी करीब 65 क्रेडिट।
यह नियम पूरी तरह साफ़ होना चाहिए क्योंकि इसी पर आपका बजट टिका है। अगर मॉडल के प्रोवाइडर की तरफ़ जेनरेशन तकनीकी रूप से नाकाम होती है, जैसे सर्वर बैठ जाए या फ़ाइल कभी डिलीवर ही न हो, तो आपके क्रेडिट कुछ ही सेकंड में अपने आप अकाउंट में लौट आते हैं। कुछ माँगना नहीं है, कुछ साबित नहीं करना, कोई शिकायत फ़ॉर्म नहीं।
इसके उलट, डिलीवर हो चुकी पर निराश करने वाली वीडियो का पैसा लगता ही है। भेंगा नाइट, अजीब तरह लहराती केप, वह डिलीवर हुई है, इसलिए उसका पैसा भी लगेगा। यह असंतुलन कोई धोखा नहीं, सभी मॉडल प्रोवाइडर ऐसे ही काम करते हैं: कैलकुलेशन तो हुई ही है। पर यही बताता है कि इस लेख का पूरा तरीक़ा रिफ़ंड की उम्मीद करने के बजाय निराश करने वाली जेनरेशन घटाने पर क्यों टिका है।
बजट उसी हिसाब से बनाइए: एक फ़ाइनल शॉट के लिए दो से तीन वीडियो जेनरेशन मानकर चलिए, एक नहीं। 26 क्रेडिट में पहली ही बार में पास हो गया Kling शॉट एक सुखद सरप्राइज़ है, काम की धारणा नहीं। औसतन 2.5 जेनरेशन के हिसाब से आपका 5 सेकंड का शॉट करीब 65 क्रेडिट यानी 0.65 € का पड़ता है।
शुरुआती लोगों की तीन गलतियाँ जो क्रेडिट खा जाती हैं
Reference नोड के बिना किरदार एनिमेट करना, वही प्रॉम्प्ट बार-बार चलाना, और 720p पर 48 क्रेडिट में वैलिडेट करने के बजाय सीधे 330 क्रेडिट वाली 4K चलाना: यही तीन क्लासिक जाल हैं।
पहली गलती: बार-बार आने वाले किरदार को रेफ़रेंस इमेज के बिना एनिमेट करना। उनके बिना चेहरा हर जेनरेशन में बदलता है, और आप ऐसी समानता के पीछे भागते हुए क्रेडिट जलाते हैं जिसे जानने का मॉडल के पास कोई ज़रिया ही नहीं। एक नाम, एक विवरण और कुछ फ़ोटो के साथ Reference नोड बनाइए, फिर प्रॉम्प्ट में उसे @mention कीजिए: विवरण अपने आप जुड़ जाता है और फ़ोटो अपने आप अटैच हो जाती हैं।
दूसरी गलती: चमत्कार की आस में वही प्रॉम्प्ट बार-बार चलाना। अगर लगातार दो जेनरेशन एक ही जगह बिगड़ती हैं, तो समस्या माँग में है, किस्मत में नहीं। दोबारा 26 क्रेडिट चुकाने से पहले कुछ ठोस बदलिए: एक एक्शन कम कीजिए, मूवमेंट आसान कीजिए। नोड की हिस्ट्री आपको ठीक-ठीक दिखाती है कि अब तक क्या-क्या आज़माया जा चुका है।
तीसरी गलती: सीधे हाई रेज़ोल्यूशन वाला फ़ाइनल वर्ज़न चला देना। “एक ही बार में ढंग से कर लेते हैं” वाली आदत Seedance 2.0 पर 4K में हर कोशिश के करीब 330 क्रेडिट लेती है, जबकि 720p में वैलिडेशन 48 की पड़ती है। पहली बार में ढंग से 720p में कीजिए, फिर सिर्फ़ एक बार बड़े रेज़ोल्यूशन में दोबारा जेनरेट कीजिए।
जेनरेट किया हुआ ऑडियो, Veo का मामला
Veo 3.1 Lite और Fast, और Kling V3 भी, इमेज के साथ साउंडट्रैक बनाते हैं: माहौल वाले शॉट के लिए काम का, पर अगर क्लिप पर बाद में म्यूज़िक चढ़ेगा तो बेकार और महँगा।
कुछ मॉडल अब सिर्फ़ इमेज तक सीमित नहीं हैं। Veo 3.1 Lite और Fast साउंडट्रैक भी बनाते हैं: माहौल, साउंड इफ़ेक्ट, कभी-कभी संवाद भी। बारिश वाला शॉट बारिश की आवाज़ के साथ आता है, बाज़ार वाला शॉट भीड़ की गुनगुनाहट के साथ। Kling V3 भी ऑडियो देता है। सोशल मीडिया के छोटे फ़ॉर्मैट के लिए यह एक पूरा साउंड डिज़ाइन सेशन बचा देता है।
ऑडियो चालू करने पर कीमत स्वाभाविक रूप से बढ़ती है, और सही तय राशि हमेशा की तरह Generate बटन पर दिख जाती है। हर शॉट से पहले खुद से पूछिए: अगर आपकी क्लिप आखिर में किसी म्यूज़िक के नीचे एडिट होनी है, तो जेनरेट किया हुआ ऑडियो कूड़े में जाएगा। जिस ट्रैक को आप काटने ही वाले हैं, उसके लिए ज़्यादा पैसे देने का कोई मतलब नहीं।
हमारी दो टूक राय: जेनरेट किया हुआ ऑडियो माहौल वाले शॉट और सीधे-सादे संवाद वाले सीन में चमकता है, पर जहाँ सटीक सिंक्रोनाइज़ेशन चाहिए वहाँ अब भी निराश करता है। एक शॉट पर आज़माइए, सुनिए, फ़ैसला कीजिए। यह ऐसा फ़ैसला है जो कानों से होता है, स्पेसिफ़िकेशन शीट से नहीं।
Camera नोड के साथ आगे बढ़िए
पाँच डायल प्रॉम्प्ट की शुरुआत में सही अंग्रेज़ी शब्द और अंत में मूवमेंट का वाक्य खुद लिख देते हैं: एक ही Camera नोड कई जेनरेटरों को फ़ीड कर सकता है, जिससे डायरेक्शन एक जैसी बनी रहती है।
इमेज-फिर-वीडियो वाला तरीक़ा समझ में आ जाने के बाद अगली सीढ़ी Camera नोड है। पाँच चित्रों वाले डायल, यानी फ़्रेमिंग, मिलीमीटर में लेंस, अपर्चर, एंगल और मूवमेंट, और नोड आपकी जगह प्रॉम्प्ट की शुरुआत में सही अंग्रेज़ी शब्द लिख देता है, ठीक वहीं जहाँ मॉडल सबसे ज़्यादा वज़न देते हैं।
वीडियो के लिए इसका फ़ायदा सीधा है: मूवमेंट वाला डायल फ़िक्स्ड कैमरा, आगे या पीछे का ट्रैकिंग शॉट, पैन, ऊपर उठती क्रेन, ऑर्बिट, हैंडहेल्ड कैमरा या धीमा ज़ूम देता है, और उसे आपके प्रॉम्प्ट के आखिर में साफ़ वाक्य के रूप में लिख देता है। अब वे धुँधले “cinematic camera movement” नहीं, जिनसे कुछ ठोस नहीं निकलता।
एक ही Camera नोड कई जेनरेटरों को एक साथ फ़ीड कर सकता है, जिससे ओपनिंग शॉट और अगले शॉट के बीच डायरेक्शन एक जैसी बनी रहती है। इस पर हमारा एक पूरा लेख है, “AI को सिनेमैटोग्राफ़र की तरह डायरेक्ट कीजिए”, जिसमें हर सेटिंग का ठोस असर बताया गया है। आसान से शुरू कीजिए: एक मीडियम शॉट, 35 mm, और एक धीमा फ़ॉरवर्ड ट्रैकिंग शॉट।
पहली शाम का एक आम बजट
5 सेकंड के तीन शॉट, एक्सप्लोरेशन और कोशिशें मिलाकर, करीब 205 क्रेडिट यानी 2 € के पड़ते हैं, जो 13 € (टैक्स अलग) वाले Starter प्लान के 900 क्रेडिट का एक चौथाई से भी कम है।
एक असली डिस्कवरी सेशन का हिसाब लगाते हैं, ऐसे क्रिएटर का जिसे टीज़र के लिए 5 सेकंड के तीन शॉट चाहिए। Flux Schnell पर कंपोज़िशन एक्सप्लोर करना: करीब तीस इमेज, 30 क्रेडिट। तीनों इमेज के फ़ाइनल वर्ज़न Flux Pro 1.1 पर: 18 क्रेडिट। Kling 2.5 Turbo पर एनिमेशन, औसतन हर शॉट के दो प्रयास: करीब 156 क्रेडिट। कुल: करीब 205 क्रेडिट, यानी लगभग 2 €।
13 € (टैक्स अलग) वाले Starter प्लान और उसके 900 मासिक क्रेडिट के हिसाब से यह पूरी शाम महीने के बजट के एक चौथाई से भी कम है। लगातार क्लिप बनाने वाला क्रिएटर Creator प्लान पर जाएगा, 3,100 क्रेडिट के लिए 42 € (टैक्स अलग)। और अचानक ज़रूरत बढ़ने पर टॉप-अप 15 € में 1,000 क्रेडिट से शुरू होते हैं।
अब भोले तरीक़े से तुलना कीजिए: Seedance 2.0 Fast पर सीधे टेक्स्ट-टू-वीडियो से तीन शॉट, आम नाकामी दर के साथ, 400 से 500 क्रेडिट खा जाते और नतीजे पर पकड़ भी कम होती। यह तरीक़ा सिर्फ़ सस्ता नहीं है, नतीजा भी बेहतर देता है।
और अब, आपका पहला शॉट
आज शाम: Flux Schnell पर दस ड्राफ़्ट, एक फ़ाइनल, और Kling 2.5 Turbo तक एक केबल, 5 सेकंड 720p में; तैयार टेम्प्लेट और 1 क्रेडिट वाला असिस्टेंट सेटअप आपकी जगह बना देते हैं।
आज शाम के लिए तरीक़ा दोहरा लेते हैं। एक Image नोड, Flux Schnell पर दस ड्राफ़्ट, एक साफ़-सुथरा फ़ाइनल वर्ज़न। वहाँ से एक केबल Video नोड तक, Kling 2.5 Turbo या Seedance 2.0 Fast, 5 सेकंड, 720p। मूवमेंट का एक साफ़ वाक्य। सब कुछ अपने आप सेव होता रहता है, और आप जेनरेशन अपने फ़ोन के ब्राउज़र से भी शुरू कर सकते हैं, वह स्क्रीन लॉक होने पर भी चलती रहती है।
अगर आप बने-बनाए सेटअप से शुरू करना चाहें, तो तैयार टेम्प्लेट में पहले से जुड़ी हुई इमेज-टू-वीडियो चेन शामिल हैं, जैसे वर्चुअल होम स्टेजिंग, जो एक कमरे का कायापलट एनिमेट करता है: आप सिर्फ़ प्रॉम्प्ट बदलते हैं, बाकी सब पहले से लगा हुआ है। और नीचे दाईं ओर के बबल में बैठा असिस्टेंट आपका खुला कैनवास देखकर, प्रति मैसेज 1 क्रेडिट में, पूरा वर्कफ़्लो आपकी जगह बना सकता है।
इस पहले शॉट से आगे जाने के लिए, डॉक्युमेंटेशन में मौजूद अकादमी में YouTube वीडियो कोर्स हैं जो पूरी चेन स्क्रीन पर दिखाते हुए समझाते हैं। इस ब्लॉग पर अगला सुझाया पड़ाव: Camera नोड वाला लेख, क्योंकि जो शॉट अच्छा चलता है, वह सबसे पहले अच्छा फ़्रेम किया हुआ शॉट होता है।