5 सितंबर 2026
10 सेकंड से लंबा AI वीडियो: हर मॉडल की असली अवधि और वह तरीक़ा जो आधा ख़र्च कराता है
हर वीडियो मॉडल असल में कहाँ तक जाता है, 30 सेकंड की जनरेशन 5 सेकंड की छह गुना क्यों पड़ती है, और छोटे शॉट जोड़कर एक मिनट की फ़िल्म मुफ़्त एडिटिंग के साथ कैसे बनाएँ।
Frank HoubreImaginode के संस्थापक
वह सीमा जो हर कोई पहले वीडियो पर ही पा लेता है
ज़्यादातर वीडियो मॉडल 5 से 10 सेकंड पर रुक जाते हैं, कुछ 15 तक जाते हैं, और सिर्फ़ तीन एक ही जनरेशन में 30 सेकंड तक पहुँचते हैं।
आपने अभी अपना पहला शॉट बनाया है। सुंदर है, गति काम कर रही है, रोशनी भी है। और वह पाँच सेकंड का है। आप उसे एक मिनट तक ले जाने वाला स्लाइडर ढूँढ़ते हैं, और वह है ही नहीं।
AI वीडियो में आने वाले हर व्यक्ति की यह पहली निराशा है, और जायज़ है: हमें फ़िल्में बेची जाती हैं, हमें शॉट दिए जाते हैं। बस बंदिश वही नहीं है जो समझी जाती है, और हल में तकनीकी कुछ भी नहीं। वह सौ साल पुराना है और उसका नाम एडिटिंग है।
हम इसे साथ देखेंगे, कैटलॉग के हर मॉडल की सटीक अवधि, क्रेडिट में असली क़ीमतें, और सबसे बढ़कर वह तुलना जो चुभती है: एक मिनट का वीडियो एक ही जनरेशन में कितना पड़ता है, और वही मिनट शॉट्स में बँटकर कितना। फ़र्क़ आपको चौंकाएगा।
असली अवधि, मॉडल दर मॉडल
Wan 3.0, Wan 3.0 Prime और Seedance 2.5 30 सेकंड तक जाते हैं, Flux 3 Video 20 तक, Kling V3, Seedance 2.0, Wan 2.7 और Grok Imagine 15 तक, जबकि Veo 3.1 8 सेकंड पर रुक जाता है।
यह रहा कैटलॉग का हाल, क्योंकि ये हदें और कहीं पढ़ने लायक़ ढंग से लिखी नहीं हैं। सबसे लंबे पहले: Wan 3.0 और Wan 3.0 Prime 2 से 30 सेकंड स्वीकारते हैं, Seedance 2.5 4 से 30। आधे मिनट तक पहुँचने वाले यही तीन हैं।
ठीक नीचे, Flux 3 Video 5 से 20 सेकंड तक जाता है। फिर 15 वालों का दल: Kling V3 3 से 15, Seedance 2.0 और Seedance 2.0 Fast 4 से 15, Wan 2.7 2 से 15, Grok Imagine Video 1 से 15।
और छोटे वाले, जो अक्सर सबसे अच्छे होते हैं: Kling 2.5 Turbo 5 या 10 सेकंड देता है, बीच का कोई मान नहीं। Veo 3.1 Lite और Veo 3.1 Fast 4, 6 और 8 सेकंड में से चुनने देते हैं, एक भी ज़्यादा नहीं। पूरा कैटलॉग मॉडल पेज पर है, और क़ीमत आपकी सेटिंग्स के हिसाब से लाइव बदलती है।
मॉडल इतनी जल्दी क्यों रुक जाते हैं
गणना की लागत अवधि के साथ बढ़ती है और सुसंगति गिरती है: कुछ सेकंड के बाद मॉडल अपने ही दृश्य का सिरा खो देता है।
दो वजहें, एक आर्थिक और एक तकनीकी। आर्थिक सीधी है: वीडियो बनाना यानी हर सेकंड चौबीस तस्वीरें बनाना जो सबकी सब आपस में टिकनी चाहिए। गणना तेज़ी से चढ़ती है, और आपूर्तिकर्ता सेकंड के हिसाब से बिल करते हैं क्योंकि उन्हें यही ख़र्च पड़ता है।
तकनीकी वजह ज़्यादा दिलचस्प है। एक वीडियो मॉडल अपनी सुसंगति एक सीमित खिड़की तक ही बनाए रखता है। एक हद के बाद चेहरे धीरे धीरे बदलते हैं, कपड़ों का रंग बदल जाता है, मेज़ पर रखी चीज़ ग़ायब हो जाती है। आपने ज़रूर कोई बीस सेकंड का AI वीडियो देखा होगा जिसमें कुछ धीरे धीरे बहक रहा है पर बता नहीं पाते कि क्या।
समझ लीजिए कि 5 या 10 सेकंड की हद कोई व्यावसायिक कंजूसी नहीं है। अक्सर वही वह इलाक़ा है जहाँ मॉडल सचमुच अच्छा है। उससे आगे आप ज़्यादा पैसा देकर कम टिकाऊ नतीजा पाते हैं, जो दोनों तरफ़ से बुरा है।
लंबी जनरेशन की क़ीमत: बुरी ख़बर
बिलिंग सेकंड के अनुपात में है: तीस सेकंड ठीक पाँच सेकंड का छह गुना पड़ते हैं, किसी तरह की मात्रा छूट के बिना।
यही वह बात है जो लोगों को बाद में पता चलती है, और यही इस लेख का असली विषय है। ज़्यादातर मॉडलों पर दर अवधि के अनुपात में है। न घटती दर, न पैकेज, न थोक भाव।
सटीक आँकड़े, Wan 3.0 पर। 720p में पाँच सेकंड 60 क्रेडिट। 1080p में दस सेकंड, 240 क्रेडिट। और 1080p में तीस सेकंड, 720 क्रेडिट, यानी आधे मिनट के लिए क़रीब 7 यूरो। 720p में वही आधा मिनट गिरकर 360 क्रेडिट, 480p में 180।
Seedance 2.5 पर 720p के तीस सेकंड भी 720 क्रेडिट के हैं, जबकि दस सेकंड 240 के। Flux 3 Video अपने 1080p के 20 सेकंड के लिए 696 क्रेडिट माँगता है। Kling V3 1080p के दस सेकंड पर 303 क्रेडिट है। इस भाव पर तीस सेकंड के शॉट की एक भी नाकाम जनरेशन, और आपने सात यूरो खिड़की से बाहर फेंक दिए।
बैलेंसवह तुलना जो फ़ैसला कर देती है: तीस सेकंड, दो तरीक़े
Kling 2.5 Turbo पर पाँच सेकंड के छह शॉट 156 क्रेडिट के हैं, जबकि 720p में तीस सेकंड की एक जनरेशन 360 की: आधे से भी कम, और नतीजा देखने लायक़ ज़्यादा।
तीस सेकंड की फ़िल्म लीजिए और दोनों तरह से हिसाब लगाइए। तरीक़ा एक, एकल जनरेशन: Wan 3.0, तीस सेकंड, 720p, 360 क्रेडिट। एक क्लिक, एक इंतज़ार, और तीस सेकंड का एक ही लंबा शॉट।
तरीक़ा दो, 720p में Kling 2.5 Turbo पर पाँच सेकंड के छह शॉट, 26 क्रेडिट प्रति। कुल: 156 क्रेडिट। पाँच सेकंड के 48 क्रेडिट वाले Seedance 2.0 Fast से 288 क्रेडिट, फिर भी कम। और सबको जोड़ने वाली एडिटिंग की कोई क़ीमत नहीं, उस पर आगे आते हैं।
पर क़ीमत तो मुख्य तर्क भी नहीं है। छह शॉट के साथ, एक शॉट बिगड़े तो आप वही शॉट 26 क्रेडिट में दोबारा चलाते हैं। एकल जनरेशन में, बाईसवाँ सेकंड बिगड़े तो आप पूरे तीस दोबारा चुकाते हैं। असल में काम करते वक़्त यही असंतुलन मायने रखता है, शुरुआती बचत नहीं।
सिनेमा जो सौ साल से कर रहा है
किसी हालिया फ़िल्म में शॉट की औसत लंबाई कुछ सेकंड के आसपास होती है: कोई तीस सेकंड तक स्थिर शॉट नहीं देखता, और AI बस आपसे यही व्याकरण मनवा रहा है।
कोई भी विज्ञापन, कोई भी ट्रेलर, कोई भी म्यूज़िक वीडियो देखिए। शॉट गिनिए। तीस सेकंड के विज्ञापन में अक्सर दस बारह मिलेंगे। लंबा शॉट होता है, शानदार होता है, दुर्लभ होता है, और ख़ास लम्हों के लिए बचाकर रखा जाता है।
यादगार वीडियो कोई सुंदर तस्वीर नहीं जो देर तक टिकी रहे, वह एक भाव है जो बदलता है। और भाव कट से बदलता है: चेहरा दिखाओ, फिर वह जो वह देख रहा है, फिर काँपता हुआ हाथ। तीन सेकंड के तीन शॉट उसी फ़्रेम पर नौ सेकंड से अनगिनत गुना ज़्यादा कहते हैं।
तो हाँ, मॉडलों की बंदिश शुरू में झेलनी पड़ती है। पर वह आपको ठीक वहीं धकेलती है जहाँ जाना चाहिए था। आज जो सबसे अच्छे AI वीडियो बना रहे हैं वे तीस सेकंड का शॉट नहीं ढूँढ़ते, वे पाँच सेकंड के शॉट जोड़ते हैं।
मोंताज नोड, और यह कि उसकी कोई क़ीमत नहीं
मोंताज क्लिप जोड़ता है, काटता है, कट या फ़ेड और एक ध्वनि ट्रैक जोड़ता है, और एक्सपोर्ट आपके ही उपकरण पर गणना होता है, बिना एक भी क्रेडिट खर्च किए।
यही वह नोड है जो इस पूरे लेख का व्यावहारिक गणित बदल देता है। आप अपने वीडियो नोड्स को उसके क्लिप पोर्ट से जोड़ते हैं, या सीधे प्रोजेक्ट के मीडिया से उठाते हैं, और आपको एक टाइमलाइन मिलती है। हर क्लिप शुरू और अंत के साथ कटती है। दो क्लिप के बीच आप सीधा कट, डिज़ॉल्व या काले में जाना चुनते हैं।
वह स्थिर तस्वीरें भी लेता है, जिनकी अवधि तय की जा सकती है, जिससे दो चलती हुई शॉट्स के बीच कोई टाइटल कार्ड या उत्पाद की फ़ोटो डाली जा सके। और वह अलग अलग ऑडियो ट्रैक रखता है, हर ट्रैक की अपनी शिफ़्ट और अपना वॉल्यूम: एक तरफ़ आपकी वॉइस ओवर, दूसरी तरफ़ संगीत।
अहम बात: एक्सपोर्ट मुफ़्त है। गणना आपके ब्राउज़र में, आपकी मशीन पर होती है, और कोई क्रेडिट नहीं कटता। तो आप अपनी फ़िल्म पंद्रह बार दोबारा काट सकते हैं, तीन क्रम आज़मा सकते हैं, एक ट्रांज़िशन बदल सकते हैं, बिना कुछ चुकाए। बस एक्सपोर्ट के दौरान टैब खुला रखिए।
पूरा तरीक़ा, कार्ययोजना से एक्सपोर्ट तक
पहले शॉट्स में काटिए, हर शॉट को कुछ क्रेडिट की स्थिर तस्वीर से पक्का कीजिए, वीडियो सिर्फ़ पक्की तस्वीरों पर बनाइए, फिर जोड़िए।
चरण एक, काग़ज़ पर या किसी टेक्स्ट नोड में: अपने तीस सेकंड को शॉट्स में काटिए। पाँच सेकंड के छह, या तीन से पाँच सेकंड के आठ। लिखिए कि हर एक क्या दिखाता है। इसी को शॉट डिवीज़न कहते हैं, और इसमें दस मिनट लगते हैं।
चरण दो, और यही सबसे ज़्यादा बचाता है: वीडियो का पैसा देने से पहले हर शॉट को स्थिर तस्वीर में पक्का कीजिए। Flux 2 Klein की एक तस्वीर 3 क्रेडिट की है, एक वीडियो शॉट 26 से 96 का। आप फ़्रेम तय करते हैं, रोशनी सँवारते हैं, किरदार पक्का करते हैं, सब कुछ तस्वीर के भाव पर। यह तरीक़ा मैंने शूट से पहले AI स्टोरीबोर्ड में विस्तार से लिखा है।
चरण तीन: हर पक्की तस्वीर एक वीडियो नोड की शुरुआती तस्वीर बनती है। मॉडल फ़्रेम गढ़ने के बजाय उसे चलाता है जिसे आप पहले ही मंज़ूर कर चुके हैं। चरण चार: सब कुछ मोंताज में जाता है। इस चरण तक रचनात्मक काम का बड़ा हिस्सा हो चुका होता है।
एक शॉट से दूसरे तक निरंतरता बनाए रखना
किरदार के लिए एक संदर्भ नोड और सभी शॉट्स से जुड़ा एक शैली नोड, इतना काफ़ी है कि छहों क्लिप एक ही फ़िल्म के लगें।
शॉट दर शॉट एडिटिंग का असली ख़तरा यह है कि वह फ़िल्म नहीं, छह अलग वीडियो चिपके हुए लगे। किरदार का चेहरा बदलता है, रोशनी उछलती है, ग्रेन एक जैसा नहीं होता। यहीं कैनवास सुंदर होने के बजाय उपयोगी बन जाता है।
संदर्भ नोड किरदार को थामता है: उसे तीन तस्वीरें और एक नाम दीजिए, फिर अपने छहों प्रॉम्प्ट में @उल्लेख से बुलाइए। यह विषय AI में सुसंगत किरदार में विस्तार से है, और अगर कोई इंसान एक से ज़्यादा शॉट में आता है तो यही सबसे अहम ईंट है।
छहों नोड से जुड़ा एक शैली नोड कला निर्देशन थामता है: हर जगह वही रंग पट्टी, वही बनावट, वही रोशनी का बरताव। और एक साझा कैमरा नोड लेंस और अपर्चर की एकरूपता रखता है। छह शॉट के लिए तीन नोड, एक बार जोड़ दिए।
अंतिम तस्वीर: दो शॉट्स को बिना दिखने वाले कट के जोड़ना
कई मॉडल शुरुआती तस्वीर के अलावा अंतिम तस्वीर भी लेते हैं: अगला शॉट ठीक वहीं से शुरू हो सकता है जहाँ पिछला रुका था।
एक तरकीब है, उन लम्हों के लिए जब आपको सचमुच कट नहीं बल्कि निरंतरता चाहिए। कुछ मॉडल शुरुआती तस्वीर के अलावा एक अंतिम तस्वीर भी सँभालते हैं: आप शुरुआत और पहुँच देते हैं, वे दोनों के बीच का रास्ता बना देते हैं।
कैटलॉग में Seedance 2.0 और Seedance 2.0 Fast, Seedance 2.5, Kling V3, Wan 3.0 और Wan 3.0 Prime, MiniMax H3 तथा Veo 3.1 Fast अंतिम तस्वीर लेते हैं। चुना हुआ मॉडल यह कर सकता हो तो पोर्ट नोड पर अपने आप दिख जाता है, कोई छिपी सेटिंग ढूँढ़ने की ज़रूरत नहीं।
इससे निकलने वाली तकनीक: अपने पहले शॉट की आख़िरी तस्वीर लीजिए और उसे दूसरे शॉट की शुरुआती तस्वीर बनाइए। आपको पाँच सेकंड के दो क्लिप मिलते हैं जो बिना टूटे जुड़ जाते हैं, दो छोटे क्लिप की क़ीमत पर। बीस सेकंड की टिकाऊ गति ऐसे ही बनती है।
आवाज़: एक ही ट्रैक, छह नहीं
हर शॉट पर ऑडियो बनाने से छह ऐसे माहौल बनते हैं जो एडिटिंग में एक दूसरे से टकराते हैं: बेहतर है शॉट मूक हों और पूरे पर एक ध्वनि ट्रैक रखी जाए।
क्लासिक जाल, और दो बार महँगा। कई मॉडल ऑडियो का स्विच देते हैं, और वह अक्सर डिफ़ॉल्ट से चालू रहता है क्योंकि मूक वीडियो तुरंत पकड़ में आ जाता है। अकेले शॉट पर यह बिलकुल ठीक है।
पर एडिट होने वाले छह शॉट्स पर यह बुरा विचार है। हर जनरेशन अपना अलग माहौल गढ़ती है, और एडिटिंग में आप छह अलग कमरे सुनते हैं जो अचानक कटते हैं। और ऑडियो का पैसा लगता है: Veo 3.1 Lite पर 720p के आठ सेकंड बिना आवाज़ 29 क्रेडिट और आवाज़ के साथ 48 के हैं। छह बार में यह 114 क्रेडिट का अंतर है, वह भी एक बेकार नतीजे के लिए।
मूक बनाइए, फिर पूरे एडिट पर आवाज़ रखिए। एक वॉइस ओवर, एक संगीत, कुछ ध्वनि प्रभाव मोंताज नोड की ऑडियो ट्रैक्स पर सही जगहों पर, अपनी शिफ़्ट और अपने वॉल्यूम के साथ। फ़िल्म को वह एकता मिलती है जो अलग अलग आवाज़ लगाए शॉट्स को कभी नहीं मिलेगी।
लंबी जनरेशन फिर भी कब जायज़ है
लंबा शॉट उस निरंतर गति में अपनी जगह रखता है जिसे काटा नहीं जा सकता, किसी ट्रैवलिंग में या क्रमिक रूपांतरण में, और वहाँ क़ीमत चुकानी पड़ती है।
मैं यह नहीं कहूँगा कि लंबी जनरेशन कभी काम नहीं आती, वह बेईमानी होगी। कुछ मामलों में वही अकेला जवाब है। किसी सेट में लगातार ट्रैवलिंग, ऐसा रूपांतरण जो बिना रुके दिखना चाहिए, कोई नृत्य, कोई ऐसा शॉट जहाँ काटना ही असर को मार देगा।
इन मामलों में Wan 3.0 या Seedance 2.5 लीजिए और दर स्वीकार कीजिए। पर जानते हुए कीजिए: पहले तस्वीर में फ़्रेमिंग पक्की कीजिए, आज़माइशों के दौरान रिज़ॉल्यूशन गिराइए, और 1080p पर सिर्फ़ उस संस्करण के लिए जाइए जिसे आप अच्छा जानते हैं। Wan 3.0 पर 480p के तीस सेकंड 180 क्रेडिट के हैं जबकि 1080p के 720, और गति जाँचने के लिए 480p भरपूर है।
वैसे यही बाक़ी कैटलॉग का तर्क भी है: सबसे कम भाव पर खोजिए, ऊँचे भाव पर पक्का कीजिए। इस गणित का ब्योरा एक AI तस्वीर या वीडियो असल में कितने की पड़ती है में है, और सार्वजनिक कैलकुलेटर आपको एक क्रेडिट ख़र्च करने से पहले अपनी फ़िल्म का अनुमान लगाने देता है।
याद रखने लायक़ बातें
छोटे शॉट्स में तीस सेकंड एकल जनरेशन के आधे से भी कम में पड़ते हैं, शॉट दर शॉट सुधरते हैं, और मुफ़्त में जुड़ जाते हैं।
असली हदें: Wan 3.0, Wan 3.0 Prime और Seedance 2.5 पर 30 सेकंड, Flux 3 Video पर 20, Kling V3, Seedance 2.0, Wan 2.7 और Grok पर 15, Veo 3.1 पर 8। कोई भी मॉडल आपको एक बार में एक मिनट नहीं देगा, और यह अच्छा ही है।
जो तरीक़ा चलता है: काटिए, तस्वीर में पक्का कीजिए, पाँच सेकंड के शॉट बनाइए, संदर्भ नोड और शैली नोड से सुसंगति थामिए, जहाँ निरंतरता चाहिए वहाँ अंतिम तस्वीरों से जोड़िए, फिर एक बार में एडिट और साउंड कीजिए। एडिटिंग मुफ़्त होने से इकलौता ख़र्च शॉट्स का है।
पहली कोशिश के लिए, अगर आपने कभी जनरेट नहीं किया तो अपना पहला AI वीडियो लीजिए, और फिर लौटकर छह शॉट में तीस सेकंड की फ़िल्म बनाइए। Kling 2.5 Turbo पर क़रीब 156 क्रेडिट मानिए, यानी लगभग डेढ़ यूरो, एडिटिंग समेत।