Generator promptów do wideo AI: jak pisać lepsze ujęcia

Generator promptów do wideo AI nie zastępuje reżysera — zastępuje niechlujny briefing. Najlepsze klipy z modeli generatywnych nie biorą się z bardziej poetyckich opisów, ale z krótszych i precyzyjniejszych specyfikacji: co jest w kadrze, jaką optyką patrzymy, skąd pada światło i co dokładnie dzieje się w ciągu pięciu sekund. Poniżej znajdziesz warsztatowy przewodnik po budowaniu takich promptów — warstwy opisu, przykłady, logikę iteracji i listę błędów, które kosztują najwięcej powtórzeń.

Prompt to specyfikacja zdjęciowa, a nie opis nastroju

Model wideo nie „rozumie” intencji. Przewiduje najbardziej prawdopodobny ciąg klatek przy zadanych warunkach. Prompt jest więc zbiorem ograniczeń, które zawężają przestrzeń możliwych wyników do jednego akceptowalnego przedziału. Zdanie „klimatyczny wieczorny kadr miasta” pozostawia modelowi setki decyzji: pora dnia, wysokość kamery, ogniskowa, obecność ludzi, źródła światła, kierunek ruchu. Zdanie „niski kadr z poziomu chodnika, 24 mm, mokry asfalt odbija światła samochodów, kamera powoli przesuwa się w prawo, w tle rozmyty tramwaj” zostawia ich kilka.

Różnica jest praktyczna, nie estetyczna. Pierwszy prompt wymaga zwykle kilkunastu generowań, żeby trafić w cokolwiek użytecznego. Drugi daje materiał nadający się do montażu w dwóch–trzech próbach. Dlatego pierwsza zasada brzmi: pisz prompt tak, jakbyś pisał zamówienie dla operatora, który nie może dopytać.

Trzy kryteria oceny promptu przed wysłaniem:

• Czy da się go sfilmować? Każdy element musi być rejestrowalny kamerą: konkretny obiekt, konkretne światło, konkretny ruch.
• Czy jest jednoznaczny? Jeśli dwie osoby przeczytają go inaczej, model też odczyta go inaczej.
• Czy ma hierarchię? Najważniejsza informacja na początku, szczegóły dekoracyjne na końcu.

Siedem warstw, z których składa się dobry prompt

Zamiast jednego długiego zdania warto budować prompt warstwami i w każdej warstwie podejmować świadomą decyzję. Ten układ działa niezależnie od narzędzia — także wtedy, gdy generujesz klipy przez generator wideo AI Orelon.

Warstwa 1: podmiot i akcja

Podmiot nazywaj konkretnie: „starsza kobieta w wełnianym płaszczu”, nie „osoba”. Akcja musi być widoczna i domknięta w czasie klipu — „podnosi filiżankę do ust”, nie „rozważa picie kawy”. Jeśli scena wymaga trzech następujących po sobie gestów, rozbij ją na trzy ujęcia. Model lepiej realizuje jeden ruch niż sekwencję.

Warstwa 2: kadr i optyka

Podaj plan (detal, zbliżenie, plan średni, plan ogólny, plan szeroki) oraz ogniskową, bo ona definiuje perspektywę i deformację. 24–28 mm daje przestrzeń i dynamikę, 50 mm naturalną proporcję, 85–135 mm kompresję tła i portretową izolację. Dopisz wysokość kamery: „na wysokości oczu”, „z poziomu podłogi”, „lekko z góry”. To najczęściej pomijane ustawienie, a odpowiada za dużą część różnicy między kadrem amatorskim i filmowym.

Warstwa 3: ruch kamery

Wybierz jeden ruch i nazwij go jednoznacznie: kamera statyczna na statywie, powolny najazd, odjazd, panoramowanie w prawo, ujęcie z ręki, steadicam, dron. Ruchy łącz tylko wtedy, gdy mają wspólną oś — „najazd z równoczesnym lekkim podniesieniem” jest zrozumiały, „najazd, obrót i odjazd naraz” kończy się chaosem. Jeśli ruch nie jest potrzebny, napisz to wprost.

Warstwa 4: światło

Światło opisuj źródłem i kierunkiem, nie nastrojem. „Miękkie światło z okna po lewej, delikatna kontra z prawej” mówi modelowi więcej niż „ciepły, przytulny klimat”. Warto podać warunki: złota godzina, pochmurny dzień, noc z praktycznymi źródłami w kadrze (lampy, neony, reflektory samochodów), światło odbite od śniegu. Dodaj informację o kontraście: „wysoki kontrast, głębokie cienie” albo „płaskie, miękkie światło bez twardych cieni”.

Warstwa 5: paleta i temperatura barwowa

Trzy do pięciu kolorów to zwykle optimum. „Chłodne błękity z jednym ciepłym akcentem” to konkretna decyzja kolorystyczna; „ładne kolory” to brak decyzji. Jeśli budujesz serię ujęć, zapisz paletę raz i powtarzaj ją w każdym prompcie — to najprostszy sposób na spójność bez referencji obrazowych.

Warstwa 6: tekstura i format

Model potrzebuje informacji o materiale obrazu: czyste cyfrowe renderowanie, delikatne ziarno 16 mm, kontrastowa czerń i biel, look anamorficzny z flarami, styl dokumentalny z lekkim drżeniem. Określ też proporcje kadru, jeśli narzędzie na to pozwala — pion 9:16 zmienia kompozycję i sposób kadrowania twarzy.

Warstwa 7: czas i tempo

Powiedz, co dzieje się na początku i na końcu klipu. „Zaczyna się na pustej ulicy, w połowie w kadr wchodzi rowerzysta, kończy się, gdy przejeżdża za kadr” to gotowy plan ujęcia. Określ też tempo: „powolne, spokojne”, „szybkie, nerwowe cięcia wewnątrz ujęcia”. Bez tego model narzuca własne, zwykle przypadkowe.

Kontrola ruchu: najczęstsze źródło rozczarowań

Ruch to miejsce, w którym generatory wideo najczęściej zawodzą, i miejsce, w którym prompt najmniej precyzyjnie cokolwiek opisuje. Warto rozdzielić trzy niezależne rodzaje ruchu i traktować je osobno.

• Ruch podmiotu — co robi postać lub obiekt. Powinien być prosty i jednostkowy.
• Ruch kamery — jaki jest punkt widzenia i jak się zmienia. Jeden kierunek, jedna prędkość.
• Ruch otoczenia — wiatr w liściach, dym, woda, przechodnie, deszcz. To najtańszy sposób dodania realizmu, bo model dobrze radzi sobie z drobnymi, ciągłymi ruchami w tle.

Najczęstszy błąd to opisanie trzech ruchów naraz bez hierarchii: „kamera wiruje wokół tancerza, który obraca się i podrzuca szal, a w tle przejeżdża pociąg”. Model wybierze jeden z tych elementów i pominie pozostałe, zwykle nie ten, na którym najbardziej ci zależało. Rozwiązanie: jeden ruch dominujący plus jeden drobny akcent w tle.

Tempo opisuj czasownikami, nie przymiotnikami. „Powoli” jest względne; „przesuwa się o szerokość kadru w ciągu całego klipu” jest jednoznaczne. W praktyce wystarczy sformułowanie typu „bardzo wolny najazd, ledwo zauważalny”, ale warto je powtarzać konsekwentnie w całej serii.

Negacje: jak mówić „nie”, żeby model posłuchał

Większość współczesnych modeli wideo lepiej reaguje na opisy pozytywne niż na listy zakazów. Zdanie „bez ludzi” bywa odczytywane jako sugestia obecności ludzi, bo model przetwarza obecność pojęcia, a nie jego zaprzeczenie. Dlatego negacje stosuj oszczędnie i zawsze w parze z tym, co ma być zamiast nich.

Zamiast „bez samochodów” napisz „pusta ulica, tylko bruk i latarnie”. Zamiast „bez tekstu na ekranie” napisz „czysty obraz, brak napisów i logotypów”. Jeśli narzędzie ma osobne pole negatywne, wykorzystaj je do rzeczy naprawdę krytycznych: zniekształcone dłonie, dodatkowe kończyny, rozmazane twarze, przypadkowe napisy, artefakty agua. W polu głównym nie powtarzaj tych samych zakazów — osłabiają pozytywny opis.

Krótka lista wykluczeń, którą warto mieć pod ręką przy realistycznych ujęciach z ludźmi:

• zdeformowane dłonie i palce,
• dodatkowe kończyny lub głowy w kadrze,
• przypadkowe napisy, znaki wodne, logotypy,
• rozmyta twarz przy ostrym otoczeniu,
• przeskoki proporcji ciała między klatkami,
• „plastikowa” skóra bez tekstury.

Iteracja: metoda trzech przebiegów

Prompt rzadko jest gotowy za pierwszym razem i nie powinien być. Profesjonalny workflow to trzy świadome przebiegi, z których każdy odpowiada na inne pytanie.

Przebieg 1 — czy kompozycja i akcja są właściwe?

Wyłącz na chwilę myślenie o estetyce. Sprawdź, czy kadr, plan i ruch odpowiadają pomysłowi. Jeśli tak, zapisz ten prompt jako bazę. Jeśli nie, popraw tylko warstwy 1–3. Nie dodawaj szczegółów świetlnych, dopóki kompozycja nie działa — inaczej nie będziesz wiedzieć, co było przyczyną błędu.

Przebieg 2 — czy światło i paleta są spójne?

Dopiero teraz doprecyzuj warstwy 4–6. Zmieniaj jedną rzecz na raz: najpierw kierunek światła, potem kontrast, potem paletę. Zapisuj, co zmieniłeś, bo wrażenie „ten klip jest lepszy” bez notatki nie da się powtórzyć przy kolejnym ujęciu.

Przebieg 3 — czy obraz jest czysty?

Ostatni przebieg to higiena: usuwanie artefaktów, dopracowanie tekstury, dodanie negacji tam, gdzie model konsekwentnie popełnia ten sam błąd. Na tym etapie prompt zwykle się skraca, nie wydłuża — jeśli coś działa, nie trzeba tego tłumaczyć trzeci raz.

Prosty log wersji wygląda tak:

Wersja	Zmiana	Wynik	Decyzja
v1	baza: plan średni, 50 mm, światło okno lewe	kompozycja dobra, twarz miękka	zostaw kadr
v2	+ kontra z prawej, + ziarno 16 mm	lepsza separacja od tła	zostaw
v3	+ negacje dłoni i napisów	czysto, brak artefaktów	finalna

Taki log jest wart więcej niż dziesięć zapisanych promptów bez kontekstu. Wracasz do niego przy kolejnym projekcie i od razu wiesz, które decyzje się sprawdziły.

Trzy gotowe przykłady do adaptacji

Poniższe szkice są celowo napisane w formie specyfikacji. Podmień podmiot i lokalizację, zachowując strukturę.

Ujęcie produktowe

Zbliżenie na szklaną butelkę stojącą na matowej betonowej powierzchni, kamera statyczna na statywie, 85 mm, wysokość kamery na poziomie etykiety. Jedno źródło światła z lewej pod kątem 45 stopni, wąska smuga na szkle, delikatna kontra z prawej. Powolny ruch mgły w tle, ciemne szare tło, chłodna paleta z jednym ciepłym odbiciem. Czyste cyfrowe renderowanie, brak napisów, brak dłoni w kadrze.

Co tu pracuje: jedno źródło światła, jedna ogniskowa, jeden ruch w tle. Klip jest nudny w dobrym sensie — nie ma się w nim wydarzyć nic poza uwypukleniem materiału produktu.

Portret postaci

Plan średni, kobieta około czterdziestki w wełnianym płaszczu, siedzi przy oknie i powoli podnosi filiżankę do ust, wzrok skierowany poza kadr. 50 mm, kamera na wysokości oczu, bardzo wolny najazd o pół szerokości kadru. Miękkie światło dzienne z okna po lewej, cień na prawej stronie twarzy, niski kontrast, naturalna tekstura skóry z widocznymi porami. Ciepła paleta z chłodnym akcentem w tle. Ujęcie z ręki, minimalne drżenie.

Co tu pracuje: akcja jest jedna i domknięta, a światło ma kierunek. Dodanie „naturalna tekstura skóry” zapobiega efektowi wygładzonej, sztucznej twarzy.

Scena plenerowa

Plan ogólny, opuszczona stacja benzynowa o zmierzchu, mokry asfalt odbija światło pojedynczej lampy, w tle ciemne wzgórza. 24 mm, kamera na wysokości metra, powolne panoramowanie w prawo. Światło praktyczne w kadrze plus resztkowe światło nieba po zachodzie, chłodne błękity przełamane ciepłą lampą. Delikatny deszcz, lekki wiatr poruszający trawą. Format poziomy, subtelne ziarno, wysoki kontrast w cieniach.

Co tu pracuje: ruch otoczenia (deszcz, trawa, odbicia) buduje realizm taniej niż jakikolwiek opis postaci. To dobra baza dla ujęć establishingowych, które mają być tłem dla narracji.

Spójność między ujęciami: trzy narzędzia

Pojedynczy ładny klip to nie film. Spójność buduje się na trzy sposoby, a dobór metody zależy od tego, co ma zostać stałe.

Notatka o stylu (style bible). Jednostronicowy dokument z paletą, kierunkiem światła, ogniskową, teksturą i tempem. Kopiujesz z niego frazy do każdego promptu. To najtańsza metoda, działa przy każdej liczbie ujęć i nie wymaga żadnych referencji graficznych.

Referencja obrazowa. Jeśli postać lub wnętrze muszą wyglądać identycznie, klatka referencyjna jest skuteczniejsza niż opis słowny. Warto przygotować ją w generatorze obrazów i używać konsekwentnie jako punktu startu dla wszystkich ujęć z tej samej sceny.

Kluczowa klatka i przedłużanie. Zamiast opisywać całą scenę w jednym prompcie, wygeneruj pierwszą klatkę, zaakceptuj ją, a następnie buduj kolejne ujęcia jako kontynuację. Zmniejsza to liczbę zmiennych — model nie musi zgadywać wyglądu bohatera, bo już go widzi.

Niezależnie od metody zapisuj każdy zaakceptowany prompt razem z krótką notatką, dlaczego działa. Z czasem powstaje biblioteka własnych schematów, która skraca start nowego projektu z godzin do minut. Warto zacząć od gotowych szablonów ujęć i potraktować je jako punkt wyjścia do własnych modyfikacji.

Typowe błędy i jak je naprawić

Przeładowanie. Prompt na 200 słów z dziesięcioma szczegółami naraz. Model realizuje część, resztę interpretuje. Naprawa: zostaw siedem warstw, ale po jednym elemencie na warstwę.

Sprzeczności. „Miękkie światło studyjne” i „ostre cienie o zachodzie” w jednym zdaniu. Naprawa: przeczytaj prompt i sprawdź, czy każde dwa opisy światła mogą wystąpić jednocześnie.

Brak źródła światła. „Ciemna, tajemnicza scena” bez informacji, skąd światło pochodzi, kończy się szarą plamą. Naprawa: zawsze wskaż źródło, nawet jeśli jest poza kadrem.

Mieszanie stylów. „Fotorealistyczny dokument o superbohaterze z anime” to prośba o kompromis, który zwykle wypada źle. Naprawa: wybierz jeden rejestr i trzymaj go w całej scenie.

Brak ruchu w statycznym kadrze. Model wypełnia pustkę wymyślonym ruchem. Naprawa: dopisz jeden drobny ruch otoczenia — dym, kurz, drganie liści.

Zbyt długie zdania. Wielokrotnie złożone opisy gubią hierarchię. Naprawa: krótkie zdania, każdy element oddzielony kropką lub przecinkiem, bez wtrąceń.

Brak wersjonowania. Dwa podobne prompty bez notatek i nie wiadomo, który dał lepszy wynik. Naprawa: log wersji opisany wyżej.

Ignorowanie proporcji kadru. Kompozycja pozioma przeniesiona do pionu ucina głowy. Naprawa: przy pionie 9:16 planuj ciało od pasa w górę i zapisuj to w prompcie.

Kiedy używać generatora promptów, a kiedy pisać ręcznie

Generator promptów przydaje się w trzech sytuacjach: gdy zaczynasz i brakuje ci słownictwa technicznego, gdy potrzebujesz wielu wariantów tego samego ujęcia do testów oraz gdy pracujesz w zespole i chcesz ujednolicić język opisu. Wtedy warto skorzystać z biblioteki promptów i potraktować wyniki jako szkice.

Ręczne pisanie wygrywa, gdy masz konkretną wizję i wiesz, czego nie chcesz. Automatyczne rozwijanie opisu często dodaje elementy, których nie potrzebujesz — dodatkowych postaci, ozdób, ruchu. W takiej sytuacji szybciej napisać siedem warstw samodzielnie niż redagować cudzy tekst.

Kryterium decyzyjne jest proste: jeśli potrafisz opisać ujęcie trzema zdaniami, pisz ręcznie. Jeśli nie potrafisz, użyj generatora jako rozgrzewki, a potem i tak przepisz wynik swoim językiem.

Checklista przed kliknięciem „generuj”

1. Podmiot jest nazwany konkretnie i występuje w pierwszym zdaniu.
2. Jest jedna akcja, domknięta w czasie klipu.
3. Podany jest plan i ogniskowa.
4. Podany jest jeden ruch kamery albo informacja, że kamera jest statyczna.
5. Światło ma źródło i kierunek.
6. Paleta ma trzy do pięciu kolorów.
7. Opisana jest tekstura i format obrazu.
8. Negacje są krótkie i nie powtarzają opisu pozytywnego.
9. Prompt mieści się w dwóch–czterech zdaniach.
10. Wiesz, co sprawdzisz w pierwszym przebiegu iteracji.

Jeśli którykolwiek punkt jest niejasny, popraw prompt przed generowaniem — kosztuje to mniej niż analiza nieudanego klipu.

FAQ: pytania, które pojawiają się najczęściej

Ile słów powinien mieć prompt do wideo AI?

Najczęściej wystarczy 40–80 słów, czyli dwa do czterech zdań. Dłuższe prompty działają tylko wtedy, gdy każdy element jest niezależny i konkretny. Jeśli po przekroczeniu 100 słów wynik się pogarsza, to znak, że opis zawiera sprzeczności albo powtórzenia.

Czy język promptu ma znaczenie?

Modele radzą sobie z wieloma językami, ale terminologia techniczna bywa najstabilniejsza po angielsku. Praktyczna strategia: pisz w języku, w którym myślisz, a nazwy techniczne (plan, ogniskowa, rodzaj ruchu kamery) wstawiaj w formie utrwalonej. Ważniejsza od języka jest konsekwencja — ten sam termin w całej serii ujęć.

Dlaczego model zmienia twarz bohatera między ujęciami?

Bo opis słowny nie definiuje tożsamości twarzy. Rozwiązaniem jest klatka referencyjna zamiast kolejnych przymiotników oraz krótsze ujęcia, w których twarz jest równie dobrze widoczna. Pomaga też rezygnacja z bardzo szerokich planów przy portretach.

Jak opisać ruch, którego model nie potrafi powtórzyć?

Rozbij go na kilka ujęć. Jeśli scena wymaga trzech gestów, trzy krótkie klipy zmontowane razem dają lepszy efekt niż jeden prompt z listą czynności. To również wygodniejsze na etapie montażu, bo masz alternatywy.

Czy negacje działają lepiej w osobnym polu?

Zwykle tak. Pole negatywne jest przeznaczone na rzeczy krytyczne: artefakty anatomiczne, napisy, znaki wodne. W polu głównym pisz pozytywnie. Jeśli narzędzie nie ma osobnego pola, użyj krótkiej listy wykluczeń na końcu promptu.

Jak szybko sprawdzić, czy prompt jest dobry?

Wygeneruj trzy klipy i oceń je po jednym kryterium: czy kompozycja i akcja są zgodne z opisem. Jeśli tak, prompt jest dobry, a różnice estetyczne dopracujesz w drugim przebiegu. Jeśli nie, problem jest w warstwach 1–3 i nie warto poprawiać światła.

Czy warto zapisywać nieudane prompty?

Tak, ale z dopiskiem, co poszło nie tak. Biblioteka błędów bywa cenniejsza od biblioteki sukcesów, bo ostrzega przed powtarzaniem tych samych schematów przy kolejnym projekcie.

Od dobrego promptu do gotowego klipu

Dobry prompt jest krótki, konkretny i hierarchiczny. Zawiera podmiot, jedną akcję, jeden ruch kamery, źródło światła i decyzję kolorystyczną. Reszta to iteracja: sprawdź kompozycję, potem światło, na końcu czystość obrazu. Zapisuj wersje, bo pamięć zawodzi szybciej niż log.

Najprostszy sposób, żeby przećwiczyć ten warsztat, to wygenerować serię trzech ujęć w jednym stylu: portret, detal i plan ogólny. Jeśli wszystkie trzy wyglądają, jakby pochodziły z tej samej sceny, twoja notatka o stylu działa. W Orelon możesz zacząć od jednego promptu, porównać warianty obok siebie i dopracować ujęcie bez wychodzenia z projektu — a jeśli chcesz najpierw zobaczyć, jak wyglądają gotowe przykłady kinowych kadrów, zajrzyj na blog Orelon. Kinowa idea zaczyna się od zdania, które da się sfilmować.