Prompty do Gemini Omni 1.2 Flash: siedem zasad i dziewięć poleceń, które działają

👁 118 przeczytań

Gemini Omni 1.2 Flash rozumie polecenia po polsku i na pierwszy rzut oka nie wymaga żadnej specjalnej składni. Po 24 klipach z dnia premiery widzę jednak, że kilka nawyków robi ogromną różnicę: jedno zdanie przeciw cięciom, kwestie dialogowe w cudzysłowie, długość dobrana pod tekst. Poniżej zasady z dokumentacji Google, moje obserwacje i dziewięć poleceń, które zadziałały, do skopiowania.

Siedem zasad, które działają

1. Żądaj jednego ujęcia. Google pisze wprost, że model sam z siebie może dodawać cięcia. Fraza „jedno ciągłe ujęcie, bez cięć” (po angielsku „a single continuous shot”) to najprostszy sposób, żeby kamera prowadziła scenę od początku do końca. Bez niej w scenie z trzema osobami dostałem montaż na mówiącego, z nią obrót wokół postaci bez szwu.
2. Opisz ruch kamery jak operatorowi. Skąd startuje, co mija, gdzie się zatrzymuje. „Dron nurkuje między blokami, przelatuje nad trzepakiem, wlatuje przez drzwi” dało 15 sekund spójnego lotu.
3. Dialog w cudzysłowie, z mówiącym i językiem. „Pierwszy, w kaszkiecie, mówi po polsku z pretensją: …”. Bez „po polsku” model może uznać, że mowa ma być po angielsku.
4. Długość pod tekst. Około dwóch sekund na krótkie zdanie. W 6 sekundach dwie kwestie się nie zmieściły i model uciął pół zdania.
5. Zakazy wpisuj w treść. Omni nie ma pola na negatywny prompt. Piszesz „bez napisów i szyldów”, „No dialogue”, „bez dodatkowych efektów dźwiękowych”. Działa, choć nie zawsze: numery na koszulkach siatkarzy pojawiły się mimo zakazu.
6. Czas w scenie. Google radzi pisać „po 3 sekundach…” albo używać znaczników typu [0-5s]. Przydaje się w klipach 10-15 sekund, gdzie dzieje się kilka rzeczy po kolei.
7. Opisz dźwięk. Muzyka nie zawsze powstaje sama. „Cicha muzyka akustyczna”, „mocny bit hip-hopowy”, „skwierczenie grilla” dały dokładnie to, o co prosiłem.

Czego unikać

• Dzieci w kadrze. Polecenie z dziećmi grającymi w piłkę zostało odrzucone. Po zamianie na emerytów przeszło.
• Studia telewizyjnego z prezenterką. Dwie odmowy z rzędu, bez wyjaśnienia. Nauczycielka w klasie przeszła.
• Prawdziwych marek i logo. Testerzy z Segmind trafiali tu na filtr praw autorskich. Nazwy sklepów w dialogu przeszły, ale szyldów nie zamawiałem.
• Starych znaczników. Dokumentacja odradza tagi w rodzaju <FIRST_FRAME>. Rolę obrazu opisujesz zwykłym zdaniem: „ta sama scena i ci sami ludzie co na obrazie”.

Dziewięć poleceń do skopiowania

Każde z nich wygenerowało mi poprawny klip w 720p. Długość w nawiasie.

1. Przelot FPV jednym ujęciem (15 s)

Jedno ciągłe ujęcie FPV dronem, bez cięć: start wysoko nad polskim osiedlem z wielkiej płyty o zachodzie słońca, dron nurkuje między blokami, przelatuje nisko nad trzepakiem i ławką z dwoma emerytami, wlatuje przez otwarte drzwi do baru mlecznego, sunie nad ladą z pierogami i zatrzymuje się przy starszym panu jedzącym zupę, który podnosi wzrok do kamery. Naturalne dźwięki: wiatr, gwar osiedla, brzęk talerzy. Bez napisów i szyldów.

2. Obrót wokół postaci (6 s)

Kamera robi płynny pełny obrót wokół starszej pani sprzedającej jabłka na straganie na krakowskim rynku Kleparz w październikowe przedpołudnie. Pani uśmiecha się i poprawia chustę. Stała skala postaci, bez cięć. Gwar targu w tle. Bez napisów.

3. Dialog dwóch osób (8 s, w 6 s ucina)

Dwóch sąsiadów po pięćdziesiątce na ogródku działkowym przy grillu. Pierwszy, w kaszkiecie, mówi po polsku z pretensją: "Mówiłem ci, że kiełbasa ma być z Biedronki, nie z Lidla!". Drugi, w okularach, odpowiada spokojnie po polsku: "Zjesz i nie będziesz marudził.". Wyraźny ruch ust, naturalne głosy, skwierczenie grilla.

4. Trzy osoby przy stole (10 s)

Wigilia w polskim mieszkaniu, stół z barszczem i uszkami, choinka w tle. Trzy osoby rozmawiają po polsku, każda innym głosem. Babcia: "Kto zjadł ostatnie uszko?". Wnuczek, nastolatek, z pełną buzią: "Nie ja, przysięgam!". Mama się śmieje: "Masz uszko na brodzie.". Wyraźny ruch ust każdej osoby, kamera przenosi uwagę na mówiącego.

5. Jedna osoba do kamery (8 s)

Nauczycielka historii, kobieta około 40 lat w swetrze i okularach, stoi przy tablicy w klasie szkolnej bez uczniów w kadrze. Patrzy w kamerę i mówi wyraźnie po polsku: "Grunwald, rok tysiąc czterysta dziesiąty. Zapiszcie to sobie, bo w piątek kartkówka." Dokładny ruch warg, naturalna intonacja, jedno ciągłe ujęcie z lekkim najazdem kamery.

6. Ujęcie produktowe (8 s)

Reklama produktowa: słoik domowych ogórków kiszonych z koprem i czosnkiem na drewnianym stole w wiejskiej kuchni, poranne światło z okna. Kamera powoli okrąża słoik, ręka babci odkręca wieczko, para i krople solanki w zwolnionym tempie, ogórek wyjęty widelcem. Ciepłe kolory, płytka głębia ostrości, cicha muzyka akustyczna. Bez etykiet i napisów.

7. Anime (8 s)

Anime w stylu ręcznie rysowanych filmów kinowych: nocny tramwaj jedzie przez Warszawę w deszczu, w środku licealistka ze słuchawkami patrzy przez zaparowaną szybę na światła miasta, odbicia neonów bez liter na mokrym asfalcie. Kamera przesuwa się z zewnątrz tramwaju do środka przez szybę. Delikatny szum deszczu i stukot kół.

8. Rolka pionowa (8 s, 9:16)

Pionowa rolka: młoda tancerka w szerokich spodniach i bluzie tańczy hip-hop na dachu bloku nad Łodzią o zachodzie słońca, kamera z ręki krąży wokół niej, wiatr rozwiewa włosy, na końcu zatrzymuje się i patrzy w obiektyw. Mocny bit hip-hopowy, bez napisów.

9. Sport (6 s, z zastrzeżeniem)

Mecz siatkówki w hali, polska reprezentacja w biało-czerwonych strojach bez numerów i logo. Zawodnik wyskakuje do ataku, potężne zbicie, piłka odbija się od bloku i spada na boisko, kibice wybuchają radością. Dynamiczna kamera z boku boiska, dźwięk uderzenia piłki i krzyk trybun.

Akcja wyszła czytelnie, ale „bez numerów” model zignorował.

Czytasz Promptowego częściej? Dodaj go do preferowanych źródeł w Google, a nowe teksty będą wyżej w Twoich wynikach.

Ustawienia, od których zacząć

• Szkic: 360p, 5-8 sekund, stały seed. Kosztuje 0,09 zł za sekundę.
• Wersja do publikacji: 720p. Do sieci w zupełności wystarczy.
• 1080p i 4K to powiększanie. Zmiana samego parametru rozdzielczości generuje u pośredników nowy klip, a nie powiększa starego, więc najpierw wybierz, potem powiększ osobną funkcją.

Ceny wszystkich wariantów są w tekście ile kosztuje Gemini Omni 1.2, efekty tych poleceń w moim teście 24 klipów, a całość w hubie Gemini Omni Flash.