May-akda: Changan I Biteye Content Team
Maaari ba ang isang tao na kailanman ay hindi nag-edit ng video na gumawa ng isang AI short video na may kuwento, diyalogo, at pagbabago ng camera shot?
Oo, at ang buong proseso ay hindi hihigit sa isang araw.
Ang artikulong ito ay tututol sa iyo kung paano mula sa pag-iisip ng isang kuwento → paghahati nito sa mga storyboard → pagbuo ng video → pag-edit hanggang sa tapos na pelikula.
Walang kailangang kaalaman, sundin lang ang isang beses, at makakakuha ka ng isang buong AI short video.
Isa: Mula sa ideya hanggang sa kuwento: Ang AI video ay hindi nagmumula sa isang prompt lang
Ang maraming tao ay nagsisimula sa paggawa ng AI video sa pamamagitan ng pagbuksan ang Jimeng, at nagtatagal sa harap ng input box, hindi alam kung ano ang dapat isulat. Pagkatapos ay isusulat nila ang ilang mga salita, ngunit ang resulta ay malayo sa kanilang imahinasyon, kaya sila ay nagsisimula na mag-iiwan kung ang tool ay hindi epektibo o kung sila ay hindi marunong sumulat ng prompt.
Halimbawa, “Gusto kong gumawa ng isang Biteye na maliit na kapatid na bumalik sa crypto world bilang isang malaking figure,” isang ideya ito, hindi isang kuwento.
Ang ideya ay isang direksyon, ito ang nagtuturo sa iyo kung ano ang dapat gawin nang pangkabuuan. Ang kuwento ay isang istruktura, ito ang nagtuturo sa iyo kung anong eksaktong eksena ang dapat i-film. Mula sa ideya patungo sa kuwento, may isang proseso na kailangang gawin, at ang prosesong ito ay ang pagpaplano ng iskrip.
Ang pinakasimpleng paraan ay buksan ang anumang LLM, sabihin nang direkta sa ito ang malabo mong ideya, at hayaan itong tulungan kang palawakin ang kuwento. Hindi mo kailangang isipin nang malinaw ang lahat ng detalye—kailangan mo lang magbigay ng direksyon, at ang natitira ay maaari mong i-derive kasama ito.
Matapos matukoy ang kuwento, huwag agad hatiin ang mga shot; unang hatiin ito sa ilang malalaking bahagi batay sa ritmo ng pagsasalaysay, at tukuyin kung ano ang pangunahing pangyayari sa bawat bahagi. Ang hakbang na ito ay para kontrolin ang pangkalahatang ritmo at maiwasan ang pagiging masyadong mabagal o masyadong mabilis ng isang bahagi.
Ang pinakamahabang tagal ng isang video sa Ji Meng ay 15 segundo, at sa praktikal na paggamit, ang mas稳定 ay ang mga video na 12 segundo pababa, na may pinakamababang posibilidad ng mga problema sa larawan. Para sa isang 1-minutong final video, batay sa average na 10 segundo bawat fragment, kailangan mo ng humigit-kumulang 5 na fragment.
Ibinahagi namin ang kuwento sa limang seksyon:
Pahina isa: Ang pagsisimula, ang pangunahing gawain ay ipaliwanag ang setting at mga karakter.
Pangalawang talata: Ang paglalakbay ay ang pangunahing gawain upang ipaliwanag ang timeline.
Pangkat tatlo: Ipakita ang pagbabago ng karakter mula sa pagkakalito patungo sa pagkabigay-pansin.
Kalkulahin ang yaman at ihina ang emosyon.
Panglimang talata: Kumpleto ang reversal at isara ang loop sa unang bahagi.
Pagkatapos matukoy ang bawat talata, hiwalayin ang bawat talata sa mga tiyak na deskripsyon ng mga shot. Isulat ang apat na elemento sa bawat shot: pangunahing imahe, lokasyon, ano ang ginagawa, at ang angle ng pagkuha. Huwag isulat ang galaw sa mga shot, tanging ang nakapirming sandali ang ilarawan.
Kopyahin ang iskrip ng seksyon uno sa AI chat box, ipasok ang “Tulongan mo akong gumawa ng mga deskripsyon ng shot batay sa iskrip ng Skenario Uno,” at ang resulta ay ganito👇
Dalawa: Mula sa kuwento patungo sa larawan: Unang i-lock ang mga karakter, setting, at storyboard
Ito ang pinakamahalagang kabanata sa buong proseso; ang kalidad ng mga larawang iyong ginawa dito ay direktang nagtatakda sa pinakamataas na kalidad ng final na video.
Gawin muna ang three views, i-lock ang iyong pangunahing karakter
Bago gumawa ng anumang storyboard, ang unang bagay ay gawin ang three-view drawing ng pangunahing karakter.
Ang three-view diagram ay ang tatlong larawan ng parehong karakter—mula sa harapan, gawing gawing, at likuran—na layunin ay magtakda ng tiyak na anyo ng karakter, upang maging gabay ang mga larawang ito sa anumang eksena na gagawin upang panatilihin ang pagkakatulad ng karakter.
Kung iiwasan mo ang hakbang na ito at direktang gagawa ng storyboard, makikita mo na ang bawat karakter ay may iba’t ibang anyo—nagbabago ang hairstyle at hugis ng mukha—at hindi na makakapagpatuloy ang video na ito.
Buksan ang ChatGPT/Seedream, ipasok sa chat box:
Gumawa ng isang three-view diagram ng Biteye Little Sister
Gagawa ang AI ng isang larawan na naglalaman ng tatlong pananaw ng iisang tauhan. Kung ang resulta ay malayo sa iyong hinahanap, maaari mong i-upload ang reference image.
Pagkatapos makamit ang magandang three-view, i-download ang larawang ito, at bawat paggawa ng video sa hinaharap, i-upload muli ito bilang referensya.
Gumawa ulit ng reference image ng scenario, i-lock ang iyong background
Pagkatapos matukoy ang karakter, gamitin ang parehong lohika at gumawa muna ng isang reference image ng iyong eksena, type sa chat box: “Tulongan mo akong gumawa ng isang larawan ng opisina”
Bago magsimula sa paggawa ng storyboard, kailangan mong maunawaan ang isang pangunahing konsepto: ang shot ay ang pinakamaliit na yunit ng pagpapahayag sa video.
Ang mga lens ay may kakayahan ring magsalita; iba’t ibang uri ng framing ay nagpapadala ng iba’t ibang impormasyon. Karaniwang mga uri ng framing ay ang mga sumusunod:
Wide shot: Nagbibigay ng impormasyon; sa pamamagitan ng wide shot, alam ng manonood kung saan nangyayari ang eksena at sino ang mga karakter.
Medium shot: Ang pinakakaraniwang shot sa pagsasalaysay na nagpapakita ng mga galaw at ekspresyon ng mukha upang mapagtagumpayan ang kuwento.
Close-up: Ang paggawa ng emosyon, ang frame ay nakafokus lamang sa mukha, kamay, o isang mahalagang bagay, pinapalaki ang detalye upang magbigay ng malakas na epekto sa emosyon sa manonood.
Pagkatapos maintindihan ang isang shot, kailangan mong umakyat pa isa pang antas: ang isang video ay hindi isang shot, kundi ang resulta ng maraming shot na pinagsama sa isang ritmo.
Sa praktikal na paggawa, karaniwang ginagamit namin ang “4-square” at “9-square” upang ayusin ang istruktura ng mga shot sa isang video—ibig sabihin, ayusin ang 4 o 9 na shot upang makumpleto ang isang buong pagpapahayag.
Ang pagpili sa 4-square at 9-square ay sa kanyang pinakamalalim na anyo ay kontrol sa ritmo:
Mga bahagi na may mabagal na ritmo: tulad ng pagpapakilala sa kapaligiran sa simula o pagtatapos ng emosyon, sapat na ang apat na grid—may sapat na espasyo ang apat na shot para sa bawat larawan na huminga.
Mabilis na bahagi: tulad ng climax ng pakikidigma, kailangan ng maraming pagbabago ng kamera upang lumikha ng tensyon; sa panahong ito, gamitin ang 3x3 grid, kung saan ang siyam na mga shot ay naka-press sa isang video, at iba ang pakiramdam kapag ikinukumpara.
Pagkatapos maunawaan ang mga shot at ritmo, maaari nang magsimula sa aktwal na paggawa: pagpapalit ng abstrakong kuwento sa mga konkretong imahe.
Kapag naka-prepare na ang three-view ng character at ang reference image ng scene, ang susunod na gagawin ay isalin ang bawat isang deskripsyon ng storyboard na naisulat sa isang visualization. Ang dahilan ay simpleng: mas mahusay ang AI sa paghahandle ng “tiyak na isang frame” kaysa sa “patuloy na pagbabago”, at maaari itong mabawasan ang rate ng pagkakamali.
Ang specific na paraan ay:
I-upload ang three-view ng karakter at ang mga reference image ng eksena sa chat ng ChatGPT bawat beses na lumilikha ng isang shot, pagkatapos ay ipasok ang prompt na ginawa para sa paglikha ng storyboard.
Gumawa ng isang four-panel storyboard na batay sa synopsis ng kuwento + description ng mga panel (kasama ang mga panel wordings na na-generate ng AI), kasama ang larawan ng setting at larawan ng karakter
Ang modelo ay magdedepende sa iyong ibinigay na mga shot info upang hatiin ang eksena na ito sa apat na larawan, at tiyakin ang pagkakatulad ng mga tauhan at escena, ang epekto ay ganito:
💡 Mga Maliit na Tip, may ilang karaniwang pagkakamali sa text-to-image, at ang pagkakaalam nito sa harap ay makakatipid ng maraming pagkakataon:
Gusto mong lumikha ng eksena kung saan ang karakter ay humahawak ng cellphone habang naglalaro; ang screen ng cellphone ay awtomatikong tumutok sa manonood. Ang lohika ng AI ay upang gawing "mababasa ang nilalaman", kaya ang paglalaro ay naging pollution source ng imahe. Ang tamang paraan ay: "Hawakan ang cellphone nang horizontal gamit ang dalawang kamay, ang screen ay nakatutok sa mukha ng karakter, at ang likod ng cellphone ay nakatutok sa kamera."
Ang mga propesyonal na termino ay magpapalink sa AI sa buong iskena: pag-isulat ang “nurse,” ang AI ay magkakaroon ng imahe ng ospital; pag-isulat ang “koch,” ang AI ay magkakaroon ng imahe ng kusina. Ang tamang paraan ay: i-deskripsyon mo lang ang iyong tunay na hinahanap na kasuotan, huwag isama ang pangalan ng propesyon.
Ang text-to-image ay nagkakaroon lamang ng static na imahe, at ang "tumitingin sa gilid" ay walang katumbas na visual na estado. Ang tamang paraan ay: maglalarawan lamang ng mga bagay na umiiral sa frame na iyon.
Tatlo: Mula sa imahe patungo sa video: Isulat ang mga prompt na may galaw, huwag i-rewrite ang imahe
Nakapaghanda na ang mga storyboard, ngayon ay gagawin natin itong mga nagmumove na video.
🌟 Mag-register at maging isang pangarap
Buksan ang browser at maghanap ng 「Ji Meng AI」, pumunta sa opisyal na website. Klikin ang login sa kanang itaas, maaaring mag-register gamit ang TikTok account o numero ng cellphone, at maaaring ma-access nang direkta sa loob ng bansa.
Maaaring mag-generate ng libreng 15-s oras na video para sa mga bagong user, at kung kailangan ng membership, sinuri rin ni Biteye Small Sister ang mga presyo ng Seedance 2.0 sa iba’t ibang platform, tingnan ang detalye sa: >>> <u>Lumabas na ang Gabay sa Pinakamababang Gastos sa Pag-subscribe sa Seedance 2.0!</u>
🌟 Paano isulat ang video prompt?
Ito ang pinakamahalagang bahagi sa hakbang na ito, at ang pinakakaraniwang pagkakamali ng mga baguhan.
Ilagay muna ang lahat ng reference images, ang Dream ay sumusuporta sa pag-upload ng maraming reference images nang sabay-sabay—simpleng i-drag ang mga larawan sa chat box. Ilagay ang lahat ng materyales na iyong handa sa nakaraang kabanata—mga three-view character reference, reference images ng setting, mga storyboard sa 4-grid o 9-grid—lahat nito nang sabay-sabay, at ang Dream ay magkakaroon ng komprehensibong pag-unawa sa lahat ng impormasyon mula sa mga larawan upang makagawa ng video.
Maraming mga baguhan ang nagkakamali dito sa pamamagitan ng pagrerepaso ng kung ano ang nakikita sa screen. Ang pangarap ay nakikita na ang iyong nai-upload na larawan, kaya hindi mo kailangang sabihin muli kung ano ang nasa screen.
Ang mga prompt ay dapat isulat nang: Ano ang gumagalaw sa larawan, paano ito gumagalaw, kung may galaw ba ang camera, at ano ang nangyayari sa bawat panahon.
Gumamit ng template na ito, bawat linya ay tumutugma sa isang panahon sa video:
Gumawa ng isang video batay sa mga frame na nabanggit sa itaas.
[Simula sa segundo hanggang wakas na segundo], [uri ng eksena], [uri ng paggalaw ng kamera], [tauhan o pangunahing bagay] + [tiyak na galaw], epekto ng tunog: [deskripsyon ng tunog].
🌟 Ang paglalarawan ng tinig ay ang pinakamadaling nakakalimutan ng mga baguhan; kung may diyalogo sa video, hindi sapat ang pagsulat ng “tinig ng pag-uusap” lamang, dahil ang modelo ay magkakaroon ng random na tinig bilang referensya. Upang siguraduhin ang pagkakatulad ng tinig ng karakter sa maraming video, may dalawang paraan:
1️⃣ Gamitin ang audio sa unang paragrafo bilang referensya
Unang i-generate ang unang video, at pagkatapos ay i-export ang audio nito nang hihiwalay kung nasisiyahan ka sa resulta. Sa bawat susunod na segment, i-upload ang audio na ito bilang reference sa tinig, upang makatulong sa AI na kopyahin ang tono ng boses para sa mga susunod na bahagi at mapanatili ang pagkakatulad ng tinig.
2️⃣ Gamitin ang Fish Audio para sa reference tone
Buksan ang Fish Audio, hanapin ang tunog na angkop sa karakter, marinig muna ang isang bahagi bilang reference audio, at i-download ito. Gamitin ang parehong reference audio sa bawat video para magkaroon ng pare-parehong tunog sa buong video.
🌟 Gamitin ang bantas upang kontrolin ang tono ng AI voice
Isulat ang mga diyalogo para sa AI voice model, hindi lang i-type ang teksto at tapos na. Parehong pangungusap, iba’t ibang bantas, iba’t ibang tono ng pagbigkas.
Ang pangunahang lohika ay: ang bantas ay kumokontrol sa pagtigil, at ang pagtigil ay nagdedesisyon ng emosyon.
…… Ang mga tuldok ay nagpapahintulot na magpabilanggo ang tinig ngunit mananatili ang hininga, angkop para sa pag-iisip, pagdududa, o pagkakaroon ng hindi natapos na salita.
……! Ang paggamit nang pinagsama, ay isang biglaang paglalabas pagkatapos ng pagpapalubag.
( ) Ang laman sa loob ng mga panaklong ay awtomatikong babaan ang antas ng boses, naging whispy, angkop para sa mga panloob na monologo at pag-uusap sa sarili.
Ang mga salitang nakapalibot sa asterisk ay magiging mas mababa, mas mabagal, at mas mabigat, upang bigyang-diin ang mga mahahalagang impormasyon.
[] Isulat ang utos sa loob ng bracket, tulad ng [hinga nang malalim], [pahinga ng 1 segundo], ang modelo ay gagawin ang aksyon hindi ang pagbasa nito.
💡Maliit na Tip:
Walang sense ng direksyon ang AI, kadalasang nahihirapan magkakaiba ng kaliwa at kanan, kailangan ng karagdagang "larawan ng relasyon sa posisyon" upang ipaunawa sa AI kung paano gumagalaw ang mga tao, tulad ng nakikita sa Figure 1. Mayroon ding simpleng paraan: gamitin ang mga arrow upang ilarawan ang trahektorya ng galaw ng tao, at idagdag sa huli ang "alisin ang mga arrow".
Maging mabagal sa pagsulat, hindi mabilis. Mas matatag ng modelo ang pagproseso ng mga mabagal na galaw kaysa sa mabilis na galaw. Para sa mga fragment na nangangailangan ng mabilis na ritmo, gamitin ang pagpapabilis ng pag-edit, hindi ang paggawa ng mabilis na galaw ng modelo.
I-upload ang reference image sa bawat video, huwag i-upload lamang isa. Walang memorya sa pagitan ng mga segment ang model, kaya kung hindi i-upload ang reference image, magkakaroon ng pagbabago sa anyo ng karakter.
I. Mula sa mga fragmento hanggang sa buong video: Ang pag-edit ang nagdedesisyon sa huling kalidad ng video
Ang pag-edit at post-production ay ang mahalagang huling hakbang sa buong proseso; ang bawat fragment na ginawa sa unang bahagi ay magkakahiwalay, maaaring magkakaiba ang kulay, hindi magkakaugnay ang ritmo, at hiwalay ang tunog—ang layunin ng pag-edit ay i-merge ang mga piraso na ito upang mabuo ang isang buong kuwento.
Pagkatapos idagdag ang musika sa video, mas maipapadama ang emosyon ng manonood; kasama ang mga subtitle, mas malinaw ang diyalogo. Sa parehong materyales, ang pag-edit nang maayos at hindi maayos ay maaaring magdulot ng pagkakaiba ng isang antas.
Ang proseso ay may apat na hakbang: ayusin ang mga materyales → i-unify ang kulay → idagdag ang tunog → idagdag ang mga subtitle, at pagkatapos ay i-export.
Unang hakbang: Ayusin ang mga materyales
Buksan ang CapCut, i-drag ang lahat ng clips ayon sa pagkakasunod-sunod ng eksena sa timeline. Huwag pansinin ang kulay at tunog, i-verify muna ang pagkakasunod-sunod, tingnan ang buong ritmo kung may problema, at alisin ang sobrang bahagi ng mga malalaking clip sa hakbang na ito.
Pangalawang hakbang: I-uni ang kulay
Maaaring magkaroon ng kaunting pagkakaiba sa kulay at liwanag sa bawat fragment na ginawa sa iba’t ibang oras, at maaaring mukhang hindi magkakaugnay kapag isama. Para sa solusyon: Piliin ang lahat ng fragments, at magdagdag ng isang filter sa pahina ng “Adjust” — gamitin ang malamig na berdeng kulay para sa Scene 1, at palitan sa mainit na dilaw para sa Scene 2 at sa mga susunod na scene. Sapat na kung ang bawat scene ay may magkakaparehong kulay sa loob nito.
Hakbang 3: Magdagdag ng background music at sound effects
Ang dialog ay naka-process na sa paggawa ng video, at ang hakbang na ito ay pangunahin para magdagdag ng dalawang uri ng tunog: background music at environmental sound effects.
Ang background music ay nagdedetermine ng kabuuang emosyonal na tono; i-set ang volume sa mas mababa sa 30% ng diyalogo, at huwag magsakop sa boses.
Hakbang 4: Magdagdag ng subtitle
Gamitin ang "Smart Subtitle" ng Jianying para awtomatikong kilalanin ang diyalogo. Pagkatapos ay suriin ang mga pagkakamali sa pagkakasulat, at i-ayos ang font at posisyon. Para sa mga narration o sariling pag-uusap, payo na gamitin ang iba’t ibang estilo para sa pagkakaiba, tulad ng italic o iba’t ibang kulay.
Limang: Mula sa Kasangkapan hanggang sa Pagpapahayag: Ano ang Tunay na Nagbago ng AI Video
Sa nakaraang artikulo, “GPT Image 2.0 na nagpapalakas sa Seedance 2.0: Lahat ay makakapag拍 ng Hollywood blockbuster,” isinip namin na sa panahon ng AI: nabawasan ang hadlang sa “paggawa ng video,” at sa darating na panahon, lahat ay makakagawa ng Hollywood blockbuster.
Ngunit ang mababang hadlang ay hindi nangangahulugan na kayang gawin mo ito.
Ang mga kasangkapan ay publiko, at ang mga tutorial ay available saan-saan, ngunit ang karamihan sa mga tao ay stuck sa iisang lugar: hindi pa nila natapos ang buong proseso.
Sa artikulong ito, tinulungan ka na ng Biteye mula sa isang ambigong ideya hanggang sa paggawa ng isang kumpletong video.
Noong nakaraan, kailangan ng buong hanay ng espesyalisadong pagkakahati-hati: manunulat ng katha, storyboard, sining, pagkakita, at pag-edit, at bawat yugto ay isang hadlang.
At ngayon, ang mga bahaging ito ay hindi nawala, kundi pinigil lamang sa isang proseso.
Ito ay nangangahulugan ng isang mas pundamental na pagbabago: ang mga video ay hindi na produktong ng "kapasidad sa paggawa," kundi ay nagsisimulang maging produktong ng "kapasidad sa pagpapahayag."