Prompty do wideo AI - struktura, ruchy kamery, przykłady

Dobry prompt do wideo AI opisuje jedno ujęcie w stałej kolejności: plan, obiekt, akcja, ruch kamery, światło, styl i dźwięk. Wystarczy 40-80 słów, jedna czynność i jeden ruch kamery nazwany filmowym terminem (slow dolly in, pan left, orbit). Najwięcej generacji psują dwie rzeczy: za dużo akcji w jednym ujęciu i sprzeczne polecenia dla kamery.

Poniżej rozpisuję strukturę promptu, słownik ruchów kamery z oficjalnymi klipami producentów, typowe błędy i osiem promptów do skopiowania. Działają w każdym modelu wideo w Jantaris Studio, od Seedance 2.5 po Veo 3.1 (Quality).

Struktura promptu do wideo

Model wideo czyta prompt jak scenariusz jednego ujęcia. Gdy zawsze piszę w tej samej kolejności, łatwiej mi potem porównywać wyniki i zmieniać jedną rzecz na raz.

Szablon, od którego zaczynam:

[plan] of [obiekt], [akcja]. [ruch kamery]. [światło]. [styl].
Audio: [dźwięki], [dialog w cudzysłowie albo "no dialogue"].

Ten sam szablon wypełniony:

Medium shot of an old fisherman in a yellow raincoat pulling a net out of
the water on a small wooden boat. Slow dolly in. Overcast morning light,
soft shadows. Documentary, 35mm film grain.
Audio: waves, seagulls, creaking wood, no music, no dialogue.

Polski czy angielski? Modele rozumieją oba języki. Opis sceny piszę czasem po polsku, ale ruchy kamery i plany zawsze po angielsku, bo to terminy, na których modele się uczyły. Wynik jest wtedy bardziej przewidywalny.

Słownik ruchów kamery

Różnica, którą warto znać: dolly in przesuwa kamerę i zmienia perspektywę, zoom in tylko powiększa obraz. W wideo AI najazd zwykle wygląda naturalniej niż zoom.

Do ruchu dodaję tempo: slow, smooth, gentle albo fast, sudden. Bez tego model często wybiera średnie, nijakie tempo.

Ujęcie z drona

Google w dokumentacji Gemini Omni pokazuje jeden z najprostszych promptów, jakie da się napisać: A drone shot of a mountain landscape at sunrise. Sam termin "drone shot" wystarczył, żeby kamera płynnie leciała nad lasem.

Kamera podąża za postacią

W przykładzie Alibaby dla Wan 2.7 w prompcie jest zdanie the camera follows him to the oven at the back. Kamera przechodzi za piekarzem od stołu do pieca, a ruch kamery wynika z ruchu postaci.

POV i jazda za obiektem

Black Forest Labs w dokumentacji FLUX 3 Video opisuje ujęcie z kamery na kasku: A continuous helmet-mounted POV tails a woman on a dirt bike racing across rolling desert dunes. Słowo continuous mówi modelowi, że ma to być jedno ujęcie bez cięć.

Kamera z ręki i żabia perspektywa

PixVerse w prompcie do sceny z potworem łączy low-angle fast tracking shot z handheld camera shake. Niska kamera robi potwora ogromnym, a drgania z ręki dodają chaosu. To dobry przykład, kiedy dwa określenia kamery się uzupełniają, zamiast sobie przeczyć: jedno mówi o pozycji i ruchu, drugie o charakterze.

Najazd i zmiana planu

Kuaishou w prompcie do Kling 3.0 pisze The camera slowly pushes in, a potem Close-up on the man as he lowers his head. Ujęcie zaczyna się od planu ogólnego tarasu, a przechodzi w zbliżenie twarzy. Kling 3.0 ma tryb kilku ujęć w jednej generacji, dlatego zmiana planu jest tu zamierzona. W modelach bez tego trybu kilka planów w jednym prompcie częściej kończy się chaosem.

Wszystkie powyższe klipy to materiały promocyjne producentów, przycięte do 8 sekund i bez dźwięku. Nie są to wyniki z Jantarisa, tylko dowód, że opisane sformułowania działają u samych twórców modeli.

Światło, styl i dźwięk

Światło nazywaj konkretnie. "Piękne światło" nic nie mówi, a te określenia działają:

• golden hour backlight, blue hour, overcast soft light,
• neon rim light, practical lights, candlelight,
• hard noon sun with deep shadows, volumetric light through fog.

Styl to rodzaj materiału, nie przymiotnik: documentary, commercial product shot, music video, 35mm film grain, anamorphic lens flares, 3D animation, stop motion.

Dźwięk opisuj jak obraz, osobnym zdaniem zaczynającym się od Audio:. Wymień efekty i tło, a jeśli nie chcesz muzyki, napisz no music. Dialog dawaj w cudzysłowie z informacją, kto mówi i jakim głosem. Black Forest Labs kończy jeden ze swoich promptów zdaniem Audio: night insects, a distant lion contact call resonating, the wind, no music. No on-screen text. To dobry wzór, bo wprost wyklucza muzykę i napisy.

Najczęstsze błędy w promptach do wideo

• Za dużo akcji w jednym ujęciu. "Kobieta wchodzi do kawiarni, zamawia kawę, siada, otwiera laptopa i dzwoni do przyjaciółki" to pięć ujęć. Model zrobi z tego bałagan albo pominie połowę. Jedno ujęcie, jedna czynność.
• Sprzeczne polecenia dla kamery. static shot i orbit around her w jednym prompcie. Albo extreme close-up i wide establishing shot. Model wybierze jedno losowo albo zrobi coś pośrodku.
• Kilka ruchów kamery naraz. dolly in, pan left, then crane up w 5 sekundach daje rozedrgany obraz. Jeden ruch na ujęcie.
• Przymiotniki zamiast opisu. "Niesamowity, piękny, epicki" nie mówi nic o kadrze. Zamień je na światło, plan i styl.
• Napisy w kadrze. Tekst w wideo AI często wychodzi z błędami. Napisy dodawaj w montażu.
• Opisywanie zdjęcia w trybie image-to-video. Gdy podajesz pierwszą klatkę, opisz ruch, nie wygląd. Więcej w tekście jak zrobić film AI ze zdjęcia.
• Zbyt długi prompt. Limity są różne (niżej), a ByteDance dla Seedance 2.0 zaleca prompty do około 500 znaków, choć model przyjmuje znacznie więcej.

Różnice między modelami

Pole negative_prompt (czego model ma unikać) mają w Jantarisie PixVerse V6 i Wan 2.7 Video. W pozostałych modelach wykluczenia piszę w prompcie, np. no music, no on-screen text. Pole seed, które pozwala powtórzyć wynik z drobną zmianą promptu, mają m.in. Seedance 2.5, Wan 3.0 i PixVerse V6.

Ceny tych modeli porównują teksty Kling 3.0 cena, Veo 3.1 cena i Gemini Omni cena, a który model wybrać do jakiego ujęcia, pokazuje mój ranking generatorów wideo AI.

8 gotowych promptów do wideo AI

Każdy prompt to jedno ujęcie na 5-8 sekund. Testuj je w niskiej rozdzielczości, a dopiero gotowy renderuj wyżej.

1. Produkt na obrotowym planie (reklama, 9:16):

Close-up of a matte black ceramic coffee cup on a travertine table.
Slow orbit around the cup, 180 degrees. Soft window light from the left,
steam rising from the coffee. Commercial product shot, shallow depth of field.
Audio: quiet café ambience, a spoon clinks once, no music.

2. Krajobraz z drona (intro, 16:9):

Aerial drone shot flying slowly forward over a misty pine forest in the
Tatra mountains at sunrise. Gentle crane up at the end revealing the peaks.
Golden hour backlight, volumetric light through fog. Cinematic, 4K detail.
Audio: wind, distant birds, no music.

3. Jedzenie (rolka, 9:16):

Top-down close-up of hot pierogi being placed on a white plate, melted
butter and fried onions poured over them. Static shot. Warm kitchen light.
Food commercial style, steam visible.
Audio: sizzling butter, a plate set on wood, no music.

4. Portret z emocją:

Medium close-up of a young woman sitting by a rainy window at night,
she slowly turns her head toward the camera and smiles faintly.
Slow push in. Neon rim light from the street, soft fill light.
Moody drama, 35mm film grain.
Audio: rain on the glass, muffled city traffic, no dialogue.

5. Hook do rolki (pierwsze sekundy):

Extreme close-up of an eye opening suddenly, the pupil contracts.
Fast pull back to a medium shot of a man in a dark room lit by a phone screen.
Handheld. Cold blue light. Thriller style.
Audio: a sharp inhale, a low synth hit, no music after.

6. Dialog (Kling 3.0 z włączonym dźwiękiem):

Static medium shot of two friends sitting on a bench in an autumn park.
The woman says in a warm, amused voice: "You said that last year too."
The man laughs and answers calmly: "And I was right last year too."
Golden afternoon light, falling leaves. Natural, documentary feel.
Audio: rustling leaves, distant children playing.

7. Akcja z kamerą z ręki:

Low-angle tracking shot of a cyclist racing down a wet cobblestone street
in the old town at dusk. Handheld camera shake. Street lamps reflecting
on the stones. Sports commercial, high contrast.
Audio: tires on wet stones, heavy breathing, no music.

8. Długie ujęcie z osią czasu (Seedance 2.5 albo Wan 3.0, 20-30 s):

One continuous shot, 20 seconds. A barista in a small café at opening time.
0-6 s: wide shot, she unlocks the door and turns on the lights.
6-14 s: the camera follows her behind the counter, she grinds coffee beans.
14-20 s: slow push in on her hands pouring latte art, a heart forms.
Warm morning light, documentary style.
Audio: keys, light switch click, grinder, milk steaming, no music.

W prompcie 8 cięcia czasowe są wskazówką. Modele z długimi klipami trzymają się ich zwykle w przybliżeniu, nie co do sekundy.

Ta sama struktura działa w gatunkach, w których liczy się nastrój bardziej niż akcja. Gotowe ujęcia z napięciem, mgłą i ciszą zebrałem w tekście prompty do horroru AI.

Najczęstsze pytania

Jak pisać prompty do wideo AI?

Opisz jedno ujęcie w kolejności: plan, obiekt, akcja, ruch kamery, światło, styl, dźwięk. Jedna czynność i jeden ruch kamery na 5-8 sekund. Ruchy kamery nazywaj angielskimi terminami filmowymi, np. slow dolly in.

Prompty do wideo po polsku czy po angielsku?

Oba działają. Ja opis sceny piszę czasem po polsku, ale plany i ruchy kamery zawsze po angielsku, bo dają przewidywalniejszy efekt. Dialogi po polsku w modelach wideo wychodzą nierówno.

Jak długi powinien być prompt do wideo?

Na 5-8 sekund wystarcza 40-80 słów. Dłuższe prompty mają sens przy klipach 20-30 sekund, gdzie rozpisujesz akcję w czasie. Pilnuj limitu modelu: Kling 3.0 przyjmuje 2500 znaków, Gemini Omni 2000.

Jak sprawić, żeby kamera się nie ruszała?

Napisz static shot albo locked-off camera, tripod i nie dodawaj żadnego innego ruchu kamery. Ruch zostaw postaciom i otoczeniu.

Czy czat AI może pisać prompty do wideo za mnie?

Tak. Opisz pomysł po polsku i poproś o prompt w strukturze z tego tekstu. W Jantarisie modele czatu działają na tym samym saldzie co wideo. Prompty do obrazów, z których potem robisz pierwsze klatki, opisuje tekst jak pisać prompty do obrazów AI.