Durante la generazione di video con l'IA, gli oggetti di scena (prop) vanno spesso incontro a problemi come deformazioni, variazioni dei materiali o dimensioni instabili. Per mantenere coerente lo stesso oggetto in diverse inquadrature, non basta ripetere "mantieni la coerenza" nel prompt: è necessario preparare immagini di riferimento adeguate in fase di pre-produzione. Cosa includere nell'immagine di riferimento e quale livello di precisione fornire dipende dal tipo specifico di video e dalle informazioni che l'inquadratura deve trasmettere.
1. Definire i requisiti degli oggetti di scena in base al tipo di video
Prima di preparare le immagini di riferimento, occorre stabilire se il video è una presentazione di prodotto o una narrazione. Ciascuna categoria ha informazioni prioritarie da verificare.
Nei video di prodotto o pubblicitari, l'oggetto stesso è il soggetto principale e il pubblico deve poter riconoscere chiaramente che si tratta dello stesso prodotto reale. Per questo tipo di riferimenti è opportuno utilizzare prioritariamente fotografie reali del prodotto di cui si detengono i diritti d'uso, assicurandosi che tutte le immagini corrispondano allo stesso modello, colore e versione. Bisogna evitare di mescolare immagini di lotti o accessori diversi, per impedire che il modello combini elementi inesistenti nella struttura del prodotto. Le variazioni di luce possono modificare i riflessi superficiali, ma non devono trasformare il metallo spazzolato in plastica liscia, né alterare la struttura reale per ragioni puramente estetiche.
Ad esempio, per realizzare un video su una borraccia termica, le immagini di riferimento possono essere suddivise in base alla funzione delle singole inquadrature:
- Immagine principale del prodotto reale: mostra per intero la linea del corpo della borraccia, le proporzioni del tappo, la posizione del manico e il logo del marchio, evitando occlusioni importanti o prospettive esagerate; serve a vincolare l'aspetto di base nelle inquadrature statiche di presentazione.
- Immagini dei dettagli e degli stati d'uso: in base alle azioni previste dallo script, integrano la filettatura del tappo, la struttura del pulsante o l'imboccatura interna una volta aperta. Se l'inquadratura prevede l'azione di aprire il tappo e bere ma manca un riferimento dello stato aperto, il risultato generato potrebbe presentare una struttura interna non conforme all'oggetto reale.
- Immagine delle proporzioni in mano: mostra la posizione del palmo che impugna il corpo della borraccia e la dimensione dell'oggetto rispetto al corpo umano, evitando che, passando alle inquadrature con il personaggio, la borraccia diventi improvvisamente grande come un secchio o minuscola come una tazzina.
Nei film o nelle miniserie, invece, gli oggetti di scena sono principalmente al servizio dei personaggi, dell'azione e della trama. Il pubblico non ha necessariamente bisogno di distinguere ogni singola vite sul retro dell'oggetto, ma deve riconoscere a quale personaggio appartiene, come viene usato e quale ruolo svolge nella storia. Per un'arma personale, ad esempio, l'importante è che la silhouette sia ben definita e che i movimenti di impugnatura ed estrazione risultino fluidi; per una chiave magnetica che funge da indizio o per un vecchio cimelio, il punto centrale è che lo spettatore possa vedere chiaramente in primo piano la tacca, il numero di serie o la crepa che fa avanzare la trama.
Non tutti gli oggetti di scena narrativi richiedono tavole ortogonali di livello ingegneristico. Si possono prima definire le caratteristiche che appariranno effettivamente nell'inquadratura, chiarendo forma, materiali e punti chiave di riconoscimento, per poi valutare in base ai risultati generati se sia necessario aggiungere ulteriori riferimenti. Se una miniserie include un inserimento commerciale (product placement), il prodotto inserito dovrà comunque seguire gli standard di riferimento dei prodotti reali, mentre per gli altri oggetti di scena ambientali presenti nella stessa sequenza si distribuirà l'impegno in base alla loro rilevanza per la trama.
2. Aspetto generale e dettagli chiave
Per gli oggetti di scena principali e originali di un film o di una miniserie, si può realizzare innanzitutto una tavola di concept che includa l'aspetto completo e gli ingrandimenti dei dettagli. L'illustrazione principale serve a definire la silhouette dell'oggetto, la tonalità dominante e le proporzioni strutturali; i riquadri di dettaglio ingranditi servono invece a fissare i materiali e le decorazioni che saranno visibili nei piani ravvicinati o nei dettagli (close-up). Non è necessario disporre meccanicamente viste frontali, laterali e posteriori: l'aspetto fondamentale è che tutti gli ingrandimenti provengano esattamente dallo stesso oggetto, evitando che durante l'ingrandimento il modello disegni un diverso tipo di avvolgimento o un altro set di componenti.
La seguente tavola di concept di un'arma in inglese mostra una sciabola originale. Nella parte superiore dell'immagine si trova l'illustrazione principale completa vista di tre quarti, mentre nella parte inferiore sono ingrandite rispettivamente quattro parti: la trama della lama, l'impugnatura in pelle, la guardia e il pomolo.
Questa tavola di concept fornisce una base visiva su quattro livelli per i video successivi:
- Trama della lama (BLADE TEXTURE): definisce la leggera curvatura della lama, la venatura fluida dell'acciaio e un sottile bordo decorativo vicino al dorso. Questi motivi devono aderire alla superficie metallica, evitando che nelle immagini in movimento si trasformino in crepe o strisce luminose.
- Impugnatura in pelle (LEATHER GRIP): specifica la grana della pelle marrone scuro, l'avvolgimento incrociato obliquo e l'usura dei bordi. Nei piani ravvicinati in cui la mano afferra l'elsa, la logica dell'avvolgimento dell'impugnatura rischia di generare incoerenze visive molto più facilmente rispetto ai minuti motivi decorativi visti in campo lungo.
- Dettaglio della guardia (GUARD DETAIL): mostra la tonalità dell'ottone invecchiato, la forma ricurva e la struttura del punto di giunzione con la lama e l'impugnatura, garantendo che i materiali delle varie parti appartengano allo stesso design.
- Dettaglio del pomolo (POMMEL DETAIL): fissa le caratteristiche dell'estremità sfaccettata in ottone e della pietra scura incastonata, risultando utile come ancoraggio visivo nei dettagli durante l'estrazione o la rotazione della sciabola.
Per realizzare una tavola di concept di questo tipo si può fare riferimento al seguente prompt in inglese: prima si descrive l'arma nel suo complesso, poi si specificano le quattro parti ingrandite e l'impaginazione. La descrizione dello sfondo corrisponde alla versione finale adottata, con base bianco-grigio chiaro:
Create an English weapon concept sheet for an original fictional saber.
Show the complete weapon once as a large three-quarter hero illustration.
Design: a gently curved blade with flowing steel grain and a narrow decorative border near the spine; a dark brown leather-wrapped grip; an aged-brass guard; and a faceted brass pommel with a dark inset stone.
Add four enlarged detail callouts taken from this exact weapon:
1. Blade texture and decorative border.
2. Leather grain, overlapping wrap and worn edges of the grip.
3. Guard shape, surface wear and its visible junction with the grip and blade.
4. Pommel shape and inset stone.
Keep the same shapes, materials and decorative details in the main illustration and every callout. Use fine graphite and sepia ink linework with restrained material shading on a near-white background with a faint neutral light-gray tint. Wide landscape composition with clear spacing.
English title: SABER CONCEPT STUDY
Callout labels: BLADE TEXTURE, LEATHER GRIP, GUARD DETAIL, POMMEL DETAIL.
No front-side-back views, no turnaround sheet, no dimensions, no characters and no action scene.
Confermare il design dell'oggetto di scena tramite una tavola dedicata all'oggetto singolo prima di generare le scene in cui viene utilizzato dal personaggio rende molto più chiara l'individuazione di eventuali problemi. Se si progettano contemporaneamente l'oggetto e il movimento del personaggio direttamente in un'immagine di scena con un'azione complessa, non appena la mano copre la guardia o la luce altera il materiale diventa difficile trovare un riferimento univoco per le inquadrature successive.
3. Esempio multi-inquadratura live-action dell'estrazione della sciabola
Una volta ottenuta una chiara tavola di concept dell'oggetto singolo, è possibile testarne la resa in un video dinamico. Nella prima versione del video, la tavola di concept della sciabola mostrata sopra è stata utilizzata direttamente come unica immagine di riferimento in input, richiedendo la generazione di un video live-action multi-inquadratura che includesse l'estrazione della lama dal fodero, l'osservazione della lama, un dettaglio sulla trama dell'acciaio e sull'impugnatura, per poi tornare al personaggio che tiene la sciabola.
Per questo test è stato utilizzato il modello open-source MiniMax H3 (modello non-SOTA) ospitato tramite WaveSpeed, con risoluzione di output a 768p, una durata di circa 15 secondi e audio generato nativamente.
Prompt video utilizzato per questo test
Photorealistic live-action cinema, 16:9. Use <Picture 1> ONLY as the exact physical SABER object design reference: one elegant curved single-edged blade with flowing watered-steel grain and delicate engraved spine border, dark brown leather-wrapped grip, aged brass curved knuckle-bow guard, faceted brass pommel with a dark oval inset. The image is a design sheet, NOT a frame or storyboard. Transform that object into a convincing real metal film prop. Do not reproduce the sheet, illustration style, labels, panel layout, or lettering. No text on screen.
A real adult man in his thirties, wearing a plain charcoal linen shirt, calmly examines this saber in a softly lit pale gray-white studio. Natural skin texture, realistic hands and weight, restrained cinematic lighting, beautiful tactile close-ups. Same man, same clothing, same saber throughout. A simple dark leather scabbard fits the curved blade. He is peacefully admiring craftsmanship, never attacking or swinging.
Create FOUR clearly distinct shots with clean editorial cuts, coherent physical continuity:
[0s-5s] Medium three-quarter shot, waist to head. The man holds the scabbard securely in his left hand, grasps the leather grip in his right, and slowly draws the entire curved blade completely free in one continuous physically plausible motion. Camera gently pushes in. Hands remain on grip and scabbard, not the edge. End with the saber visibly fully unsheathed.
[5s-8s] Cut to a close three-quarter view of his face and the blade. He raises the saber at a comfortable distance, quietly admires the blade, and slowly rotates his wrist a few degrees so a broad soft highlight travels over the watered-steel texture. Natural subtle expression of appreciation.
[8s-12s] Cut to a cinematic macro insert tracking from the flowing steel grain and engraved border near the base of the blade to the aged brass guard and leather wrapping. Preserve the distinctive guard and pommel design from <Picture 1>. Shallow depth of field; realistic metal, leather pores, tiny wear. Only one blade, no duplication or morphing.
[12s-15s] Cut back to a medium close-up from the opposite three-quarter angle, maintaining screen direction. He looks down at the guard and pommel, gently turns the grip to inspect the craftsmanship, then holds the saber still with a quiet appreciative half-smile. Keep blade shape, length, guard, leather and pommel consistent.
Audio: Native synchronized stereo production sound throughout. At 0-5s, clearly audible textured steel sliding out of a leather scabbard, a delicate brass click at release, soft sleeve and leather creaks. At 5-12s, subtle movement of clothing and grip, light natural breathing, quiet indoor room tone. At 12-15s a small leather creak as the grip turns; soft room ambience continues across cuts. Intimate realistic foley, no music, no dialogue, no subtitles. No exaggerated sword swooshes or combat sounds. Real human live action, not animation, not a sketch, no illustration overlays.
Fornendo unicamente una tavola di concept dell'arma singola, questo video riesce già a mantenere piuttosto bene le principali caratteristiche estetiche dell'oggetto di scena e a mostrare le azioni di estrazione e osservazione. Esaminando le inquadrature in sequenza, si possono notare sia il ruolo svolto dall'immagine di riferimento nei diversi piani, sia i suoi limiti:
Nel piano medio iniziale dell'estrazione e nel successivo primo piano di osservazione, la curvatura generale della sciabola e il motivo fluido sulla superficie metallica vengono preservati, e l'immagine mostra il movimento della lama che emerge progressivamente dal fodero. Passando al dettaglio ravvicinato, l'effetto dell'avvolgimento in pelle marrone scuro, la tonalità della guardia in ottone e la trama della lama trovano riscontro nello stesso set di materiali della tavola di concept. Quando l'inquadratura torna sul personaggio che tiene la sciabola, anche la posizione della presa e lo stato dell'oggetto mantengono una sostanziale continuità.
Tuttavia, confrontando attentamente il video con la tavola di concept, le minute incisioni nei piani ravvicinati, le curve localizzate della guardia e le decorazioni del pomolo presentano ancora un certo grado di semplificazione o deformazione. In questo risultato, l'immagine di riferimento riesce a vincolare la silhouette generale, i materiali principali e la struttura di base entro limiti ragionevoli, ma non può garantire che ogni singola micro-venatura rimanga identica al millimetro durante i cambi dinamici di inquadratura. Quando si verifica il video finale, nei campi lunghi e medi occorre concentrarsi su silhouette, schema cromatico e logica dell'impugnatura, mentre per i dettagli ravvicinati bisogna controllare separatamente che i tratti distintivi chiave soddisfino i requisiti.
4. Proporzioni relative tra personaggio e oggetto di scena
Il fatto che l'oggetto di scena sembri la stessa sciabola non significa che mantenga sempre una dimensione plausibile nelle mani del personaggio. Sebbene la prima versione del video abbia stabilizzato materiali e caratteristiche, l'arma nel suo complesso appare leggermente corta tra le mani dell'uomo, risultando più simile a una lama corta che alla lunga sciabola prevista. Durante i ripetuti stacchi di montaggio, anche lo spessore dell'impugnatura e la lunghezza della lama rispetto al busto sono dimensioni che richiedono un controllo specifico.
I tentativi precedenti di annotare misure e proporzioni direttamente sull'immagine di riferimento non hanno dato i risultati sperati. Un'immagine dell'oggetto singolo può mostrare chiaramente il design della sciabola, ma manca di un confronto visivo nella stessa inquadratura con una mano umana, un busto o l'ambiente circostante. Quando si preparano i riferimenti, non si può dare per scontato che l'inserimento di valori numerici sull'immagine basti a vincolare le dimensioni effettive.
Anche diversi creator della community hanno riscontrato difficoltà simili. In una discussione su Reddit riguardante le proporzioni tra personaggi e oggetti in MiniMax H3 Ref2V, l'autore del post ha osservato che, anche specificando l'altezza relativa nel testo, i risultati generati mostravano comunque variazioni di scala; nei commenti, alcuni utenti hanno suggerito di fornire direttamente immagini di riferimento con il personaggio che tiene l'oggetto, tavole comparative assemblate in scala oppure semplici modelli 3D segnaposto per definire le dimensioni. In un altro thread dedicato alle proporzioni tra personaggi e ambiente, alcuni hanno ritenuto utile inserire misure specifiche in centimetri, mentre altri hanno riferito che i valori numerici venivano completamente ignorati dal modello. Si tratta di condivisioni di esperienze personali dei creator, da cui emerge però come rappresentare le relazioni dimensionali direttamente sotto forma di immagine visibile sia in genere più immediato che affidarsi esclusivamente ai numeri.
Se, oltre ai riferimenti del personaggio e dell'oggetto, esistono requisiti precisi sulle proporzioni relative tra i due, è possibile realizzare un'ulteriore immagine di storyboard o tavola di concept in cui personaggio e oggetto compaiano insieme nella stessa inquadratura, con lo scopo specifico di ancorare la scala.
Per mantenere l'aspetto del personaggio del video originale e provare ad allungare la lama, abbiamo innanzitutto estratto un fotogramma del personaggio dalla prima versione del video per generare un'immagine di riferimento del personaggio. Questa immagine conserva i tratti del viso, l'acconciatura e la camicia grigio scuro del video originale, completando al contempo i pantaloni e le scarpe che non erano visibili nel video, così da formare una figura intera completa affiancata da un primo piano del volto. Per approfondire come organizzare figura intera, vista laterale e primo piano del volto, è possibile consultare Come progettare una tavola di turnaround del personaggio: dai riferimenti di base alla gestione degli asset.
Successivamente, combinando questa immagine di riferimento del personaggio con la tavola di concept originale della sciabola, abbiamo generato un'immagine di riferimento delle proporzioni a figura intera con il personaggio che impugna la sciabola. In questa nuova immagine abbiamo deliberatamente allungato la lama, mantenendo però la trama dell'acciaio, l'impugnatura in pelle marrone scuro e il design della guardia in ottone. L'immagine rende chiaramente visibili nello stesso momento la figura intera del personaggio, il rapporto tra il palmo della mano che afferra l'impugnatura e la lunghezza complessiva della sciabola; inoltre, l'uomo e l'arma si trovano all'incirca sullo stesso piano di profondità di campo, evitando distorsioni prospettiche causate dalla punta della lama rivolta verso l'obiettivo.
Una volta preparata questa immagine di ancoraggio delle proporzioni, abbiamo proceduto con la generazione della seconda versione del video. Anche questa versione utilizza il modello open-source MiniMax H3 ospitato da WaveSpeed (768p, circa 15 secondi, audio nativo), mantenendo invariati il prompt in inglese, i parametri di generazione e il seed casuale della prima versione (fissare il seed serve principalmente a ridurre le variabili del test, ma non basta da solo a garantire la coerenza visiva o delle proporzioni).
Al momento di inserire le immagini di riferimento, la tavola del personaggio a figura intera mostrata sopra ha rappresentato solo un passaggio intermedio e non è stata passata separatamente al modello video; gli input effettivi forniti per la seconda versione del video sono stati la tavola di concept originale dell'arma singola (come <Picture 1>) e la nuova immagine delle proporzioni a figura intera con la sciabola in mano (come <Picture 2>). Al prompt della prima versione è stata semplicemente aggiunta la seguente istruzione:
Use <Picture 2> as the reference for the saber's size relative to the person, including the blade length and grip-to-hand proportions.
Ecco il risultato generato:
Nell'immagine qui sopra, la colonna di sinistra mostra la prima versione, mentre quella di destra mostra la seconda versione con l'aggiunta del riferimento per le proporzioni; la riga superiore è estratta a 4,5 secondi di ciascun video, quella inferiore a 6,5 secondi. I fotogrammi sono stati estratti direttamente dai video originali senza ridimensionare separatamente l'arma. Poiché la postura del personaggio e l'orientamento della lama differiscono tra le due versioni, il confronto serve a osservare le differenze visive e non costituisce una misurazione metrica esatta.
Una volta preparate la tavola di concept dell'oggetto di scena e l'immagine delle proporzioni relative al personaggio, è possibile accedere al generatore video MiniMax H3, aggiungere i materiali di riferimento, specificare nel prompt la funzione di ciascuna immagine e testare le azioni di estrazione, impugnatura o presentazione.
Confrontando le due versioni finali, la seconda versione esegue ugualmente l'estrazione, l'osservazione e i dettagli ravvicinati, ma la lama appare visivamente molto più slanciata rispetto alla prima versione, mentre il rapporto tra l'impugnatura e il palmo della mano resta un elemento chiave da verificare inquadratura per inquadratura. Va precisato che, poiché le inquadrature di questo video sono tutte piani medio-ravvicinati e dettagli e non compare alcuna inquadratura a figura intera con la sciabola in mano, non è possibile dimostrare basandosi unicamente su questo video che la proporzione esatta tra la lunghezza della lama e l'altezza del personaggio sia stata completamente bloccata. Questo risultato offre un esempio pratico di integrazione di un riferimento con personaggio e oggetto nella stessa inquadratura, ma richiede ulteriori test su altre inquadrature per verificarne la stabilità.
Quando si verifica la resa delle dimensioni in video di questo tipo, non bisogna confrontare direttamente la lunghezza in pixel sullo schermo tra un fotogramma in primo piano e uno in piano medio: è un normale fenomeno prospettico che la sciabola appaia più grande nell'inquadratura quando la macchina da presa si avvicina. Un metodo più affidabile consiste nell'estrarre un fotogramma da ciascuna fase — estrazione dal fodero, sollevamento della lama, dettaglio e ritorno sul personaggio — per osservare se all'interno della singola immagine "lo spessore dell'impugnatura rispetto al palmo", "la larghezza della guardia rispetto al dorso della mano" e "la lunghezza della lama rispetto al torace e alle spalle" mantengano una continuità coerente.
5. Come organizzare riferimenti scomposti in presenza di più personaggi
Se un video include più personaggi e ciascuno impugna la propria arma o il proprio oggetto di scena, concentrare tutte le informazioni in un'unica immagine porta spesso a compromessi: in un'inquadratura d'insieme con tutti i soggetti è difficile distinguere i materiali specifici di ogni oggetto, mentre fornire solo tavole di oggetti singoli rende facile che le differenze di altezza tra i personaggi e le lunghezze delle armi perdano coerenza nel video.
Per gestire scene complesse di questo tipo, nella già citata discussione su Reddit dedicata alle proporzioni in MiniMax H3, alcuni membri della community hanno suggerito di utilizzare una combinazione di "tavole dei singoli personaggi + tavola comparativa delle altezze con tutti i personaggi nella stessa inquadratura". Seguendo questa logica, quando una scena coinvolge contemporaneamente più persone e più oggetti di scena, si può provare a organizzare i materiali di riferimento combinando "riferimenti scomposti + panoramica delle proporzioni nella stessa inquadratura" (questo metodo di organizzazione per più personaggi viene proposto come estensione metodologica di riferimento e non è stato ancora verificato nei casi di test pratici di questo articolo):
- Riferimenti scomposti per singolo personaggio e relativo oggetto di scena: preparare separatamente per ciascun personaggio le immagini dell'aspetto e dell'oggetto impugnato, oppure associare chiaramente il personaggio al proprio oggetto. Ad esempio, se il personaggio A usa una sciabola lunga e il personaggio B tiene un vecchio orologio da tasca, le tavole scomposte servono principalmente a definire i rispettivi tratti del viso, l'abbigliamento, la trama specifica dell'oggetto e il modo in cui viene impugnato, evitando che il modello applichi le decorazioni di A sull'arma di B.
- Tavola panoramica delle proporzioni con più personaggi nella stessa inquadratura: preparare un'ulteriore immagine a figura intera in cui tutti i personaggi stanno in piedi insieme tenendo i rispettivi oggetti di scena. È opportuno che i piedi dei personaggi poggino sulla stessa linea di base orizzontale e si trovino a una profondità di campo simile, evitando angolazioni di ripresa fortemente inclinate dall'alto o dal basso. Questa immagine non punta a mostrare le micro-incisioni sugli oggetti, ma ha il compito specifico di indicare al modello chi è più alto tra A e B e quanto è lunga la sciabola di A rispetto al corpo di B.
Durante la stesura del prompt video, basterà poi indicare tramite il numero dell'immagine quale riferimento definisce i dettagli estetici dei singoli personaggi e oggetti e quale regola le relazioni complessive di altezza e dimensione, prestando attenzione anche al passaggio o allo stato di impugnatura degli oggetti tra i personaggi nelle inquadrature adiacenti, per evitare che gli oggetti cambino mano o scompaiano senza motivo durante gli stacchi.
Quando si preparano immagini di riferimento per gli oggetti di scena, è utile partire dalle inquadrature finali per dedurre a ritroso le informazioni necessarie: usare prima una tavola dell'oggetto singolo per illustrare l'aspetto generale, poi immagini parziali per definire i dettagli chiave e, quando ci sono requisiti dimensionali precisi, integrare un riferimento delle proporzioni con il personaggio e l'oggetto nella stessa inquadratura. Dopo la generazione, occorre sempre tornare alle singole inquadrature per valutare se queste relazioni siano state preservate, decidendo di conseguenza quale immagine integrare o quale movimento correggere.
