Semasa menjana video AI, prop sering menghadapi masalah perubahan bentuk, hanyutan tekstur bahan, atau saiz yang berubah-ubah secara tidak menentu. Untuk memastikan objek yang sama kekal stabil merentasi syot yang berbeza, anda tidak boleh sekadar mengulang arahan "kekalkan konsistensi" di dalam prompt, sebaliknya perlu menyediakan imej rujukan yang sesuai pada peringkat awal. Apa yang perlu dilukis dan sejauh mana ketepatan imej rujukan tersebut bergantung pada jenis video serta maklumat yang perlu disampaikan oleh syot.
1. Tentukan Keperluan Prop Mengikut Jenis Video
Sebelum menyediakan imej rujukan, kenal pasti dahulu sama ada video tersebut adalah untuk paparan produk atau penceritaan naratif. Kedua-dua jenis video ini mempunyai maklumat keutamaan yang berbeza.
Dalam video produk atau iklan komersial, objek itu sendiri ialah subjek utama paparan, dan penonton perlu melihat dengan jelas bahawa ia adalah produk sebenar yang sama. Rujukan jenis ini harus mengutamakan foto produk sebenar yang sah digunakan, serta memastikan semua gambar merujuk kepada model, warna, dan versi yang sama. Jangan campurkan gambar daripada kelompok pengeluaran atau aksesori yang berbeza bagi mengelakkan model AI mencantumkan struktur produk yang tidak wujud. Perubahan pencahayaan boleh mengubah pantulan permukaan, tetapi tidak sepatutnya menukar logam berus kepada plastik licin, dan struktur sebenar tidak boleh diubah semata-mata untuk kelihatan cantik.
Sebagai contoh, untuk menghasilkan video botol termos, imej rujukan boleh diasingkan mengikut tugasan syot:
- Imej Utama Produk Sebenar: Menunjukkan lengkung badan botol yang lengkap, kadar bahagian penutup, kedudukan pemegang, dan logo jenama. Elakkan halangan yang ketara atau perspektif yang melampau, supaya ia dapat mengawal penampilan asas dalam syot paparan pegun.
- Imej Perincian Bahagian dan Keadaan: Berdasarkan aksi dalam skrip, tambahkan gambar bebenang penutup, struktur butang, atau bukaan bahagian dalam selepas dibuka. Jika terdapat aksi membuka penutup untuk minum tetapi tiada rujukan keadaan terbuka diberikan, hasil janaan mungkin memaparkan struktur dalaman yang tidak sepadan dengan objek sebenar.
- Imej Skala Pegangan Tangan: Menunjukkan kedudukan tapak tangan yang menggenggam badan botol serta saiz botol berbanding tubuh manusia, bagi mengelakkan botol termos tiba-tiba bertukar menjadi sebesar baldi atau sekecil cawan mini apabila beralih ke syot watak.
Prop dalam filem atau drama pendek pula berfungsi terutamanya untuk menyokong watak, aksi, dan jalan cerita. Penonton tidak semestinya perlu melihat setiap skru di bahagian belakang prop, tetapi mesti dapat mengenal pasti milik siapa objek itu, bagaimana ia digunakan, dan peranannya dalam cerita. Contohnya bagi sebilah senjata peribadi, fokusnya adalah sama ada siluetnya jelas serta sama ada aksi menggenggam dan menghunus oleh watak kelihatan lancar; bagi sekeping kad bilik yang menjadi petunjuk atau tanda mata lama, fokusnya adalah sama ada penonton dapat melihat dengan jelas sumbing, nombor siri, atau rekahan yang menggerakkan jalan cerita dalam syot jarak dekat.
Tidak semua prop naratif perlu dilukis sebagai helaian tiga pandangan bertahap kejuruteraan. Anda boleh menetapkan ciri-ciri yang benar-benar akan muncul dalam syot terlebih dahulu, menjelaskan bentuk, bahan, dan titik pengenalan utama, kemudian menilai sama ada rujukan tambahan diperlukan berdasarkan hasil janaan. Jika drama pendek mengandungi penempatan produk komersial, maka produk tersebut masih perlu disediakan mengikut piawaian produk sebenar, manakala prop persekitaran lain dalam babak yang sama boleh diagihkan usaha mengikut kepentingannya kepada plot.
2. Penampilan Keseluruhan dan Perincian Utama
Bagi prop teras asli dalam filem atau drama pendek, anda boleh menyediakan helaian konsep yang mengandungi penampilan keseluruhan serta perincian yang dibesarkan terlebih dahulu. Imej keseluruhan digunakan untuk menjelaskan siluet, tona warna utama, dan nisbah struktur objek; manakala imej perincian yang dibesarkan digunakan untuk menetapkan bahan dan hiasan yang akan kelihatan dalam syot dekat atau syot jarak dekat ekstrem. Anda tidak perlu menyusun pandangan hadapan, sisi, dan belakang secara mekanikal; perkara penting ialah semua perincian yang dibesarkan mestilah diambil daripada objek yang sama, dan jangan biarkan model melukis cara balutan lain atau set komponen yang berbeza semasa membesarkan bahagian tersebut.
Helaian konsep senjata berbahasa Inggeris di bawah menunjukkan sebilah pedang lengkung (saber) asli. Bahagian atas memaparkan ilustrasi utama sudut tiga suku yang lengkap, manakala bahagian bawah membesarkan empat bahagian iaitu tekstur bilah, cengkaman kulit pada hulu, pelindung tangan, dan tombol hulu.
Helaian konsep ini menyediakan asas penampilan pada empat peringkat untuk video seterusnya:
- Tekstur Bilah (BLADE TEXTURE): Menetapkan lengkungan bilah yang sedikit melengkung, ira keluli yang mengalir, serta jalur hiasan sempit berhampiran belakang bilah. Corak-corak ini perlu melekat pada permukaan logam bagi mengelakkannya berubah menjadi rekahan atau jalur bercahaya dalam visual bergerak.
- Cengkaman Kulit (LEATHER GRIP): Menjelaskan tekstur berbutir kulit coklat gelap, cara balutan bertindih secara menyerong, serta kehausan pada bahagian tepi. Dalam syot dekat tangan yang menggenggam hulu, logik balutan cengkaman lebih mudah menampakkan kecacatan berbanding corak halus dalam syot jauh.
- Perincian Pelindung Tangan (GUARD DETAIL): Menunjukkan tona loyang usang, bentuk melengkung, serta struktur sambungannya dengan bilah dan cengkaman hulu, bagi memastikan bahan setiap bahagian tergolong dalam reka bentuk yang sama.
- Perincian Tombol Hulu (POMMEL DETAIL): Menetapkan ciri hujung loyang berfaset dan batu tatahan berwarna gelap, sesuai dijadikan titik sauh visual dalam syot jarak dekat semasa menghunus atau memusingkan pedang.
Helaian konsep seperti ini boleh merujuk kepada prompt bahasa Inggeris berikut: huraikan keseluruhan senjata terlebih dahulu, kemudian tetapkan empat bahagian yang dibesarkan serta susun atur imej. Huraian latar belakang di sini sepadan dengan versi latar putih kelabu cair yang digunakan akhirnya:
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.
Mengesahkan reka bentuk prop itu sendiri menggunakan helaian konsep objek tunggal terlebih dahulu sebelum menjana visual watak menggunakannya akan menjadikan proses mencari punca masalah jauh lebih jelas. Jika anda terus mereka bentuk prop dan aksi watak serentak dalam satu imej babak yang kompleks, sebaik sahaja tangan menghalang pelindung tangan atau pencahayaan mengubah tekstur bahan, syot seterusnya akan sukar mencari rujukan yang seragam.
3. Contoh Pelbagai Syot Aksi Nyata Menghunus Pedang
Setelah mempunyai helaian konsep objek tunggal yang jelas, langkah seterusnya adalah menguji prestasinya dalam video dinamik. Versi pertama video menggunakan helaian konsep pedang lengkung di atas secara terus sebagai satu-satunya imej rujukan input, dengan arahan untuk menjana video aksi nyata pelbagai syot yang merangkumi aksi menghunus pedang dari sarung, meneliti bilah, memerhati ira bilah dan syot jarak dekat cengkaman hulu, sebelum kembali kepada keadaan watak memegang pedang.
Ujian ini menggunakan model sumber terbuka MiniMax H3 (bukan model SOTA) yang dihoskan melalui WaveSpeed, dengan spesifikasi output 768p, durasi kira-kira 15 saat, dan mengandungi audio yang dijana secara asli.
Prompt Video yang Digunakan
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.
Dengan hanya membekalkan sekeping helaian konsep senjata tunggal, video ini sudah mampu mengekalkan ciri penampilan utama prop dengan agak baik serta memaparkan aksi menghunus dan mengamati pedang. Apabila diperiksa mengikut urutan syot, kita dapat melihat peranan dan batasan imej rujukan pada skala syot yang berbeza:
Dalam syot sederhana menghunus pedang pada permulaan dan syot dekat meneliti bilah selepas itu, lengkungan keseluruhan pedang serta corak beralun pada permukaan logam dapat dikekalkan, malah visual turut memaparkan pergerakan bilah yang keluar secara beransur-ansur dari sarungnya. Apabila beralih ke syot jarak dekat ekstrem untuk perincian, tekstur balutan kulit coklat gelap, tona pelindung tangan loyang, dan tekstur bilah dapat dipadankan semula dengan set bahan yang sama dalam helaian konsep. Apabila kamera beralih semula kepada syot watak memegang pedang, kedudukan genggaman dan keadaan prop juga secara asasnya bersambung dengan baik.
Walau bagaimanapun, jika dibandingkan secara teliti dengan helaian konsep, ukiran halus dalam syot dekat, lengkungan pada sebahagian pelindung tangan, serta hiasan pada tombol hulu masih mengalami sedikit penyederhanaan atau perubahan bentuk. Dalam keputusan ujian ini, imej rujukan dapat mengawal siluet utama, bahan asas, dan struktur teras dalam julat yang munasabah, tetapi tidak dapat menjamin setiap corak mikro kekal tepat sepenuhnya semasa pertukaran syot dinamik. Semasa menyemak hasil akhir, syot jauh dan syot sederhana harus memberi tumpuan kepada siluet, padanan warna, dan logik genggaman, manakala syot jarak dekat perlu disemak secara berasingan sama ada ciri pengenalan utama mencapai tahap yang dikehendaki.
4. Skala Relatif Antara Watak dan Prop
Prop yang kelihatan seperti sebilah pedang yang sama tidak bermakna ia sentiasa mengekalkan saiz yang munasabah di tangan watak. Walaupun versi pertama video berjaya menstabilkan bahan dan ciri reka bentuk, keseluruhan pedang kelihatan agak pendek di tangan watak, lebih menyerupai pisau pendek berbanding pedang lengkung panjang yang dijangkakan. Semasa pertukaran pelbagai syot, ketebalan cengkaman hulu dan panjang bilah berbanding batang tubuh juga merupakan dimensi yang perlu dikawal secara berasingan.
Percubaan terdahulu untuk mencatat ukuran dan nisbah pada imej rujukan tidak mencapai kesan yang diharapkan. Imej objek tunggal boleh memaparkan reka bentuk pedang dengan jelas, tetapi kekurangan perbandingan sebingkai dengan tangan manusia, batang tubuh, atau persekitaran. Semasa menyediakan rujukan, anda tidak boleh menganggap bahawa meletakkan angka ukuran pada gambar bermakna saiz sebenar telah berjaya dikawal.
Ramai pencipta dalam komuniti turut menghadapi masalah serupa. Dalam perbincangan Reddit mengenai skala watak dan objek bagi MiniMax H3 Ref2V, penulis asal menyebut bahawa walaupun ketinggian relatif telah dinyatakan dengan jelas, hasil janaan masih mengalami hanyutan skala; di ruangan komen, ada yang mencadangkan supaya terus menyediakan imej rujukan watak memegang objek, imej perbandingan yang digabungkan mengikut skala, atau menggunakan model 3D ringkas sebagai penanda ruang untuk menetapkan saiz. Dalam satu lagi hantaran yang membincangkan saiz watak dan persekitaran, sesetengah pengguna merasakan menulis ukuran sentimeter yang spesifik membantu, manakala yang lain melaporkan nilai angka tersebut diabaikan sepenuhnya oleh model. Perbincangan ini adalah perkongsian pengalaman peribadi para pencipta, namun dapat dilihat bahawa melukis hubungan saiz secara terus sebagai visual yang boleh dilihat biasanya lebih intuitif berbanding bergantung semata-mata pada angka.
Jika selain rujukan watak dan rujukan prop anda mempunyai keperluan khusus terhadap skala relatif antara kedua-duanya, anda boleh menghasilkan sekeping lagi imej papan cerita atau helaian konsep yang menampilkan watak dan prop dalam satu bingkai khusus untuk mengunci skala.
Bagi mengekalkan penampilan watak daripada video asal sambil mencuba untuk memanjangkan bilah, kami terlebih dahulu mengambil tangkapan skrin watak daripada video versi pertama untuk menjana sekeping imej rujukan watak. Imej ini mengekalkan ciri wajah, gaya rambut, dan kemeja kelabu gelap watak video asal, sambil melengkapkan bahagian seluar dan kasut yang tidak kelihatan dalam video asal untuk membentuk imej penuh badan dan syot dekat wajah. Mengenai cara menyusun pandangan penuh badan, sisi, dan dekat wajah, anda boleh merujuk Panduan Reka Bentuk Helaian Pusingan Watak: Daripada Rujukan Asas kepada Pengurusan Aset Watak.
Seterusnya, imej rujukan watak ini digabungkan dengan helaian konsep pedang lengkung asal untuk menjana imej rujukan skala penuh badan watak memegang pedang. Dalam imej baharu ini, kami sengaja memanjangkan bilah sambil mengekalkan tekstur keluli, cengkaman kulit coklat gelap, dan reka bentuk pelindung tangan loyang. Visual ini membolehkan keseluruhan tubuh watak, hubungan tapak tangan yang menggenggam cengkaman hulu, serta panjang keseluruhan pedang kelihatan jelas pada masa yang sama, dengan watak dan pedang berada pada satah kedalaman medan yang hampir sama bagi mengelakkan herotan perspektif akibat hujung bilah menghala terus ke arah kamera.
Selepas menyediakan imej sauh skala ini, kami menjalankan penjanaan video versi kedua. Versi ini masih menggunakan model sumber terbuka MiniMax H3 yang dihoskan oleh WaveSpeed (768p, kira-kira 15 saat, audio asli), serta mengekalkan sepenuhnya prompt bahasa Inggeris, parameter penjanaan, dan seed rawak daripada video versi pertama (penetapan seed bertujuan terutamanya untuk mengurangkan pemboleh ubah ujian, dan tidak boleh menjamin konsistensi visual atau skala semata-mata dengan mengunci seed).
Semasa memasukkan imej rujukan, imej rujukan watak penuh badan di atas hanyalah langkah perantaraan dan tidak dimasukkan secara berasingan ke dalam model video; input sebenar yang diberikan kepada video versi kedua ialah helaian konsep pedang tunggal yang asal (sebagai <Picture 1>) dan imej skala penuh badan memegang pedang yang baharu ditambah (sebagai <Picture 2>). Prompt hanya menambah satu ayat penjelasan berikut pada asas versi pertama:
Use <Picture 2> as the reference for the saber's size relative to the person, including the blade length and grip-to-hand proportions.
Hasil janaan adalah seperti berikut:
Lajur kiri dalam rajah di atas ialah versi pertama, manakala lajur kanan ialah versi kedua selepas menambah rujukan skala; baris atas diambil pada saat ke-4.5 setiap video, dan baris bawah diambil pada saat ke-6.5. Bingkai diekstrak terus daripada video asal tanpa mengubah skala pedang secara berasingan. Postur watak dan orientasi bilah berbeza antara kedua-dua versi, jadi perbandingan ini digunakan untuk memerhati perbezaan visual dan bukannya sebagai ukuran dimensi yang tepat.
Selepas menyediakan helaian konsep prop dan imej skala watak memegang objek, anda boleh membuka Penjana Video MiniMax H3, menambah bahan rujukan, dan menerangkan peranan setiap imej di dalam prompt sebelum menguji aksi menghunus, menggenggam, atau mempamerkan prop.
Membandingkan kedua-dua hasil akhir, sambil menyelesaikan aksi menghunus, meneliti, dan syot jarak dekat perincian yang sama, bilah dalam video versi kedua kelihatan jauh lebih panjang dan ramping secara visual berbanding versi pertama, manakala hubungan antara cengkaman hulu dengan tapak tangan masih boleh dijadikan fokus semakan syot demi syot seterusnya. Perlu dijelaskan bahawa memandangkan semua syot dalam video ini adalah syot sederhana dekat dan syot jarak dekat tanpa memaparkan visual penuh badan memegang pedang, hasil video ini sahaja belum dapat membuktikan bahawa skala tepat antara panjang bilah dengan ketinggian badan telah dikunci sepenuhnya. Keputusan ini memberikan satu contoh praktikal bagi penambahan rujukan memegang objek sebingkai, tetapi lebih banyak syot masih diperlukan untuk menguji kestabilannya.
Semasa menyemak prestasi saiz dalam video seperti ini, jangan bandingkan terus panjang piksel skrin antara bingkai jarak dekat dengan bingkai sederhana—pedang kelihatan lebih besar apabila kamera bergerak mendekat adalah fenomena perspektif yang normal. Pendekatan yang lebih selamat adalah dengan mengambil satu bingkai daripada setiap bahagian iaitu menghunus, mengangkat pedang, syot jarak dekat, dan kembali kepada watak, kemudian perhatikan sama ada "ketebalan cengkaman hulu berbanding tapak tangan", "lebar pelindung tangan berbanding belakang tangan", serta "panjang bilah berbanding dada dan bahu" di dalam bingkai yang sama kekal konsisten secara munasabah.
5. Cara Menyusun Rujukan Terurai Apabila Melibatkan Ramai Watak
Jika sesebuah video mengandungi ramai watak dan setiap seorang memegang senjata atau prop masing-masing, memuatkan semua maklumat ke dalam satu imej sahaja sering menyebabkan ada bahagian yang terabai: imej lebar sebingkai sukar memperlihatkan bahan terperinci setiap prop, manakala hanya memberikan imej objek tunggal pula mudah menyebabkan perbezaan ketinggian antara dua orang dan panjang senjata menjadi kucar-kacir dalam video.
Bagi menangani babak kompleks seperti ini, dalam perbincangan skala MiniMax H3 di Reddit yang disebut tadi, ahli komuniti mencadangkan penggunaan gabungan "helaian konsep watak individu + carta perbandingan ketinggian semua watak dalam satu bingkai" untuk menguruskan skala. Mengikut pendekatan ini, apabila visual melibatkan ramai watak dan pelbagai prop secara serentak, anda boleh mencuba menyusun bahan rujukan kepada gabungan "rujukan terurai + gambaran keseluruhan skala sebingkai" (kaedah penyusunan berbilang watak ini dikemukakan sebagai lanjutan idea untuk rujukan dan belum diuji dalam kes eksperimen artikel ini):
- Rujukan Terurai bagi Setiap Watak dan Prop Berkaitan: Sediakan imej penampilan dan pegangan objek secara berasingan untuk setiap watak, atau padankan watak dengan prop yang dipegangnya secara jelas. Contohnya Watak A menggunakan pedang lengkung panjang, manakala Watak B memegang jam saku lama; imej terurai digunakan terutamanya untuk menjelaskan ciri wajah, pakaian masing-masing, serta tekstur dan cara genggaman prop tersebut, bagi mengelakkan model memasang aksesori A pada senjata B.
- Gambaran Keseluruhan Skala Ramai Watak Sebingkai: Sediakan sekeping lagi imej penuh badan yang menampilkan semua watak berdiri bersama sambil membawa prop masing-masing. Pastikan tapak kaki watak berada pada garis asas mendatar yang sama dan pada kedalaman medan yang hampir serupa, tanpa sudut kamera dongak atau tunduk yang melampau. Imej ini tidak bertujuan memaparkan ukiran halus pada prop, sebaliknya khusus untuk memberitahu model: siapa lebih tinggi antara A dan B, serta berapa panjang pedang A berbanding tubuh B.
Semasa menulis prompt video, nyatakan mengikut nombor imej gambar mana yang bertanggungjawab terhadap perincian penampilan watak dan prop tertentu, serta gambar mana yang bertanggungjawab terhadap hubungan ketinggian dan saiz keseluruhan. Beri perhatian juga kepada keadaan penyerahan atau genggaman prop antara watak dalam syot bersebelahan bagi mengelakkan objek bertukar tangan atau hilang tanpa sebab semasa pertukaran syot.
Semasa menyediakan imej rujukan prop, anda boleh bekerja secara terbalik daripada syot akhir untuk menentukan maklumat yang diperlukan: gunakan imej objek tunggal terlebih dahulu untuk menjelaskan penampilan, kemudian gunakan imej bahagian untuk menetapkan perincian utama, dan tambahkan rujukan skala watak bersama prop dalam satu bingkai apabila terdapat keperluan khusus terhadap saiz. Selepas penjanaan, anda masih perlu kembali ke syot sebenar untuk menilai sama ada hubungan ini dapat dikekalkan sebelum memutuskan imej mana yang perlu ditambah atau aksi mana yang perlu dilaraskan.
