Prompt do wideo AI: 6 elementów opisu sceny i klip 10 s z dwóch wariantów tego samego ujęcia 

Większość porad o promptach do wideo AI sprowadza się do dwóch rad: „opisz scenę dokładnie" i „nie pisz byle jak". Obie są zbyt ogólne, żeby cokolwiek zrobić. Ten artykuł jest konkretniejszy: biorę sześć elementów opisu sceny z oficjalnej dokumentacji producentów, pokazuję, jak złożyć z nich jeden prompt, i tłumaczę, dlaczego klip 10 sekund w ogóle nie jest taką oczywistą wartością, jak się wydaje. Na końcu - jak zrobić z jednego ujęcia dwa, skoro żaden z tych modeli nie daje Ci ziarna losowego.

Dlaczego „ładne ujęcie, kinowa jakość" nie działa

OpenAI prowadzi w swoim poradniku do Sora 2 tabelę słabych i mocnych promptów. Wersja słaba: „A beautiful street at night". Wersja mocna: „Wet asphalt, zebra crosswalk, neon signs reflecting in puddles". Ta sama scena, zupełnie inny wynik. Podobnie „Person moves quickly" zamienia się w „Cyclist pedals three times, brakes, and stops at crosswalk", a „Cinematic look" w „Anamorphic 2.0x lens, shallow DOF, volumetric light". Zasada jest prosta: czasowniki i rzeczowniki, które wskazują na to, co widać w kadrze, dają wiarygodniejszy obraz niż przymiotniki o jakości.

Ta sama logika dotyczy zdania „ładne wideo". Model nie ma do czego się odnieść, więc wybiera statystyczny środek: płytka scena, kamera, która nie robi nic, światło, którego nie widać. Jeśli chcesz zobaczyć różnicę, spójrz na to samo podejście w 6 promptach do CV, które naprawdę robią różnicę - tam też liczy się konkret, a nie ozdobnik.

Sześć elementów nie jest moją wymyślką

Zanim zacznę pisać własną listę, warto zobaczyć, że ona właściwie już istnieje - tylko każdy producent dokumentuje ją inaczej i w innym rozmiarze. Google Cloud ma w przewodniku „Video generation prompt guide" jedenaście nagłówków: Subject, Action, Scene or context, Camera angles, Camera movements, Lens and optical effects, Visual style & aesthetics, Temporal elements, Audio, Cinematic terms, Negative prompts. Sekcja stylu rozbija się dodatkowo na cztery części: Lighting, Tone or mood, Artistic style, Ambiance.

Google DeepMind w poradniku „How to create effective prompts with Veo 3" idzie inną drogą i wymienia siedem pozycji: Shot framing and motion, Style, Lighting, Character descriptions, Location, Action, Dialogue. Jeśli zostawić same wizualne, zostaje ich dokładnie sześć. OpenAI w dokumentacji API podaje pięć: „describe shot type, subject, action, setting, and lighting". W poradniku z cookbook rozwija to do sześciu (camera framing, depth of field, action in beats, lighting, palette, distinctive subject details), a w wariancie „Going Ultra-Detailed" do siedmiu.

Czyli sześć elementów opisu sceny to nie fanabryka, tylko wspólny mianownik trzech niezależnych dokumentacji. Poniżej składam je w jeden zestaw, który da się wypełnić i który można zweryfikować - scenariusz do wideo z głosem i realnym kosztem minuty pokazuje, co się dzieje, kiedy prompt jest już dobry.

Element 1: podmiot, który da się rozpoznać

Podmiot to „kto" albo „co", wokół czego kręci się akcja. Dokumentacja Google jest tu bardzo konkretna: „Specificity helps avoid generic outputs". Przykładowe wartości, które podaje producent, to między innymi „a seasoned detective", „a joyful baker", „a playful Golden Retriever puppy" albo „a miniature dragon with iridescent scales". Zwykłe „man" albo „woman" to w tej siatce za mało.

DeepMind podaje prosty test: „A woman in her twenties with wavy brown hair and light freckles" da bardziej konkretny wynik niż „a brown-haired woman". Zasada działa też dla rekwizytów - „a vintage typewriter" albo „a classic 1960s muscle car" trzymają kadr lepiej niż ogólne „obiekt".

Element 2: czynność rozłożona na takty

Czynność to czasownik wideo, a Google podaje ją w czterech wariantach: ruchy podstawowe (walking, running, jumping, dancing, falling), interakcje (talking, laughing, arguing, cooking, writing), wyrażenia emocjonalne (smiling, frowning, surprise, concentrating deeply) oraz subtelne akcje - „a gentle breeze ruffling hair", „a subtle nod", „eyes blinking slowly". Ten ostatni wariant jest najczęściej pomijany, a właśnie on robi ujęcie naturalnym.

Tu jest różnica między Google a OpenAI, o której warto wiedzieć. Google radzi „action in beats" i pokazuje sekwencję typu: ręka w rękawicy rozcina grzbiet starej książki, wyciąga chip, oczy postaci rozchodzą się, gdy podłoga skrzypi poza kadrem. OpenAI w poradniku używa określenia „action in beats" w tej samej funkcji, ale zaznacza, że akcje mają być „a clear, specific beat or gesture", a dialog krótki, bo „a 4-second shot will usually accommodate one or two short exchanges". Czyli: jedna czynność na jeden odcinek klipu, nie lista zadań na cały film.

Element 3: miejsce i pora

Tu Google rozbija scenę na cztery grupy: lokalizację wewnątrz, lokalizację na zewnątrz, porę dnia oraz pogodę, plus atmosferyczne detale typu „floating dust motes in a sunbeam" czy „reflections on wet pavement". Przykładowe wartości brzmią konkretnie: „a cozy living room with a crackling fireplace", „a sun-drenched tropical beach", „golden hour, midday sun, twilight, deep night, pre-dawn", „light drizzle", „heavy thunderstorm with visible lightning".

Miejsce i pora są też najtańszym sposobem na kontrolę nastroju, bo wpływają na wszystko naraz: paletę, ostrość, zachowanie postaci. „Cyberpunk alleyway" i „roaring 1920s jazz club" to w ich słowniku różne światy, a różnica jest jednym słowem.

Element 4: kadrowanie i ruch kamery

To element, który w promptach najczęściej zastępuje się jednym słowem „dzieje się", a szkoda. Google podaje trzynaście kątów kamery (eye-level, low-angle, high-angle, bird's-eye view, worm's-eye view, dutch angle, close-up, extreme close-up, medium shot, full shot, wide shot, over-the-shoulder, point-of-view) i dwanaście ruchów (static shot, pan, tilt, dolly, truck, pedestal, zoom, crane shot, aerial lub drone shot, handheld, whip pan, arc shot).

Nie musisz użyć dwudziestu pięciu nazw. Wystarczy jedna pozycja z każdej listy. Kilka rzeczy warto jednak wiedzieć, bo to pułapki. Zoom i dolly to dwie różne rzeczy - Google opisuje to wprost: zoom zmienia ogniskową, „as the camera itself doesn't move", a dolly fizycznie przybliża. Model, który dostanie „zoom in", może zachować się jak „dolly in" i odwrotnie; jeśli zależy Ci na fizycznym ruchu, napisz „dolly in". Google dodaje też zastrzeżenie, że część zaawansowanych kątów nie jest oficjalnie wspierana i „the results and reliability may vary".

Po stronie Runway taksonomii nie ma w ogóle - w ich materiałach pojawiają się tylko „Wide establishing shot", „Close-up" i „Product hero shot rotating". Za to Luma ma osobny mechanizm: parametr concepts z gotowymi kluczami, między innymi pull_out, tilt_down, dolly_zoom, orbit_left, orbit_right, handheld, crane_up, aerial_drone, static. Ich dokumentacja ostrzega, że parafrazowanie działa „though there can be mismatches sometimes", więc tam parafrazujesz na własne ryzyko.

Element 5: światło i nastrój

Oświetlenie w dokumentacji Google dzieli się na cztery grupy: naturalne („soft morning sunlight streaming through a window", moonlight), sztuczne („warm glow of a fireplace", „pulsating neon signs"), kinematograficzne („rembrandt lighting on a portrait", „film noir style with deep shadows and stark highlights", „high-key lighting", „low-key lighting") oraz efekty (light rays, backlighting to create a silhouette, golden hour glow, dramatic side lighting).

Nastrój jest osobną zmienną w tej samej sekcji. Google wymienia dziewięć tonów i każdy ma swoje słowa: „Bright, vibrant, cheerful, uplifting" dla radości, „Somber, muted colors, slow pace, poignant" dla melancholii, „Dark, shadowy, quick cuts" dla napięcia, „Sepia tone, grainy film" dla vintage. W praktyce ton zapisujesz jednym wyrażeniem na początku, a światło jednym na końcu - i masz spójną całość.

Element 6: styl i paleta

Styl to ostatnia warstwa, ale Google nazywa go „one of the most impactful elements for creating a unique style". Konkretne wartości: „shot on 35mm film", „anamorphic widescreen", „Japanese anime style", „Pixar-like 3D animation", „claymation style", „stop-motion animation", „in the style of Van Gogh", „blueprint schematic style". Do tego paleta: od monochromatycznej czerni i bieli po „cool blue and silver futuristic palette".

OpenAI używa tego samego narzędzia w innym miejscu - paleta jest jednym z sześciu elementów anatomii, a przykład „Optimized Shot List" zawiera całą sekcję „Lenses & Filtration" z konkretami typu „32 mm / 50 mm spherical primes; Black Pro-Mist 1/4". Także „style is one of the most powerful levers for guiding the model" i warto ustawić go wcześnie, żeby model poniósł go konsekwentnie przez całe ujęcie.

Prompt gotowy: te sześć elementów w jednym akapicie

Złóżmy to. Prompt poniżej to moja synteza trzech dokumentacji, nie cytat - ale każda część odpowiada jednemu z sześciu elementów, które przed chwilą nazwały dokumenty. Akapit trzymasz w jednym bloku, bo to format, który pokazują obaj producenci.

Medium shot, eye-level. Starszy mężczyzna po pięćdziesiątce w znoszonej wełnianej kurtce morskiej, głowa odkryta, szare włosy zaczepione o kołnierz, głęboka bruzda między brwiami. Stoi na mokrym chodniku przed zamkniętą apteką o trzeciej w nocy, neon z witryny odbija się w kałużach, para z oddechu przesłania litery „ZAMKNIĘTE". Trzyma telefon w lewej dłoni i wpatruje się w ekran, nie wykonując żadnego ruchu przez dwie sekundy, po czym opuszcza telefon wzdłuż uda i rozgląda się w obie strony. Kamera powoli omija go z prawej strony, utrzymując poziom oczu; w tle przesuwa się latarnia sygnalizacyjna. Zimne, niebieskawe światło neonu z przodu, ciepły żółty refleks z baru po drugiej stronie ulicy. Spowolniony ruch, płytka głębia ostrości, delikatne ziarno filmowe 35 mm, paleta popielato-niebieska z pomarańczowym akcentem.

Liczyłem to celowo: rozmiar ujęcia i poziom kamery, podmiot z wiekiem i konkretami, czynność rozłożona na dwa takty, miejsce i pora z detalami, ruch kamery jednym zdaniem, światło i styl na końcu. Nie ma tu ani jednego słowa, które niczego nie wnosi - a „parno" czy „niebieskawo" to nie szum, to decyzja o palecie.

10 sekund: wartość, której prawie nie ma

Tytuł tego artykułu obiecuje klip 10 sekund, więc uczciwie powiem, gdzie ta liczba działa, a gdzie nie. W API Sora 2 parametr seconds przyjmuje wartości „4", „8", „12", „16", „20", a wartością domyślną jest „4" - dziesiątki wśród nich nie ma. Dokumentacja Veo nie zawiera w ogóle tabeli dozwolonych długości; w materiałach Google pojawiają się 8 sekund w przykładach i 6 sekund w benchmarkach, gdzie porównanie szło z klipami konkurencji o długości 5 i 10 sekund. Dziesiątka pojawia się natomiast jako wartość domyślna tam, gdzie naprawdę ją spotkasz: w przepisie Runway „Multi-Shot Video Recipe" - „Total output length in seconds: 5, 10, or 15. Defaults to 10".

Ten sam przepis jest ciekawy z innego powodu. Nie dostajesz jednego klipu, tylko listę 3-5 ujęć, z których Recipe składa całość, a każde ujęcie ma własny prompt w limicie 3-512 znaków i własny czas. W oficjalnym przykładzie podział 10 sekund wygląda tak: 3 + 3 + 4. Prompt fabularny, z którego przepis automatycznie rozbija scenę na ujęcia, ma limit 2500 znaków.

Czyli klip 10 sekund istnieje jako jednostka wyjściowa, ale w praktyce składasz go z krótszych kawałków. OpenAI radzi wprost, że lepsze wyniki daje „stitching together two 4 second clips in editing instead of generating a single 8 second clip". Jeśli zależy Ci na powtarzalności dłuższych scen, wchodzisz w parametr, nie w prompt: ten sam materiał można przedłużać o maksymalnie 20 sekund, sześć razy, czyli maksymalnie 120 sekund w sumie.

Dwa warianty tego samego ujęcia bez ziarna losowego

Najczęstsze pytanie brzmi: „czy jest seed?". Przeszukałem dokumentację Google Veo, OpenAI Sora, Runwaya, Lumy i Midjourney - parametr seed nie występuje w żadnej z nich. Nie obiecuj więc sobie, że dostaniesz dwa identyczne ujęcia z jednego wpisania ziarna. Mechanizmy, które naprawdę istnieją, są inne i wszystkie trzeba znać.

Pierwszy jest oficjalnie opisany przez OpenAI: „using the same prompt multiple times will lead to different results - this is a feature, not a bug. Each generation is a fresh take, and sometimes the second or third option is better." Ten sam prompt daje nowy wariant za każdym razem, a wybierasz ten, który działa. Drugi to edycja zamiast regeneracji: endpoint do edycji „reuses the original structure, continuity, and composition while applying the modification", a przykładowa instrukcja brzmi „same shot, switch to 85 mm" albo „same lighting, new palette: teal, sand, rust". Jedna zmiana na raz, reszta zostaje zablokowana.

Trzeci mechanizm jest najbardziej niedoceniany i pochodzi z Runwaya. Ich dokumentacja każe przypinać wersję przepisu datą: „Use a dated version like 2026-06 to pin behavior, or unsafe-latest to track the newest stable version." Dopiero potem masz powtarzalność - a samo unsafe-latest jest wprost odpowiedzią na pytanie, dlaczego wczorajszy prompt dziś działa inaczej. Do tego dochodzi ten sam obraz wejściowy jako pierwsza klatka i ta sama proporcja, bo Runway przyjmuje sześć proporcji i domyślnie 1280:720.

Czwarta droga to parametr kamery jako osobne pole, a nie fragment tekstu. W Lumie ruch kamery żyje w tablicy concepts, więc dwa warianty tego samego ujęcia to ten sam prompt z innym kluczem: raz dolly_zoom, raz pull_out z tilt_down. Do tego Luma ma Modify Video z dziewięcioma trybami - adhere, flex i reimagine, każdy w trzech wariantach, plus pole first_frame, którego podanie „optional (but preferred)" jest wprost zaleceniem, bo bez niej spada kontrola nad wariantem.

Cztery pułapki, które kosztują więcej niż brzmią

Google ma całą osobną sekcję o negative prompts i jedną zasadę, która jest sprzeczna z tym, co w praktyce pisze OpenAI. Google: „Not recommended: using instructive language or words such as 'no' or 'don't'", zamiast tego opisz, czego nie chcesz widzieć, czyli lista po przecinku bez negacji. OpenAI w swoich oficjalnych przykładach używa negacji wprost - „no score or added foley", „no gate weave", a do tego „Avoid signage or corporate branding". Jeśli piszesz do Veo, trzymaj się listy bez „no"; jeśli do Sora, przykłady producenta są dla ciebie ważniejsze niż ogólna zasada z innej dokumentacji.

Druga pułapka to upchanie dwóch akcji do jednego ujęcia. Runway stawia to wprost: „Write one clear idea per shot - keep each shot's prompt focused on a single scene", a w trybie własnym jeszcze pilnuje, żeby suma czasów ujęć zgadzała się z całkowitym czasem wyjściowym.

Trzecia to przekonanie, że z promptu da się wyciągnąć wszystko. OpenAI rozdziela to wyraźnie: „These parameters are the video's container: resolution, duration, and character references will not change based on prose like 'make it longer'". Resolucja i długość idą parametrami, nie prozą. A parametr trzeba znać dla modelu: w katalogu Runwaya gen4_turbo przyjmuje wyłącznie obraz wejściowy, bez tekstu - ten sam prompt tekstowy, który działa na gen4.5, na tym modelu jest błędem konfiguracji.

Czwarta dotyczy tego, co zostaje w kadrze. Veo oznacza swoje wyniki znakiem SynthID, a do tego przeprowadza testy pod kątem treści zapamiętanych, żeby ograniczyć ryzyko naruszeń praw autorskich. Przy planowaniu komercyjnego użycia warto to wiedzieć z wyprzedzeniem, bo prawa do materiału wygenerowanego i znaki wodne to osobny temat, którego prompt nie rozwiązuje.

Rozbieżność, którą musisz znać, zanim wybierzesz długość promptu

Jeśli dwa najlepsze przewodniki mówią o tym samym coś przeciwnego, to jest to najważniejsza rzecz w tym artykule. Google DeepMind pisze: „The more detail you add, the more control you'll have over the final output" i pokazuje własny przykład liczący około 250 słów. OpenAI w poradniku dla Sora 2 pisze coś odwrotnego: „Shorter prompts give the model more creative freedom" oraz „Longer, more detailed prompts restrict the model's creativity. It will try to follow your guidance, but might not always do so reliably." Ten sam producent przyznaje też, że to nie nauka ścisła, tylko wyuczone obserwacje.

Praktycznie: w pierwszym podejściu opisz scenę pełnymi sześcioma elementami i zobacz, czy dostajesz to, o co prosiłeś. Jeśli model zaczyna ciągnąć w stronę własnych pomysłów, skróć opis i zostaw mu wolność w jednym elemencie, nie w czterech. Środek jest zawsze ten sam - zmień jeden parametr na raz, zamiast przepisywać prompt od zera.

Jedno zastrzeżenie o datach, bo dokumentacja się starzeje szybciej niż modele. Strona Google Cloud, z której pochodzi jedenastopunktowa anatomia, była aktualizowana 28 września 2026 i używa już nowej nazwy platformy zamiast Vertex AI. Poradnik Sora 2 nosi datę marca 2026, a API Sora 2 i modele zostały wyłączone 24 września 2026 - dokumentacja jest tam zachowana jako materiał historyczny. Pliki API Lumy mają lipcowe 2026 i odsyłają po aktualne instrukcje na inny adres, więc ich liczby traktuj jako orientacyjne. Zanim oprzesz na czymś produkcyjnym, sprawdź wartości w aktualnej dokumentacji.

Czego w tych materiałach nie ma

Wymienię, bo brak wiarygodnych danych jest też informacją, a zmyślenie liczby jest gorsze niż jej brak. Nie znalazłem limitu znaków dla promptu w Veo ani w Sora, nie ma tabeli liczby klatek na sekundę dla generowania (Runway ma listę 24, 25, 30, 48, 50, 60, 120 i wartości 23,98 / 29,97 / 59,94, ale dla osobnego narzędzia do poprawy klatek, nie dla generatora), nie ma wyceny za sekundę w żadnej z tych dokumentacji i nie ma limitu dziennych generacji. Nie znalazłem też instrukcji, w jakim języku pisać prompt - żaden producent tego nie stwierdza wprost.

Nie ma też żadnej oficjalnej listy sześciu elementów w jednym miejscu. Sześć elementów w tym artykule to moje ułożenie trzech różnych dokumentacji: jedenastopunktowej siatki Google Cloud, siedmiopozycyjnej listy DeepMind z pominięciem dialogu i sześciopunktowej anatomii z poradnika OpenAI. Trzy różne zespoły dokumentacyjne doszły do podobnego rdzenia, ale żaden nie nazwał go sześcioma elementami. Jeśli pracujesz na konkretnym modelu, jego własny przewodnik jest ważniejszy niż moje podsumowanie.

Od pierwszego promptu do dwóch ujęć

Nie potrzebujesz warsztatu ani kursu, żeby zrobić pierwszy krok. Wystarczy, że weźmiesz jeden prompt, zapiszesz go, a potem wygenerujesz z niego trzy ujęcia - bo to oficjalna rekomendacja OpenAI, kiedy ten sam prompt zawsze daje nowy wariant. Porównaj je przy wstrzymanym oświetleniu i nieruchomej kamerze, a zobaczysz, co faktycznie robi model, a co dopisałeś ty. Potem zmień jeden element: obiektyw na 85 mm albo ruch na orbit zamiast dolly. Taki eksperyment kosztuje kilka minut i mówi więcej niż dowolna teoria o promptach, podobnie jak test na 100 promptach przy halucynacjach.

Jeśli chcesz sprawdzić, które z narzędzi w ogóle da się wypróbować bez płacenia, mam osobną listę narzędzi za zero złotych. Ale jeśli po tym artykule zostało Ci jedno pytanie, to jest ono konkretne: który z sześciu elementów opisujesz w swoich obecnych promptach najsłabiej? Najczęściej jest to czynność, a właśnie ona decyduje, czy ujęcie wygląda jak film, czy jak slideshow.