איך כותבים פרומפט לסרטון AI: מבנה ומילון תנועות מצלמה
פרומפט, שבסטודיו נקרא "תיאור", הוא הטקסט שאומר למודל הווידאו מה לצלם. פרומפט טוב לא צריך להיות ארוך או מתוחכם. הוא צריך לענות על חמש שאלות: איך המצלמה מצלמת, מי במרכז, מה קורה, איפה זה קורה ואיך זה מרגיש. המדריך מסביר את המבנה הזה לפי המדריך הרשמי של Google ל-Veo 3.1, איך כותבים דיאלוג וסאונד, אילו תנועות מצלמה אפשר לבקש ובאיזו שפה כדאי לכתוב.
בעמוד הזה
התשובה הקצרה
כותבים את הפרומפט באנגלית, ובונים אותו מחמישה חלקים לפי הסדר: צילום, נושא, פעולה, הקשר, וסגנון ואווירה. זה המבנה שמציע המדריך הרשמי של Google לכתיבת פרומפטים ל-Veo 3.1, ואפשר להשתמש בו גם במודלים אחרים, כי הוא עונה על כל מה שמודל וידאו צריך לדעת. ועוד ארבעה כללים:
- דיבור בתוך מירכאות. משפט שדמות אומרת כותבים בתוך מירכאות, מיד אחרי מי שאומר אותו
- סאונד בנפרד. אפקט קול כותבים אחרי המילה SFX, ורעש רקע אחרי המילים Ambient noise
- פעולה אחת ברורה. בסרטון של כמה שניות יש מקום לרגע אחד, לא לסיפור שלם
- את ההגדרות בוחרים בסטודיו. אורך, רזולוציה ויחס תמונה, למשל 9:16 לסרטון לאורך, נקבעים בהגדרות ולא בפרומפט
כך נראה פרומפט שבנוי לפי המבנה הזה. זו דוגמה שכתבנו בעצמנו:
Medium shot, slow dolly in. A street musician with a worn acoustic guitar plays and smiles at the people passing by. A narrow old city street on a rainy evening, neon signs reflected on the wet stones. Warm cinematic light, nostalgic mood. SFX: soft rain on the pavement.
חמשת החלקים של פרומפט טוב
המדריך של Google מגדיר נוסחה של חמישה חלקים. כל חלק עונה על שאלה אחרת, ויחד הם נותנים למודל תמונה מלאה של השוט:
| החלק | מה כותבים בו | דוגמה באנגלית |
|---|---|---|
| צילום | סוג השוט ותנועת המצלמה | Medium shot, slow dolly in |
| נושא | מי או מה במרכז הפריים | A street musician with a worn acoustic guitar |
| פעולה | מה הנושא עושה | plays and smiles at the people passing by |
| הקשר | איפה זה קורה ומה יש ברקע | A narrow old city street on a rainy evening |
| סגנון ואווירה | המראה הכללי, התאורה ומצב הרוח | Warm cinematic light, nostalgic mood |
מחברים את החלקים לפי הסדר, ומקבלים את הפרומפט המלא. חלק שלא משנה לכם אפשר להשמיט, והמודל יבחר אותו בעצמו. למשל, בלי חלק הצילום המודל יחליט לבד מאיפה לצלם.
מה ההבדל בפועל
| הפרומפט | מה המודל יודע | |
|---|---|---|
| כללי | A man walking in a city | שיש איש ועיר. כל השאר נשאר לבחירתו |
| לפי המבנה | Tracking shot. An elderly man in a grey coat walks slowly along a busy market street at noon, holding a paper bag of oranges. Bright sunlight, lively and warm mood | איך לצלם, מי האיש, מה הוא עושה, איפה ומתי, ואיזו אווירה |
דיאלוג וסאונד בתוך הפרומפט
במודלים שיוצרים סאונד יחד עם התמונה אפשר לתאר בפרומפט גם את מה ששומעים. המדריך של Google מציע שלוש צורות כתיבה, ואלה הדוגמאות שלו:
| מה רוצים | איך כותבים | הדוגמה של Google |
|---|---|---|
| משפט שדמות אומרת | בתוך מירכאות, אחרי מי שאומר אותו | A woman says, "We have to leave now" |
| אפקט קול | אחרי המילה SFX | SFX: thunder cracks in the distance |
| רעש רקע | אחרי המילים Ambient noise | Ambient noise: the quiet hum of a starship bridge |
אילו מודלים יוצרים סאונד
- סאונד שנוצר עם הסרטון: משפחת Veo 3.1, Seedance 2.5, Wan 3.0, LTX-2.5 Fast ו-Gemini Omni Flash 1.1. במודלים שיש בהם מתג "סאונד מובנה" או "יצירת סאונד", בודקים שהוא פועל
- סאונד רק כשמדליקים אותו: ב-Kling 3.0 הסאונד כבוי כברירת מחדל, ובלי להדליק אותו הדמות לא תדבר
- בלי סאונד: לפי Luma, Ray 3.2 יוצר סרטון שקט, וב-Hailuo 2.3 היצרן לא מפרט סאונד. בהם מוסיפים קול ומוזיקה בנפרד
ומה עם דיבור בעברית
אף מודל וידאו כאן לא תומך רשמית בדיבור בעברית. ב-Kling 3.0, למשל, Kling כותבת שדיבור בשפה שאינה ברשימה הרשמית שלה מתורגם לאנגלית. לכן כשהדמות צריכה לדבר עברית, יוצרים את הקריינות בנפרד במודל קול שעברית נמצאת ברשימת השפות הרשמית שלו, כמו Eleven v3, ומחברים אותה לסרטון בעריכה.
יש גם דרך נוספת: ב-Wan 2.7 אפשר להעלות את הקריינות כקובץ קול, ולפי Alibaba המודל מתזמן לפיו את תנועת השפתיים ואת הפעולה. אין אישור רשמי שזה מדויק בעברית, ולכן בודקים את התוצאה. כל האפשרויות לקריינות בעברית מפורטות במדריך קריינות AI בעברית.
מילון תנועות מצלמה בעברית ובאנגלית
את חלק הצילום כותבים במונחי הצילום המקובלים באנגלית. המונחים בטבלאות לקוחים מהמדריך הרשמי של Google ל-Veo 3.1, מרשימת פקודות המצלמה ש-MiniMax מתעדת ומהתנועות המוכנות שאפשר לבחור כאן במודלי LTX, ולידם הסבר בעברית למה שרואים בפועל.
| בעברית | מה כותבים בפרומפט | מה רואים |
|---|---|---|
| מצלמה קבועה | Static shot | המצלמה לא זזה בכלל, ורק מה שבתוך הפריים זז |
| סיבוב הצידה (פאן) | Pan left / Pan right | המצלמה נשארת במקום ומסתובבת שמאלה או ימינה |
| הטיה (טילט) | Tilt up / Tilt down | המצלמה נשארת במקום ומסתובבת למעלה או למטה |
| התקרבות | Push in / Dolly in | המצלמה נוסעת קדימה אל הנושא |
| התרחקות | Pull out / Dolly out | המצלמה נוסעת אחורה מהנושא |
| תנועה הצידה | Truck left / Truck right | כל המצלמה נוסעת שמאלה או ימינה לאורך הסצנה |
| עלייה וירידה | Pedestal up / Pedestal down | כל המצלמה עולה או יורדת בקו ישר |
| זום | Zoom in / Zoom out | העדשה מגדילה או מקטינה את התמונה, בלי שהמצלמה עצמה זזה |
| מעקב | Tracking shot | המצלמה נעה יחד עם הדמות ועוקבת אחריה |
| מנוף | Crane shot | המצלמה מתרוממת או יורדת בתנועה רחבה, כמו על זרוע של מנוף |
| צילום אווירי | Aerial view | מבט מלמעלה על כל הסצנה |
| תנועה בקשת | Arc shot | המצלמה מקיפה את הנושא בקשת |
| נקודת מבט | POV shot | רואים את הסצנה דרך העיניים של הדמות |
| רעידה | Shake | המצלמה רועדת, למשל ברגע של מתח או של פיצוץ |
| מעבר פוקוס | Focus shift | הפוקוס עובר מעצם אחד לעצם אחר בפריים |
| בעברית | מה כותבים בפרומפט | מה רואים |
|---|---|---|
| שוט רחב | Wide shot | הדמות כולה, וגם הרבה מהסביבה שלה |
| שוט בינוני | Medium shot | הדמות מהמותניים ומעלה |
| תקריב | Close-up | הפנים או חפץ אחד ממלאים את רוב הפריים |
| תקריב קיצוני | Extreme close-up | פרט קטן אחד, כמו עין או טיפת מים |
| שוט של שניים | Two-shot | שתי דמויות באותו פריים |
| זווית נמוכה | Low angle | מצלמים מלמטה כלפי מעלה, והנושא נראה גדול |
| זווית גבוהה | High angle | מצלמים מלמעלה כלפי מטה |
| שוט נגדי | Reverse shot | הצד השני של הסצנה, למשל הפנים של דמות שקודם ראינו מאחור |
| בעברית | מה כותבים בפרומפט | מה רואים |
|---|---|---|
| עומק שדה רדוד | Shallow depth of field | הנושא חד והרקע מטושטש |
| פוקוס עמוק | Deep focus | גם מה שקרוב וגם מה שרחוק חדים |
| עדשה רחבה | Wide-angle lens | שדה ראייה רחב שמכניס הרבה מהסביבה |
| עדשת מאקרו | Macro lens | צילום מקרוב מאוד של פרטים קטנים |
| פוקוס רך | Soft focus | מראה רך וחלומי, בלי קצוות חדים |
תנועת מצלמה בלחיצה
בחלק מהמודלים לא חייבים לכתוב את התנועה. ב-Seedance 1.5 Pro יש מתג "מצלמה קבועה" שמשאיר את המצלמה במקום. במודלי LTX, כמו LTX-2.5 Fast, אפשר לבחור תנועה מוכנה בשדה "תנועת מצלמה": התקרבות, התרחקות, תנועה שמאלה, תנועה ימינה, עלייה, ירידה, סטטית או מעבר פוקוס.
ב-Hailuo, MiniMax מתעדת גם פקודות מצלמה בתוך סוגריים מרובעים, כמו [Pan left] או [Push in]. לא בדקנו את הצורה הזו כאן, ולכן כדאי לכתוב את התנועה גם במילים.
פרומפט כשמתחילים מתמונה
כשמעלים תמונת פתיחה, המודל כבר רואה את הדמויות, את המקום ואת הצבעים. לכן הפרומפט מתמקד במה שמשתנה: מי זז ואיך, לאן המצלמה נעה ומה שומעים. כשיש גם תמונת סיום, מתארים את התנועה שמחברת בין שתי התמונות. ההסבר המלא, עם דוגמאות, נמצא במדריך איך הופכים תמונה לסרטון.
כשעובדים עם תמונות רפרנס, כדאי לומר בפרומפט מה כל תמונה מייצגת. בדוגמה שבמדריך של Google, הפרומפט מתחיל במילים Using the provided images for the detective, the woman, and the office setting, ורק אחר כך מתאר את השוט. איך שומרים כך על אותה דמות לאורך כמה סרטונים מוסבר במדריך איך שומרים על אותה דמות.
פרומפט בעברית או באנגלית
באנגלית. רוב היצרנים לא מתייחסים לעברית בכלל, ומי שמפרסם רשימת שפות לפרומפט לא כולל אותה:
- ב-Veo 3.1 וב-Gemini Omni Flash 1.1, Google כותבת שאנגלית נתמכת במלואה, ושפות אחרות לא נבדקו ועשויות לעבוד עם תוצאות משתנות
- במודלי Wan, כמו Wan 3.0, Alibaba מציינת שהפרומפט נתמך רשמית בסינית ובאנגלית
- במודלי LTX, Lightricks מתארת מקודד טקסט רב לשוני, אבל בלי רשימת שפות
הדרך הנוחה היא לחשוב בעברית ולשלוח באנגלית: מנסחים את הרעיון בעברית, מתרגמים אותו לאנגלית, ובודקים שהתרגום שמר על מה שחשוב, כמו תנועת המצלמה ומה הדמות עושה. כדאי להשאיר באנגלית גם את מונחי הצילום מהמילון שלמעלה, כי כך הם מופיעים במדריך של Google.
שפת הממשק לא משנה את זה: אפשר לעבוד בסטודיו בעברית ולכתוב את הפרומפט באנגלית. ומה עובד בעברית בכל סוג של מודל, מקריינות ועד טקסט בתוך תמונה, מוסבר במדריך עברית במודלי AI.
מה להשמיט ומספר Seed
בחלק מהמודלים יש שדה בשם "מה להשמיט", שבו כותבים מה לא צריך להופיע בתוצאה. בשדה הזה כותבים רק את הדברים עצמם, בלי המילים "בלי" או "לא", למשל buildings, roads, text, כי המודל מתרחק מכל מה שכתוב שם. בפרומפט הראשי, לעומת זאת, המדריך של Google ממליץ לתאר את הסצנה שרוצים במקום ניסוח כללי של מה שלא רוצים: למשל a desolate landscape with no buildings or roads, נוף שומם בלי בניינים או כבישים, במקום no man-made structures.
כל יצירה מתחילה מנקודת התחלה אקראית, ולכן אותו פרומפט נותן בכל פעם תוצאה קצת אחרת. בסטודיו כל יצירה מקבלת נקודת התחלה חדשה, ולכן כדי להשוות בין גרסאות משאירים את אותה תמונת פתיחה או אותן תמונות רפרנס ומשנים בכל פעם רק פרט אחד. מי שיוצר דרך API, MCP או CLI יכול גם לקבוע את נקודת ההתחלה במספר Seed, במודלים שתומכים בזה: כשמשאירים את המספר קבוע ומשנים מילה אחת בפרומפט, קל יותר לראות מה השינוי עשה.
כמה שוטים בפרומפט אחד
סרטון קצר יכול לכלול יותר משוט אחד. המדריך של Google ל-Veo 3.1 מראה איך מחלקים את הפרומפט לפי זמנים, כשכל קטע מקבל שוט משלו. בדוגמה שם סרטון של 8 שניות מחולק לארבעה קטעים של 2 שניות. כך נראה פרומפט כזה, בדוגמה שכתבנו לפי אותו מבנה:
[00:00-00:02] Wide shot of a small bakery at dawn, warm light glowing in the window. [00:02-00:04] Close-up of hands dusting flour over fresh dough. SFX: the soft thud of dough on a wooden table. [00:04-00:06] Medium shot, the baker smiles and pulls a tray of bread out of the oven. [00:06-00:08] Slow push in on the golden loaves as steam rises. Ambient noise: a quiet street waking up.
גם ב-Wan 2.6 יש מתג "ריבוי שוטים", ו-Alibaba מתארת אותו כמודל שמספר סיפור קצר בכמה שוטים. ב-Wan 2.7, לפי Alibaba, את מבנה השוטים כותבים במילים בתוך הפרומפט. כשצריך סרטון ארוך יותר, האפשרויות מפורטות במדריך סרטון AI ארוך מ-8 שניות.
כשהמודל לא עושה מה שכתבתם
- הדמות לא מדברת. בודקים שהמודל יוצר סאונד ושהמתג שלו פועל. ב-Kling 3.0 הסאונד כבוי כברירת מחדל
- המודל מתעלם מחלק מהפרומפט. מצמצמים לפעולה אחת ברורה, מוחקים הוראות שסותרות זו את זו, וכותבים באנגלית
- התוצאה רחוקה ממה שכתבתם. בחלק מהמודלים פועל "שיפור תיאור אוטומטי", שמרחיב את הפרומפט לפני היצירה. כשרוצים שליטה מדויקת, מכבים אותו
- המצלמה זזה כשלא ביקשתם. כותבים Static shot, או בוחרים "מצלמה קבועה" או תנועה "סטטית" במודלים שיש בהם את האפשרות
- הסרטון לא בצורה הנכונה. את יחס התמונה בוחרים בהגדרות, למשל 9:16 לסרטון לאורך או 16:9 לסרטון לרוחב
- צריך שליטה עדינה יותר. ב-Kling 3.0 וב-Kling 2.6 יש גם שדה "היצמדות לתיאור", שקובע כמה המודל נצמד לפרומפט
ולפני הגרסה הסופית בודקים את הפרומפט בזול. ב-Veo 3.1 Lite המחיר זהה לכל אורך, ולכן בודקים ישר ב-8 שניות, שעולות ברגע זה ₪0.707.03 קרד׳Veo 3.1 Lite, 720p · 8 שנ׳ · עם סאונד ב-720p. ב-Kling 3.0, שמתומחר לפי שנייה, 3 שניות ב-720p עולות ₪0.999.85 קרד׳Kling 3.0, 720p · 3 שנ׳ · בלי סאונד. כשהפרומפט עובד, מריצים את האורך ואת הרזולוציה הסופיים.
כל המודלים עובדים מאותה יתרה, כך שאפשר להריץ את אותו פרומפט בשניים או שלושה מודלים ולבחור את התוצאה הטובה ביותר. המחיר המדויק מוצג בסטודיו לפני כל יצירה, וזה הסכום שיורד מהיתרה.
שאלות ותשובות
איך כותבים פרומפט לסרטון AI?
כותבים באנגלית, בחמישה חלקים לפי הסדר: צילום, נושא, פעולה, הקשר, וסגנון ואווירה. זה המבנה שמציע המדריך הרשמי של Google ל-Veo 3.1. דיבור כותבים בתוך מירכאות, ואפקט קול אחרי המילה SFX
עדיף לכתוב פרומפט בעברית או באנגלית?
באנגלית. ב-Veo 3.1 וב-Gemini Omni Google כותבת שאנגלית נתמכת במלואה ושפות אחרות לא נבדקו, וב-Wan הפרומפט נתמך רשמית בסינית ובאנגלית. נוח לנסח את הרעיון בעברית ולתרגם אותו לאנגלית לפני השליחה
איך גורמים לדמות בסרטון להגיד משפט מסוים?
כותבים את המשפט בתוך מירכאות, אחרי מי שאומר אותו, למשל A woman says, "We have to leave now". צריך מודל שיוצר סאונד, עם הסאונד פועל. לדיבור בעברית יוצרים קריינות בנפרד במודל קול כמו Eleven v3
אילו תנועות מצלמה אפשר לבקש בפרומפט?
כותבים אותן במונחי צילום באנגלית, כמו Slow pan, Tracking shot, Dolly shot או Crane shot, שמופיעים במדריך של Google. במודלי LTX אפשר גם לבחור תנועה מוכנה מרשימה, וב-Seedance 1.5 Pro יש מתג "מצלמה קבועה"
למה אותו פרומפט נותן כל פעם תוצאה אחרת?
כי כל יצירה מתחילה מנקודת התחלה אקראית. כדי להשוות בין גרסאות משאירים את אותה תמונת פתיחה או אותן תמונות רפרנס ומשנים בכל פעם רק פרט אחד. מי שיוצר דרך API, MCP או CLI יכול גם לקבוע מספר Seed במודלים שתומכים בזה ולהשאיר אותו קבוע
מה כותבים בשדה "מה להשמיט"?
רק את הדברים שלא צריכים להופיע, בלי המילים "בלי" או "לא", למשל buildings, roads, text. את מה שכן רוצים מתארים בפרומפט הראשי, ושם המדריך של Google ממליץ לתאר את הסצנה בבירור, למשל נוף שומם בלי בניינים או כבישים