Minimax H3 کے موضوع کی مقبولیت سے فائدہ اٹھانے کے لیے میں نے پہلے عجلت میں ٹیسٹ کیا اور فوراً مضمون لکھ کر شائع کر دیا۔ یہ میری غلطی تھی، مجھے اتنی سرسری انداز میں ناقص مضمون نہیں لکھنا چاہیے تھا۔ Minimax H3 کے پرامپٹ فارمیٹ کے لیے سخت تقاضے ہیں، اور عام طریقے سے پرامپٹ نہیں لکھا جا سکتا۔ اس لیے میں نے سرکاری پرامپٹ گائیڈ کا بغور مطالعہ کیا اور یہ ٹیوٹوریل لکھا ہے۔
>
اصل مضمون شروع ہوتا ہے
>
بہت سے لوگ ویڈیو پرامپٹ لکھتے وقت کردار، منظر، عمل، کیمرہ، اور انداز سب کچھ ایک ہی جملے میں ڈال دیتے ہیں: ایک لڑکی کیفے میں بیٹھی ہے، ایک کتا اس کے ہاتھ میں موجود بسکٹ کی طرف جھپٹتا ہے، منظر پُرسکون اور مزاحیہ ہے، سنیما جیسا انداز، کیمرہ آگے بڑھتا ہے……
یہ طریقہ مکمل طور پر ناقابلِ استعمال نہیں، لیکن جب آپ بیک وقت کردار کی تصویر، منظر کی تصویر، ایکشن ویڈیو اور آواز کا حوالہ اپ لوڈ کرتے ہیں تو ماڈل کے لیے یہ سمجھنا مشکل ہو جاتا ہے:
کون سی تصویر کردار کے حلیے کی ذمہ دار ہے؛ کون سی تصویر منظر کی؛ کون سی ویڈیو صرف حرکت کا حوالہ ہے؛ کون سی آڈیو کو جوں کا توں برقرار رکھنا ہے؛ کن عناصر کو یکساں رہنا ضروری ہے؛ اور کن عناصر میں تبدیلی کی اجازت ہے
Seedance2.0 کے مکمل حوالہ موڈ میں اس مسئلے کا حل @素材 کا طریقہ استعمال کرنا ہے۔
MiniMaxH3 کے مکمل حوالہ موڈ میں اس مسئلے کا حل یہ ہے کہ پرامپٹ کو واضح ساخت والی ویڈیو پروڈکشن ہدایات کی شکل میں لکھا جائے۔
سرکاری تقاضے کے مطابق مکمل پرامپٹ چھ حصوں پر مشتمل ہونا چاہیے، اور بنیادی متن انگریزی میں ہونا چاہیے؛ صرف کرداروں کے مکالمے، گیت کے بول، اور منظر میں حقیقتاً ظاہر ہونے والا متن اصل زبان میں رکھا جا سکتا ہے۔
>一、پہلے ایک بنیادی اصول سمجھیں
>
مکمل حوالہ موڈ کا پرامپٹ اس سوال کا جواب نہیں دیتا: یہ ویڈیو کون سی کہانی بیان کرتی ہے؟
بلکہ یہ بتاتا ہے: ماڈل کو کن مواد سے کیا چیز اخذ کرنی چاہیے، اور ویڈیو کے کس وقت، کس شاٹ اور کس مقام پر اسے استعمال کرنا چاہیے؟
اس لیے صرف کہانی کا خلاصہ نہ لکھیں: ایک لڑکی کیفے میں ایک کتے سے ملتی ہے۔
یہی وہ غلطی تھی جو میں نے عجلت میں ٹیسٹ کرتے وقت کی؛ مقبولیت حاصل کرنے کے لیے میں نے بھی سرسری مضمون لکھ دیا۔
اسے ایسے منظر میں لکھنا چاہیے جس پر ماڈل عمل کر سکے:
درمیانہ شاٹ، لڑکی فریم کے دائیں جانب نارنجی صوفے پر بیٹھی ہے اور دائیں ہاتھ میں بسکٹ پکڑے ہوئے ہے۔ ایک نوجوان فریم کے بائیں جانب سے داخل ہوتا ہے اور سفید ساموئیڈ کو پٹے سے تھامے ہوئے ہے۔ کتا اچانک بسکٹ کے قریب جاتا ہے، پٹا تن جاتا ہے، اور لڑکی فوراً اپنا ہاتھ پیچھے کھینچ لیتی ہے۔
پہلی چیز کہانی ہے، جبکہ دوسری ویڈیو پرامپٹ ہے۔
ایک قابلِ قبول شاٹ کی وضاحت میں کم از کم یہ چیزیں ہونی چاہییں: شاٹ کا سائز اور کمپوزیشن + کردار کی ظاہری شکل اور مقام + ماحول اور روشنی + ایک واحد عمل + حالت میں تبدیلی + کیمرے کی حرکت + آواز اور مکالمہ
حقیقت میں زیادہ تر ویڈیو ماڈلز کے پرامپٹ کا ڈھانچا بھی تقریباً یہی ہے، یعنی یہ ایک عمومی ساخت ہے۔
لیکن 海螺 کے سرکاری رہنما میں خاص طور پر خبردار کیا گیا ہے:
>
detailed_description کو کہانی کے خلاصے یا حوالہ جاتی مواد کی سادہ فہرست میں تبدیل نہیں ہونا چاہیے، بلکہ ہر شاٹ میں حقیقتاً دکھائی اور سنائی دینے والی چیزوں کو واضح طور پر لکھنا چاہیے۔
>
>二、مکمل پرامپٹ کے چھ حصے
>
MiniMaxH3 کے مکمل حوالہ موڈ کی معیاری ساخت یہ ہے:
1، subject_definitions
حوالہ جاتی مواد میں موجود ان چیزوں کی تعریف جو الگ سے شناخت اور ٹریک کی جانی چاہییں
2، summary ایک مختصر پیراگراف میں بتائیں کہ کون سی ویڈیو بنانی ہے اور ہر حوالہ جاتی مواد کیا کردار ادا کرے گا
3، retention_analysis ماڈل کو بتائیں کہ حوالہ جاتی مواد کی کون سی خصوصیات مکمل طور پر برقرار رہنی چاہییں، کن کا صرف جزوی حوالہ لینا ہے، اور کن خصوصیات کو دوسری اشیا میں منتقل کرنا ہے
4، detailed_description سب سے اہم حصہ؛ ویڈیو کے پلے بیک آرڈر کے مطابق شاٹ بہ شاٹ منظر، عمل، کیمرہ، آواز اور مکالمے کی وضاحت کریں
5، overall_soundscape ماحول کی آوازوں اور حقیقی دنیا میں سنائی دینے والی آوازوں کی وضاحت کریں، مثلاً ہوا، قدموں کی چاپ اور اندرونی ماحول کا مدھم شور
6، non_diegetic_music ایسی پسِ منظر موسیقی کی وضاحت کریں جسے صرف ناظرین سن سکتے ہوں اور منظر کے کردار نہ سن سکتے ہوں
ان چھ حصوں کو لازماً اسی مقررہ ترتیب میں منظم کیا جانا چاہیے۔
>三、حوالہ کے چار ٹیگ کیسے استعمال کریں
>
مکمل حوالہ موڈ کی سب سے اہم مہارت حوالہ جاتی مواد کو درست ٹیگ دینا ہے۔
سرکاری طور پر چار ٹیگ متعین کیے گئے ہیں:
<SubjectN>
<PictureN>
<VideoN>
<AudioN>
ان میں N کی نمبرنگ 1 سے شروع ہوتی ہے۔
<SubjectN>: وہ حقیقی مواد جو ویڈیو میں ظاہر ہونا ہے۔
Subject کوئی “فائل” نہیں، بلکہ فائل سے اخذ کیا جانے والا اور تیار شدہ ویڈیو میں استعمال ہونے والا بصری عنصر ہے۔ یہ ہو سکتا ہے: انسان؛ جانور؛ شے؛ منظر؛ لباس؛ پروپ؛ خصوصی اثر؛ بصری انداز؛ حرکت؛ چہرے کا تاثر یا انداز
مثلاً، اگر آپ نے ایک ننھے بھیڑیا دیو کے کردار کی تصویر اپ لوڈ کی ہے تو پرامپٹ یوں لکھنا چاہیے:
<Subject1>is the young wolf demon in<Picture1>,with grey fur,drooping ears,worn brown clothes,and anervous expression.
اس کا مطلب ہے: Subject1، Picture1 میں موجود نوجوان بھیڑیا دیو ہے، جس کے سرمئی بال، جھکے ہوئے کان، پرانے بھورے کپڑے اور پریشان تاثر ہیں۔
ایک تصویر متعدد Subject فراہم کر سکتی ہے۔
مثلاً، کیفے کی ایک تصویر سے یہ چیزیں اخذ کی جا سکتی ہیں:
<Subject1>is the young woman in<Picture1>.
<Subject2>is the coffee-shop environment in<Picture1>.
ایک ہی Subject بیک وقت متعدد مواد سے بھی آ سکتا ہے:
<Subject1>is the woman whose appearance comes from<Picture1>and whose walking motion comes from<Video1>.
اس کا مطلب ہے: <Subject1> ایک عورت ہے، جس کی ظاہری شکل <Picture1> سے اور چلنے کی حرکت <Video1> سے لی گئی ہے۔
یعنی: Picture1 کردار کے حلیے کی ذمہ دار ہے؛ Video1 کردار کے چلنے کی حرکت کی۔
یہ Minimax H3 کے مکمل حوالہ موڈ کی سب سے مفید صلاحیتوں میں سے ایک ہے: مختلف مواد کی خصوصیات کو ایک ہی ہدفی کردار میں جوڑنا۔
<PictureN>: مخصوص فریم کا اینکر
Minimax H3 میں تصویر اپ لوڈ کرنے کا مطلب یہ نہیں کہ <PictureN> کو لازماً الگ سے متعین کیا جائے۔
صرف اس وقت تصویر کو الگ سے Picture کے طور پر متعین کرنے کی ضرورت ہوتی ہے جب وہ خود درج ذیل میں سے کوئی کردار ادا کرے:
ویڈیو کا پہلا فریم؛ ویڈیو کا آخری فریم؛ کوئی اہم فریم؛ شاٹ کی کمپوزیشن کا حوالہ؛ اسٹوری بورڈ فریم؛ ایسا منظر جس میں براہِ راست ترمیم کرنی ہو
مثلاً:
<Picture2>is the first frame of[Shot1],showing the wolf demon standing outside there cruitment hall.
اس کا مطلب ہے: <Picture2>، 【Shot1】 کا پہلا فریم ہے، جس میں بھیڑیا دیو وہاں موجود بھرتی ہال کے باہر کھڑا دکھائی دیتا ہے۔
اگر تصویر صرف کردار کے حلیے کا تعین کرنے کے لیے استعمال ہو رہی ہے تو Picture کی الگ سطر لکھنے کی ضرورت نہیں؛ اسے صرف Subject کی تعریف میں شامل کریں:
<Subject1>is the wolf demon in<Picture1>.
سب سے عام غلطی یہ ہے کہ پانچ تصاویر اپ لوڈ کر کے میکانکی انداز میں پانچ Picture متعین کر دیے جائیں۔
درست طریقہ یہ ہے کہ پہلے خود واضح کریں: کیا یہ تصویر ایک مخصوص منظر ہے، یا صرف کردار، لباس، منظر یا انداز فراہم کرتی ہے؟
صرف خصوصیات فراہم کرے تو Subject استعمال کریں۔
کسی مخصوص فریم یا شاٹ کی کمپوزیشن کو براہِ راست کنٹرول کرنا ہو تو Picture استعمال کریں۔
<VideoN>: پوری ویڈیو کے ڈھانچے کا ماخذ
Video بنیادی طور پر حوالہ جاتی ویڈیو اور ہدفی ویڈیو کے درمیان تعلق بیان کرنے کے لیے استعمال ہوتا ہے، مثلاً:
اصل ویڈیو میں ترمیم؛ اصل ویڈیو کو جاری رکھنا؛ اصل ویڈیو کی کیمرہ حرکت کا حوالہ؛ ایڈیٹنگ کی رفتار کا حوالہ؛ شاٹس کی ترتیب کا حوالہ؛ پوری ویڈیو کے زمانی ڈھانچے کا حوالہ
مثلاً:
<Video1>is the source video for the target video edit.
اس کا مطلب ہے: <Video1> ہدفی ویڈیو کی ایڈیٹنگ کے لیے ماخذ ویڈیو ہے۔
لیکن اگر آپ صرف حوالہ جاتی ویڈیو میں موجود کسی شخص کی حرکت استعمال کرنا چاہتے ہیں تو اس شخص یا حرکت کو پھر بھی Subject کے طور پر متعین کرنا چاہیے:
<Subject2>is the nervous hand-rubbing motion from<Video1>.
اس کا مطلب ہے: <Subject2>، <Video1> میں موجود گھبراہٹ کے عالم میں ہاتھ ملنے کی حرکت ہے۔
مواد کا ماخذ ویڈیو ہونے کی وجہ سے اس کے تمام عناصر کو <Video1> نہ لکھیں۔
آپ اسے یوں سمجھ سکتے ہیں: <VideoN> پوری ویڈیو کے ڈھانچے اور زمانی تعلق کو سنبھالتا ہے؛ <SubjectN> ویڈیو سے اخذ کیے جانے والے مخصوص مواد کو سنبھالتا ہے۔
<AudioN>: صوتی مواد
Audio یہ کام کر سکتا ہے:
پوری آواز کو جوں کا توں نقل کرنا؛ اس کے کسی حصے کو نقل کرنا؛ کردار کی آواز کے اتار چڑھاؤ کا حوالہ؛ بولنے کی رفتار کا حوالہ؛ جذبات اور لہجے کا حوالہ؛ موسیقی کے انداز کا حوالہ؛ صوتی اثرات کی نوعیت کا حوالہ؛ اصل آڈیو کی لے کو جاری رکھنا
مثلاً:
<Audio1>is the voice-timbre reference for<Subject1>(S1).
اس کا مطلب ہے کہ Audio1 صرف Subject1 کی آواز کے اتار چڑھاؤ کا حوالہ ہے۔
نوٹ: اپ لوڈ کی گئی ویڈیو فائل میں آواز شامل ہونے کا مطلب یہ نہیں کہ Audio خود بخود متعین کرنا ضروری ہے۔
صرف اس وقت <AudioN> متعین کریں جب آواز کو واقعی نقل یا بطور حوالہ استعمال کرنا ہو۔
اس کے علاوہ Video اور Audio کی نمبرنگ الگ الگ ہوتی ہے؛ ان کے نمبروں کا ایک دوسرے سے مماثل ہونا ضروری نہیں۔
>四،پہلے طے کریں کہ آپ کا کام کس قسم کا ہے
>
کیا یہ ایسا ٹیوٹوریل ہے جسے نہ پڑھنا بہتر تھا، اور پڑھنے کے بعد یوں محسوس ہوتا ہے جیسے آدمی کچھ بھی نہ سیکھ سکا ہو؟
حقیقت میں یہ آسان ہے۔
summary کے آغاز میں مربع قوسین کے ذریعے کام کی قسم بتانی چاہیے۔
عام طور پر چھ اقسام استعمال ہوتی ہیں۔
1، keyframe completion
حوالہ جاتی تصویر کو براہِ راست پہلے، آخری یا کسی اہم فریم کے طور پر استعمال کرنا۔
[keyframe completion]
2، reference generation
حوالہ جاتی کردار، منظر، انداز، حرکت، کیمرہ موومنٹ یا صوتی خصوصیات استعمال کرنا۔
لیکن اصل ویڈیو میں براہِ راست ترمیم یا اسے جاری نہ کرنا۔
[reference generation]
عام طور پر متعدد مواد کے حوالہ جاتی جنریشن میں یہی سب سے زیادہ استعمال ہونے والی قسم ہے۔
3، video editing
موجودہ ویڈیو میں براہِ راست ترمیم کرنا۔
[video editing]
4، video continuation
اصل ویڈیو کے اختتام سے آگے ویڈیو بنانا۔
[video continuation]
5، audio reuse
اصل آڈیو سگنل کو براہِ راست نقل کرنا۔
[audio reuse]
6، audiore ference
اصل آواز کو نقل نہ کرنا، بلکہ صرف آواز کے اتار چڑھاؤ، رفتار، لہجے یا موسیقی کے انداز کا حوالہ لینا۔
[audio reference]
ایک کام میں بیک وقت متعدد اقسام شامل ہو سکتی ہیں:
[video continuation+keyframe completion+audio reference]
صرف ویڈیو اپ لوڈ کرنے کی وجہ سے فوراً video editing نہ لکھیں۔
اگر صرف ویڈیو کی کیمرہ موومنٹ یا رفتار کا حوالہ لینا ہو تو یہ عموماً اب بھی reference generation کے زمرے میں آتا ہے۔
صرف اصل ویڈیو میں براہِ راست ترمیم کی صورت میں یہ videoediting کہلائے گا۔
صرف اصل ویڈیو کے اختتام سے آگے بڑھنے کی صورت میں یہ video continuation کہلائے گا۔
>五،ماڈل کو کیسے بتائیں کہ “کن چیزوں کو تبدیل نہیں کرنا”
>
retention_analysis کا مقصد یہ واضح کرنا ہے کہ حوالہ جاتی مواد کو کس حد تک برقرار رکھا جائے
بصری مواد کے لیے درج ذیل چار تعلقات استعمال کیے جاتے ہیں
1، fully_preserved
مکمل طور پر برقرار رکھنا، ان صورتوں کے لیے موزوں ہے: وہی کردار برقرار رکھنا ضروری ہو؛ لباس تبدیل نہ کیا جا سکے؛ منظر کی ترتیب تبدیل نہ کی جا سکے؛ ابتدائی یا آخری فریم کا سختی سے مماثل ہونا ضروری ہو
<Subject1>:fully_preserved the character's grey fur,drooping ears,brown clothes,and facial identity areretained.
یعنی: <Subject1> میں کردار کی سرمئی کھال، جھکے ہوئے کان، بھورے کپڑے اور چہرے کی شناخت سب برقرار رہتے ہیں
2، partially_preserved
کچھ حصہ برقرار رکھا جائے، لیکن ترمیم کی اجازت ہو۔
مثلاً: کردار کی شناخت برقرار رکھتے ہوئے لباس تبدیل کرنا؛ منظر کی ساخت برقرار رکھتے ہوئے وقت اور روشنی بدلنا؛ حرکت کے مرکزی کردار کو برقرار رکھتے ہوئے رفتار تبدیل کرنا
3، attribute_transfer
حوالہ جاتی خصوصیات کسی دوسرے آبجیکٹ کو منتقل کرنا
مثلاً: حوالہ جاتی ویڈیو میں موجود بالغ شخص کی حرکات کو بھیڑیے کے ننھے دیو کو منتقل کرنا؛ حوالہ جاتی تصویر کے کپڑے کسی دوسرے کردار کو پہنانا؛ کسی مخصوص تاثر کو ہدف کردار میں منتقل کرنا
4، weak_reference
صرف عمومی مشابہت برقرار رکھنا، ان صورتوں کے لیے موزوں ہے: صرف ماحول سے حوالہ لینا؛ صرف آرٹ اسٹائل سے حوالہ لینا؛ صرف عمومی کمپوزیشن سے حوالہ لینا؛ صرف کیمرہ کٹ کی رفتار سے حوالہ لینا
اگر آپ کی اپ لوڈ کردہ فائل ویڈیو کے بجائے آڈیو ہو تو استعمال کریں:
fully_copy：مکمل نقل؛
partially_copy：جزوی مواد کی نقل؛
reference：صرف آواز کے رنگ، تال یا انداز سے حوالہ؛
weak_reference：صرف عمومی ماحول برقرار رکھنا
یہ حصہ آپ سے تخلیق کے معیار کا جائزہ لینے کے لیے نہیں ہے، بلکہ پہلے ہی ماڈل کو بتاتا ہے کہ کون سے حوالہ جاتی تعلقات سخت پابندیاں ہیں اور کون سے صرف کمزور حوالے
>چھ، اصل اثر کا فیصلہ detailed_description کرتا ہے
>
detailed_description، پرامپٹ کا مرکزی حصہ ہے
سرکاری تجویز یہ ہے کہ ویڈیو تخلیق کرتے وقت پرامپٹ تقریباً 350 سے 500 انگریزی الفاظ میں لکھا جائے، لیکن الفاظ کی تعداد پوری کرنے کے لیے مصنوعی طور پر اضافہ نہ کریں۔ جن ویڈیوز میں مکالمہ زیادہ ہو، ان میں پہلے یہ یقینی بنائیں کہ مکالمے کے لیے مناسب وقت موجود ہو
ویڈیو ایڈیٹنگ کے کام میں اصل ویڈیو کی پیچیدگی کے مطابق اسے ایڈجسٹ کریں
1، پہلے ایک یا دو جملوں میں مجموعی انداز طے کریں
انداز کی وضاحت پہلے شاٹ سے پہلے رکھیں:
The target video uses a stylized 3D animated mockumentary style, with slightly exaggerated expressions, warm daylight, and dry absurdist comedy.
یعنی: ہدف ویڈیو اسٹائلائزڈ 3D اینیمیٹڈ فرضی دستاویزی انداز میں ہے، جس میں قدرے مبالغہ آمیز تاثرات، گرم دن کی روشنی اور خشک بے ہودہ مزاح شامل ہے
ایک دوسرے سے متصادم درجنوں اسٹائل الفاظ نہ ٹھونسیں، مثلاً:
cinematic, anime, photorealistic, watercolor, clay animation, cyberpunk, Chinese ink painting
سنیماٹک، اینیمی، حقیقت سے قریب، واٹر کلر، مٹی کی اینیمیشن، سائبرپنک، چینی سیاہی کی مصوری
درست طریقہ یہ ہے:
A stylized 3D animated mockumentary with rough hand-painted textures and natural daylight.
ایک بنیادی انداز طے کریں، پھر ایک یا دو ساختی خصوصیات شامل کرنا کافی ہے
2، پہلے شاٹ میں وقت نہ لکھیں
[Shot1]
بعد کے شاٹس میں تبدیلی کا وقت درج کریں:
[Shot2]At 00:03.000,...
[Shot3]At 00:06.500,...
ٹائم اسٹیمپ اس وقت کی نمائندگی کرتا ہے جب نیا شاٹ شروع ہوتا ہے
3، ہر شاٹ کو ایک مقررہ ترتیب کے مطابق لکھیں
ابتدائی صارفین درج ذیل ترتیب استعمال کر سکتے ہیں، اس سے غلطیوں سے مؤثر طریقے سے بچا جا سکتا ہے:
پہلا مرحلہ: شاٹ کا سائز اور کمپوزیشن
A medium shot shows...
A close-up frames...
A wide shot establishes...
دوسرا مرحلہ: کردار کی پوزیشن
<Subject 1> stands on the left side of the frame.
تیسرا مرحلہ: کردار کی ظاہری شکل
کردار کے پہلی بار ظاہر ہونے پر اس کی اہم ترین شناختی خصوصیات مختصراً دوبارہ بیان کریں:
<Subject 1>, the grey-furred young wolf demon in worn brown clothes, ...
بعد کے شاٹس میں مکمل تعریف دوبارہ لکھنے کی ضرورت نہیں
چوتھا مرحلہ: ایک واحد حرکت
He slowly hands the recommendation letter to the interviewer.
ایک مختصر شاٹ میں بیک وقت یہ سب نہ رکھیں: اندر آنا، بیٹھنا، دستاویز دینا، سر موڑنا، گرنا، کھڑا ہونا، بات کرنا، دروازہ کھول کر چلے جانا وغیرہ
ماڈل ان حرکات کو سمجھتا ضرور ہے، لیکن چند سیکنڈ میں ان کی ترتیب درست طور پر بنانا اس کے لیے مشکل ہوتا ہے
زیادہ قابلِ اعتماد طریقہ یہ ہے کہ شاٹس تقسیم کر دیے جائیں۔ یہ متعدد حرکات تیار کرنے کا وہ طریقہ بھی ہے جو دوسرے ماڈلز میں عام ہے:
شاٹ 1: کمرے میں داخل ہونا؛
شاٹ 2: بیٹھنا؛
شاٹ 3: سفارشی خط آگے بڑھانا؛
شاٹ 4: انٹرویو لینے والا سر جھکا کر جائزہ لیتا ہے۔
پانچواں مرحلہ: تاثرات اور حالت میں تبدیلی
صرف “گھبرایا ہوا” نہ لکھیں، بلکہ قابلِ دید تبدیلی بیان کریں:
His ears droop slightly, his shoulders tighten, and he avoids eye contact.
چھٹا مرحلہ: کیمرے کی حرکت
The camera slowly pushes in.
The camera makes a slight handheld pan to the right.
The camera remains static.
ضرورت ہو تو رفتار اور حدِ حرکت واضح کریں، اور جب کیمرہ حرکت درکار نہ ہو تو براہِ راست جامد شاٹ لکھیں
ساتواں مرحلہ: آواز اور مکالمہ
آواز کا ذریعہ، بولنے کا انداز اور مخصوص مکالمہ واضح طور پر لکھیں
>سات، مکالمے کا معیاری طریقۂ تحریر
>
ہر حقیقی آواز نکالنے والے شخص کے لیے بولنے والے کا ایک مستقل نمبر ضروری ہے:
(S1)
(S2)
(S3)
نمبر اس ترتیب کے مطابق طے ہوتا ہے جس میں کردار پہلی بار بولتے ہیں، اور بعد میں اسے من مانی طور پر تبدیل نہیں کیا جا سکتا۔
مثلاً:
<Subject 1> (S1) says in a nervous young male voice, <d>[Chinese] 我有三封推荐信，两封是我自己写的。</d>
اس میں:
<Subject1> اس کردار کو ظاہر کرتا ہے جو منظر میں موجود ہے؛
(S1) آواز کے ذریعے کو ظاہر کرتا ہے؛
[Chinese] مکالمے کی زبان کو ظاہر کرتا ہے؛
<d>...</d> مکمل مکالمے کو گھیرتا ہے۔
ایک ہی کردار بعد میں دوبارہ بولے تو بھی (S1) ہی استعمال کریں
جب کردار آف اسکرین بول رہا ہو:
<Subject 1> (S1), speaking off-screen, says...
توجہ دیں:
مکالمہ، وائس اوور اور گیت سب <d> میں لکھے جائیں؛ اصل زبان برقرار رکھیں، اسے انگریزی میں ترجمہ کرنے کی ضرورت نہیں؛ اگر اصل مکالمہ واضح سنائی نہ دے تو [unclear] لکھیں، خود سے اندازہ نہ لگائیں؛ اگر صرف آواز کے رنگ سے حوالہ لینا ہو تو حوالہ جاتی آڈیو کا اصل مکالمہ نئی ویڈیو میں شامل نہ کریں؛ مکالمے کے اختتام پر عام فل اسٹاپ، سوالیہ نشان یا فجائیہ نشان استعمال کریں
سرکاری طور پر “بصری موضوع” اور “آواز کا ذریعہ” دو الگ ٹریکنگ سسٹم سمجھے جاتے ہیں: Subject بتاتا ہے کہ کردار کون ہے، جبکہ S1/S2 بتاتے ہیں کہ آواز کس کی ہے، جو خاصا پیچیدہ ہے
>آٹھ، ماحول کی آواز اور پسِ منظر کی موسیقی الگ الگ ہونی چاہیے
>
1، overall_soundscape
منظر کی دنیا میں حقیقتاً موجود آوازوں کی وضاحت کریں،
overall_soundscape: Quiet indoor room tone, faint paper rustling, wooden chair creaks, and distant crowd noise from outside the recruitment hall.
مجموعی صوتی منظر: پرسکون اندرونی کمرے کی فضا، کاغذ کی مدھم سرسراہٹ، لکڑی کی کرسی کی چرچراہٹ اور بھرتی ہال کے باہر سے آتی دور کی بھیڑ کی آواز۔
یہاں منظر کی دنیا میں حقیقتاً موجود آوازوں سے مراد ہیں: ہوا کی آواز؛ بارش کی آواز؛ سڑک کا شور؛ اندرونی پسِ منظر کا شور؛ قدموں کی چاپ؛ دروازہ کھلنے کی آواز؛ کپڑوں کے رگڑنے کی آواز؛ چیزوں کے ٹکرانے کی آواز
2، non_diegetic_music
ایسی موسیقی کی وضاحت کریں جسے صرف ناظرین سن سکتے ہیں
non_diegetic_music: A restrained plucked-string comedy score at a medium-slow tempo, with brief pauses before each punchline.
BGM استعمال کرتے وقت بہتر ہے کہ واضح کریں: کون سے ساز استعمال ہوں گے؛ موسیقی کی رفتار؛ جذباتی کیفیت؛ آواز کی شدت میں تبدیلی؛ آیا موسیقی بتدریج بلند ہوگی؛ آیا مزاحیہ جملے سے پہلے رک جائے گی
مکمل مکالمہ ان دونوں حصوں میں دوبارہ نہ دہرائیں، مکالمہ صرف detailed_description میں رکھا جائے
>نو، ابتدائی مرحلے میں عام طور پر ہونے والی آٹھ غلطیاں
>
غلطی ایک: تمام حوالہ جاتی فائلوں کو Picture کے طور پر بیان کرنا
جب تصویر صرف کردار کی ظاہری شکل کے لیے ہو تو اسے الگ Picture کے طور پر بیان کرنے کے بجائے Subject کے طور پر متعین کریں
غلطی دو: حوالہ جاتی ویڈیو کے کردار کو Video لکھنا
کردار، اشیا اور حرکات Subject سے تعلق رکھتے ہیں؛ Video بنیادی طور پر پوری ویڈیو کی ایڈیٹنگ، تسلسل، رفتار یا شاٹ کی ساخت کو ظاہر کرتا ہے
غلطی تین: صرف “کسی تصویر سے حوالہ لیں” لکھنا
ماڈل نہیں جانتا کہ آپ دراصل کس چیز سے حوالہ لے رہے ہیں
غلط طریقہ: Use Picture 1 as reference.
درست طریقہ: <Subject 1>'s facial identity, grey fur, drooping ears, and worn brown clothes come from <Picture 1>.
غلطی چار: ایک ہی حوالہ جاتی مواد کو بہت سے مبہم کام سونپ دینا
یہ نہ لکھیں: Use Video1 for everything.
حوالہ جاتی عناصر کو الگ الگ بیان کریں: کردار کی حرکت Video1 سے؛ ایڈیٹنگ کی رفتار کے لیے Video1 سے کمزور حوالہ؛ آڈیو کی نقل نہ ہو؛ منظر Picture2 سے
غلطی پانچ: صرف کہانی لکھنا، منظر نہ لکھنا
“وہ ایک مضحکہ خیز انٹرویو میں شریک ہوا”، ایسا پرامپٹ ماڈل براہِ راست انجام نہیں دے سکتا
لازمی طور پر واضح کریں: وہ کہاں کھڑا ہے؛ انٹرویو لینے والا کہاں ہے؛ پہلے حرکت کون کرے گا؛ حرکت کی حد کتنی ہوگی؛ کیمرہ حرکت کرے گا یا نہیں؛ مکالمہ کب بولا جائے گا
غلطی چھ: ایک شاٹ میں بہت زیادہ حرکات بھر دینا
ایک شاٹ میں ایک حرکت رکھیں، اور پیچیدہ واقعات کو متعدد شاٹس میں تقسیم کر کے مکمل کریں
غلطی سات: کردار کے نمبروں کو بار بار تبدیل کرنا
ایک بار کسی کردار کو (S1) مقرر کر دیا جائے تو پوری ویڈیو میں اسے (S1) ہی رہنا چاہیے
غلطی آٹھ: “آواز کی نقل” اور “آواز سے حوالہ” کو خلط ملط کرنا
اصل آڈیو ٹریک برقرار رکھنا ہو تو audio reuse لکھیں
صرف آواز کے رنگ یا بولنے کے انداز سے حوالہ لینا ہو تو audior eference لکھیں
>دس، مکمل ٹیمپلیٹ جسے ابتدائی صارفین براہِ راست استعمال کر سکتے ہیں
>
شاید یہ وہ حصہ ہے جو ابتدائی صارفین کو سب سے زیادہ پسند آئے گا😂
>
موضوع کی تعریفیں:
<Subject1> وہ [تیار کیے جانے والے انسان، جانور، شے یا منظر] ہے، جس کی [ظاہری شکل، لباس، شناخت وغیرہ کی خصوصیات] <Picture1> سے لی گئی ہیں۔ <Subject2> [دوسرا بصری مرکزی کردار] ہے، جس کی [حرکت، تاثرات یا ظاہری شکل] <Video1> سے لی گئی ہیں۔ <Picture2> [ShotN] کا [پہلا فریم/اہم فریم/آخری فریم/ترکیبی حوالہ] ہے۔ <Video1> وہ ماخذ ویڈیو ہے جو [کیمرے کی حرکت/تدوینی ردھم/زمانی ساخت] کے حوالے کے طور پر استعمال ہوتی ہے۔ <Audio1> <Subject1> (S1) کے لیے آواز کے زیر و بم کا حوالہ ہے۔ خلاصہ: [حوالہ جاتی تخلیق + صوتی حوالہ] ہدف ویڈیو میں [کردار، منظر اور مرکزی واقعہ] دکھایا گیا ہے۔ <Picture2> [مخصوص بصری کردار] متعین کرتی ہے۔ <Video1> [ویڈیو کے حوالے کا کردار] فراہم کرتی ہے۔ <Audio1> [آواز کے حوالے کا کردار] فراہم کرتی ہے۔ برقرار رکھنے کا تجزیہ: <Subject1> ([Shot1]، [Shot2] میں ظاہر ہوتا ہے): مکمل طور پر برقرار رکھا جائے [کردار کی وہ خصوصیات جنہیں لازماً برقرار رکھنا ہے]۔ <Subject2> ([Shot2]، [Shot3] میں ظاہر ہوتا ہے): جزوی طور پر برقرار رکھا جائے [کیا برقرار رکھنا ہے، کیا تبدیل کیا جا سکتا ہے]۔ <Picture2> ([Shot1] کا پہلا فریم): مکمل طور پر برقرار رکھا جائے [ترکیب اور مقام جنہیں سختی سے برقرار رکھنا ہے]۔ <Video1> (کیمرے کی حرکت اور رفتار): کمزور حوالہ [صرف تقریباً قابلِ حوالہ مواد]۔ <Audio1>: حوالہ [صرف آواز کے زیر و بم، جذبات اور بولنے کی رفتار کا حوالہ لیا جائے، اصل سگنل نقل نہ کیا جائے]۔ تفصیلی وضاحت: ہدف ویڈیو میں [مرکزی انداز] استعمال کیا گیا ہے، جس میں [روشنی، رنگ اور مجموعی ساخت] شامل ہیں۔ [Shot1] ایک [منظر کا پیمانہ] شاٹ [ماحول اور ترکیب] دکھاتا ہے۔ <Subject1>، [اہم ظاہری خصوصیات]، [فریم کے مقام] پر کھڑا یا بیٹھا ہے۔ [کردار ایک اہم حرکت انجام دیتا ہے]۔ کیمرہ [کیمرے کی حرکت کا طریقہ]۔ [ماحولیاتی آوازیں]۔ [Shot2] 00:03.000 پر شاٹ <Subject2> کے [منظر کے پیمانے] پر کٹ ہوتا ہے۔ [مرکزی کردار کی جگہ، حرکت اور حالت میں تبدیلی]۔ <Subject1> (S1) [آواز کے زیر و بم، جذبات اور رفتار] میں کہتا ہے، <d>[چینی] مخصوص مکالمہ۔</d> [Shot3] 00:06.000 پر شاٹ [نئی ترکیب] پر کٹ ہوتا ہے۔ [کردار ایک اہم حرکت انجام دیتا ہے]۔ <Subject2> (S2) [آواز کی وضاحت] میں جواب دیتا ہے، <d>[چینی] مخصوص مکالمہ۔</d> کیمرہ [کیمرے کی حرکت یا ساکن رہتا ہے]۔ شاٹ [آخری بصری حالت] پر ختم ہوتا ہے۔ مجموعی صوتی منظر: [ماحولیاتی پسِ منظر کا شور، قدموں کی آواز، کپڑوں کی رگڑ، اشیا کے ٹکرانے اور دیگر حقیقی آوازیں]۔ غیر جمالیاتی موسیقی: [آلات، ردھم، جذبات، آواز کی بلندی اور موسیقی کے ارتقا کا طریقہ]۔
>
>گیارہواں، مکمل مثال: پھولوں اور پھلوں کے پہاڑ میں ننھے بھیڑیے کا انٹرویو
>
فرض کریں کہ یہ چیزیں اپ لوڈ کی گئی ہیں:
Picture1: ننھے بھیڑیے کے دیو کا کردار کا خاکہ؛
Picture2: پھولوں اور پھلوں کے پہاڑ کا بھرتی ہال؛
Video1: ایک ملازمت کے امیدوار کی گھبراہٹ کے ساتھ ریزیومے پیش کرنے کی حرکات کی ویڈیو؛
Audio1: ننھے بھیڑیے کے دیو کی آواز کا حوالہ۔
اسے یوں لکھا جا سکتا ہے:
موضوع کی تعریفیں:
<Subject 1> <Picture 1> میں موجود ننھا بھیڑیے کا دیو ہے، جس کے سرمئی بال، جھکے ہوئے کان، دبلا جسم، پرانے بھورے کپڑے اور مستقل گھبرائے ہوئے تاثرات ہیں۔
<Subject 2> بندر انٹرویو لینے والا ہے، جس نے سرخ سرکاری چوغہ پہن رکھا ہے اور بھرتی کی ایک بڑی لکڑی کی میز کے پیچھے بیٹھا ہے۔
<Subject 3> <Picture 2> میں موجود بھرتی ہال کا ماحول ہے، جس میں پتھر کی دیواریں، سرخ بینر، لکڑی کی بھری ہوئی نشستیں اور ایک بڑا سائن بورڈ شامل ہے، جس پر “花果山人才招聘处” لکھا ہے۔
<Subject 4> <Video 1> میں موجود گھبراہٹ کے ساتھ دستاویز پیش کرنے کی حرکت ہے، جسے <Subject 1> میں منتقل کیا گیا ہے۔
<Audio 1> <Subject 1> (S1) کے لیے آواز کے زیر و بم کا حوالہ ہے، جو محتاط اور قدرے لرزتی ادائیگی کے ساتھ نوجوان مردانہ آواز فراہم کرتا ہے۔
خلاصہ:
[حوالہ جاتی تخلیق + صوتی حوالہ] ہدف ویڈیو میں <Subject 1> کو <Subject 3> کے اندر <Subject 2> کے ساتھ ملازمت کے انٹرویو میں شرکت کرتے دکھایا گیا ہے۔ <Subject 4> کی گھبراہٹ کے ساتھ دستاویز پیش کرنے کی حرکت <Subject 1> میں منتقل کی گئی ہے۔ <Audio 1> <Subject 1> کے لیے آواز کے زیر و بم کا حوالہ فراہم کرتا ہے۔ منظر میں خشک بے تُکی مزاحیہ طرز استعمال کیا گیا ہے اور اختتام اس وقت ہوتا ہے جب انٹرویو لینے والا ریزیومے مسترد کر دیتا ہے کیونکہ اس میں کافی طاقتور سفارشی خط موجود نہیں ہوتا۔
برقرار رکھنے کا تجزیہ:
<Subject 1> ([Shot 1]، [Shot 2]، [Shot 3] میں ظاہر ہوتا ہے): مکمل طور پر برقرار رکھا جائے - بھیڑیے کے دیو کی چہرے کی شناخت، سرمئی بال، جھکے ہوئے کان، دبلا جسم، پرانے بھورے کپڑے اور گھبرائی ہوئی شکل برقرار رہتی ہے۔
<Subject 2> ([Shot 1]، [Shot 2]، [Shot 3] میں ظاہر ہوتا ہے): مکمل طور پر برقرار رکھا جائے - بندر انٹرویو لینے والے کا سرخ سرکاری چوغہ، بیٹھنے کی حالت اور دفتری تاثر برقرار رہتا ہے۔
<Subject 3> ([Shot 1]، [Shot 2]، [Shot 3] میں ظاہر ہوتا ہے): مکمل طور پر برقرار رکھا جائے - پتھر کا بھرتی ہال، لکڑی کی میز، سرخ بینر، نشستیں اور چینی بھرتی سائن بورڈ برقرار رہتے ہیں۔
<Subject 4> ([Shot 1] میں ظاہر ہوتا ہے): وصف کی منتقلی - محتاط انداز میں دستاویز پیش کرنے کی حرکت <Subject 1> میں منتقل کی گئی ہے۔
<Audio 1>: حوالہ - ہدف مقرر نوجوان، محتاط اور قدرے لرزتی ہوئی صوتی کیفیت کی پیروی کرتا ہے، اصل آڈیو سگنل کی نقل نہیں کرتا۔
تفصیلی وضاحت:
ہدف ویڈیو میں انداز دار 3D متحرک فرضی دستاویزی طرز استعمال کیا گیا ہے، جس میں کھردری ہاتھ سے پینٹ کی ہوئی ساختیں، پتھر کے دروازے سے اندر آنے والی گرم دن کی روشنی، قدرے مبالغہ آمیز چہرے کے تاثرات اور خشک بے تُکی مزاح شامل ہے۔
[Shot 1] ایک درمیانے فاصلے کا وسیع ساکن شاٹ <Subject 3> کو متعارف کراتا ہے: سرخ بینروں، لکڑی کی نشستوں اور “花果山人才招聘处” لکھے بڑے سائن بورڈ والا بھرا ہوا پتھریلا بھرتی ہال۔ سرخ سرکاری چوغے میں ملبوس بندر انٹرویو لینے والا <Subject 2> فریم کے دائیں جانب ایک بڑی لکڑی کی میز کے پیچھے بیٹھا ہے۔ پرانے بھورے کپڑے پہنے دبلا سرمئی بالوں والا بھیڑیے کا دیو <Subject 1> بائیں جانب کھڑا ہے۔ <Subject 4> سے منتقل کی گئی گھبراہٹ کے ساتھ دستاویز پیش کرنے کی حرکت استعمال کرتے ہوئے، وہ دونوں ہاتھوں سے تہہ کیا ہوا ریزیومے آہستہ آہستہ انٹرویو لینے والے کی طرف بڑھاتا ہے۔ اس کے کان جھکے ہوئے ہیں اور کندھے مسلسل تناؤ میں ہیں۔ ریزیومے میز تک پہنچتے ہی کاغذوں کی ہلکی سرسراہٹ سنائی دیتی ہے۔
[Shot 2] 00:03.000 پر شاٹ <Subject 2> کے کلوز اَپ پر کٹ ہوتا ہے۔ وہ ریزیومے کو چھوئے بغیر اس کی طرف آنکھیں جھکا دیتا ہے۔ اس کا تاثر سنجیدہ اور قدرے بے صبرا رہتا ہے۔ <Subject 2> (S2) سپاٹ دفتری آواز میں پوچھتا ہے، <d>[چینی] کیا عظیم بابا کی سفارشی چٹھی ہے؟</d> وہ ایک بھنویں اٹھاتا ہے اور شہادت کی انگلی سے میز پر ایک بار دستک دیتا ہے۔ کیمرہ ساکن رہتا ہے۔
[Shot 3] At 00:06.000, the shot cuts to a close-up of <Subject 1>. He tightens his grip on the résumé, lowers his head, and answers using the cautious, slightly trembling voice referenced from <Audio 1>. <Subject 1> (S1) says, <d>[Chinese] کوئی بات نہیں، لیکن میں سخت محنت برداشت کر سکتا ہوں۔</d> After a short pause, the shot cuts back slightly wider as <Subject 2> pushes the résumé back across the desk with one finger and says, <d>[Chinese] ہمارے یہاں محنت کی کمی نہیں، تعلقات کی کمی ہے۔</d> <Subject 1> remains frozen with both hands extended as the final frame holds for one second.
overall_soundscape:
A low indoor crowd murmur continues throughout the recruitment hall. Soft paper rustling, wooden chair creaks, distant footsteps, and one dry finger tap on the desk remain clearly audible.
non_diegetic_music:
A restrained plucked-string comedy score at a medium-slow tempo plays quietly beneath the scene. The music stops briefly before the interviewer's final line, followed by one short wooden-percussion note during the final frozen frame.
یعنی نوجوان، اگر تم MiniMax H3 کو اچھی طرح استعمال کرنا چاہتے ہو تو انگریزی میں کام کرنا ہوگا۔
لیکن مسئلہ زیادہ بڑا نہیں؛ پہلے فارمیٹ کے مطابق چینی میں لکھ کر ترجمہ کیا جا سکتا ہے۔ تاہم تیز ترین طریقہ یہ ہے کہ اوپر دی گئی مکمل مثال AI کو دے کر اسی طرز پر لکھواؤ، پھر بعد میں عناصر تبدیل کر دو 😂
>بارہواں: آخر میں یہ پانچ مرحلوں والا طریقہ یاد رکھو
>
کسی بھی پیچیدہ حوالہ جاتی مواد کے سامنے آتے ہی طویل پرامپٹ لکھنا شروع نہ کرو۔
پہلے یہ پانچ مراحل مکمل کرو:
پہلا مرحلہ: مواد کو توڑو
ہر مواد میں کردار، منظر، عمل، کمپوزیشن، کیمرہ موومنٹ، رفتار یا آواز میں سے کیا فراہم کیا گیا ہے؟
دوسرا مرحلہ: ٹیگز طے کرو
قابلِ دوبارہ استعمال بصری مواد کے لیے Subject، مخصوص منظر کے اینکر کے لیے Picture، پوری ویڈیو کے باہمی تعلق کے لیے Video، اور آواز کے لیے Audio استعمال کرو۔
تیسرا مرحلہ: برقرار رکھنے کی سطح طے کرو
کون سی چیزیں مکمل طور پر برقرار رکھنا ضروری ہیں، کن میں ترمیم کی جا سکتی ہے، اور کون سی صرف کمزور حوالہ ہیں؟
چوتھا مرحلہ: شاٹس کو توڑو
حقیقی پلے بیک ترتیب کے مطابق پیچیدہ واقعات کو متعدد واحد ایکشن شاٹس میں تقسیم کرو۔
پانچواں مرحلہ: آواز شامل کرو
کرداروں کے مکالمے، ماحول کی آواز اور صرف ناظرین کے سن سکنے والی پسِ منظر موسیقی میں فرق کرو۔
MiniMax H3 کے مکمل حوالہ جاتی پرامپٹ کی بنیادی منطق کو ایک جملے میں یوں سمیٹا جا سکتا ہے:
ماڈل کو یہ نہ بتاؤ کہ تم نے کون سی فائلیں اپ لوڈ کی ہیں؛ اسے یہ بتاؤ کہ ہر مواد کس کام کے لیے ہے، اور تیار شدہ ویڈیو کے کس شاٹ میں اسے کس طرح مؤثر ہونا چاہیے۔
MiniMax H3 کے استعمال کے لیے فارمیٹ کے سخت تقاضے ہیں، اور یہ Seedance2.0 جیسے ماڈلز سے بالکل مختلف ہے۔ فی الحال، اچھی ویڈیو بنانے کے لیے اس فارمیٹ کی پابندی ضروری ہے۔
اگر تم اتنی زحمت نہیں کرنا چاہتے تو کچھ دیر اور انتظار کرو؛ اس شعبے میں ماہر افراد اس عمل کو بہتر بنائیں گے۔
>بس اتنا ہی
اختتام