सही Luma मॉडल चुनना, जनरेशन बर्बाद करने से पहले

Chapter 1

एक लॉगिन, नौ मॉडल, और कल सुबह की डेडलाइन

क्लाइंट का ब्रीफ रात नौ बजे आया है और डिलीवरी कल दोपहर तक चाहिए। एक फ्रीलांस प्रोड्यूसर Luma खोलता है और सामने टूलबार में चार आइकन दिखते हैं – फोटो, प्ले बटन, वेवफ़ॉर्म और फ़्रेम – लेकिन हर आइकन के पीछे कई मॉडल छिपे हैं। इमेज के लिए Nano Banana, Nano Banana Pro, Seedream 5.0, GPT Image 1.5 और GPT Image 2। वीडियो के लिए Ray3.14, Ray3, Veo 3, Veo 3.1, Sora 2 और Kling 2.6। एक ही लॉगिन में इतने विकल्प देखकर सबसे बड़ा जोखिम यही है – बिना सोचे पहला मॉडल चुन लेना और आधा क्रेडिट किसी गलत नतीजे पर खर्च कर देना।

इस किताब का मकसद यही तय करना है: कौन सा मॉडल किस काम के लिए बना है, कहाँ उसकी असली ताकत है, और कहाँ वह भरोसा नहीं करने लायक है। हर मॉडल का अपना स्वभाव है – कोई टेक्स्ट रेंडर करने में अच्छा है, कोई कैरेक्टर को स्थिर रखने में, कोई सिर्फ पुराने फुटेज को नया रूप देने के लिए बना है। यह फ़र्क समझ लेने के बाद ही चुनना आसान होता है।

जिस तरह एक बढ़ई हर काम के लिए अलग औज़ार उठाता है, वैसे ही यहाँ हर मॉडल एक तय काम के लिए है। अगली चार पंक्तियाँ यही याद दिलाती हैं कि आगे कहाँ जाना है – इमेज मॉडल किस आधार पर चुनें, वीडियो मॉडल किस आधार पर, पुराने फुटेज को कैसे बदलें, और प्रॉम्प्ट लिखने का असली तरीका क्या है।

What you can actually do here

काम के हिसाब से यह देखें कि किस मॉडल या टूल से शुरू करना है – हर लाइन उस चैप्टर की तरफ इशारा करती है जहाँ पूरा तरीका मिलेगा।

इमेज बनाना

वीडियो बनाना

पुराना फुटेज दोबारा इस्तेमाल करना

एक इमेज को हिस्सों में तोड़ना

काम को दोहराने लायक बनाना

Chapter 2

एक शब्द लिखने से पहले इमेज मॉडल चुनना

प्रॉम्प्ट लिखने से पहले असली सवाल यह है – काम कितनी जल्दी चाहिए, और कितनी सफ़ाई से। Nano Banana तेज़ है और रफ़ आइडिया आज़माने के लिए सही है – आठ रेफ़रेंस इमेज तक साथ ले सकता है और टेक्स्ट को साफ़ लिखता है, लेकिन आउटपुट लगभग एक मेगापिक्सल तक सीमित रहता है। जब काम क्लाइंट के सामने जाना हो, तो Nano Banana Pro डिफ़ॉल्ट बन जाता है – चौदह रेफ़रेंस इमेज तक, 1K से 4K तक रेज़ोल्यूशन कंट्रोल, और ब्रांड टाइपोग्राफ़ी में मज़बूत टेक्स्ट रेंडरिंग।

जब स्टाइल की मांग नीश हो – रेट्रो एनीमे या किसी खास कला-धारा जैसी – और Nano Banana का नतीजा जेनेरिक लगे, तो Seedream 5.0 आज़माना बेहतर है। और जहाँ काम में जटिल कंपोज़िशन हो, कई तत्व एक साथ सही जगह चाहिए हों, या इंफ़ोग्राफ़िक और UI मॉकअप जैसा स्ट्रक्चर्ड विज़ुअल बनाना हो, वहाँ GPT Image 2 अलग खड़ा है – यह इमेज बनाने से पहले उसकी संरचना पर 'सोचता' है, जिससे जटिल सीन पहली कोशिश में सही बैठ जाता है।

GPT Image 2 की एक बड़ी सीमा है – इसमें ट्रांसपेरेंट बैकग्राउंड नहीं बनता। अगर काम में पैकशॉट को अलग बैकग्राउंड पर रखना है, तो GPT Image 1.5 पर लौटना पड़ता है। और चार मिनट तक लग सकते हैं जब 4K क्वालिटी हाई पर सेट हो – इसलिए एक्सप्लोरेशन के दौरान 1K/मीडियम पर काम करना और फ़ाइनल के लिए ही हाई क्वालिटी चुनना समझदारी है।

छोटा नियम याद रखने लायक है: तेज़ आइडिया के लिए Nano Banana, क्लाइंट-फेसिंग काम के लिए Nano Banana Pro, दुर्लभ स्टाइल के लिए Seedream, और जटिल संरचना वाले काम के लिए GPT Image 2। यह चुनाव प्रॉम्प्ट से पहले होना चाहिए, बाद में नहीं।

Chapter 3

जो शॉट चाहिए, उसके लिए वीडियो मॉडल चुनना

इमेज मॉडल की तरह वीडियो मॉडल भी लीडरबोर्ड से नहीं, शॉट की ज़रूरत से चुना जाता है। Ray3.14 नब्बे प्रतिशत रोज़मर्रा के काम के लिए डिफ़ॉल्ट है – तेज़, 1080p तक और HDR के साथ, छह आस्पेक्ट रेशियो और सीमलेस लूप सपोर्ट के साथ। लेकिन इसमें एक साफ़ कमी है – यह कैरेक्टर रेफ़रेंस नहीं लेता। जहाँ एक ही चेहरे को कई शॉट्स में एक जैसा रखना ज़रूरी हो, वहाँ Ray3 पर जाना पड़ता है, जो टेक्स्ट-टू-वीडियो, इमेज-टू-वीडियो और वीडियो-टू-वीडियो तीनों में कैरेक्टर आइडेंटिटी बनाए रखता है।

जब सीन में नेटिव ऑडियो या डायलॉग चाहिए, तो Veo 3 और Sora 2 जैसे मॉडल अलग ऑडियो टूल की ज़रूरत खत्म कर देते हैं। और जब सीन में कई किरदार एक साथ तेज़ हरकत में हों – भीड़, एक्शन, कई गतिविधियाँ एक फ़्रेम में – तो Sora की मल्टी-सब्जेक्ट हैंडलिंग Ray3.14 से आगे निकल जाती है, जो जटिल मल्टी-सब्जेक्ट एक्शन में कमज़ोर पड़ सकता है।

अगर सबसे लंबा सिंगल क्लिप चाहिए – बीस सेकंड तक – तो Ray3.14 या Ray3 का ही एक्सटेंशन रास्ता काम आता है, जो लगभग तीस सेकंड तक पहुँच सकता है। और अगर कोई मॉडल बार-बार सही नतीजा नहीं दे रहा, तो अटकने के बजाय दूसरा मॉडल आज़माना ही सही रास्ता है – हर मॉडल की अपनी सीमा है, और उस सीमा को पहचानना अंदाज़े से बचाता है।

इस चुनाव को एक फ़्लोचार्ट जैसा सोचा जा सकता है: सामान्य वीडियो और स्थिरता चाहिए तो Ray3.14; कैरेक्टर स्थिरता चाहिए तो Ray3; नेटिव ऑडियो चाहिए तो Veo या Sora; ज़्यादा हलचल वाला सीन चाहिए तो Sora; और पुराने फुटेज को बदलना है तो अगला चैप्टर इसी का जवाब है।

📰 Recommended for You

Google Flow से आप असल में क्या बना सकते हैं

Read More →

invideo के क्रेडिट असल में आपको क्या दिलाते हैं

Read More →

Chapter 4

ऐसे प्रॉम्प्ट लिखना जो मॉडल असल में सुनते हैं

Ray3.14 एक 'सिर्फ़-सकारात्मक' मॉडल है – इसे 'नहीं' या 'बिना' कहकर कुछ हटाने के लिए कहना उलटा असर करता है। इसके बजाय जो होना चाहिए, उसे सीधे लिखना पड़ता है। और क्रिया हमेशा बीच की हरकत में होनी चाहिए – 'दौड़ता हुआ' लिखना है, 'दौड़ना शुरू करता है' नहीं। साथ में हवा में बाल उड़ना, कपड़े का हिलना, पानी की लहर जैसी छोटी परतें जोड़ने से नतीजा ज़्यादा असली लगता है। कुछ शब्द – जैसे 'vibrant', 'whimsical', 'hyper-realistic' – नतीजे को कमज़ोर कर देते हैं, इसलिए इन्हें टालना ही बेहतर है।

Seedance 2.0 के लिए तरीका थोड़ा अलग है – इसमें छह हिस्सों का एक फ़ॉर्मूला काम करता है: विषय, एक ठोस हरकत, माहौल, कैमरा मूवमेंट, रोशनी और स्टाइल। हर बार सब कुछ लिखना ज़रूरी नहीं, लेकिन विषय और हरकत हमेशा होनी चाहिए। चार सेकंड के क्लिप में एक ही विषय, एक ही हरकत रखना बेहतर है; दस से पंद्रह सेकंड के क्लिप में टाइमकोड के साथ कई चरण दिए जा सकते हैं – जैसे शुरुआत में वाइड शॉट, बीच में मीडियम शॉट, आख़िर में क्लोज़-अप।

GPT Image 2 के लिए OpenAI का अपना क्रम है – पहले माहौल, फिर विषय, फिर बारीक जानकारी, फिर बाध्यताएँ। एडिट करते समय भाषा सीधी और आदेशात्मक होनी चाहिए – 'बैकग्राउंड बदलें, सब्जेक्ट वैसा ही रखें' लिखना है, 'कृपया इस सुंदर तस्वीर को नाटकीय बनाएं' जैसी फूलदार भाषा नहीं। और 'स्टनिंग' या 'सिनेमैटिक' जैसे भारी लेकिन खोखले शब्दों की जगह ठोस विज़ुअल जानकारी काम करती है – जैसे 'overcast daylight, shallow depth of field' या '85mm f/1.4, natural window light'।

तीन अलग मॉडल, तीन अलग भाषा-शैली – लेकिन एक साझा सिद्धांत हर जगह लौटता है: जो दिखना चाहिए उसे ठोस शब्दों में बताएं, जो हटाना है उसकी जगह जो बचना है उसे लिखें, और भारी विशेषण छोड़कर ठोस ब्यौरा दें।

Chapter 5

जो फुटेज पहले से शूट हो चुका है, उसे नया रूप देना

एक प्रोड्यूसर के पास पहले से एक क्लिप है – सही कैमरा मूवमेंट, सही टाइमिंग, सही परफ़ॉर्मेंस – लेकिन गलत मौसम या गलत माहौल में शूट हुई है। यहाँ नए सिरे से जनरेट करने की ज़रूरत नहीं। Ray 3.2 इसी काम के लिए बना है – यह टेक्स्ट-टू-वीडियो मॉडल नहीं है, यह मौजूदा वीडियो को नया रूप देता है, वही अवधि रखते हुए, अधिकतम बीस सेकंड तक।

Ray 3.2 को प्रॉम्प्ट लिखने का तरीका बाकी मॉडलों से उलटा है – इसमें बदलाव की प्रक्रिया नहीं, बल्कि अंतिम नतीजा लिखा जाता है। 'आसमान को बदलें' लिखने के बजाय 'पहाड़ों पर बैंगनी आसमान' लिखना है। और नकार से बचना ज़रूरी है – 'लोगों को हटाएं' नहीं, बल्कि 'सुबह की खाली पत्थर वाली गली' लिखना है, क्योंकि नकारात्मक शब्द मॉडल का ध्यान उसी चीज़ पर खींच सकते हैं जिसे हटाना है।

इसमें एक Enhance बटन भी है, जो डिफ़ॉल्ट रूप से ऑन रहता है और कच्चे प्रॉम्प्ट को मॉडल के हिसाब से सुधार देता है। जब प्रॉम्प्ट पहले से सावधानी से लिखा और स्वीकृत हो चुका हो – जैसे किसी प्रोडक्शन वर्कफ़्लो में – तो इसे बंद कर देना बेहतर है, ताकि प्रॉम्प्ट बिना बदलाव के वैसा ही मॉडल तक पहुँचे।

सबसे बड़ी ताक़त कीफ़्रेम में है – चौंसठ कीफ़्रेम तक, हर एक किसी खास फ़्रेम नंबर पर टिकी हुई। कुछ फ़्रेम निकालकर Photoshop या Nano Banana में एडिट करना, फिर उन्हें उसी फ़्रेम इंडेक्स पर वापस डालना – इससे Ray 3.2 पूरे शॉट में वही लुक इंटरपोलेट कर देता है। यह ब्रांड-सेफ़ ओपनिंग, प्रोडक्ट क्लोज़-अप और VFX लुक डेवलपमेंट के लिए खासतौर पर काम आता है।

Motion और Structure नाम के दो कंट्रोल यहाँ मायने रखते हैं। Motion तय करता है कि सोर्स फुटेज की कितनी हरकत नतीजे में आए – कम सेटिंग पर सिर्फ़ कैमरा मूवमेंट पकड़ में आता है, ज़्यादा सेटिंग पर छोटी-छोटी हरकतें भी बच जाती हैं। Structure तय करता है कि आकार और रूप कितने कसकर पकड़े जाएं – ऊँची सेटिंग पर पूरा फ़्रेम 'शिकंज' जैसा बंधा रहता है, बीच की सेटिंग पर सब्जेक्ट कसकर पकड़ में रहता है लेकिन बैकग्राउंड को खुली छूट मिलती है, जो क्लोज़-अप के लिए सबसे उपयोगी सेटिंग है।

Chapter 6

ड्राफ्ट से डिलीवरी तक: रेज़ोल्यूशन, HDR और कलर ग्रेडिंग

हर जनरेशन को शुरुआत में ही फ़ाइनल क्वालिटी में बनाना समय और क्रेडिट दोनों बर्बाद करता है। Ray 3.2 चार रेज़ोल्यूशन देता है – 360p ड्राफ्ट, 540p, 720p और 1080p। एक भरोसेमंद तरीका यह है कि भीतरी एक्सप्लोरेशन 360p या 540p पर हो, पॉलिश्ड रिव्यू 720p पर, और फ़ाइनल डिलीवरी, हीरो शॉट या ब्रॉडकास्ट के लिए ही 1080p इस्तेमाल हो।

HDR डिफ़ॉल्ट रूप से बंद रहता है और इसे प्रीमियम ब्रांड काम, ऑटोमोटिव, फ़ैशन, ब्रॉडकास्ट या OLED डिलीवरी के लिए ऑन करना चाहिए। EXR एक्सपोर्ट के लिए पहले HDR ऑन होना ज़रूरी है – इसके बाद आउटपुट के साथ एक EXR ZIP भी मिलता है, जिसमें Nuke, Resolve, Flame या Baselight जैसे टूल के लिए पूरा लीनियर फ़्लोटिंग-पॉइंट कलर डेटा होता है। जब आगे प्रोफ़ेशनल कलर ग्रेडिंग या VFX फ़िनिशिंग करनी हो, तभी इसका इस्तेमाल सही है।

एक और लीवर है इनफ़रेंस मोड – Quality मोड डिफ़ॉल्ट है और फ़ाइनल के लिए सही है, Speed मोड तेज़ है और एक्सप्लोरेशन या बैच टेस्टिंग के लिए बेहतर। एक भरोसेमंद पैटर्न है: Speed मोड में 540p पर दिशा तय करना, फिर चुनी हुई दिशा को Quality मोड में फ़ाइनल रेज़ोल्यूशन पर रेंडर करना।

जब EXR फ़ाइल असल कलर ग्रेडिंग के लिए तैयार हो जाए, तो उसे किसी सामान्य स्क्रीन पर देखना ग्रेड की सही जज़ मेंट नहीं देता। जिस स्क्रीन पर 99% sRGB कवरेज हो और जिस पर रंग बिना डूबे या बिना उड़े दिखें, वहीं फ़ाइनल कलर डिसीज़न लेना सुरक्षित होता है – एक साधारण ऑफ़िस मॉनिटर पर लिया गया ग्रेड डिलीवरी के बाद अलग दिख सकता है।

Chapter 7

एक फ्लैट इमेज को एडिटेबल टुकड़ों में बदलना

एक तैयार पोस्टर में सिर्फ़ हेडलाइन बदलनी है, लेकिन पूरी इमेज दोबारा जनरेट करने का मतलब है बैकग्राउंड, प्रोडक्ट और लोगो का लुक भी बदल जाना। Layers इस समस्या को हल करता है – किसी भी इमेज पर राइट-क्लिक करके Extract Layers चुनने से वह इमेज बैकग्राउंड, हेडलाइन, प्रोडक्ट, शैडो और लोगो जैसे अलग-अलग एडिटेबल टुकड़ों में बंट जाती है, हर एक ट्रांसपेरेंट बैकग्राउंड के साथ।

निर्देश देने के दो तरीके हैं। जब इमेज नई या अनजान हो, एक व्यापक निर्देश काफ़ी है – जैसे 'इस इमेज को सबसे उपयोगी एडिटेबल लेयर्स में बांटें'। जब पहले से पता हो कि क्या बदलना है, एक सटीक निर्देश बेहतर काम करता है – जैसे 'हेडलाइन, बोतल, बोतल की शैडो, फूल, लोगो और बैकग्राउंड निकालें, बोतल का लेबल बोतल के साथ जोड़े रखें'। ज़्यादा टुकड़े करना हमेशा बेहतर नहीं है – जो एक साथ बंधे रहने चाहिए, उन्हें एक ही लेयर में रखना काम आसान बनाता है।

एक्सट्रैक्शन से पहले 1K या 2K चुनना होता है। 1K एक्सपेरिमेंट और शुरुआती वेरिएशन के लिए ठीक है; 2K तब चुनना चाहिए जब सोर्स में बारीक डिटेल हो और नतीजा प्रोडक्शन-रेडी होना चाहिए।

एक बार लेयर्स बन जाने के बाद, हर लेयर को अलग से चुनकर बदला जा सकता है – जैसे 'लाल जूते को सफ़ेद लेदर स्नीकर में बदलें, कैमरा एंगल और रोशनी वैसी ही रखें'। नया नतीजा एक नई लेयर के रूप में जुड़ता है, पुरानी लेयर छिप जाती है लेकिन डिलीट नहीं होती – इससे पुराने और नए वर्शन की तुलना करना और ज़रूरत पड़ने पर वापस लौटना हमेशा मुमकिन रहता है।

Chapter 8

एक वर्कफ़्लो बचाना, ताकि उसे फिर कभी दोबारा न बनाना पड़े

एक प्रोडक्ट रीस्किन वर्कफ़्लो बनाने में तीन कोशिशें और चालीस मिनट लग गए – सही प्रॉम्प्ट, सही मॉडल, सही सेटिंग। अगली बार यही वर्कफ़्लो किसी दूसरे प्रोडक्ट पर चाहिए, तो पूरी प्रक्रिया दोबारा बनाना समय की बर्बादी है। यहीं Skill काम आता है – एक बार बनी वर्कफ़्लो को सेव करने का तरीका, जिसमें प्रॉम्प्ट, मॉडल का चुनाव, डिफ़ॉल्ट सेटिंग और प्रिज़र्वेशन रूल सब साथ बंधे रहते हैं।

Skill बनाने का कोई एक तय तरीका नहीं है। एक तैयार प्रॉम्प्ट को चुनकर 'इसे Skill बना दें' कहा जा सकता है, या सीधे चैट में 'एक Skill बनाएं जो किसी भी ऑब्जेक्ट को मैट रंग में बदल दे' लिखा जा सकता है। किसी अच्छे नतीजे वाले आउटपुट को चुनकर भी Skill बनाई जा सकती है, क्योंकि हर आउटपुट के साथ उसका मॉडल, रेज़ोल्यूशन और प्रॉम्प्ट अपने आप जुड़ा रहता है।

Skill को चलाना आसान है – एसेट चुनें, चैट में @ लिखकर Skill का नाम चुनें, ज़रूरी इनपुट दें और चलाएं। हर बार अतिरिक्त निर्देश भी जोड़ा जा सकता है, जैसे '@material-reskin gold. आँखें एमराल्ड हों' – इससे Skill की तय वर्कफ़्लो बनी रहती है, सिर्फ़ बताई गई बात बदलती है। कुछ Skills में प्रीसेट भी होते हैं, जैसे 'Golden Hour' या 'Studio White', जिन्हें नाम से बुलाया जा सकता है।

जो Skill रेडी-मेड या शेयर की हुई हो, उसे सीधे एडिट नहीं किया जा सकता – उसे पहले fork करना पड़ता है, जिससे एक अपनी कॉपी बन जाती है और मूल Skill जैसी रहती है। अपनी बनाई Skill को कभी भी सादे शब्दों में बदला जा सकता है – जैसे 'डिफ़ॉल्ट आस्पेक्ट रेशियो पोर्ट्रेट कर दें' – और उसे पज़ल-पीस आइकन से खुलने वाली Skills लाइब्रेरी में शेयर भी किया जा सकता है, ताकि टीम का कोई और साथी वही वर्कफ़्लो बिना दोबारा समझाए इस्तेमाल कर सके।

Chapter 9

Luma क्या नहीं करने देता, और आपका काम कहाँ जाता है

काम शुरू करने से पहले कुछ सीमाएं जान लेना ज़रूरी है। सेवा की शर्तों के मुताबिक Luma के बेंचमार्क या परफ़ॉर्मेंस डेटा को सार्वजनिक रूप से प्रकाशित करना मना है, और सोर्स कोड या नॉन-पब्लिक API तक पहुँचने की कोशिश भी प्रतिबंधित है। कमर्शियल इस्तेमाल की इजाज़त शर्तों के एक तय हिस्से (सेक्शन 4.9) के तहत ही है – इसका मतलब है कि क्लाइंट के लिए बनाया गया आउटपुट इस्तेमाल करने से पहले उस शर्त को एक बार पढ़ना समझदारी है।

API के रास्ते इस्तेमाल करने वालों के लिए रेट लिमिट लागू है, और इसे कई अकाउंट या तकनीकी तरीके से बायपास करने की कोशिश करना शर्तों का उल्लंघन है। अगर लिमिट पार हो जाए, तो Luma बिना पहले सूचना दिए एक्सेस को धीमा, सस्पेंड या बंद कर सकता है, और जब तक कारण ठीक न किया जाए, एक्सेस वापस नहीं मिलता।

डेटा के मामले में, अपलोड की गई इमेज, वीडियो और चैट में लिखी बातें Luma के पास संग्रहित होती हैं, और आउटपुट में इनपुट का कुछ हिस्सा दोबारा दिख भी सकता है। तेरह साल से कम उम्र के यूज़र के लिए सेवा नहीं है, और अगर ऐसी जानकारी मिल जाए, तो उसे हटा दिया जाता है। पेमेंट की जानकारी सीधे Stripe के ज़रिए प्रोसेस होती है, Luma खुद कार्ड की जानकारी नहीं रखता।

ये सीमाएं काम रोकने के लिए नहीं, बल्कि योजना बनाने के लिए जानने लायक हैं – कमर्शियल इस्तेमाल की शर्त पहले से पढ़ लेना, रेट लिमिट के हिसाब से API कॉल की योजना बनाना, और यह समझना कि अपलोड किया गया मैटीरियल कहाँ जाता है। जो प्रोड्यूसर इन तीन बातों को शुरुआत में ही तय कर लेता है, वह डिलीवरी के दिन किसी सरप्राइज़ से नहीं जूझता।

Questions readers actually ask

Contact / More useful information from RamthaMedia

Official source links:
Luma