The image reference sets the speaker's face and wardrobe; the audio reference sets her voice. She sits at a kitchen table, glances at the camera and starts talking, one hand around a mug. Locked medium shot, morning light.
Napisany po angielsku, dokładnie w takiej formie, w jakiej go wysłaliśmy.
Ten sam model, zaczynając od tego promptu. Pozostałe ustawienia mają wartości domyślne.
Dlaczego ten prompt działa
`reference_audio_urls` dostarcza głos, a `reference_image_urls` dostarcza twarz i strój — osobne referencje, osobne funkcje, bo ujęcie typu „talking head” z niewłaściwym głosem za znajomą twarzą brzmi źle, nawet gdy obraz jest poprawny. Prompt dodaje tylko inscenizację: siedzi przy kuchennym stole, jedna dłoń obejmuje kubek, spojrzenie unosi się, zanim zacznie mówić. `duration_seconds` na `10` zostawia miejsce na ten moment przed kwestią, przy `resolution` `720p`.
Użyte ustawienia
Ustawienie
Wartość
Co robi
resolution
720p
480p, 720p lub 1080p. Domyślnie 720p. Rozdzielczość zmienia i cenę, i czas, po jakim zadanie wraca.
duration_seconds
10
Dowolna liczba całkowita od 2 do 30 albo -1 dla inteligentnego czasu trwania. Domyślnie 5. Przy wideo referencyjnych ich łączna długość plus ta wartość musi zmieścić się w 30 sekundach, a te sekundy są rozliczane dodatkowo, ponad materiał wyjściowy. Dopracuj wygląd na 5 sekundach, zanim wydłużysz.
Podgląd rozmyty