- Blog
- Workflow di text to video AI: quattro controlli tra un prompt di bozza e la clip finale
Workflow di text to video AI: quattro controlli tra un prompt di bozza e la clip finale
Una routine di lavoro per il text to video AI: bloccare il frame, scrivere blocchi di inquadratura con un solo movimento di camera, vincolare ogni riferimento a un compito preciso e poi rivedere ogni render con la stessa checklist prima di cambiare una sola riga.

La maggior parte delle sessioni di text to video AI va storta prima ancora che il modello renderizzi qualcosa, perché a un unico prompt si chiede di svolgere quattro compiti non correlati tra loro: decidere il frame, descrivere la scena, controllare la camera e giudicare il risultato. Quando la clip torna sbagliata, non c'è modo di capire quale di queste quattro decisioni l'abbia causata, così il tentativo successivo cambia tutto e il ciclo non converge mai.
La soluzione è procedurale, non creativa. Trattate la generazione come un ciclo di produzione con quattro cancelli decisionali e fate in modo che ogni cancello risponda a una domanda prima che si apra il successivo. È la routine che regge su clip cinematografiche brevi, scatti di prodotto e cutdown per i social realizzati con uno strumento di text to video AI come Seedance 2.0 su KOOX AI.
Perché il primo prompt non è mai il deliverable
Un prompt scarno non fallisce in un solo modo riconoscibile, ed è esattamente per questo che è difficile da riparare. La guida ai prompt di Seedance 2.0 di Runway distingue sei modalità di errore diverse: un soggetto vago produce un movimento ambientale generico in stile stock, un'azione descritta in termini generali viene inventata al livello di dettaglio che avete omesso, l'assenza di indicazioni su luce o camera lascia l'inquadratura piatta, un riferimento non assegnato trasmette colori o styling che non avevate previsto, un unico paragrafo indiviso non dà al modello nulla su cui scandire il ritmo, e un prompt senza vincoli finali può restituire sottotitoli, loghi o watermark che nessuno ha chiesto.
Quella lista è diagnostica, non decorativa. Prima di cambiare un prompt, nominate quale di questi sei casi state guardando. La deriva ambientale è un problema di soggetto, un frame piatto è un problema di luce, un logo a sorpresa è un problema di vincoli e una clip che taglia quando volevate un'unica ripresa è un problema di struttura. Solo uno di questi si risolve riscrivendo la riga dell'azione.
Primo cancello: bloccare il frame prima di scrivere una parola
Le impostazioni che scegliete in cima al pannello vincolano ogni frase che segue, quindi decidetele prima, non dopo che il primo render vi ha deluso. Tre sono quelle che contano di più.
La lunghezza e l'inquadratura vengono per prime. Una clip tipica dura dai cinque ai quindici secondi, il che basta a pochi shot e non a un'intera sequenza, quindi contate i beat che ci stanno davvero prima di scriverli. Il formato di aspect ratio plasma la composizione quanto l'inquadratura: un frame verticale vuole una disposizione di soggetto e spazio diversa da uno largo, e lo stesso prompt raramente va bene per entrambi.
La risoluzione viene seconda, perché cambia il modo in cui il prompt va letto. Una descrizione costruita per il dettaglio fine in un render ad alta risoluzione è sprecata in una passata di bozza, e una passata a risoluzione di bozza è il posto giusto per testare il movimento. Diversi modelli offrono anche varianti fast o mini che limitano la risoluzione di output, quindi un prompt scritto per il massimo dettaglio non la otterrà.
La durata per azione viene terza. Se una singola azione ha bisogno di quattro o cinque secondi per leggersi, una clip di quindici secondi ne contiene tre con agio e cinque solo se i movimenti sono piccoli. Scrivere sei beat in otto secondi è la causa più comune di una clip che sembra affrettata senza alcun artefatto evidente.
Secondo cancello: scrivere il brief su due livelli, non su uno
Seedance risponde a un prompt con una struttura esterna e una descrizione interna, e i prompt che rendono meno del dovuto di solito collassano un livello nell'altro. Il livello esterno è la shot list: blocchi etichettati scritti nell'ordine in cui gli eventi accadono, così il modello sa come è scandito il pezzo prima di sapere cosa contiene. Il livello interno è la prosa dentro ogni blocco: chi c'è, cosa sta facendo, dove, sotto quale luce e come si comporta la camera.
Due abitudini rendono concreto tutto questo. Primo, scrivete frasi collegate invece di un elenco di parole chiave. Un elenco di nomi e aggettivi non dà al modello alcuna relazione tra loro, perciò ogni elemento viene renderizzato alla lettera e in modo indipendente; gli stessi elementi scritti come frasi gli danno qualcosa da tenere insieme. Secondo, mantenete coerente l'ordine dentro ogni shot: prima il movimento di camera o la transizione, poi l'azione e l'espressione del soggetto, poi la posizione o il cambiamento spaziale, poi il suono. Il modello separa ciò che fa la camera da ciò che fa il soggetto, e un ordine stabile rende questa distinzione più facile da leggere.

Terzo cancello: otto elementi per shot, un solo movimento di camera
Un blocco di shot completo copre soggetto preciso, dettagli dell'azione, scena e ambiente, luce e tono cromatico, movimento di camera, stile visivo, qualità dell'immagine e vincoli. Qualità dell'immagine e vincoli finali sono i due più spesso saltati, e sono i due che mantengono stabile un render.
La riga della camera merita una regola a parte: un solo movimento per shot. Chiedere insieme un push, un pull, una panoramica e un tilt aumenta l'instabilità, e il risultato si legge come un frame che non riesce a decidere dove guardare. I movimenti singoli e standard tengono più stabili, e una terminologia semplice basta: piano medio, primo piano, campo largo, lento push-in, movimento laterale fluido, inquadratura fissa. Se una sequenza richiede due movimenti, datele due shot.
I vincoli appartengono alla parte finale, espressi come ciò che non deve comparire. Descrivete la scena stessa in termini positivi e riservate la formulazione negativa alla coda del prompt, dove una riga sul restare senza sottotitoli e sul non generare loghi o watermark non costa nulla e previene la categoria più fastidiosa di ri-render.
Muovete il soggetto per parte del corpo, grado e transizione
Un verbo d'azione generico lascia al modello il compito di inventare i dettagli, e il passaggio tra due azioni si legge come un salto invece che come una continuazione. Indicare la parte del corpo, aggiungere ampiezza, velocità o forza e scrivere la transizione risolve gran parte del problema. «Lei prende la ciotola e la porta sullo scaffale» diventa «lei solleva lentamente la ciotola con entrambe le mani, poi sfrutta lo slancio dell'alzarsi per girarsi naturalmente verso lo scaffale».
La velocità è una decisione di stabilità tanto quanto di stile. Un movimento lento, delicato e continuo tiene meglio di un'azione ad alta energia, e la corsa, i grandi salti e i movimenti violenti sono i punti in cui tendono a comparire distorsioni e instabilità. L'emozione segue la stessa logica: parole come orgoglioso o nervoso non danno al modello nulla di visibile, mentre una spalla abbassata, un sospiro e un debole sorriso gli danno qualcosa da animare.
Quarto cancello: vincolare ogni riferimento a un solo compito
I riferimenti sono il punto in cui il text to video AI trova la sua coerenza, e anche quello in cui più spesso la perde. Due pratiche concentrano gran parte del valore. Definite il soggetto una volta sola, usando due o tre caratteristiche statiche e stabili, poi usate sempre la stessa etichetta ogni volta che compare, così il modello non deve mai indovinare a quale persona nell'inquadratura vi riferite. Poi vincolate ogni asset esplicitamente a ciò che governa, invece di allegarlo e sperare: l'immagine che definisce la silhouette del prodotto controlla la silhouette, il video che definisce il movimento di camera controlla il movimento, e da nessuno dei due si prende altro.
Usate meno asset di quanti il limite consenta. Da quattro a cinque riferimenti in totale tendono a battere un set completo, perché troppi asset rendono più difficile per il modello stabilire quali caratteristiche hanno priorità, e questo si manifesta come conflitti di stile e deriva. Per un personaggio, un primo piano del volto affiancato a un'immagine a figura intera ancora un volto molto meglio di un'unica immagine combinata in cui i tratti occupano troppo poco del frame.
Mettere il suono dentro il prompt, dove appartiene
Quando il modello genera l'audio nella stessa passata dell'immagine, il sound design è contenuto del prompt e non una fase successiva. Segnate che tipo di informazione è ogni riga: dialogo, musica ed effetti sonori hanno ciascuno la propria convenzione, così il modello non deve dedurre se una frase è parlata, musicata o un rumore nella stanza. Una riga di dialogo in una lingua che il modello non dà per scontata ha bisogno che quella lingua sia nominata accanto.
È anche qui che la passata di revisione si guadagna il suo posto. Una clip la cui immagine è giusta ma la cui ambienza sonora litiga con la scena non è una generazione fallita; è una riga da riscrivere, perché la correzione vive nello stesso prompt che l'ha prodotta.
Rivedere con una lista fissa, non con una sensazione
L'ultimo cancello è quello che la maggior parte delle sessioni salta. Prima di decidere se un render è buono, ispezionatelo ogni volta con la stessa lista breve: la silhouette del soggetto resta intatta durante il movimento, l'illuminazione resta coerente tra gli shot, c'è testo, logo o watermark, il movimento si legge come continuo e non a scatti, e il ritmo corrisponde alla shot list che avete scritto.
Le indicazioni su camera e movimento pensate per una generazione controllata dicono la stessa cosa in termini di produzione (vedi le note su camera e movimento di ReelMind): ispezionate lo shot per stabilità del movimento, conservazione della silhouette e coerenza dell'illuminazione prima di unirlo a qualsiasi altra cosa. Una clip che supera questi tre controlli è utilizzabile anche se non è la ripresa che immaginavate, e una clip che ne fallisce uno non può essere salvata in montaggio.

Perfezionare una variabile alla volta
Il motivo per scrivere il prompt come blocchi etichettati è che rende il perfezionamento chirurgico. Cambiate una riga tra una generazione e l'altra, tenete identico tutto il resto, e la differenza nell'output è attribuibile. Cambiate insieme la riga del soggetto e quella della camera e non avete imparato nulla, anche se la seconda clip è migliore.
Tenete un breve registro accanto ai render: il blocco di shot, le impostazioni e la singola riga che avete cambiato. Quando una clip torna caotica, la prima mossa è di solito una sottrazione e non un'aggiunta, dato che troppo azione per il tempo disponibile è la causa standard. Se un render restituisce fotogrammi neri o fallisce del tutto, spesso il prompt è semplicemente troppo complesso per la durata e la risoluzione scelte, e ridurre a un'azione ogni pochi secondi o abbassare la risoluzione di bozza è una correzione più rapida di un'altra riscrittura.
Una volta che uno shot supera la lista di revisione, smettete di toccarlo e passate allo shot successivo della sequenza. Una clip finita è una sequenza di shot verificati, non un unico prompt perfetto: per questo la routine che produce un output di text to video AI affidabile assomiglia più a una checklist che a una frase magica.