Testo in video con Veo 3: sei errori che rovinano una buona clip

Veo 3 raramente sbaglia a caso. Quando una clip torna con una camera che scivola oltre il soggetto, una mano che si fonde nel bancone o una battuta che arriva mezzo secondo dopo che la bocca ha smesso di muoversi, la causa è di solito un vuoto nel prompt. Il modello l'ha riempito al posto tuo, e l'ha riempito con una supposizione sua.

Gli errori che seguono sono quelli che sprecano più render nel lavoro di testo-in-video con Veo 3, più o meno nell'ordine di quanto rovinano una clip. Ognuno ha una correzione che costa una frase invece di un budget di render, e ognuno è verificabile prima di cliccare su genera.

Errore 1: chiedere a una clip breve di raccontare un'intera scena

Una singola generazione è un'inquadratura, non una scena. Gli esempi di Veo pubblicati da Google DeepMind descrivono ciascuno un soggetto, un comportamento di camera e un letto audio; anche gli esempi di Veo 3.1 pubblicati da Magic Hour sono una generazione da otto secondi ciascuno, con una nota di revisione che ricorda come il risultato sia un'inquadratura di raccordo e non una sequenza completa.

L'errore si scrive facilmente senza volerlo: «Entra nel bar, ordina un flat white, si siede alla finestra e controlla il telefono». Sono quattro azioni che si contendono otto secondi. Quello che torna indietro è di solito l'azione centrale, eseguita in modo vago, con il telefono che compare prima che la mano arrivi alla tasca.

La correzione è scegliere l'unica azione che regge l'inquadratura. Tieni l'ingresso e il telefono per generazioni separate, poi montali insieme in un editor. Se non riesci a decidere quale azione conti di più, l'inquadratura non è pronta per essere scritta nel prompt.

Errore 2: accumulare movimenti di camera che si contraddicono

«Pan lento, orbita e spinta in avanti» si legge come cinematografia e si comporta come tre istruzioni in conflitto. La guida alla risoluzione dei problemi di Magic Hour lo dice esplicitamente: la camera ignora il piano, e la soluzione è scegliere un solo comportamento di camera, dichiararne direzione e ritmo, e togliere i movimenti che lo contrastano.

Cerca l'indizio nell'output. Una clip che porta a metà un movimento, spingendo avanti ma senza mai salire, o che orbita intorno a un soggetto che scivola fuori campo, di solito è un prompt con due movimenti dentro, non un modello incapace di muovere la camera.

Scrivi un movimento, una direzione, un ritmo: «La camera fa una sola spinta lenta in avanti e si chiude su un primo piano medio delle mani». Aggiungi un secondo movimento solo dopo che il primo funziona da solo.

Errore 3: descrivere un'atmosfera invece di un'azione visibile

Parole come cinematografico, premium, emozionale e dinamico non si traducono in pixel. Sono giudizi sull'inquadratura finita, e il modello non ha modo di renderizzare un giudizio. Quello che può renderizzare è una superficie, una direzione della luce e un movimento.

La lista di errori di Higgsfield arriva allo stesso punto dal lato opposto: lega l'emozione a qualcosa che la camera può vedere, come una mano esitante sul freno o uno sguardo che si sofferma, invece di nominare la sensazione. La riparazione suggerita da Magic Hour è un esercizio di sostituzione, in cui premium diventa metallo spazzolato, una superficie opaca e una luce di contorno controllata, e cinematografico diventa un'altezza di camera e una resa dell'ottica precise.

Confronta «un momento caffè premium» con «vapore che sale da una tazza bianca su un tavolo di quercia graffiato, luce bassa del mattino da sinistra, camera fissa, tazza e piattino invariati». La seconda versione dà al modello quattro cose che può davvero disegnare e una che non deve cambiare.

Errore 4: scrivere le esclusioni come comandi

Quasi tutti chiudono il prompt con una riga tipo «niente testo, niente watermark, nessuna persona in più». La guida di Google alla scrittura dei prompt per la generazione video chiede la forma opposta: evita un linguaggio fatto di divieti come «niente muri» o «non mostrare muri» e descrivi invece gli elementi indesiderati come un elenco, nominando gli oggetti che non vuoi vedere.

Ne derivano due conseguenze pratiche. La prima: tieni le esclusioni nella forma che il modello è stato addestrato a leggere, cioè nominare gli oggetti invece di discutere con loro. La seconda: tratta ogni esclusione come una richiesta, non come una garanzia. Sui sottotitoli Magic Hour è netta: un'istruzione per escludere il testo resta una richiesta, e gli ultimi fotogrammi vanno comunque controllati per scovare scritte indesiderate.

Così la riga diventa «testo, watermark, persone aggiuntive», e la revisione diventa un controllo dei due o tre fotogrammi in cui il testo di solito compare: insegne, schermi, confezioni e qualsiasi superficie rivolta verso la camera.

Errore 5: trattare l'audio come una didascalia invece che come una traccia

Veo 3 genera l'audio in modo nativo: effetti sonori, rumore ambientale e dialogo escono dalla stessa passata dell'immagine. È il vantaggio più grande del modello rispetto ai generatori di video muti, e il modo più rapido di sprecarlo è trattare il suono come un ripensamento aggiunto in coda a una descrizione visiva.

Dominano due tipi di errore. Il primo è una battuta troppo lunga per l'inquadratura: quando la frase finisce, la bocca ha già smesso di muoversi o la voce viene tagliata. Il secondo è un'unica richiesta audio indifferenziata in cui musica, suono d'ambiente, effetti e parlato finiscono ammassati in una sola proposizione, così il modello ne sceglie uno e scarta il resto.

Separa i livelli e nomina chi parla. «Suono d'ambiente tenue da studio, un singolo tocco metallico quando la chiave appoggia sul tavolo, niente musica» è un'istruzione di mix. «Dice, con voce rilassata, che sono pronti per la prima cena» è un'istruzione di recitazione. Tieni la battuta abbastanza breve da stare nella durata che hai davvero chiesto, e conta le parole sui secondi invece che sul copione.

Errore 6: lasciare aperti i punti di contatto e la fisica

Tutto ciò che il prompt lascia indeterminato lo decide il modello. La checklist di Higgsfield lo trasforma in un controllo preliminare concreto: nomina i punti di contatto, cioè mani, dita e ciò che tocca cosa, insieme a una fonte di luce nominata e alla direzione del movimento.

Per questo le mani sono la vittima classica. Un prompt che dice «prende la chiave» lascia irrisolti la presa, il numero di dita e l'angolazione, e il render li risolve in un punto imprecisato tra il plausibile e lo sbagliato. Un prompt che dice «pollice e indice pizzicano la chiave dall'anello e la sollevano dal tavolo» lascia molto meno spazio.

La fisica si comporta allo stesso modo. Tessuto, liquidi e capelli sono i campi in cui il modello improvvisa di più, quindi dichiara ciò che deve restare fermo: la giacca non si muove, il liquido resta livellato nel bicchiere, quadrante e cinturino dell'orologio restano invariati per tutta la durata. Sono righe che costano poco, e sono la differenza tra un'inquadratura di prodotto utilizzabile e un nuovo giro di riprese.

Correggi l'istruzione, non tutto il prompt

Dopo una clip sbagliata l'istinto è riscrivere tutto, e così si distruggono le prove. Cambia un'istruzione per tentativo e impari quale frase era responsabile.

Tieni una generazione di riferimento: un'inquadratura bloccata dello stesso soggetto, con lo stesso audio, che sai funzionare. Quando un nuovo tentativo fallisce, confronta le due e dai un nome alla differenza. Se l'errore si sposta ogni volta che rilanci un testo identico, è un problema di prompt. Se sbaglia esattamente nello stesso modo a ogni esecuzione, è un problema di impostazioni, e più aggettivi non aiuteranno.

Prima di riscrivere, fai passare il sintomo attraverso questo ordine: specificità del soggetto, numero di azioni, numero di movimenti di camera, fonte di luce, punti di contatto, livelli audio, poi gli elementi invarianti. Il primo punto davvero sottospecificato nel tuo testo è quello da correggere, e di solito è l'unico.

Un controllo che intercetta quasi tutto prima di generare

Leggi il prompt una volta e spunta ogni riga. Dove una riga non ha risposta, il modello ne fornirà una.

• Un soggetto, descritto in modo abbastanza specifico da riconoscerlo solo dal testo.
• Un'azione, espressa con un verbo che ha un risultato visibile.
• Un comportamento di camera, con una direzione e un ritmo.
• Una fonte di luce nominata, con una direzione.
• Ogni punto di contatto nominato: mani, piedi, oggetti appoggiati su superfici.
• Audio diviso in parlato, ambiente, effetti e musica, con chi parla nominato.
• Una riga di invarianti: ciò che non deve cambiare durante l'inquadratura.
• Durata, risoluzione e formato impostati nell'interfaccia, non nella frase.

L'ultimo punto conta più di quanto sembri. Un prompt che chiede un'inquadratura verticale non cambia la tela di output come fa un'impostazione verticale, e un render orizzontale ritagliato in verticale taglia proprio l'azione che ti interessava. Dove lo strumento espone quel controllo, usa il controllo.

Niente di tutto questo rende Veo 3 prevedibile come lo è uno storyboard. Rende leggibili gli errori, ed è la parte su cui puoi lavorare: una clip che manca un elemento nominato si corregge con una modifica nominata, mentre una clip che sbaglia tutto di solito significa che il prompt ha chiesto tutto insieme. Se stai ancora decidendo quali inquadrature meritano il render, i casi d'uso di Veo 3 adatti alle clip brevi coprono quella scelta, e il generatore di video Veo 3 è il posto dove mettere il prompt corretto.