Ham Fikirden Sinematik Videoya: Karakter Kartı ve JSON Komut Tekniği

Saatlerce uzun komut yazıp yine de hayalindeki kareyi yakalayamayanların sorunu yetenek eksikliği değil, yanlış araç olabilir. Sunucu, hiç komut yazma becerisi olmadan ürettiği kısa filmleri örnek gösteriyor ve iddiasını tek cümleye indiriyor: ham fikri düzgün cümlelerle anlat, gerisini profesyonel komutu yazan ayrı bir araca bırak. Videonun tamamı bu iddiayı iki sahnede test eden bir iş akışı anlatıyor.

Ancak komut ne kadar iyi olursa olsun, kilitlenmeyen tek bir şey bütün işi bozuyor: karakterin her planda aynı kişi görünmesi. Çözümün adı karakter kartı ; aynı yüzün ve kıyafetin farklı açılardan sabitlendiği bir başvuru sayfası. InVideo'nun tutarlılık rehberine göre de kural aynı: çok açılı kartı önden hazırla, kıyafeti karta kilitle, her üretime aynı sayfayı başvuru olarak ekle. Böylece görsel tutarlılık şansa değil, sisteme bağlanıyor.

Kartlar hazır: iç mekan ve dış mekan için iki ayrı kimlik

Üretim Higgsfield adlı bütünleşik platformda yapılıyor; sunucu sponsorunu açıkça söylüyor. Higgsfield'in kendi rehberine göre GPT Image 2.5 iki varyantla geliyor: gündelik işlere hızlı Flare, hassas düzenlemeye dönük premium Sunburst. Sunucu karakter kartlarında bilinçli olarak Sunburst varyantını seçiyor. Platformun video sayfasının anlattığı tablo da bu seçimi destekliyor: Veo, Sora, Kling, Wan gibi modeller tek çalışma alanında toplanıyor, ilk-kare ve son-kare sabitleme gibi süreklilik kontrolleri aynı çatıdan sunuluyor.

İlk sahne dağ evinde geçiyor: karakter önce içeride kahvesini koyuyor, sonra dışarı çıkıp odun kesiyor. Sunucu önce iç mekan kartını kuruyor; gerçek fotoğrafını başvuru görseli olarak ekliyor, dört panel istiyor: cephe, üç çeyrek, profil ve yüz yakın planı. En boy 16:9, çözünürlük 2K. Sonuç onu şaşırtıyor çünkü üretilen yüz gerçekten kendine benziyor; hatta kartın gerçekçiliğini kanıtlayan küçük bir ayrıntı olarak hafif çatlamış dudakların bile yakalandığını söylüyor.

Dış mekan kartı daha kurnaz bir numarayla kuruluyor: iki görsel, iki ayrı iş. Birinci görsel yine sunucunun gerçek yüzü, kimliği sabitliyor. İkinci görsel ise yalnızca doku eşleme için ekleniyor; gerçek fotoğraf gibi durduğu bilinen bir kareden deri ve kumaş dokusunu kopyalaması isteniyor. Böylece soğuk hava kıyafetli kart, iç mekan kartındaki yüzle birebir örtüşürken fotoğraf gerçekçiliğini de koruyor. İki kart birlikte sahnenin tamamını taşıyacak başvuru setini oluşturuyor.

Düz cümle mi, yapılandırılmış komut mu?

Video testleri ByteDance'in Seedance 2.5 modeliyle yapılıyor. Önce tembel yol deneniyor ad "Seedance" gibi duyulsa da doğrusu ByteDance'in Seedance modelidir. Önce tembel yol deneniyor: sahne akıldaki gibi düz cümleyle yazılıyor, 16:9, 30 saniye, 1080p ayarlanıyor, iki kart eklenip üretiliyor. Sonuç fena değil ama iki kusur var: akışı bozan garip kesmeler ve kütük hatası; karakter, kesmesi gereken küçük kütük yerine dayanak olarak duran büyük kütüğe vuruyor. ByteDance'in Seed sayfasına göre model tek üretimde 30 saniyelik anlatı kurabiliyor ve iki tur uzatılabiliyor; TechNode'un lansman haberine göre tek girdide 30 görsel, 10 video ve 10 ses referansı taşıyabiliyor. Yani model güçlü, ama düz komut ona kamera, ışık ve tempo gibi kararların neredeyse tamamını bırakıyor.

İkinci yol, videonun asıl yıldızı: videoprompt.studio adlı ücretsiz araç. Ham fikir düz yazıyla kutuya yazılıyor, çekim türü seçiliyor, hedef model Seedance olarak sabitleniyor ve çıktı biçimi JSON yapılıyor. Kritik bir kural da fikrin içine yazılıyor: sahne iç mekanda başlayıp dışarı taşıyor, kıyafet tam doğru anda değişmeli. Araç, ışık ve kamera hareketi gibi alanlara bölünmüş, yapıştırmaya hazır bir yapılandırılmış komut üretiyor. Neurosignal'in 2026 rehberindeki benzetmeyle, bu tür araçlar hayal ile model arasında çevirmenlik yapıyor: sıradan anlatımı, video modellerinin gerçekten işleyebildiği biçime çeviriyor.

Yapılandırılmış komut aynı kartlarla üretime giriyor ve fark hemen görülüyor: kabin içi ışık ve camdaki buhar çok daha gerçekçi. Ama okuma aşamasında iki eksik yakalanıyor: köpek ve bazı hareket-ses detayları JSON'a taşınmamış. Ders sert: komutta yazmayan şeyi model asla görmüyor. Detaylar eklenip komut yeniden kurularak üretilen üçüncü sürümde sahne canlanıyor; karakter kütüğü yerden alıp harekete geçiyor. SeedanceTool'un model karşılaştırması bu sonucu açıklıyor: Seedance, açık kamera hareketi, ışık düzeni ve süre bilgisiyle yazılmış komutlara en iyi tepki veren model. Yani kalıp ile model eşleşmiş.

Zor sınav: her şeyin aynı anda değiştiği fırtına sahnesi

Kabin sahnesi kolaydı çünkü ekranda neredeyse hiçbir şey durum değiştirmiyordu. İkinci sahne tam tersi: gece fırtınası; kapı kapalıdan açığa, fener sönükten yanığa, fırtına tam güçten dinginliğe dönüyor. Karakter kartı ilk sahneden taşınıyor, yalnızca gardırop gece görünümüne çevriliyor; köpek ise sıfırdan, yazılı tarifle dört panelli karta dönüştürülüyor. Düz komutla ve ardından ham yapılandırılmış komutla yapılan denemeler tökezliyor: karakter kapıda amaçsızca bekliyor, feneri camın ardından yakıyor. Sorun net: bu komutlar sahnede ne olduğunu söylüyor ama ne zaman olduğunu söylemiyor; değişimlerin sırası kayıyor.

Çözüm, komutu sahne sahne zamanlamak: önce elektrik kesiliyor, sonra kapı rüzgarda açılıyor, karakter kapıyı bastırıp kapatıyor, fener ancak sona doğru tutuşuyor, fırtına finalde diniyor. Bu sıralı komutla üretilen sürümde karakter feneri düzgün yakıyor, hareket doğallaşıyor. Kapanış dersi platformlar arası mekik dokumaya dair: ayrı araçlar ayrı kredi demek; anlatıcı tüm zinciri tek çatıda tutmanın zaman ve kredi kazandırdığını savunuyor. Sponsorlu bir kapanış olduğu için bu cümleyi indirimli okumakta fayda var; ama yöntemin kendisi araçtan bağımsız: kartı kilitle, komutu yapılandır, değişimi zamanla.