Ricette di prompt per OmniHuman-1.5: prompt per video di avatar parlanti pronti da copiare e incollare

Perché la struttura del prompt conta più delle parole

La maggior parte dei team, quando scrive il primo prompt per un avatar parlante, scrive una sola frase e poi passa ore a riscriverla, cercando una formula magica. Questo approccio è destinato a fallire, perché OmniHuman-1.5 non risponde all'ingegno, ma alle specifiche. Il prompt è la specifica di un breve video: chi appare, cosa dice, come è composta l'inquadratura, come viene recitata la battuta. Se uno di questi elementi manca o si confonde con gli altri, il modello non può far altro che tirare a indovinare, e le congetture sono proprio la fonte dei problemi di coerenza.

Un modello mentale utile è considerare il prompt come quattro moduli sovrapposti che insieme alimentano un unico output:

• Soggetto — chi appare e che aspetto ha a un livello stabile e descrivibile.
• Battuta — le parole esatte da pronunciare, scritte alla lettera.
• Inquadratura — piano, angolazione della camera, sfondo e posizione del soggetto nell'inquadratura.
• Interpretazione — ritmo, energia, tono e piccoli movimenti del corpo che fanno sembrare la battuta pronunciata e non recitata a memoria.

Una volta separati questi elementi, l'iterazione diventa controllabile. Puoi cambiare solo l'interpretazione senza toccare la battuta, oppure riscrivere la descrizione del soggetto senza ricomporre l'inquadratura. Se invece tutto è compresso in un unico blocco di testo fluido, ogni modifica è globale e non potrai mai attribuire una variazione dell'output a una modifica specifica dell'input.

Questo spiega anche perché due prompt che in superficie sembrano molto diversi possano produrre risultati simili: codificano gli stessi quattro moduli. E due prompt quasi identici possono differire enormemente, perché uno dei due ha silenziosamente omesso un modulo — di solito l'interpretazione, la parte che più spesso si dimentica di scrivere.

Le ricette di questa guida si basano tutte sugli stessi quattro moduli. L'intento è che tu le copi, le adatti e poi le scomponga volutamente, per vedere chiaramente che ruolo gioca ciascun modulo.

Un avvertimento prima di iniziare

Il modo in cui OmniHuman-1.5 elabora i prompt non è del tutto pubblico, e le manopole non documentate cambiano. Ogni ricetta qui sotto evita parametri inventati di sana pianta, sintassi di pesi e flag specifici del fornitore. Si affida invece a descrizioni piane, esplicite e in linguaggio naturale di soggetto, battuta, inquadratura e interpretazione. In questo modo le ricette restano portabili ed eviti di costruire la tua pipeline su una sintassi che potrebbe non esistere.

Quando una ricetta richiede di vincolare qualcosa che il modello potrebbe non rispettare in modo affidabile — istanti precisi, sincronizzazione labiale esatta su fonemi insoliti, battute molto lunghe — la guida lo segnala esplicitamente e suggerisce di gestirlo fuori dal prompt, invece di sperare che basti scriverlo nel testo.

Se vuoi eseguire queste ricette tramite un'unica API unificata, invece di mettere insieme integrazioni separate per ogni modello, l'endpoint video di HiAPI.ai è il percorso di destinazione per tutto ciò che è descritto qui.

Anatomia del prompt pronta da copiare e incollare

Prima delle ricette, guarda il modello che tutte seguono. Leggilo una volta e potrai ricostruire qualsiasi ricetta a memoria.

[SUBJECT]
A [age range] [gender presentation] with [hair], [distinguishing feature],
wearing [clothing]. Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "<your script here>"

[FRAMING]
[Shot size] shot, [camera angle], [subject position in frame].
Background: [background description]. Lighting: [lighting description].

[DELIVERY]
Speaks at [pace]. Tone: [tone]. [Optional physical behavior cue].
Camera is static.

Alcune note sul perché ogni campo è scritto così.

Soggetto

Mantieni la descrizione stabile e specifica: fascia d'età, presentazione di genere, taglio di capelli, una o due caratteristiche distintive, abbigliamento. Evita di accumulare aggettivi — ogni descrittore superfluo è un ulteriore punto su cui il modello può variare tra un'esecuzione e l'altra. Se devi usare la stessa persona in più clip, congela questo modulo alla lettera e non modificarlo mai.

Battuta

La frase Say exactly (pronuncia esattamente) svolge un ruolo concreto. Indica che il testo successivo è contenuto vocale, non descrizione della scena. Metti la battuta tra virgolette, così i confini sono inequivocabili, e lasciala in prosa pura — niente indicazioni di scena, niente note tra parentesi, niente marcatori.

Inquadratura

Piano (primo piano, piano medio, piano medio-lungo), angolazione della camera (all'altezza degli occhi, leggermente dal basso) e posizione del soggetto (centrato, leggermente a sinistra dell'inquadratura) si possono descrivere con parole comuni e cambiano sostanzialmente l'output. Anche sfondo e luce rientrano qui, perché fanno parte della ripresa, non dell'interpretazione.

Interpretazione

Questo modulo è quello che la maggior parte delle persone salta. Ritmo, tono e un indizio di comportamento fisico (un leggero cenno del capo, un gesto, un cambio di postura) contribuiscono alla naturalezza percepita molto più della riscrittura ripetuta della descrizione del soggetto. Bastano uno o due indizi — oltre, il modello è costretto a scegliere.

Vincolo finale

Chiudere con Camera is static (camera fissa) è un modo economico per trattenere i movimenti di camera non richiesti, un tipo di errore comune e fastidioso nella generazione di avatar parlanti. Non è un parametro, ma un'istruzione comune che fa parte della ricetta.

Cosa non inserire nel modello

Non scrivere frame rate, risoluzione, seed e stringhe di versione del modello nel testo del prompt. Sono questioni a livello di richiesta, non di prompt; mescolarli rende il prompt più difficile da confrontare e da riutilizzare. Lascia che il prompt gestisca il contenuto e la chiamata API gestisca l'infrastruttura.

Ricetta: clip esplicativa con un solo relatore

La ricetta di base. Adatta a narrazioni di documentazione, contenuti per corsi, video di annunci e a qualsiasi situazione in cui un relatore legge un testo preparato.

[SUBJECT]
A person in their early 30s, gender-neutral presentation, short dark hair,
wearing a plain crew-neck sweater. Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "In this walkthrough we'll cover three things. First, how to set up
the project. Second, the configuration options that matter most. And third, how
to verify everything is working before you ship."

[FRAMING]
Medium shot, eye level, subject centered with a small amount of headroom.
Background: softly out-of-focus home office with a bookshelf.
Lighting: soft key light from the left, no harsh shadows.

[DELIVERY]
Speaks at a measured, conversational pace. Tone: friendly and instructional.
Occasional small nod on sentence boundaries. Camera is static.

Perché funziona

La battuta è abbastanza breve da restare coerente — circa tre frasi, con confini di clausola netti. L'inquadratura è volutamente piatta: centrata, all'altezza degli occhi, sfondo morbido. Un'inquadratura piatta qui è un vantaggio, perché rende facile riconoscere le differenze di output tra un'esecuzione e l'altra. Se lo sfondo inizia a cambiare, sai che il problema è del modello, non della tua descrizione della ripresa.

Il modulo dell'interpretazione fornisce un indizio fisico (un occasionale piccolo cenno del capo ai confini delle frasi) che corrisponde naturalmente alla struttura della battuta. Vale la pena copiare questa corrispondenza tra indizio interpretativo e forma della battuta: gli indizi allineati al ritmo della battuta suonano naturali, quelli in conflitto suonano casuali.

Adattarla

• Battute più lunghe: mantieni la stessa inquadratura e interpretazione, dividi la battuta in più clip ai confini dei paragrafi, invece di forzare una lunga generazione unica. Quando ogni clip ha una struttura simile, la coerenza tra clip è più facile da mantenere.
• Pubblico diverso: cambia solo la parola del tono ("autorevole", "caldo", "vivace") e riesegui. È la singola modifica con il maggior effetto leva nella ricetta.
• Personaggio di marca: congela il modulo del soggetto e cambia solo l'abbigliamento. Così isoli l'abbigliamento dal volto e dai capelli, che sono i campi che più facilmente variano.

Limiti noti

Battute molto lunghe — diverse sezioni in un'unica generazione — tendono a perdere coerenza di ritmo verso la fine. Pianifica poche frasi per clip e poi assembla in montaggio. Non cercare di risolvere il problema della lunghezza aggiungendo istruzioni di ritmo al prompt; il prompt non è un controllore del tempo.

Ricetta: breve aggancio social

I video brevi vivono o muoiono nei primi due secondi. Questa ricetta scambia l'energia con la neutralità della ricetta esplicativa ed è volutamente più breve delle altre.

[SUBJECT]
A person in their late 20s, wearing a casual button-up shirt.
Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "Stop scrolling. If you've ever shipped a feature that broke in
production, this is the one setting you probably missed."

[FRAMING]
Close-up shot, slightly below eye level, subject centered and filling most of
the frame. Background: simple solid-color wall. Lighting: bright, even, frontal.

[DELIVERY]
Speaks quickly with confident energy. Tone: direct and conspiratorial.
Leans in slightly on the first sentence. Camera is static.

Scelte progettuali da riprendere

Primo piano più angolazione leggermente dal basso creano intimità e un pizzico di urgenza. È la grammatica visiva dei video brevi, e si esprime perfettamente con un linguaggio comune di inquadratura — nessuna sintassi speciale necessaria.

Sfondo a tinta unita elimina il rumore visivo che compete con un montaggio dal ritmo serrato. Nei video brevi, lo sfondo non dovrebbe mai essere la parte interessante dell'inquadratura.

Massimo due frasi. Un aggancio è un'unità di attenzione, non un paragrafo. Se la tua idea richiede tre frasi, appartiene a un'altra ricetta.

Un indizio fisico abbinato alla prima frase. "Si sporge leggermente in avanti alla prima frase" funziona perché la prima frase è l'aggancio. Abbina l'indizio al battito a cui appartiene.

Adattarla

Esegui tre diverse battute di aggancio con lo stesso soggetto e la stessa inquadratura, poi scegli tra gli output. Poiché tutto tranne il modulo della battuta è congelato, le differenze tra le clip sono attribuibili alla scrittura, ed è esattamente ciò che vuoi quando fai test A/B sugli agganci.

Limiti noti

Un'interpretazione molto rapida può ridurre la chiarezza su termini tecnici densi. Se il tuo aggancio contiene nomi di prodotto, acronimi o numeri da pronunciare, cambia la parola del ritmo da "quickly" (rapidamente) a "briskly" (con brio) e confronta. È l'unico punto in cui il modulo dell'interpretazione può richiedere un secondo passaggio anche dopo aver bloccato la battuta.

Ricetta: voce fuori campo per demo di prodotto

Questa ricetta serve per una voce fuori campo su un'interfaccia prodotto o una sequenza di passaggi, dove la chiarezza conta più della personalità, e il ritmo deve lasciare spazio agli occhi dello spettatore per seguire.

[SUBJECT]
A person in their mid 30s, wearing a neutral blazer over a plain shirt.
Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "Open the settings panel from the left navigation. Choose the
integration you want to connect. Paste your key into the credential field.
Then save, and run a test call from the same screen to confirm the connection."

[FRAMING]
Medium close-up, eye level, subject positioned slightly left of center to leave
room on the right of frame. Background: clean, uncluttered neutral wall.
Lighting: soft, even, no rim light.

[DELIVERY]
Speaks slowly and evenly, with a brief pause at each step boundary.
Tone: calm and precise. Minimal movement. Camera is static.

L'indizio di inquadratura più importante

"Leggermente a sinistra del centro, per lasciare spazio sul lato destro dell'inquadratura" è la riga più importante di questa ricetta. Le demo vengono spesso composte con registrazioni dello schermo o overlay dell'interfaccia, e un'inquadratura fuori centro dà al tuo montatore lo spazio per posizionarli. Non costa nulla nel prompt e risparmia un rendering.

Il ritmo come istruzione strutturale

"Una breve pausa a ogni confine di passaggio" è un'istruzione sulla struttura, non un parametro temporale. Dice al modello che la battuta ha un ritmo di quattro unità. Non stai specificando millisecondi — stai dicendo dove sono i battiti. Mantieni il numero di passaggi nella battuta basso e la corrispondenza chiara; se la battuta ha sei passaggi e l'interpretazione menziona pause ai confini, è comunque un'unica istruzione ed è comunque leggibile.

Adattarla

• Più segmenti: renderizza ogni passaggio come clip separata, usando gli stessi moduli di soggetto e inquadratura, poi monta. Questo ti dà punti di taglio puliti e un aspetto coerente in tutta la sequenza.
• Montaggio guidato dagli overlay: se un passaggio richiede un battito visivo più lungo della sua battuta parlata, aggiungi una coda muta invece di allungare le istruzioni di interpretazione. Il silenzio è una questione di post-produzione.

Limiti noti

Le pause sono richieste, non garanzie. Se la posizione esatta delle pause è cruciale per sincronizzarsi con l'azione sullo schermo, pianifica di ritoccarla in montaggio e considera la clip generata come fonte di verità audio-video per tutto tranne i tempi di montaggio.

Testare e iterare le ricette

Una ricetta è un'ipotesi. Verificala prima di scalarla.

Passo 1: scrivi una battuta di prova

Prepara una battuta breve — due o tre frasi — che copra i punti difficili del tuo contenuto reale: la parola più lunga, il nome proprio più insolito, i numeri che dirai davvero. La battuta di prova dovrebbe essere avversariale, non compiacente. Una frase di prova che il modello gestisce con facilità non ti dice nulla.

Passo 2: genera una baseline

Esegui la ricetta una volta con la battuta di prova, senza modifiche. Salva l'output e il testo esatto del prompt che l'ha prodotto. Questa baseline è il punto di riferimento per ogni confronto successivo.

Passo 3: cambia una sola variabile per esecuzione

Questa è tutta la disciplina. Scegli una cosa, cambia solo quella:

• Lunghezza della battuta — stesso prompt, una frase in più.
• Inquadratura — da piano medio a piano medio-primo, nient'altro toccato.
• Tono dell'interpretazione — sostituisci una parola ("amichevole" diventa "vivace").

Se in un'unica esecuzione cambi sia l'inquadratura sia il tono e l'output migliora, hai imparato solo che qualcosa ha funzionato, senza sapere cosa. È stata un'esecuzione sprecata.

Passo 4: tieni un registro dei diff

Per ogni esecuzione, annota la variante del prompt, quella singola modifica e una riga di conclusione. Le varianti scartate valgono quanto quelle accettate, perché ti dicono dove sono i confini. Un semplice file di testo con timestamp e diff basta; non ti servono strumenti speciali.

Passo 5: promuovi o scarta

Quando una variante supera chiaramente la baseline, promuovila a nuova baseline e ritestala con l'intera battuta di prova prima di dichiararla ricetta di produzione. Una modifica che aiuta una frase può danneggiarne un'altra.

Cosa non iterare

Non iterare su ciò che il prompt non può controllare. Se il tuo problema è risoluzione, rapporto d'aspetto o determinismo del seed, sei al livello sbagliato — guarda i parametri della richiesta, non il prompt. Riscrivere ripetutamente il prompt per risolvere problemi di infrastruttura è il modo più comune in cui i team sprecano il budget di generazione.

Nota sulla dimensione del campione

La generazione di avatar parlanti presenta una variabilità intrinseca tra un'esecuzione e l'altra. Generare un solo campione per variante può ingannarti. Prima di trarre conclusioni, genera due o tre campioni per variante con la battuta di prova e confronta tra campioni, invece di scegliere il migliore.

Modalità di errore comuni e come evitarle tramite il prompt

Questi sono i problemi che emergono più spesso, con le modifiche lato prompt per risolverli. Nessuna richiede di inventare parametri.

Il soggetto varia tra una clip e l'altra

Sintomo: capelli, abbigliamento o età appaiono diversi tra i segmenti. Correzione: congela alla lettera il modulo del soggetto in tutti i prompt, senza cambiare nulla — niente sinonimi, niente riordino delle parole. La variazione di solito deriva da riscritture ben intenzionate tra un segmento e l'altro.

L'interpretazione suona recitata a memoria, non parlata

Sintomo: espressione piatta, nessun micro-movimento, immobilità inquietante. Correzione: aggiungi un indizio di comportamento fisico nel modulo dell'interpretazione e assicurati che corrisponda a un battito della battuta. Controlla anche che la battuta sia scritta in stile parlato — contrazioni, clausole brevi, frammenti di frase. La prosa formale suona come interpretazione formale, qualunque parola di tono tu aggiunga.

Movimenti di camera non richiesti

Sintomo: zoom lento, deriva o panoramica che non hai chiesto. Correzione: aggiungi un'istruzione esplicita di camera fissa alla fine del modulo dell'interpretazione. Se il movimento persiste, elimina dal prompt le parole che altrove suggeriscono movimento ("dinamico", "inquadratura energica", "camera in movimento").

Lo sfondo compete con il soggetto per l'attenzione

Sintomo: il modello concentra l'attenzione sui dettagli dello sfondo invece che sul volto. Correzione: riduci la descrizione dello sfondo a una frase e aggiungi una luce che separi il soggetto dalla parete (luce principale morbida da un lato). Meno parole per lo sfondo, non di più.

Il ritmo crolla nelle battute lunghe

Sintomo: l'interpretazione inizia bene e verso la fine diventa frettolosa o piatta. Correzione: accorcia la battuta. È la correzione affidabile, e nessuna formulazione del prompt può compensare. Dividi invece in più clip ai confini naturali.

La chiarezza cala sui termini densi

Sintomo: nomi di prodotto, acronimi o numeri poco chiari. Correzione: passa la parola del ritmo da veloce a posato; se un termine specifico resta sbagliato, valuta di riscriverlo foneticamente nella battuta — riconoscendo però che questo rende la battuta più difficile da leggere, e va usato come ultima risorsa.

L'output ignora una parte del prompt

Sintomo: un intero modulo sembra non avere effetto. Correzione: verifica conflitti tra moduli. Se il modulo del soggetto dice "indossa un abito formale" e il modulo dell'inquadratura dice "caffè informale", il modello deve conciliare la contraddizione e potrebbe scartare qualcosa. Prima di dare la colpa al modello, rendi i quattro moduli coerenti tra loro.

Risultati incoerenti tra esecuzioni identiche

Sintomo: stesso prompt, output diversi. Correzione: è una variazione prevista, non un bug del prompt. Stabilisci criteri di accettazione su due o tre campioni per variante e smetti di ottimizzare quando rientri nel range standard. Cercare una determinismo perfetto tramite la formulazione del prompt non è produttivo.

Trattare i prompt come asset versionati

Un prompt che vive in una finestra di chat non è un asset riproducibile. Una volta che hai due ricette e alcune varianti per ciascuna, hai del codice sorgente — e va gestito come codice sorgente.

Conserva i prompt accanto al codice che li usa

Mantieni una directory prompts/ nel repository dove si trova lo script di generazione. Un file per ricetta, testo semplice o markdown, con i quattro moduli completi e leggibili. Il testo del prompt dovrebbe poter essere caricato come stringa, non incollato nel corpo di una funzione.

Assegna nomi che predicono l'output

Uno schema di denominazione che codifica l'intento vale più di uno ingegnoso:

prompts/
  explainer-single-speaker-v3.txt
  social-hook-closeup-v2.txt
  walkthrough-voiceover-v1.txt

Il suffisso di versione non è decorativo. Incrementalo quando una modifica a un modulo influisce sull'output; non incrementarlo per un refuso in un commento.

Fai il diff dei prompt, non solo dei binari

Quando la qualità dell'output cambia, devi poter rispondere a "cosa è cambiato nell'input?". Un git diff su un prompt in testo semplice risponde con un solo comando. Un prompt incorporato in un blob JSON insieme ai parametri della richiesta no. Tieni separato il testo del prompt dalla configurazione della richiesta, così il diff resta leggibile.

Fissa il prompt insieme all'asset generato

Quando salvi una clip generata, registra quale versione del prompt l'ha prodotta — nel nome del file, in un file di metadati allegato o in un database degli asset. Sei settimane dopo, quando qualcuno chiederà perché una clip della serie ha un aspetto diverso, la risposta dovrebbe essere trovabile con una sola ricerca, non con una congettura.

Rivedi le modifiche ai prompt come rivedi le modifiche al codice

Una modifica al prompt che cambia inquadratura o soggetto è una modifica visiva. Trattala come una modifica all'interfaccia: apri una pull request, allega campioni di output prima e dopo, e falla guardare a un'altra persona. È il modo più economico per intercettare variazioni accidentali nei moduli che dovrebbero essere congelati.

Mantieni un indice delle ricette

Un breve README nella directory prompts, che elenca ogni ricetta, il suo scopo e la versione corrente, risparmia a ogni nuovo collaboratore il lavoro di risalire alle tue intenzioni. È anche il posto dove annotare i limiti noti, come il limite di lunghezza delle battute nella ricetta esplicativa, così i vincoli restano documentati invece di essere riscoperti.

Parti dalla piattaforma, poi specializza

Se devi collegare queste ricette a una pipeline, l'endpoint video OmniHuman-1.5 di HiAPI.ai ti offre un'unica interfaccia di chiamata, così la struttura del repository e lo schema di versionamento restano stabili mentre aggiungi ricette. Copia una ricetta, eseguila con una breve battuta di prova, cambia una variabile alla volta e committa la versione che supera la tua baseline — questo ciclo è tutto il metodo.