HiAPI
Блог

Руководство по использованию

Промпты для генерации видео из референсных изображений Gemini Omni Flash: готовые к копированию рецепты для разработчиков

Упорядочивание нескольких референсов, согласованность субъекта, формулировки движения камеры, длительность и档位 разрешения, а также негативный список — с работающими запросами

Nov 17, 2026
Обложка в редакционном стиле: крупные призмы разделены на плоские плоскости цвета шалфея и туманно-зелёного на глубоком сосновом фоне, чёткая геометрическая композиция.
На этой странице

Что на практике меняет генерация видео по референсным изображениям в проектировании промптов

Генерация видео по тексту требует, чтобы модель создала всё с нуля: субъект, одежду, окружение, освещение, движение. Генерация видео по референсным изображениям переворачивает этот контракт. Вы передаёте модели изображения, которые уже ответили на большую часть вопроса «что», а задача промпта сужается до вопроса «как» — как субъект движется, как ведёт себя камера, сколько длится кадр и что ни в коем случае не должно появиться.

Практическое следствие: привычки из генерации видео по тексту здесь дают обратный эффект. Длинные описательные абзацы, повторно пересказывающие внешний вид субъекта, конкурируют с референсными изображениями и подталкивают модель усреднить их в нечто заурядное и обобщённое. Нагромождённые для выразительности прилагательные — «кинематографично, эпично, драматично, размашисто» — несут почти нулевой сигнал по сравнению с одной конкретной инструкцией. А любой промпт, описывающий словами лицо персонажа или точную геометрию продукта, вносит дрейф, потому что текст и пиксели начинают противоречить друг другу.

Ментальная модель, которую стоит держать в голове

Считайте каждое референсное изображение ограничением, а свой промпт — расписанием. Ограничение говорит, кто и что. Расписание говорит, когда, где и как движется. Если вы замечаете, что пишете предложения, заново описывающие то, что уже показано на изображении, удалите их. Если вы замечаете, что написали ноль предложений о камере и движении, значит вы недостаточно сказали о той части, которая действительно требует текста.

Полезная проверка перед вызовом API: закройте референсные изображения и прочитайте свой промпт. Остаётся ли он осмысленным как запрос именно об этих конкретных входных данных? Если он читается как самостоятельный промпт для генерации видео по тексту, значит вы написали слишком много и слишком мало указали.

Это руководство последовательно разберёт порядок изображений, согласованность субъекта, формулировки движения камеры, выбор档位 и негативный список, а в конце приведёт работающие запросы к gemini-omni-flash/reference-to-video в API hiapi.

Генерация видео по тексту направляет один вход в кадр; генерация видео по референсным изображениям сводит несколько графических референсов плюс один промпт в единый выход — это другая ментальная модель, под которую нужно проектировать.

Организация нескольких референсных изображений

Когда вы передаёте больше одного референсного изображения, порядок и разметка важнее длины промпта. Модель должна знать, какое изображение управляет каким аспектом выхода, а самый экономичный способ передать это — выделить каждому слоту ровно одну роль.

Одна роль на каждый слот

Надёжный шаблон таков: сначала субъект, затем всё, что его модифицирует (одежда, варианты продукта), затем окружение, наконец стиль. Каждое изображение должно нести ровно одну задачу. Если ожидается, что одно изображение одновременно несёт и лицо персонажа, и комнату, в которой персонаж стоит, при конфликте модель сможет лишь гадать, что победит.

Явно указывайте роли в промпте и пишите их в том порядке, в котором передаёте изображения:

Image 1: the character (face and hair).
Image 2: the jacket the character wears.
Image 3: the room the character stands in.
Image 4: the color and lighting style to apply overall.

Нумерация изображений в промпте в соответствии с порядком в теле запроса — привычка с наибольшей отдачей в промптах с несколькими референсами. Когда вы переупорядочиваете тело запроса, переупорядочивайте текст промпта в том же изменении.

Указывайте приоритет при конфликте ролей

Конфликты случаются. Два изображения могут оба содержать фон; изображение окружения может содержать людей. Когда это происходит, укажите приоритет одной строкой вместо того, чтобы надеяться, что модель догадается сама:

Use the face from Image 1. Ignore any people in Image 3; Image 3 is the room only.

Меньше, но чище — лучше, чем больше

Каждое дополнительное референсное изображение — это ещё одно ограничение, которому модель должна одновременно удовлетворять. Если четвёртое изображение добавляет только стиль, а стиль можно выразить одной фразой, предпочтите фразу. Четыре чётко размеченных изображения с различимыми ролями обычно превосходят восемь перекрывающихся, и они делают сбои легче диагностируемыми.

Каждый референсный слот отображается на роль в финальном кадре — порядок и вес определяют, что модель будет учитывать в первую очередь.

Сохранение согласованности субъекта между кадрами

Согласованность между несколькими фрагментами достигается повторным использованием одного и того же набора референсных изображений и той же разметки ролей, при изменении только той части промпта, которая описывает кадр. Как только вы меняете референсные изображения, каждый последующий промпт приходится перенастраивать; сохраняя референсы фиксированными, каждый новый кадр становится небольшим независимым экспериментом.

Стабильный блок идентичности

Напишите короткий головной блок, который дословно копируется в каждый промпт для данного субъекта, а ниже добавляйте инструкции, специфичные для кадра:

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.

Этот блок никогда не меняется. Всё после него — движение камеры, действие, длительность — является переменными. Такая структура также позволяет с первого взгляда понять, вызван ли дрейф референсными изображениями или формулировками, поскольку формулировки остаются неизменными.

Описывайте изменения, а не внешний вид

Когда кадр требует, чтобы субъект что-то сделал, описывайте действие и вызванное им изменение, а не черты субъекта:

The character turns from facing the window to facing the camera; the jacket stays the same.

Фразы вроде «stays the same» или «unchanged» — дешёвые и эффективные якоря. После первого кадра избегайте повторного описания лица или контуров продукта словами; референсные изображения уже несут эту информацию, а добавленный текст лишь увеличивает шум.

Остерегайтесь сбоя усреднения

Если субъект выходит слегка заурядным — черты размыты, цвета смешаны — обычная причина в том, что слишком много перекрывающихся референсных изображений оспаривают одну роль, либо промпт подробно описывает внешний вид поверх изображения. Решение — убрать референсные изображения и удалить предложения с описанием внешнего вида, а не добавлять больше прилагательных.

Формулировки движения камеры, которым модель следует

Движение камеры — место, где промпты чаще всего терпят неудачу, и режим отказа почти всегда одинаков: в одном кадре названо несколько движений, модель выбирает одно, смешивает их или порождает медленный дрейф, который не удовлетворяет ни одному.

Одно явное движение на кадр

Пишите ровно одно поведение камеры на промпт. Сначала назовите движение, затем укажите, к чему оно применяется:

Camera: slow push in toward the character.
Camera: static, locked off. The character moves; the camera does not.
Camera: orbit clockwise around the product, roughly a quarter turn.
Camera: pan left, following the character as they walk.

Неподвижная камера заслуживает явного указания так же, как и движение. Если вы опускаете язык камеры, модель может добавить нежелательный дрейф; «static, locked off» — это ограничение, а не потраченные впустую слова.

Последствия нагромождения

«Slow push in while orbiting and slightly zooming» читается как три частично взаимно нейтрализующих ограничения. Выберите то движение, которое несёт смысл кадра. Если вам нужно второе движение, поместите его во второй фрагмент и склейте при монтаже — это экономнее, чем просить за одну генерацию сделать две вещи.

Темп сопровождает движение

Полезно добавить к скорости одно уточняющее слово — «slow», «steady», «fast» — потому что оно говорит модели, насколько далеко перемещаться за длительность кадра. Добавление более одного прилагательного скорости или настроения вокруг одного движения не добавляет информации. Держите язык движения в пределах одного предложения и ставьте его в фиксированную позицию в каждом промпте, обычно в конце, чтобы вы могли пробежаться по пачке промптов и сразу увидеть, что делает каждый кадр.

Каждый кадр получает одно чистое движение — наезд, облёт или панораму — изображённое как единый неперегруженный путь вокруг неподвижного субъекта.

Выберите длительность и档位 разрешения до написания

Длительность и разрешение — это не настройки, которые применяются к уже готовому промпту после написания; они меняют то, что промпт должен выражать. Сначала определите эти два档位, затем беритесь за перо.

Длительность меняет плотность движения

Короткий кадр вмещает только один такт: одно движение или одно действие. Длинный кадр может вместить смену состояния — поворот, раскрытие, вход. Если вы пишете промпт для длинного кадра, а рендерите его как короткий, действие сжимается до неузнаваемости. Если вы пишете промпт для короткого кадра, а рендерите как длинный, модель заполнит его дрейфом.

Практическое правило: короткий кадр — один такт, длинный кадр — одна смена состояния. Когда рецепту нужно два такта, разбейте его на две генерации, а не растягивайте один промпт.

Разрешение меняет допуск композиции

Более высокие档位 разрешения требуют чистой, простой композиции с чётким субъектом и не захламлённым фоном. Мелкие детали — украшения, мелкий текст на продукте, текстура ткани — остаются чётко читаемыми только на верхнем档位; требовать их на низком档位 — значит получить кашу. И наоборот, если ваш кадр — широкий общий план с мелким субъектом, низкий档位 полностью потеряет субъект.

Согласуйте档位 с деталями, на которые опирается кадр: для крупных планов продукта и кадров с лицом персонажа используйте высокий档位, для широких фонов окружения можно использовать более низкий. Это также место, где качество референсных изображений задаёт верхнюю границу — разрешение выхода не превысит разрешение референса.

Записывайте档位 в файл промпта

В вашем коде храните длительность и разрешение как поля рядом с текстом промпта, а не разбросанными по комментариям. В рецептах ниже тело запроса явно их несёт, что позволяет самому промпту сосредоточиться на содержании и движении.

Негативный список, который исправляет дефекты и не борется с промптом

Негативный список — это небольшая группа того, чего ни в коем случае не должно быть. Его назначение — подавлять повторяющиеся дефекты, а не перечислять всё, что вам не нравится в генерации видео.

Коротко и конкретно

Полезный диапазон — от четырёх до шести пунктов. Каждый пункт должен называть конкретный, видимый сбой, который вы действительно наблюдали в своих выходах:

Negative: extra fingers, warped face, text overlays, watermark, flickering lighting, duplicate subject.

Этот список нацелен на реальные режимы отказа — дефекты рук, дрейф идентичности, нежелательные титры и временную нестабильность — и не вводит новых понятий, которые модель должна примирять.

Почему длинные списки дают обратный эффект

Длинные негативные списки часто называют вещи, которые делят лексику с положительным промптом. Написать «no dark, moody lighting», когда положительный промпт требует ночную сцену, — значит заставить модель произвести противоречие, которое она разрешит непредсказуемым образом. Аналогично, перечисление множества объектов, которых не должно быть, вводит эти объекты в сцену. Каждый негативный термин — это понятие, которое модель должна активно обрабатывать; список из двадцати пунктов — это двадцать возможностей всё испортить.

Держите стабильным в пределах пачки задач

Как только негативный список работает для данного субъекта, заморозьте его. Изменение положительного промпта и негативного списка в одной итерации лишает вас возможности приписать исправление или регрессию. Итерируйте по одной переменной за раз, начиная с положительного промпта.

Готовые к копированию рецепты с рабочими запросами

Каждый рецепт — это промпт плюс тело запроса к gemini-omni-flash/reference-to-video. Замените пути к файлам референсов на собственные изображения. Длительность и разрешение передаются как поля в запросе; смотрите страницу модели, чтобы узнать о текущих доступных档位.

Рецепт 1: персонаж, стабильная идентичность, одно движение

Image 1: the character (face and hair).
Image 2: the jacket the character wears.

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting.
curl -X POST https://api.hiapi.ai/v1/video/generations \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-omni-flash/reference-to-video",
    "prompt": "Image 1: the character (face and hair).\nImage 2: the jacket the character wears.\n\nSubject: the character from Image 1, wearing the jacket from Image 2.\nKeep face shape, hair length, and jacket color identical to the references.\nAction: stands still, looking slightly off-camera.\nCamera: slow push in toward the character.\nNegative: extra fingers, warped face, text overlays, flickering lighting.",
    "references": ["character.png", "jacket.png"],
    "duration": "short",
    "resolution": "high"
  }'
import requests, os

prompt = """Image 1: the character (face and hair).
Image 2: the jacket the character wears.

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting."""

r = requests.post(
    "https://api.hiapi.ai/v1/video/generations",
    headers={"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"},
    json={
        "model": "gemini-omni-flash/reference-to-video",
        "prompt": prompt,
        "references": ["character.png", "jacket.png"],
        "duration": "short",
        "resolution": "high",
    },
)
print(r.json())

Рецепт 2: облёт продукта

Image 1: the product, front view. Image 2: the product, side view.
Image 3: the surface it sits on.

Subject: the product from Images 1 and 2, resting on the surface from Image 3.
Keep shape, color, and proportions identical to the references.
Action: the product is motionless.
Camera: orbit clockwise around the product, roughly a quarter turn.
Negative: duplicate product, warped edges, text overlays, flickering lighting.

Отправьте ту же структуру тела запроса, что и в рецепте 1, с тремя элементами в references и высоким档位 разрешения, поскольку кадр опирается на детали краёв.

Рецепт 3: окружение, неподвижная камера

Image 1: the room.
Image 2: the lighting and color style.

Scene: the room from Image 1, lit and graded as in Image 2.
Camera: static, locked off. Nothing in frame moves except a faint drift of dust in the light.
Negative: people, text overlays, watermark, flickering lighting.

Неподвижный фон окружения — самый дешёвый в генерации полезный фрагмент и самый простой для проверки: любой дефект формы субъекта в выходе сразу покажет, что негативный список нужно ужесточить.

Настройка рецептов

Сохраняйте эти метки разделов во всех своих промптах (Subject:, Action:, Camera:, Negative:). Для модели эти метки не магические слова, но они навязывают вам дисциплину, которую вы описываете: одна роль на каждое референсное изображение, одно движение на каждый кадр и короткий, целенаправленный негативный список.

Проверка выходов и быстрая итерация

Проверяйте каждый сгенерированный фрагмент по фиксированному порядку из двух вопросов. Первый: соответствует ли субъект референсным изображениям? Второй: соответствует ли движение тому единственному движению, которое вы запросили? Эти две проверки ловят большинство сбоев, и порядок важен, потому что проблемы идентичности обычно нужно исправить первыми, прежде чем проблемы движения станут видны.

Приписывайте сбой до того, как что-либо менять

Когда субъект дрейфует, причина почти всегда в референсных изображениях или разметке ролей — перекрывающиеся роли, лишнее изображение или предложения с описанием внешнего вида, конкурирующие с пикселями. Когда движение неверно, причина почти всегда в строке камеры промпта или в несоответствии档位 длительности числу тактов. Когда композиция мутная, но субъект и движение верны, подозреваемый —档位 разрешения.

Изменение промпта, референсных изображений и档位 в одной итерации разрушает атрибуцию и оставляет вас гадать. Меняйте по одному, перерендеривайте, сравнивайте.

Записывайте каждую итерацию

Ведите простой журнал для каждого рецепта: упорядоченный список референсных изображений, текст промпта, длительность и档位 разрешения, а также одну строку вывода. Это оставляет сбои диагностируемыми через неделю и превращает вашу библиотеку промптов в набор проверенных отправных точек, а не в кучу разовых экспериментов. Когда рецепт стабилизируется, заморозьте его и создавайте новые кадры от него, а не редактируйте его на месте.

Когда тело запроса уже параметризовано, весь цикл — рецепт промпта, запрос, рендер фрагмента, вывод, изменение одной переменной — идёт быстро. Начните с рецептов выше, замените референсные изображения на свои и позвольте циклу проверки выполнить настройку.

Похожие статьи

Все статьи →

Начните работать с постоянными артефактами ИИ

Получите API-ключ и вызывайте модели изображений, видео и аудио через один API на основе tasks.

Читать документацию API