PixVerse V6: как писать промпты, которые модель понимает

Что нового в V6

Главная фича V6 — нативная генерация аудио за один проход: фоновая музыка, SFX, эмбиент, даже диалоги. Аудио описывается явно в промпте («Loud engine roaring sound. Tires hitting gravel sound.») и генерируется синхронно с видео.

Вторая фича — multi-shot engine: короткометражки с нативными переходами и консистентностью персонажей. Третья — 20+ cinematic lens controls (focal length, aperture, DoF, lens distortion, chromatic aberration, vignetting) как продакшн-параметры, не как prompt hints. И четвёртая — до 15 секунд при 1080p в одной генерации против 5–10 у предыдущих версий.

• Нативное аудио (BGM, SFX, диалоги, эмбиент) за один проход
• Multi-shot engine с переходами и character consistency
• 20+ cinematic lens controls как параметры, не текст
• До 15 секунд при 1080p (5–8 сек на V5.5)
• Поддержка негативных промптов и custom seed

Структура промпта

PixVerse понимает буквально — никаких метафор и абстракций. Базовая формула: [Subject] + [Action] + [Environment] + [Camera movement] + [Audio description].

Описывай только что ВИДНО и СЛЫШНО. «Tears of the sky» — мусор; «Heavy rain falling on pavement» — рабочий промпт. Это особенно важно для V6, потому что новые lens controls работают только если модель чётко понимает физическую сцену.

Длина промпта — от 2 до 2 048 символов. Параметр `thinking_type` (enabled/disabled/auto) включает автооптимизацию промпта — на коротких промптах enabled может заметно улучшить результат.

Аудио в промпте

V6 — одна из первых публичных видеомоделей с нативным аудио. Описывай звуки явно в тексте промпта: «Loud engine roaring sound. Tires hitting gravel sound. Wind rushing past.»

Поддерживаемые категории: SFX (engine, footsteps, splashes, impacts), эмбиент (forest, urban street, ocean waves), BGM (упрощённо — «soft piano music», «driving bass beat»), диалоги в кавычках с lip-sync. Чем конкретнее звук, тем лучше — «soft synth pad» вместо «nice music».

Аудио описывается отдельным блоком в промпте, обычно после визуальной части. Это не «лишний текст», как может показаться — это рабочая фича V6, без неё в кадре будет тишина.

Style presets и lens controls

Стили задаются параметром, не в промпте: `anime`, `3d_animation`, `clay`, `comic`, `cyberpunk`. Если написать в тексте «in anime style» — будет хуже, чем выбрать preset через параметр. Каждый preset поддерживает lip-sync для диалоговых сцен.

Cinematic lens controls тоже через параметры: focal length (24mm wide, 50mm normal, 85mm portrait), aperture (f/1.4 shallow DoF, f/8 deep), lens distortion, chromatic aberration, vignetting. Это не prompt hints, а продакшн-настройки, как на реальной камере. На V5.5 этих контроллов нет, всё нужно было прописывать в тексте — на V6 это вынесено отдельно.

Типичные ошибки

1. 1. Метафоры вместо буквальных описаний

   PixVerse понимает буквально. «Tears of the sky» модель попытается интерпретировать дословно — может появиться плачущее небо или странный артефакт. «Heavy rain falling on pavement» даст ровно то, что нужно. Описывай физически: что движется, как именно, в какой среде.

2. 2. Стили в тексте промпта вместо параметра

   «In anime style» или «as a clay animation» в тексте работает заметно хуже, чем выбор соответствующего style preset через параметр (`anime`, `clay`, `3d_animation`, `comic`, `cyberpunk`). Стили вынесены в отдельное поле специально — используй его, а текст оставь для содержимого сцены.

3. 3. Отсутствие аудио-описания на V6

   V6 умеет нативно генерировать аудио, но только если ты его описал в промпте. Без аудио-блока кадр будет тихим. Минимум — упомянуть ambient («urban street ambient»). Максимум — конкретные SFX, BGM и диалоги в кавычках. Это рабочая фича модели, а не лишний текст.

4. 4. 1080p × 10 секунд на V5.5

   На V5.5 при 1080p максимум 5–8 секунд; 10 секунд возможны только в 720p. На V6 это снято — до 15 секунд при 1080p за один проход. Если генерация на V5.5 проваливается с запросом «1080p, 10s», переключайся на V6 или соглашайся на 720p.

5. 5. Забыть character descriptors в multi-shot

   В multi-shot режиме модель легко теряет персонажа между шотами, если в каждом не повторять ключевые дескрипторы. «The woman in red coat» в шоте 1, «she» в шоте 2 — drift почти гарантирован. Повторяй короткий descriptor («the woman in red coat») в каждом шоте — это удерживает identity.

Примеры до/после

красивое кинематографичное видео машины в городе ночью

A black sports car drives through a wet downtown street at night. Neon signs reflect on the asphalt. Camera tracks the car from a low angle, smooth dolly motion. Loud engine roaring sound, tires hissing on wet pavement, distant urban ambient. 50mm focal length, shallow DoF.

анимешный клип где девушка плачет от грусти, эмоциональная музыка

A young woman sits on a windowsill, soft tears running down her cheeks. Rain on the glass behind her, grey overcast light. Camera slowly pushes in from medium shot to close-up. Soft piano music, gentle rain ambient. Style preset: anime (set via parameter, not in prompt).

продуктовый ролик кроссовок на улице

Shot 1: Close-up of running shoes on wet asphalt, water splashing as the foot lifts off. Shot 2: Medium tracking shot, the runner sprints down an empty street at sunrise. Shot 3: Wide shot, the runner crosses the frame, golden light flaring through buildings. Footsteps slapping pavement, rhythmic breath, upbeat electronic music. Negative prompt: blurry, watermark.