Prompt по свету для Gemini Omni 1.1 Flash: называйте источник, а не число

Мы вписали одну инструкцию по свету в prompt для Gemini Omni 1.1 Flash, а потом промерили то, что вернулось, вместо того чтобы щуриться на результат. Половина пришла в целости. Другая половина — та, которую большинство считает лёгкой частью, — нет.

Prompt называл окно на запад как рисующий свет, вольфрамовую настольную лампу как более тёплый второй источник на стоп ниже, пыль, кружащую в луче, и киноплёнку с мягким спадом в светах. Восемь секунд в 720p, $0.72.

Оба прибора пришли. Лампа читается теплее дневного света в каждом кадре, где видны оба — красное к синему 3.02 против 1.49 на второй с половиной секунде, — а пыль кружит в луче во всех четырёх кадрах, которые мы отобрали. Не пришла величина, к ним прикреплённая. Мы просили лампу на стоп ниже окна; измеренный нами разрыв по ходу клипа гуляет от 1.47 стопа ниже него до полустопа выше. В этом и состоит аргумент поста: Omni принимает к исполнению источники света, на которые можно показать пальцем, и тихо роняет прикреплённые к ним числа.

Документация Google противоречит себе, и это полезно

Справочник по prompt для Veo, несущий словарь, общий с Omni, определяет ambiance как «То, как цвет и свет вносят вклад в сцену, например синие тона, ночь или тёплые тона». Прочитав только эту таблицу элементов, вы решите, что «warm tones» и есть то, как выглядит инструкция по свету.

Теперь прочитайте примеры prompt. Односценовый пример на странице Omni заканчивается фразой «Sunbeams illuminate dust motes in the air.» — источник, направление и видимая среда в восьми словах. Руководство Google по prompt для Veo 3.1 идёт дальше: одна офисная сцена там «lit by the harsh fluorescent overhead lights and the green glow of the monochrome monitor» с пометкой «Retro aesthetic, shot as if on 1980s color film, slightly grainy.»

Два прибора с заявленным цветом и характером плюс эпоха. Ни рисующего, ни заполняющего, ни соотношения, ни кельвинов — описана комната, в которую можно войти. Этот разрыв между таблицами и примерами — самое применимое, что есть в документации: пишите как в примерах.

Физические источники сильнее жаргона осветителей

Инстинкт любого, кто работал на площадке, — департаментские термины: рисующий слева от камеры, заполняющий на два стопа ниже, контровой сзади. Вот этот инстинкт, выписанный целиком, рядом с переписанной версией, которую мы действительно отрендерили. Сгенерирована была только вторая; первая показывает форму, а не измеренный результат.

Cinematic shot of a wooden chair in an empty apartment. Beautiful dramatic
lighting with a strong key light from camera left and soft fill from the
right, plus a rim light separating the subject from the background. Moody
atmosphere, golden hour vibes, professional color grading, high dynamic
range, rich shadows, warm cinematic tones, film look, shot on a cinema
camera, high contrast, 8k, masterpiece quality. Beautiful and atmospheric
throughout.

Ничто здесь не говорит модели, где что находится. Она не симулирует приборы — она предсказывает, как выглядит кадр, описанный такими словами, а «key, fill, rim» подходит почти к любому профессионально снятому кадру за всю историю, поэтому фраза не говорит ничего про этот.

Версия, которую мы запустили, восемь секунд в 720p:

Late golden hour inside a nearly empty apartment. 35mm lens at f/2.8,
camera on a slow arcing dolly drifting left around a wooden chair. Low sun
through a west-facing window throws a long parallelogram of warm orange
light across a bare floor, dust suspended and turning through the beam. A
practical table lamp with a tungsten bulb glows in the shadowed half of the
room, a full stop under the window and noticeably warmer. As the camera
arcs, the window light rakes across the chair's back and the cool shadow
side of the room enters frame, so warm and cool sit inside the same shot.
Kodak Vision3 250D character: soft highlight roll-off, gentle halation
around the window. Ambient: distant traffic, no music.

Каждая фраза про свет называет что-то в комнате: окно со стороной света, форму, которую его свет кладёт на пол, частицы в луче, лампу с типом колбы. Модель видела миллионы кадров с низким солнцем через окно и очень мало подписанных как «rim light at 45 degrees».

Что показали измерения

Мы вытащили четыре кадра — 0.5, 2.5, 5.0 и 7.5 секунды, то есть при 24 fps кадры 12, 60, 120 и 180, — и брали в каждом по одному прямоугольнику на поверхность. Теплота — это отношение красного к синему в среднем цвете области, по 8-битным значениям в том виде, в каком они сданы. Разница в стопах — логарифм по основанию 2 от отношения яркости по Rec.709, посчитанного на линеаризованном sRGB, с предварительно снятой передаточной функцией. Насыщение — доля пикселей области, упёршихся в потолок канала.

Камера едет по дуге, поэтому область должна следовать за названной поверхностью, а не за фиксированной точкой экрана, — так что прямоугольники стоит опубликовать. В виде (x0, y0)–(x1, y1) в кадре 1280 на 720 они такие:

Кадры достаются командой ffmpeg -i golden-hour-interior.mp4 -vf "select=eq(n\,12)" -vsync 0 -frames:v 1 frame.png. Каждое число ниже печатает один скрипт, запущенный по тому же файлу, что связан выше.

Порядок по теплоте удержался. Везде, где в кадре оба, вольфрамовая лампа читается теплее дневного света — 3.02 против 1.49, затем 2.55 против 1.72, затем 2.30 против 1.94. Мы просили «noticeably warmer» и получали это каждый раз. По ходу клипа зазор сужается, но так и не смыкается.

Тёплое и холодное действительно оказались в одном кадре — ради чего инструкция и писалась. На 7.5 секунде один кадр несёт три разделения: дальняя стена 1.52, освещённый солнцем пол 1.94, лампа 2.30. Два названных прибора дали разброс сами.

А вот мизансцену засчитать не можем. Prompt просил, чтобы холодная сторона входила в кадр по мере проезда камеры, и стена действительно заканчивает холоднее, чем начинала: 2.15 на второй с половиной секунде против 1.52 на семи с половиной. Но приходит она туда не чисто — посередине читается 1.96, — и это не одна и та же стена: дуга смещает кадр, поэтому ранние пробы сидят внутри засветки от лампы, а поздние — вне её. Расстояние до тёплого прибора объясняет это качание не хуже, чем послушание, а четыре кадра их не разделят.

Величина не сработала и вдобавок поплыла. Мы просили лампу «a full stop under the window». Если мерить освещённый дневным светом пол против собственной тени лампы, разрыв идёт так: 1.47 стопа на второй с половиной секунде, 0.64 на пятой и −0.47 на семи с половиной — к концу лампа читается ярче того солнечного света, под которым ей было велено сидеть. Никогда не тот один стоп, который мы просили, и даже не стабильный неверный ответ.

Мы ждали, что окно выбьется в белое. Оно не выбивается. В открывающем кадре стекло выглядит клипованным, но таковым не является: красный доходит до 255 на 0.81 процента его пикселей, зелёный — на 0.03, а синий не доходит туда никогда: по всему кадру синий поднимается максимум до 249. Значения вместо этого толпятся в верхних нескольких кодах — красный у стекла даёт 249 по медиане и 254 на 99-м процентиле, — а стекло сохраняет слабый тёплый оттенок при отношении красного к синему 1.11 вместо ухода в белое. Мягкое плечо выглядит именно так. Чего мы сказать не можем — что это наша заслуга: сцена, которая ни разу не доходит до потолка, снаружи выглядит точно так же, а версии этого плана, отрендеренной без пункта про плёнку, у нас нет.

Отсортируйте это по типу инструкции — и закономерность трудно не заметить: физическое и называемое пришло, числовая величина — нет, а язык цветокора мы без контрольного рендера не можем засчитать ни в ту, ни в другую сторону.

Практикабли держат движущийся план

Самый полезный приём, который мы нашли, — поместить видимый прибор в кадр. Практикабль — лампа, монитор, свеча, неоновая вывеска — даёт модели нечто зафиксированное, в чём быть последовательной, а последовательность деградирует первой. Камера едет по дуге влево, как и просили; лампа вне кадра на половине секунды, у правого края на двух с половиной и полностью видна всю вторую половину. В обоих кадрах, где она стоит вне края, она держит свой угол, своё место относительно плинтуса и пятно, которое бросает на стену. Именно нахождение в кадре держит её стабильной.

Свет, описанный только как качество — «moody», «dramatic», «low-key», — не даёт модели ничего, что надо удерживать, поэтому он дрейфует, и быстрее всего при движении камеры. Если в вашем плане есть хоть какое-то движение, поставьте в него источник света.

Время суток сильнее любого прилагательного

«Golden hour» делает больше работы, чем «cinematic», «moody» и «dramatic» вместе взятые, потому что фиксирует три переменные разом: высоту солнца, его цвет и длину с мягкостью каждой тени. Никто не говорит модели, что тени длинные, — они следуют сами. Остальное время суток стоит выбирать так же осознанно:

• Blue hour — никаких жёстких теней, холодный оттенок, и практикабли доминируют, потому что перебивают небо.
• Полдень над головой — короткие жёсткие тени строго вниз, высокий контраст, невыгодно для лиц и полезно именно этим.
• Ночь — рисующего нет, пока вы его не дадите. Называйте приборы, потому что одно «night» позволяет модели изобрести источник лунного света, который она не удержит.

Направление тоже задавайте физически: «backlit by a streetlamp behind her» даёт контровой и длинную тень в сторону камеры, тогда как одно «backlight» даёт всё, что модели вздумается.

Язык киноплёнки и LUT: часть его доходит

Честный ответ здесь — частичный. Язык эпохи и плёнки — задокументированная практика, а не фольклор: Google вписывает «shot as if on 1980s color film, slightly grainy» в собственный пример и перечисляет ключевые слова киностиля вроде film noir как элемент style, о чём говорит наше более раннее руководство по prompt.

То, что подтверждает наш клип, уже. Мы просили «Kodak Vision3 250D character: soft highlight roll-off, gentle halation around the window». Нечто похожее на бликование появилось — свечение вокруг окна, артефакт-блик внизу открывающего кадра, — хотя называть это halation наша интерпретация, а не измерение. А вот спад, запрошенный в том же дыхании, в числах есть: света уплотняются к потолку, не пробивая его. Но один рендер не скажет нам, чья это работа — названия плёнки, простого описания или ничья: неклипованное окно — это ещё и просто то, как выглядит эта сцена. Контролируемую версию этого теста мы не проводили.

Наше рабочее правило:

• Видимые свойства доходят. Зерно, бликование, задавленный или поднятый чёрный, низкий и высокий контраст, монохром, тяжёлое виньетирование — каждое называет то, на что можно показать пальцем в стоп-кадре.
• Цветовые отношения по большей части доходят. «Teal shadows and orange skin» описывает две измеримые вещи; одно «teal and orange» — это мода в цветокоррекции, и с ним обходятся как с модой.
• Названные без описания образы ненадёжны. «Cinematic», «film look» и «professional color grading» ничего не сужают. «Bleach bypass» сидит посередине: он называет реальный процесс, поэтому пишите в prompt, что он делает — очень высокий контраст, обесцвеченный цвет, сохранённое серебро в чёрном.
• «Low contrast log» мы бы избегали: это кривая захвата, рассчитанная на последующую цветокоррекцию, а шага пост-обработки внутри модели нет. Вы получите плоскую молочную картинку и никакого пути назад.

Атмосфера — бесплатная деталь, пока не станет шумом

Взвешенные частицы — самый дешёвый реализм в словаре света, потому что они делают видимым сам свет. Мы просили «dust suspended and turning through the beam», и пылинки есть во всех четырёх отобранных кадрах — тот самый эффект, к которому тянется Google фразой «Sunbeams illuminate dust motes in the air.» Дымка, туман, дым и пар работают так же, превращая источник в объём с формой и спадом.

Режим отказа — нагромождение. Туман плюс лучи плюс блик в объективе плюс боке плюс пыль дают кадр, в котором атмосфера съела объект, и у модели нет способа понять, какое из пяти было важным. Один атмосферный элемент на план, обслуживающий названный вами источник. Просите lens flare только тогда, когда хотите, чтобы зритель заметил камеру: он и так приходит незваным, стоит объективу смотреть на низкое солнце, как и случилось у нас.

Честное ограничение: убавить ничего нельзя

Язык prompt — почти единственный рычаг, и справочник Google по Omni прямолинеен: «System instructions, temperature, top_p, stop sequences, and negative prompts are not supported». Ни шкалы guidance, ни значения силы у стиля. Если цветокор вернулся на десять процентов теплее нужного, никаких десяти процентов вычесть нельзя — вы переписываете предложение, а вместе с ним меняется и весь остальной кадр.

Второе — повторяемость. Один и тот же prompt по свету не возвращает один и тот же свет дважды; детерминизм приходит только от seed. Записывайте его к любому облику, который стоит сохранить, и ждите, что одно изменённое слово вернёт вас на неизведанную территорию.

Третье — пост. Prompt для редактирования существуют — Google предлагает «Change the lighting to be more dramatic», — но это перегенерирует план, а не корректирует цвет, и model card предупреждает, что «Сохранение полной консистентности на протяжении правок» всё ещё сложная задача. Цветокорьте сданный файл в своём монтажном пакете. Каждый кадр несёт водяной знак SynthID, который никто не выключит.

Сколько стоит итерировать по свету

Свет — та часть prompt, которую переписывают чаще всего, потому что подкрутить нечего. Поэтому важна цена ошибки, а провайдеры расходятся сильнее всего в 4K, где Gemini Omni 1.1 Flash стоит $0.18 за секунду на E2X против $0.3041 при прямом вызове Google — примерно на сорок один процент меньше, наш крупнейший разрыв на любом уровне. Выше нас WaveSpeed по $0.39 за секунду, Runware по $0.32 и fal по $0.30. Replicate остаётся вне сравнения: его листинг не привязывает к модели никакой посекундной цифры. Восьмисекундная сдача в 4K — $1.44 здесь и $2.43 у Google; десять секунд — $1.80 против $3.04.

Разрыв на самом деле — разница множителей относительно собственной ставки 720p у каждой лестницы. Обе начинают на треть ниже неё и обе прибавляют половину в 1080p; расхождение наступает на верхней ступени, где множитель Google равен трём, а наш — двум. Полное сравнение провайдеров вынесено отдельно.

Из этого следует рабочий процесс. Ищите в 360p, где четырёхсекундный дубль стоит двенадцать центов, а судить по нему можно и о положении источника, и о направлении теней, и о разделении тёплого с холодным, и о том, осталась ли лампа на месте. Потом коммитьтесь один раз: десять проходов в 360p плюс один восьмисекундный мастер в 4K — $2.63 против $8.64 за те же одиннадцать заданий в 4K. Чего 360p не покажет — это тонкую фактуру: зерно, бликование, спад, — так что плёночную половину prompt тестируйте в 720p, как сделали мы.

Цены сняты 29 августа 2026 года и могут меняться; перед решением о покупке проверяйте актуальные цены у каждого провайдера. Это ограниченное сравнение, а не заявка на самую дешёвую цену в любой конфигурации.

Частые вопросы

Как описывать свет в prompt для Gemini Omni 1.1 Flash?

Называйте физические источники, а не осветительские роли. «Low sun through a west-facing window» лучше, чем «key light from camera left with soft fill». Собственные примеры Google делают то же самое: одна сцена освещена «harsh fluorescent overhead lights and the green glow of the monochrome monitor» — два прибора с цветом и характером, без департаментских терминов.

Меняет ли результат название киноплёнки вроде Kodak Portra?

Отчасти, и мы не можем сказать, сколько приходится на само название. Мы соединили «Kodak Vision3 250D character» с явными описаниями halation и спада; нечто похожее на бликование появилось, и света действительно удержались под потолком, а не клипанули. Ни один из этих результатов нельзя записать на счёт названия плёнки без рендера, где его нет, — а такого мы не делали. Язык плёнки и эпохи — задокументированная практика: руководство Google по Veo 3.1 вписывает в пример «shot as if on 1980s color film, slightly grainy», — но называйте и плёнку, и нужные вам свойства.

Можно ли задать цветовую температуру в кельвинах для Gemini Omni?

Не как параметр, а числа кельвинов в тексте prompt ненадёжны. Работает название колбы или условий дневного света: tungsten, sodium vapour, fluorescent, candlelight, низкое солнце. В наших измерениях вольфрамовая лампа читалась теплее солнечного света через окно в каждом кадре, где были оба, — относительный цвет между названными приборами действительно управляем, даже если абсолютное число нет.

Почему теневая сторона плана выходит тёплой, хотя я просил холодную?

Обычно потому, что в неё действительно попадает что-то тёплое. В нашем клипе показания стены шли от красного к синему 2.15 вниз до 1.52, но камера ехала по дуге, так что это разные поверхности, а не одна остывающая стена, — и тёплые принадлежали стене, попадавшей в засветку вольфрамовой лампы. Урок в любом случае держится: поверхность читается как то, что до неё доходит. Дайте холодной половине собственный источник — окно на синее вечернее небо или монитор, — а не описывайте её как отсутствие тепла.

Остаются ли практикабли консистентными при движении камеры?

В нашем клипе — да. Настольная лампа вошла в кадр по ходу дугового движения и удержала свой угол, своё место относительно плинтуса и пятно, которое бросала на стену, в обоих кадрах, где она стояла вне края. Видимый прибор даёт модели нечто конкретное, что надо удерживать; у настроения якоря нет, и оно дрейфует быстрее всего при движении камеры.

Даст ли один и тот же prompt по свету один и тот же свет дважды?

Нет. Повторяемость идёт только от seed, поскольку параметры сэмплинга не выставлены. Записывайте seed рядом с любым prompt, давшим облик, который стоит сохранить, и ждите, что одно изменённое слово сдвинет результат даже при удержанном seed.

Сколько стоит итерировать по свету в 4K?

Восьмисекундный клип в 4K — $1.44 на E2X против $2.43 напрямую у Google, а десять секунд — $1.80 против $3.04 по состоянию на 29 августа 2026 года. Ищите в 360p — двенадцать центов за четырёхсекундный дубль, — а потом коммитьтесь один раз: десять проходов в 360p плюс один мастер в 4K дают $2.63 против $8.64 за те же одиннадцать заданий в 4K.

Где это попробовать

Клип выше прошёл через text-to-video по $0.09 за секунду в 720p; image-to-video и start-end-frame-to-video стоят столько же, если вы предпочитаете отдать модели уже освещённый кадр. Впервые здесь? Начните с синтаксиса тегов и поведения по числу планов — prompt по свету пропадает зря на клипе, который модель молча порезала на три плана. А если ваш свет должен пережить десятую секунду, продления — отдельная проблема.