1. Scena i bohater. Zacznij od tego, co widzimy i z jakiej odległości. „Półzbliżenie kobiety przy szybie autobusu pokrytej smugami deszczu, noc” ustala w jednym zdaniu kadr, bohaterkę, otoczenie i porę dnia. Ogólnikowy początek daje nijakie ujęcia.
2. Ruch kamery. Wskaż dokładnie jeden ruch i jego tempo. „Kamera wykonuje jeden równomierny najazd”, „jedna powolna orbita o 90 stopni”, „kamera z ręki podąża za bohaterem, opadając w rytm jazdy”. Tempo jest równie ważne jak kierunek, a bez wskazanego ruchu klip zwykle pozostaje statyczny.
3. Ruch i czasowniki akcji. Opisz kolejne zdarzenia jak wskazówki dla aktorów. „Wydycha powietrze, zaparowuje szybę, a potem wyciera w niej małe kółko”. Jeden etap akcji na klip trwający 5 sekund, trzy lub cztery na 15 do 20 sekund. To ta część zmienia ruchomą fotografię w prawdziwe ujęcie.
4. Wskazówki dźwiękowe. Model generuje dźwięk, więc nim pokieruj. Zakończ prompt konkretnymi dźwiękami, które chcesz usłyszeć: „krzyki mew w oddali”, „podeszwy trampek szorujące po betonie”, „głęboka cisza bez odgłosów silników, przerywana wiatrem”. Zwykle wystarczy od jednej do trzech wskazówek. Dodaj „bez muzyki”, jeśli chcesz tylko odgłosy otoczenia.
5. Styl i nastrój. Na końcu opisz wygląd: paletę, oświetlenie, obiektyw, korekcję barwną i styl renderowania. „Chłodne niebieskie cienie z ciepłym konturem wschodzącego słońca, filmowa kolorystyka i anamorficzny charakter” lub „płaski cel shading, widoczny kontur, ciepła bursztynowa paleta”. Styl na końcu nie przytłoczy akcji.