1. Cena e assunto. Comece com o que aparece na tela e a distância do enquadramento. "Plano médio fechado de uma mulher junto à janela de um ônibus à noite, com marcas de chuva no vidro" define enquadramento, personagem, cenário e horário em uma linha. Começos vagos geram cenas genéricas.
2. Movimento de câmera. Descreva exatamente um movimento e sua velocidade. "A câmera mantém um avanço contínuo e estável", "uma órbita lenta de 90 graus", "acompanhamento com câmera na mão, oscilando com o trajeto". A velocidade importa tanto quanto a direção, e um clipe sem movimento definido tende a ficar parado.
3. Movimento e verbos de ação. Escreva os acontecimentos em ordem, como uma direção de cena. "Ela solta o ar, embaça o vidro e depois limpa um pequeno círculo." Um momento de ação para um clipe de 5 segundos, três ou quatro para 15 a 20 segundos. É essa parte que transforma uma fotografia em movimento em uma cena.
4. Indicações de áudio. O modelo gera som, então assuma a direção. Feche o prompt com os sons que você quer, descritos de forma específica: "gaivotas cantando ao longe", "tênis raspando no concreto", "silêncio profundo, sem motores, quebrado pelo vento". De uma a três indicações costumam bastar. Acrescente "sem música" quando quiser apenas som ambiente.
5. Estilo e clima. Termine com o visual: paleta, iluminação, lente, tratamento de cor e estilo de renderização. "Sombras em azul frio com contornos aquecidos pelo nascer do sol, tratamento de cor cinematográfico anamórfico" ou "cel shading com cores chapadas, traços visíveis, paleta âmbar quente". Deixar o estilo por último evita que ele roube o espaço da ação.