Merancang Prompt Text-to-Image dan Image-to-Video untuk Efek 2D-to-3D

Menciptakan efek visual objek yang “hidup” dan melangkah keluar dari lembaran buku mewarnai adalah salah satu use case paling menarik dalam generative AI. Secara teknis, proses ini membutuhkan pendekatan dua tahap: Text-to-Image (T2I) untuk mengunci frame awal (starting state), dilanjutkan dengan Image-to-Video (I2V) untuk menggerakkan frame tersebut sekaligus mentransformasikan ilustrasi 2D menjadi objek 3D yang nyata.

Kunci utama keberhasilan efek ini bukan sekadar merangkai kata-kata indah, melainkan membangun sebuah pipeline prompt terstruktur yang konsisten, deterministik, dan dapat digunakan berulang kali untuk berbagai variasi [SUBJECT].

1. Menghubungkan Text-to-Image dan Image-to-Video sebagai Satu Pipeline

Pada workflow generative AI, model gambar dan model video memiliki fungsi yang berbeda namun harus saling mengikat:

Text Prompt
     ↓
Image Generator
     ↓
First Frame (Visual State)
     ↓
Image-to-Video Model
     ↓
Final Video (Temporal State)

First frame bukan sekadar gambar pembuka, melainkan fondasi logika bagi video generator. Segala hal yang muncul di dalam video harus berakar secara konsisten dari frame pertama tersebut.

FIRST FRAME (Starting State)
Buku mewarnai
 └── Halaman kertas
      └── Ilustrasi 2D [SUBJECT]
           └── Pensil menyentuh garis outline
                ↓
           TRANSISI I2V
                ↓
VIDEO (Temporal Transformation)
Outline mulai teraktivasi
     ↓
Ilustrasi terangkat keluar
     ↓
Volume dan kedalaman terbentuk
     ↓
Tekstur dan material menjadi nyata
     ↓
[SUBJECT] berwujud 3D penuh
     ↓
Menyentuh permukaan meja
     ↓
Keluar sepenuhnya dari buku
     ↓
Bergerak natural dan menghadap kamera

2. Template Rancangan Prompt Lengkap

Berikut adalah rancangan prompt produksi yang telah dioptimasi untuk menghasilkan efek 2D-to-3D secara mulus dan modular untuk berbagai variabel [SUBJECT].

First Frame Image Prompt

A children’s coloring book lies open on a warm wooden table, showing a large, centered black-and-white coloring-book illustration of [SUBJECT], drawn with clean, continuous outlines in a simple minimal scene related to the subject. The illustration occupies the main area of the visible page, with enough clear space around the [SUBJECT] for a three-dimensional emergence.

A realistic human hand enters naturally from the right side of the frame, holding a colored pencil. The pencil tip gently touches the outline of the [SUBJECT], creating the exact starting point for the transformation.

Close-up macro shot, stable composition, warm natural daylight, realistic paper fibers and printed ink texture, subtle wooden table grain, cinematic shallow depth of field, realistic shadows, photorealistic style, highly detailed, 4K.

Image-to-Video Prompt

Start from the exact composition and visual state of the input image. Keep the camera position, framing, lighting, book position, hand position, pencil position, and environment visually consistent with the first frame.

The colored pencil gently touches the [SUBJECT] outline. The printed black ink line begins to subtly move and ripple as if coming to life.

The [SUBJECT] slowly pushes outward from the flat illustration. Its illustrated form gradually gains volume and depth, transforming seamlessly from flat printed ink into a realistic three-dimensional version of the [SUBJECT]. The transformation happens continuously at the boundary between the flat drawing and the emerging 3D form.

As the [SUBJECT] emerges, its surface gradually develops realistic physical materials, detailed textures, natural lighting, dimensional shading, and convincing depth. Its appropriate body parts naturally make physical contact with the wooden table, creating realistic weight, contact shadows, and subtle physical interaction.

The original flat coloring-book illustration remains clearly visible on the page behind the emerging [SUBJECT], preserving the visual contrast between the remaining 2D drawing and the fully realized 3D form.

The [SUBJECT] continues emerging until it completely steps or moves out of the book and stands naturally on the wooden table. It then makes a subtle, believable movement appropriate to its nature before slowly turning toward the camera and settling into a natural final pose.

Smooth continuous motion, realistic physics, natural weight and momentum, seamless 2D-to-3D transformation, consistent subject identity throughout the transformation, no cuts, no jump cuts, no sudden camera changes, no morphing into a different subject, no deformation, photorealistic materials and textures, cinematic shallow depth of field, warm natural daylight, realistic shadows, 4K.

3. Struktur Linear: Menghindari Redundansi dan Efek Looping

Model video membaca urutan instruksi sebagai alur waktu (temporal weight). Jika sebuah instruksi ditulis berulang di beberapa bagian prompt, model cenderung meningkatkan bobot perhatian (attention weight) pada bagian tersebut dan berpotensi memicu anomali visual.

Alur Instruksi Berulang (Hindari):
A → B → C → A → B → C (Berisiko looping atau gerak mundur)

Alur Instruksi Linear (Gunakan):
A → B → C → D → E (Progresi waktu yang stabil)

Jika prompt I2V tidak disusun secara linear, risiko yang sering muncul meliputi:

• Transformasi berlangsung terlalu lambat atau tersendat.
• Subjek kembali menyusut ke bentuk 2D.
• Gerakan mengalami looping.
• Video gagal mencapai pose akhir (final pose).

4. Merancang Timeline Temporal Bertahap (Phased Timeline)

Prompt video yang efektif harus berfungsi sebagai naskah linimasa visual. Susunan prompt idealnya dibagi ke dalam fase-fase terstruktur:

• Phase 1 — Starting State: Ujung pensil warna telah menempel pada garis outline [SUBJECT].
• Phase 2 — Activation: Garis ilustrasi 2D mulai bercahaya atau bergerak halus.
• Phase 3 — Emergence: Karakter/objek mulai terangkat keluar dari permukaan kertas.
• Phase 4 — Materialization: Tinta 2D bertransformasi memiliki volume, kedalaman, tekstur material nyata, dan pencahayaan realistis.
• Phase 5 — Physical Contact: Bagian tubuh subjek yang relevan menyentuh permukaan meja kayu dan menghasilkan contact shadow.
• Phase 6 — Exit: Subjek sepenuhnya melepaskan diri dari halaman buku.
• Phase 7 — Movement: Subjek melakukan pergerakan artikulasi yang natural.
• Phase 8 — Final Pose: Subjek mengarahkan pandangannya ke kamera.

5. Mengunci Exact Starting State dan Kontinuitas Kamera

Untuk memastikan model video tidak mengubah adegan secara acak pada detik ke-0, berikan instruksi pembuka yang tegas:

“Start from the exact composition and visual state of the input image.”

Instruksi ini memaksa model mempertahankan komposisi awal tanpa melakukan interpretasi ulang posisi tangan, pensil, buku, ataupun sudut kamera.

Tanpa Penguncian:
Image (Camera State A) → Video (Camera State B) [Terjadi visual cut/lompatan]

Dengan Penguncian:
Image (Camera State A) → Video (Camera State A) [Transisi mulus]

Tambahkan pula penguncian kamera (camera continuity):

“Keep the camera position, framing, lighting, book position, hand position, pencil position, and environment visually consistent with the first frame.”

Dengan menahan pergerakan kamera tetap stabil (macro close-up), perhatian penonton akan sepenuhnya terfokus pada keajaiban transformasi objek.

6. Menghindari Efek Instant Morph dan Mempertahankan Jejak 2D

Perubahan dari lembaran datar menjadi objek tiga dimensi harus dirancang bertahap agar tidak terlihat seperti perubahan gambar kilat (instant morph):

$$\text{Flat Ink} \longrightarrow \text{Movement} \longrightarrow \text{Depth} \longrightarrow \text{Volume} \longrightarrow \text{Material/Texture} \longrightarrow \text{Physical Object}$$

Pertahankan pula instruksi berikut:

“while the original flat coloring-book illustration remains visible behind it.”

        [3D SUBJECT]
             /\
            /  \
-----------/----\-----------
   2D illustration remains
============================
        BOOK PAGE

Menjaga ilustrasi dasar tetap tampak di atas kertas saat versi 3D-nya keluar memperkuat narasi visual bahwa objek tersebut benar-benar “bangkit” dari halaman gambar.

7. Realisme Fisik: Volume, Kontak, dan Bayangan

Begitu subjek keluar dari kertas, model harus menyematkan atribut fisik nyata agar objek tidak terlihat melayang (floating artifact):

• Volume: Subjek memiliki dimensi ruang dan ketebalan material yang solid.
• Contact: Bagian subjek benar-benar menyentuh permukaan meja kayu.
• Shadow: Menghasilkan contact shadow dan ambient occlusion sesuai arah datangnya cahaya.

Gunakan kalimat generalisasi agar kompatibel dengan berbagai bentuk anatomi:

“its appropriate body parts naturally make physical contact with the wooden table, casting realistic contact shadows.”

Rumusan ini fleksibel:

• Untuk kelinci $\to$ kaki menjejak meja.
• Untuk mobil $\to$ roda menyentuh meja.
• Untuk ular $\to$ badan melata di atas meja.

8. Membangun Shared Visual Anchors

Agar model T2I dan I2V sinkron, kedua prompt wajib berbagi anchor visual yang sama persis:

9. Rekomendasi Pipeline dan Kombinasi Model

Penggunaan model tidak harus terpaku pada satu vendor. Anda dapat memisahkan antara model pembuat aset gambar terbaik dengan model motion video terbaik.

1. Nano Banana Pro $\to$ Veo 3.1 (Prioritas: Iterasi Cepat dan Kontrol) Kombinasi ini sangat efektif untuk pengujian variabel [SUBJECT]. Nano Banana Pro memudahkan penyesuaian detail frame awal (seperti membesarkan subjek atau mengubah posisi pensil secara presisi) sebelum dialirkan ke Veo 3.1 untuk rendering temporal.

2. GPT Image 2 $\to$ Veo 3.1 (Prioritas: Fidelitas Visual & Transisi Halus) GPT Image 2 menghasilkan line art buku mewarnai dan tekstur tangan yang sangat bersih, sementara Veo 3.1 menangani transisi dari tinta ke material fisik dengan koherensi tinggi.

3. GPT Image 2 $\to$ Runway Gen-4.5 (Prioritas: Karakter Sinematik) Pilihan ideal jika Anda menginginkan artikulasi gerak objek yang lebih dinamis dan kontrol kurva pergerakan ala produksi video profesional.

Catatan Mengenai Midjourney: Midjourney unggul dalam estetika, namun workflow ini lebih memprioritaskan strict prompt adherence dan komposisi teknis yang mudah dikontrol sebagai input frame awal.

10. Metodologi Uji Coba Lintas Model

Untuk menguji keandalan prompt I2V secara objektif, gunakan satu first frame identik ke beberapa video generator sekaligus:

                 FIRST FRAME IDENTIK
                          │
          ┌───────────────┼───────────────┐
          ↓               ↓               ↓
       Veo 3.1        Runway 4.5        Kling
          ↓               ↓               ↓
       Hasil A         Hasil B         Hasil C

Dengan mengunci gambar input yang sama, Anda dapat menilai secara murni bagaimana masing-masing mesin video mengeksekusi instruksi temporal, pembentukan volume 3D, dan interaksi fisik objek terhadap meja.

Kesimpulan

Pipeline 2D-to-3D yang tangguh bertumpu pada empat pilar: frame pertama sebagai acuan state absolut, pembagian urutan waktu yang linear tanpa repetisi, konsistensi elemen visual antar-model, serta deskripsi interaksi fisik yang universal. Dengan struktur ini, variabel [SUBJECT] dapat diganti secara leluasa untuk menghasilkan serangkaian video transformasi yang konsisten dan memukau.