Подготовьте исходное видео выступления, фотографии персонажей и снимок локации. Исходный ролик должен задавать композицию, позы, движения и синхронизацию губ, а референсы — внешний вид героев и атмосферу окружения.

Используйте вертикальное исходное видео, чёткие фотографии каждого персонажа и референс места съёмки. Лучше выбирать изображения с хорошо видимыми лицами и стабильным освещением, чтобы сохранить узнаваемость героев.

Проверьте, чтобы исходное видео ясно показывало положение тел, соприкосновение спин и движение рук. При повторной генерации отдельно контролируйте геометрию кистей, принадлежность рук персонажам и отсутствие лишних пальцев.

Используйте исходное выступление как основной источник артикуляции и движений. Оба персонажа должны петь одновременно, повторяя форму рта, паузы, повороты головы и выражение лица без дополнительных жестов.

Сократите влияние фотографии места: используйте её только для атмосферы, цветов, материалов и света. Композицию, масштаб героев и ракурс следует сохранять по исходному видео, не расширяя кадр ради показа интерьера.