Ainda sou bem novo nisso tudo, tenho uma dúvida se vocês permitirem. Gerei 3-4 vídeos até agora usando image 2 video do motionmuse/fapify e, fora 1 vídeo, os resultados não chegaram nem perto dos exemplos. Por ex., testei 2 templates diferentes de garganta profunda e todas as vezes saíram vídeos em que só a pontinha da rola entrava na boca, nada parecido com garganta profunda. Outro exemplo é um facial POV. O template tem a porra espalhada pelo rosto todo em primeira pessoa. Meu resultado foi quase uma vista lateral e um jatinho de porra.
Então minha pergunta: é melhor começar com uma imagem parecida com a do template, ou com uma imagem mais próxima do resultado que você quer em termos de posição e ângulo de câmera? Não sei se faz sentido, mas não sei o que tentar.
Edit: Com certeza é só falta de conhecimento meu. Mas por nada nesse mundo consigo acertar um prompt que faça a mão entrar numa peça de roupa, tipo dentro da calça/calcinha ou por baixo da camiseta.