ویدیوی هوش مصنوعی امروز: از کلیپ آزمایشی تا کار حرفه‌ای

یک کلیپ ده‌ثانیه‌ای می‌سازید و خروجی حیرت‌آور است. کلیپ دوم را می‌سازید تا ادامه‌ی همان صحنه باشد و صورت شخصیت عوض شده و نور از سمت دیگری می‌تابد. این تجربه‌ی مشترک هر کسی است که چند ساعت جدی با ویدیوی هوش مصنوعی کار کرده: تک‌پلان درخشان، پیوستگی افتضاح.

پس بدون هیجان‌زدگی و بدون بدبینی نگاه کنیم. چند چیز در دو سال گذشته واقعاً جابه‌جا شده و چند چیز سر جایش مانده. مهم این است که بدانید امروز کدام کار را می‌شود تحویل داد و سر کدام یکی نباید قول بدهید.

چه چیزی واقعاً بهتر شده

اول طول کلیپ. نسل قبل معمولاً سه چهار ثانیه می‌داد که فقط به درد یک نمای گذرا می‌خورد. حالا ده ثانیه و گاهی بیشتر عادی است: یک پلان کامل با شروع و پایان، نه یک تکه‌ی معلق.

دوم، ثبات بین فریم‌ها. آن حالت «ذوب شدن» که جسم وسط کلیپ شکل عوض می‌کرد کم شده؛ یک فنجان تا آخر پلان فنجان می‌ماند. سوم، حرکت دوربین: اگر بنویسید دوربین آرام به جلو می‌رود یا دور سوژه می‌چرخد، اغلب همان را می‌گیرید — که قبلاً شانسی بود.

چهارم صداست. بعضی مدل‌ها صدای محیط هماهنگ با تصویر می‌سازند و گفتار را با حرکت لب تطبیق می‌دهند؛ برای انگلیسی گاهی قابل استفاده، برای فارسی هنوز نه. تفاوت خانواده‌های مدل را در مقایسه ابزارهای ساخت ویدیو باز کرده‌ام.

چه چیزی هنوز مسئله است

ثبات شخصیت در چند صحنه، بزرگ‌ترین مشکل باقی‌مانده است. مدل بین دو درخواست حافظه ندارد و چهره را هر بار از نو می‌سازد؛ عکس مرجع فاصله را کم می‌کند، ولی از بین نمی‌برد.

دست و انگشت در حرکت سریع هنوز خراب می‌شود، مخصوصاً وقت برداشتن و چرخاندن اشیا. متن فارسی داخل قاب عملاً غیرممکن است. و فیزیک برخورد — ریختن چای در استکان، افتادن جعبه، تماس دو جسم — اغلب اشتباه درمی‌آید: مایع از جایی می‌آید که نباید، یا جسم انگار وزن ندارد.

کار و وضعیت امروز

خلاصه‌ی تجربه‌ی عملی:

سه کاری که امروز واقعاً پول درمی‌آورد

تیزر کوتاه. یک فروشنده‌ی زعفران در مشهد که برای شب یلدا ویدیوی پانزده‌ثانیه‌ای اینستاگرام می‌خواهد، امروز نتیجه‌ی خوبی می‌گیرد: نمای بسته از پرهای زعفران، بخار چای، دستی که بسته را باز می‌کند. سه پلان چهارثانیه‌ای، چسبانده در تدوین. پرامپت پایه در ساخت ویدیو با هوش مصنوعی آمده و برای قالب عمودی ویدیوی کوتاه برای ریلز و شورتس نکته‌های جداگانه دارد.

بی‌راهه و پلان پرکننده. بی‌سروصداترین کاربرد و بیشترین صرفه. مصاحبه‌ای گرفته‌اید و وسطش نمای شهر یا دفتر خالی لازم دارید. تا دیروز فوتیج استوک می‌خریدید؛ حالا در چند دقیقه می‌سازید.

انیمیشن توضیحی. برای معرفی یک سرویس یا توضیح یک فرایند اداری، صحنه‌های ساده و نمادین کافی است و ضعف‌های مدل — چهره و دست — کمتر دیده می‌شود. متن را اول بنویسید؛ روشش در نوشتن سناریو و متن ویدیو است.

چرا ویدیوی بلند داستانی هنوز نه

سه دلیل، و هیچ‌کدام با پرامپت بهتر حل نمی‌شود. تداوم: شخصیت باید در دقیقه‌ی دوازدهم همان باشد که در دقیقه‌ی دوم بود. بازیگری: خشم و تردید و مکث را مدل قابل کارگردانی تحویل نمی‌دهد. و کنترل: وقتی کارگردان می‌گوید «نگاهش کمی دیرتر برگردد»، ابزار امروز جوابی ندارد؛ فقط می‌توانید دوباره قرعه بیندازید.

هزینه و زمان رندر

قیمت‌گذاری معمولاً بر حسب ثانیه‌ی خروجی است، پس تیزر کوتاه قابل کنترل می‌ماند. هزینه‌ی پنهانش پلان‌های دورریز است: اغلب باید چند نسخه بگیرید تا یکی قابل استفاده باشد، پس بودجه را چند برابر ببندید. رندر هم آنی نیست و معمولاً چند ده ثانیه تا چند دقیقه طول می‌کشد. عددهای مقایسه‌ای در هزینه‌ی واقعی کار با هوش مصنوعی جمع شده است.

گردش کار حرفه‌ای یعنی ترکیب

کسی که با این ابزار پول درمی‌آورد، همه‌ی ویدیو را نمی‌سازد. هر جا چهره یا محصول واقعی دیده می‌شود با دوربین گرفته می‌شود — حتی با موبایل — و ساخته‌ی مدل نقش پرکننده را بازی می‌کند. بعد در تدوین رنگ هر دو را یکی می‌کنند تا چشم جای وصله را نبیند؛ همان منطق قدیمی کروماکی. اینکه کجای تدوین وقت برمی‌گردد، در تدوین ویدیو با کمک هوش مصنوعی آمده.

این ساختار را برای یک پلان امتحان کنید. پرامپت شلوغ، نتیجه‌ی شلوغ می‌دهد:

پلان: نمای بسته از یک استکان چای روی میز چوبی کنار پنجره
حرکت دوربین: آرام و کوتاه به جلو، حدود ده سانتی‌متر
نور: نور طبیعی صبح از پنجره، سایه‌ی نرم
جزئیات: بخار ملایم بالای استکان، بدون دست و بدون آدم
سبک: فیلم‌برداری واقعی، بدون افکت و بدون کند شدن
مدت: ۵ ثانیه — نسبت: عمودی ۹:۱۶

برای امتحان چند مدل زیر یک حساب، در نارنگی کنار هم هستند. مبنای فنی این خانواده از مدل‌ها هم در مدخل مدل متن‌به‌ویدیو توضیح داده شده.

جمع‌بندی

ویدیوی هوش مصنوعی از مرحله‌ی اسباب‌بازی رد شده ولی به «دوربین را کنار بگذار» نرسیده. تیزر کوتاه، پلان پرکننده و انیمیشن توضیحی قابل تحویل‌اند. صحنه‌ی داستانی با شخصیت ثابت، گفت‌وگوی فارسی و متن داخل قاب هنوز نه.

عملی‌ترین توصیه: پروژه را طوری طراحی کنید که ضعف‌های مدل داخل قاب نیفتد. نمای بسته به‌جای نمای کامل، دست و شیء به‌جای چهره، پلان کوتاه به‌جای طولانی. همین سه انتخاب فاصله‌ی خروجی شما را با کار حرفه‌ای محسوس کم می‌کند.

برای ادامه:

• ساخت زیرنویس فارسی برای ویدیو
• ساخت موسیقی و صدای پس‌زمینه
• دیپ‌فیک چیست و چطور تشخیصش بدهیم