تطوّر توليد الفيديو بالذكاء الاصطناعي كثيرًا، لكن معظم صانعي المحتوى ما زالوا يواجهون المشكلات الأربع نفسها التي تجعل لقطاتهم تبدو مصطنعة وغير مقنعة. يشرح هذا المقال كل مشكلة، ويوضح سبب حدوثها، ويبيّن لك بالتفصيل كيف تعالجها بأوامر نصية أفضل واختيارات أذكى للنماذج.
لقد ولّدتَ الفيديو وشاهدته مرة أخرى. وشيء ما يبدو... غير صحيح. الشخص يتحرك كأنه تحت الماء. الشعر يتصرف كجسم صلب. الظلال تبدو وكأنها تسقط من ثلاث شموس مختلفة في الوقت نفسه. هذه من أكثر التجارب إحباطًا في إنتاج المحتوى بالذكاء الاصطناعي، وتحدث لكل من يبدأ تقريبًا باستخدام أدوات تحويل النص إلى فيديو.
الخبر الجيد أن الأسباب التي تجعل فيديو الذكاء الاصطناعي يبدو مزيفًا محددة، ويمكن تكرارها، ويمكن إصلاحها. هناك أربعة أسباب، وحين تفهم ما الخطأ فعلًا، تتحسن جودة مخرجاتك بشكل ملحوظ. لا يتعلق الأمر بالتحول إلى نموذج أفضل ولا بإنفاق المزيد من النقاط. بل يتعلق بفهم ما تحتاجه هذه النماذج منك فعلًا.
يفترض معظم الناس أن المشكلة في النموذج. يحدّثون نماذجهم، ويجربون أداة مختلفة، فيحصلون على نتيجة شبه متطابقة. نادرًا ما تكمن المشكلة في النموذج نفسه. فالذكاء الاصطناعي الحالي لتحويل النص إلى فيديو قوي بالفعل. إذ يمكن لنماذج مثل Kling v3 Video و**Seedance 1.5 Pro** و**Wan 2.7 T2V** إنتاج لقطات يصعب تمييزها تقريبًا عن اللقطات السينمائية الحقيقية تحت الظروف المناسبة. السقف مرتفع. لكن القاع هو المكان الذي تستقر فيه معظم المخرجات.
تندرج المشكلات التي تجعل فيديو الذكاء الاصطناعي يبدو مزيفًا ضمن أربع فئات ثابتة: فيزياء الحركة، وملمس السطح، وثبات الإضاءة، والثبات الزمني. لكل واحدة سبب جذري، ولكل واحدة حل.
وادي الغرابة هو الانزعاج الإدراكي الذي يحدث حين يبدو شيء ما شبيهًا بالإنسان تقريبًا دون أن يكتمل الشبه. يجعل الفيديو هذا الأمر أسوأ من الصور الثابتة، لأن الحركة تضخّم كل عيب. وضعية يد خاطئة قليلًا تبدو مزعجة لإطار واحد، لكنها عبر 96 إطارًا من الرسوم المتحركة تصبح مزعجة للمشاهدة بشكل حاد. يعالج الدماغ الإشارة البصرية باستمرار، فيُسجَّل كل انحراف عن السلوك البشري المتوقع على أنه خطأ، حتى حين لا يستطيع المشاهد أن يحدد السبب.
لا تقرأ نماذج فيديو الذكاء الاصطناعي نيتك، بل تعالج كلماتك. الأمر النصي الغامض ينتج مخرجًا غامضًا. يملأ النموذج المعلومات الناقصة بمتوسطات إحصائية، ولهذا تحصل بالضبط على ذلك الطابع العام الفارغ المصطنع في التصيير. الدقة هي الأداة الأقوى التي تملكها، وهي لا تكلّفك شيئًا.
هذه أكثر المشكلات شيوعًا وأوضحها. قماش يطفو بدل أن يتدلى. شعر يتحرك ككتلة صلبة واحدة. شخصية تركض وقدماها لا تلامسان الأرض بالكامل. هذه ليست أعطالًا عشوائية، بل نتيجة مباشرة لطريقة عمل نماذج الفيديو القائمة على الانتشار.
تتعلم نماذج الذكاء الاصطناعي من الأنماط الموجودة في بيانات التدريب. تفهم أن "شخصًا يمشي" يعني حركة في الساقين. لكنها لا تحاكي الفيزياء من المبادئ الأولى، بل تقرّبها إحصائيًا. وعندما يفشل التقريب، تحصل على حركة تبدو وكأن من حرّكها قرأ عن المشي لكنه لم يمشِ قط.
أوضح علامة على الفيزياء المزيفة هي سلوك القماش والشعر. للقماش الحقيقي وزن، ويستجيب للزخم والجاذبية بطرق مختلفة حسب نسجه وكثافته وقصّه. معطف صوف ثقيل يتأرجح بتأخر واضح ووزن ملحوظ. وبلوزة من الحرير تستجيب لكل حركة دقيقة تقريبًا. أما نماذج الذكاء الاصطناعي، خصوصًا مع الأوامر الغامضة، فتعتمد على نوع من سلوك القماش المتوسط لا يطابق أي مادة حقيقية بشكل مقنع.
الشعر أسوأ من ذلك. إنه من أصعب الأشياء في التصيير المقنع، لأن الخصلات الفردية كتلتها شبه معدومة، لكنها مجتمعةً تُنشئ أنماط حركة معقدة تنشأ من التفاعل. اطلب "امرأة تركض" وستحصل على الأرجح على شعر يتحرك كشكل واحد ناعم، كقطعة بلاستيك مصبوبة مثبتة على فروة الرأس.
💡 لا تصف كيف يبدو المشهد. صف كيف يُحَس جسديًا. أدرج الكتلة والزخم والتأخر الذي يتبع الحركة الواقعية.
بدلًا من: "امرأة ترتدي فستانًا أحمر تمشي في حديقة"
جرّب: "امرأة ترتدي فستانًا من الحرير المنسدل تمشي ببطء في حديقة، القماش يتمايل برفق مع كل خطوة، زخم طبيعي يخلق تأخرًا خفيفًا في حافة الفستان، ويظهر وزن المادة الواقعي وهي تستقر بعد كل خطوة"
| أمر حركة ضعيف | أمر حركة قوي |
|---|---|
| "رجل يركض" | "رجل يهرول بوتيرة معتدلة، ضربة طبيعية من الكعب إلى أطراف القدم، الذراعان تتأرجحان مع دوران خفيف في الجذع، ارتداد خفيف في الكتفين مع كل وقعة قدم" |
| "شعرها يتطاير في الريح" | "الشعر يلتقط نسمة هوائية جانبية لطيفة من اليسار، الخصلات الفردية تنفصل وتتداخل، مقاومة طبيعية حين تغيّر الريح اتجاهها للحظة" |
| "العلم يرفرف" | "علم في رياح معتدلة، القماش يتموج من نقطة التثبيت نحو الخارج، شد مرئي عند العمود، تردد طبيعي للتذبذب مع مرور الهبّات" |
| "أوراق تتساقط من الأشجار" | "أوراق تنفصل عن الأغصان وتدور نازلة بحركة تقلّب غير منتظمة، كل ورقة تستجيب بشكل مختلف لتيارات الهواء الدقيقة، وتستقر على الأرض بزوايا متنوعة" |
غالبًا ما يكون الفرق في جودة المخرجات من هذا التغيير الواحد أكبر تحسن يمكن لصانع المحتوى أن يحققه. فالوصف الجسدي يكون ناقصًا في الأوامر النصية في معظم الأحيان، والنماذج مصمَّمة لاستخدامه حين يكون موجودًا.
الملمس هو المكان الذي يفضح فيه فيديو الذكاء الاصطناعي نفسه في الغالب، خاصة في اللقطات القريبة والمتوسطة. للمشكلة اسم محدد في الصناعة: تأثير تمثال الشمع. إنه ذلك المظهر الذي تبدو فيه بشرة الشخص ناعمة، ولامعة قليلًا، وذات إضاءة موحدة، كدمية عرض عالية الجودة لا كإنسان حقيقي. قد تكون هندسة الوجه ممتازة، وقد تكون النسب مثالية، لكن السطح يبدو مصنّعًا.
البشرة الحقيقية شديدة التعقيد. فيها مسام، وشعيرات دقيقة، وظلال صغيرة، وتشتت للضوء تحت السطح، وتفاوت في الزيوت والرطوبة، وعيوب بسيطة، وتغيرات في اللون تبعًا لتدفق الدم والبنية الوعائية تحتها. تضغط نماذج الذكاء الاصطناعي كل ذلك في متوسط إحصائي. والنتيجة بشرة "صحيحة" من الناحية التقنية، لكنها تبدو خاطئة بعمق بطريقة يشعر بها معظم المشاهدين دون أن يستطيعوا تسميتها.
يأتي تأثير تمثال الشمع من مصدرين يعملان معًا:
هذه المشكلة أسوأ بكثير في اللقطات المقرّبة. فاللقطات العريضة والمتوسطة تحمل قدرًا كافيًا من التعقيد المكاني لإخفاء أعطال السطح. أما حين تقترب إلى لقطة مقرّبة، فتصبح كل نقطة ضعف في تصيير الملمس واضحة فورًا وتبدو مصطنعة.
أضف لغة ملمس صريحة إلى أوامرك النصية. فهذا يُشير إلى النموذج بأن تفاصيل السطح مهمة، ويجب الحفاظ عليها بدل تنعيمها.
💡 أضف هذه العبارات إلى أوامر اللقطات المقرّبة: "مسام جلد مرئية"، "تفاوت طبيعي في البشرة"، "شعيرات وجه دقيقة"، "تأثير تشتت الضوء تحت السطح"، "عيوب جلد أصيلة"، "زيوت ورطوبة طبيعية على سطح الجلد"، "احمرار شعيري واقعي"
بالنسبة للشعر تحديدًا، صف الخصلات الفردية بدلًا من الشكل العام. فعبارة "شعر بني داكن بإضاءات طبيعية تلتقط الضوء، الخصلات الفردية مرئية، تشعث خفيف عند خط الشعر، لمعان زيتي طبيعي على قمة الرأس" ستتفوق باستمرار على "شعر بني داكن" بفارق كبير. يحتاج النموذج إلى إذن لتصيير التعقيد، بدلًا من الاكتفاء بتمثيل مبسّط.
الإضاءة هي المكان الذي يفشل فيه فيديو الذكاء الاصطناعي بطريقة لا يستطيع معظم المشاهدين تحديدها بوعي، لكنهم يشعرون بها فورًا. تسقط الظلال في الاتجاه الخطأ. يكون الوجه مضاءً بشكل متساوٍ من كل الجهات في مشهد يفترض أن يكون فيه ضوء اتجاهي قوي. ولا تتطابق الانعكاسات على الأسطح مع مصادر الضوء المرئية في الإطار. هذه التناقضات لا تصرخ بأن الصورة مزيفة، بل تهمس بذلك، باستمرار، طوال مدة المقطع. إن المعالجة اللاواعية لفيزياء الضوء من أكثر جوانب الإدراك البصري البشري تدريبًا، والذكاء الاصطناعي يكسرها بطرق دقيقة لكنها دائمة.
لا تملك نماذج الذكاء الاصطناعي محرك محاكاة للضوء يعمل في داخلها. إنها تتعلم الإضاءة كليًا من بيانات التدريب، ما يعني أنها تطوّر انحيازات قوية نحو أنماط إضاءة معينة: إضاءة البورتريه ثلاثية النقاط، والضوء الخارجي الغائم الناعم، وإعدادات الاستوديو النظيفة. وهذه الأنماط ممثّلة بكثرة في بيانات التدريب لأنها تُنتج صورًا جميلة ومعرّضة بشكل جيد.
بمجرد أن تصف سيناريو إضاءة أكثر غرابة أو تحديدًا، يميل النموذج إلى العودة إلى متوسطاته المريحة. اطلب ضوءًا جانبيًا حادًا في منتصف النهار وغالبًا ما ستحصل على ضوء ناعم ومجامل. واطلب شمعة واحدة كمصدر وحيد في المشهد، وستحصل غالبًا على إضاءة ناعمة متساوية كأن صندوق ضوء كبيرًا وُضع خارج الكادر. النموذج يعرف معنى "شمعة"، لكنه يتجه افتراضيًا إلى ما تعلّم أنه يجعل الصورة تبدو جميلة.
الحل هو وصف مصادر الضوء فعليًا لا جماليًا. لا تقل "إضاءة درامية" أو "أجواء كئيبة"، فهذه مخرجات ذاتية لا أوصاف فيزيائية. قل "مصدر ضوء تنغستن عملي واحد مباشرة من الأعلى، يلقي ظلالًا هابطة قوية، دون إضاءة محيطية من مصادر أخرى، وتعبئة ظل عميقة من الأسفل."
💡 بنية أمر الإضاءة:
[Number and type of light source] + [Position and direction] + [Color temperature in Kelvin] + [Shadow behavior] + [Secondary or fill light if any]
| المظهر المطلوب | وصف الأمر الفيزيائي |
|---|---|
| غروب دافئ | "الشمس على ارتفاع 10 درجات فوق الأفق من اليمين، ضوء برتقالي كهرماني 2700K ينساب عبر الأسطح بزاوية منخفضة، ظلال طويلة تمتد نحو اليسار، ضباب جوي خفيف" |
| داخلي عملي | "مصباح تنغستن علوي واحد، دافئ كهرماني 2400K، ظلال حادة مباشرة تحت كل الأشياء، ارتداد محيطي خفيف من الجدران المطلية بالأبيض يخفف عمق الظل قليلًا" |
| غائم مسطح | "سماء غائمة موحدة كمصدر ضوء منتشر 5500K من الأعلى، عمق ظل ضئيل، تعبئة خضراء خفيفة منعكسة من العشب أسفل الشخص" |
| ضوء جانبي درامي | "نافذة كبيرة واحدة من اليسار، ضوء نهار 5500K، ظلال أفقية قوية عبر الوجه والجسم، الجانب الأيمن في ظل شبه تام، دون ضوء تعبئة" |
الثبات الزمني هو المشكلة الأقل فهمًا لكنها غالبًا الأكثر ضررًا بالجودة المدركة. يشير إلى قدرة الفيديو على الحفاظ على تماسك بصري بين الإطارات المتتالية. وحين يفشل، ترى وميضًا: لون البشرة يتغير قليلًا بين الإطارات، وتفاصيل الشعر تتبدل مواضعها بشكل طفيف، وعناصر الخلفية تتموج على مستوى البكسل. في أحسن الأحوال يبدو الأمر كعيب ضغط، وفي أسوئها يبدو كمشهد جرى تركيبه من عناصر غير متطابقة.
تولّد نماذج الفيديو الإطارات باستقلالية إلى حد ما. فهي تحافظ على الاتساق عبر آليات تكييف متعلَّمة، لكن هذه الآليات ليست مثالية، وتتدهور تحت ظروف معينة. التفاصيل الدقيقة في المناطق البصرية عالية التردد، وتحديدًا الشعر وملمس الأقمشة والخلفيات المعقدة والوجوه في الحركة، عرضة بشكل خاص لتباينات صغيرة بين الإطارات. وعند التشغيل بمعدل 24 إطارًا في الثانية، تخلق هذه التباينات تأثير رعشة أو وميض يُسجَّل فورًا على أنه اصطناعي.
العيون مجال يكشف الوميض الزمني بشكل خاص. فنمط القزحية وموضع انعكاس الضوء وشكل الحدقة الدقيق يمكن أن تتحول قليلًا بين الإطارات بطرق تُقرأ فورًا كاصطناعية. ولهذا تبدو شخصيات الذكاء الاصطناعي غالبًا بنظرة زجاجية أو ميتة قليلًا، حتى حين تكون هندسة الوجه دقيقة من الناحية التقنية. العين من أكثر الملامح لفتًا للانتباه في أي مشهد، وعدم الثبات الزمني فيها يصعب تجاهله تقريبًا.
لا تتعامل كل النماذج مع الثبات الزمني بالقدر نفسه. فالنماذج المدربة بجولات تدريب أطول والمصممة بهياكل أكبر خصيصًا للمخرجات السينمائية تميل إلى أن تكون أفضل بكثير في الحفاظ على التماسك بين الإطارات. أما الإصدارات السريعة والخفيفة من معظم النماذج فتضحي بالثبات الزمني لتقليل زمن الحوسبة والتكلفة.
💡 من أجل الثبات الزمني، ترتبط أوقات التوليد الأطول عادةً بثبات أفضل. إذا قدّم نموذج مستوى "سريعًا" ومستوى "احترافيًا"، فالمستوى الاحترافي سيتعامل عادةً مع الوميض في تفاصيل السطح الدقيقة بشكل أفضل.
استراتيجيات الأوامر النصية التي تحسّن الثبات الزمني:
فهم المشكلات الأربع مفيد. لكن امتلاك الأدوات المناسبة للتصرف وفق هذا الفهم هو ما يغيّر مخرجاتك فعلًا. تنتج هذه النماذج نتائج بعدد أقل من العيوب الموصوفة أعلاه باستمرار، لكن مبادئ الأوامر النصية تنطبق بغض النظر عن النموذج الذي تختاره.
يُعد Seedance 1.5 Pro من ByteDance من أقوى النماذج الحالية لتوليد صور بشرية واقعية كالصور الفوتوغرافية. يتضمن توليد صوت أصيلًا، ما يلغي خطوة تحرير إضافية شائعة. ويتفوق في التعامل مع ملمس البشرة وحركة الشعر على كثير من المنافسين في فئة السرعة نفسها، ويستجيب بشكل خاص للوصف الجسدي الصريح في الأوامر النصية. فكلما كانت لغتك للإضاءة والملمس أدق، كان المخرَج أكثر التزامًا بما وصفته.
يُعد Kling v3 Video من Kwai المعيار الحالي للفيزياء الطبيعية في الحركة. فسلوك القماش وحركة الشخصيات وتفاصيل الحركة الثانوية، مثل الشعر الذي يتبع حركة الرأس بدل أن يتحرك باستقلالية عنه، من بين الأفضل المتاحة باستمرار. وإذا كانت مشكلات الحركة القائمة على الفيزياء هي أكبر إحباطاتك، فينبغي أن يكون Kling v3 خيارك الأول. ادمجه مع أوامر الحركة التفصيلية من قسم السبب 1، وستكون النتائج قوية بشكل موثوق. ويوسّع Kling v3 Omni Video هذا الأمر لتحويل النص إلى فيديو بدقة 1080p.
تقدم عدة نماذج أخرى مزايا محددة لحالات استخدام معينة:
| النموذج | الأفضل لـ | المخرج |
|---|---|---|
| Seedance 1.5 Pro | الأشخاص الواقعيون، ملمس البشرة والشعر | حتى 1080p مع الصوت |
| Kling v3 Video | فيزياء الحركة، سلوك القماش والشعر | حتى 1080p |
| Veo 3 | الثبات الزمني، الإضاءة الخارجية | حتى 1080p مع الصوت |
| LTX 2.3 Pro | التفاصيل الدقيقة، مخرجات بدقة عالية | حتى 4K |
| Wan 2.7 T2V | الجودة الشاملة، الالتزام بالأمر النصي | حتى 1080p |
| Sora 2 | نمذجة فيزياء العالم، سهولة الكتابة | حتى 1080p مع الصوت |
المشكلات الأربع التي تناولناها هنا، أي فيزياء الحركة المكسورة، وأعطال ملمس السطح، وعدم اتساق الإضاءة، والوميض الزمني، لكل منها حلول عملية يمكنك تطبيقها على توليدك التالي. والخيط المشترك بينها جميعًا هو الدقة. فالأوامر الغامضة تنتج مخرجات متوسطة تبدو كفيديو ذكاء اصطناعي متوسط. أما الأوصاف الدقيقة والمطابقة للفيزياء فتمنح النموذج المعلومات التي يحتاجها لإنتاج نتائج تصمد أمام التدقيق.
أسرع طريق للتحسن هو اختيار واحد من هذه المجالات الأربعة، وتطبيق استراتيجية الأمر النصي المقابلة على توليدك التالي، ثم مقارنة المخرج مباشرة بمحاولة سابقة بالمشهد نفسه. غالبًا ما يكون الفرق كبيرًا بما يكفي لتغيير تصورك الذهني بالكامل عن طريقة عمل هذه الأدوات.
قائمة مراجعة سريعة قبل التوليد:
جميع النماذج المذكورة في هذا المقال متاحة على Picasso IA، حيث يمكنك تشغيلها مباشرة من متصفحك دون أي إعداد محلي أو تثبيت أو متطلبات GPU. إذا كنت تكتفي بفيديو ذكاء اصطناعي يبدو مصطنعًا، فالأدوات والمعرفة اللازمة لتغيير ذلك موجودتان هنا. ولا يجب أن يبدو الفيديو التالي الذي تولّده مزيفًا.
اختر لغتك
