لا تكفي كتابة أوامر فيديو بالذكاء الاصطناعي تنتج نتائج سينمائية ومتسقة أن تصف ما تريده فقط. تفصّل هذه القائمة كل عنصر، من تكوين المشهد وحركة الكاميرا إلى إشارات الإضاءة والإيقاع، لينجح توليد فيديو المقبل من المحاولة الأولى.
حقل الأمر الفارغ أمامك في نموذج تحويل النص إلى فيديو يبدو بسيطًا بخداع. تكتب شيئًا، وتضغط على توليد، وبعد دقيقتين يصبح لديك فيديو. لكنه لا يشبه أبدًا ما تخيلته.
الفجوة بين "وصفتُه بوضوح" و"خرج صحيحًا" هي في الغالب مشكلة في الأمر النصي. ليس لأنك كتبت الكلمات الخاطئة، بل لأن نماذج تحويل النص إلى فيديو تحتاج نوعًا محددًا جدًا من المعلومات بترتيب محدد جدًا، ومعظم الناس يتجاهلون نصفها دون أن يدركوا ذلك. تغطي هذه القائمة كل عنصر ينبغي أن يكون في أمر فيديو الذكاء الاصطناعي، ومنظّمة بحيث يمكنك المرور عليها قبل كل توليد.
تصف أوامر الصور لحظة واحدة مجمّدة. يمكنك أن تكون متساهلًا مع الزمن والحركة لأن النموذج يحتاج إلى توليد إطار واحد فقط. أما أوامر الفيديو فتصف تسلسلًا. يحتاج النموذج إلى معرفة ما الذي يبدأ المشهد، وكيف يتغير خلال 5 أو 10 ثوانٍ، وماذا تفعل الكاميرا طوال الوقت. إذا أغفلت ذلك، سيملأ النموذج الفراغات كما يشاء، وغالبًا بانجراف عشوائي للكاميرا، واهتزاز في الشخص، ومنتصف لا يشبه الإطار الافتتاحي على الإطلاق.
تُدرَّب معظم نماذج فيديو الذكاء الاصطناعي على ملايين المقاطع مع أعراف السينما المهنية المدمجة فيها. تستجيب جيدًا للغة هذه الحرفة: مصطلحات الكاميرا المحددة، ومفردات الإضاءة، وأفعال الحركة. الصفات الغامضة مثل "رائع" أو "جميل" لا تمنح النموذج شيئًا ملموسًا يعمل به.
نماذج مثل Seedance 2.0 و Kling v3 Video وVeo 3.1 تستجيب جميعها بشكل أفضل بكثير للأوامر المنظمة والمحددة. لنفصّل كل قسم في واحد منها.
قبل أي تفصيل عن الكاميرا أو الحركة، يحدد الأمر الجيد لفيديو الذكاء الاصطناعي من، وماذا، وأين. هذه المرتكزات الثلاثة تمنح النموذج نقطة بداية ثابتة لكل إطار.
حدّد شخصك بتفاصيل كافية بحيث يستطيع مدير اختيار الممثلين أن يجده. بدلًا من "امرأة"، جرّب "امرأة في الثلاثينيات من عمرها ذات شعر أسود قصير ترتدي معطفًا واقيًا من المطر بلون الكريم". وبدلًا من "سيارة"، جرّب "سيارة عضلات سوداء من فترة 1960s بزخارف كروم وأنابيب عادم خلفية".
هذا المستوى من التفاصيل يخدم الاتساق الزمني. عندما يملك النموذج وصفًا دقيقًا للشخص، يحافظ عليه ثابتًا عبر كل الإطارات بدلًا من أن ينجرف.
| ضعيف | قوي |
|---|---|
| "رجل يمشي" | "رجل ملتحٍ يرتدي بدلة رمادية، في منتصف الأربعينيات (40s)، يمشي ويداه في جيبيه" |
| "مدينة" | "شارع ضيق مرصوف بالحصى في مدينة أوروبية ممطرة، واجهات محلات مبللة، المساء" |
| "مشهد طبيعي" | "مساحة مفتوحة في غابة صنوبر عند الفجر، ضباب عند مستوى الأرض، مضاء من الخلف بشمس تشرق" |
تحتاج البيئة إلى التحديد نفسه الذي يحتاجه الشخص. عبارة "في مقهى" ضعيفة. أما "داخل مقهى مستقل صغير بجدران من الطوب المكشوف، وكراسٍ خشبية غير متطابقة، وإضاءة مصابيح إديسون الدافئة، والمطر مرئي على نافذة الشارع خلفه" فتمنح النموذج مساحة حقيقية ليملأها. كلما كان وصف البيئة أغنى، بقيت الخلفية أكثر ثباتًا عبر الإطارات.
هذان المعاملان يؤديان عملًا أكثر من أي عنصر آخر تقريبًا في أمرك. فهما يحددان اتجاه الضوء، ودرجة حرارة اللون، وصلابة الظلال، وانتشار الغلاف الجوي. "ضباب الصباح الباكر"، و"شمس منتصف النهار القاسية"، و"بعد ظهر غائم"، و"غسق الساعة الزرقاء": كل واحد منها يضع عالمًا بصريًا مختلفًا تمامًا قيد الحركة. لا تترك وقت اليوم غير محدد أبدًا.
تستجيب نماذج فيديو الذكاء الاصطناعي جيدًا لمصطلحات السينما القياسية للزاوية والمسافة. استخدمها مباشرة:
الجمع بينها ("لقطة متوسطة بزاوية منخفضة") يخبر النموذج بالضبط أين يضع الكاميرا بالنسبة للشخص.
حركة الكاميرا من أقوى الأدوات تأثيرًا في كتابة أوامر الفيديو، وأكثرها إهمالًا. هذه بعض أوصاف الحركة الموثوقة التي تستجيب لها معظم النماذج جيدًا:
💡 بالنسبة لنماذج مثل Kling v2.6 وKling v3 Omni Video، تحديد حركة الكاميرا مباشرة في الأمر ينتج نتائج أكثر قصدية وتوجيهًا من ترك الحركة غير محددة.
إذا كنت تعرف البعد البؤري الذي تريده، فأدرجه. فعبارة "عدسة بورتريه 85 ملم بعمق ميدان ضحل" تنتج نتيجة مختلفة عن "زاوية عريضة 28 ملم، كل شيء في البؤرة". هذه الأرقام ليست عشوائية: إنها تحمل جماليات بصرية محددة تظهر باستمرار في بيانات التدريب. تخلق زاوية 28 ملم العريضة سياقًا بيئيًا. تضغط عدسة 85 ملم المسافة وتعزل الشخص. أما العدسة المقرّبة 200 ملم فتسطّح الطبقات وتخلق عزلًا دراميًا للشخص عن الخلفيات المزدحمة.
أكثر الأخطاء شيوعًا في وصف الحركة هو قول ما هو الشيء بدلًا من ما يفعله.
"شخص يركض" يخبر النموذج أن الشخص في حركة. لكنه لا يخبره بالنوعية أو السرعة أو الاتجاه أو التفصيل الجسدي لتلك الحركة. أما "امرأة تعدو بأقصى سرعة نحو الكاميرا، ذراعاها تتأرجحان، والحصى يتطاير خلف قدميها، وتعبيرها مركّز" فتخبر النموذج بالأمور الخمسة كلها.
استخدم أفعالًا نشطة وتفاصيل جسدية قابلة للملاحظة: يتفتت، يتمايل، يلمع، يميل، يدور، يتموج، ينتفخ. هذه تولّد حركة أكثر اتساقًا من مصطلحات عامة مثل "يتحرك" أو "متحرك".
تحتاج مقاطع الفيديو التي مدتها خمس ثوانٍ إلى قوس حركة واحد وواضح. أما مقاطع العشر ثوانٍ فتتسع لحدثين. المولّدات مثل Wan 2.7 T2V وLTX 2.3 Pro وHailuo 02 تنتج مقاطع أفضل عندما يصف الأمر حركة مستمرة واحدة بدلًا من أحداث منفصلة متعددة.
إذا كتبت "تفتح الباب، وتدخل، وتجلس، وتلتقط الهاتف"، فأنت تصف مشهدًا مدته 30 ثانية مضغوطًا في مقطع مدته 5 ثوانٍ. سيتخطى النموذج إطارات أو ينتج قفزات متقطعة. بدلًا من ذلك: "تفتح ببطء الباب الخشبي الثقيل، وتتوقف عند العتبة، وضوء ذهبي يتدفق من خلفها".
الاتساق الزمني هو ثبات العناصر البصرية عبر الإطارات: وجه الشخص، والخلفية، والإضاءة، ولوحة الألوان. وعندما ينهار، ترى وميضًا في الملامس، أو وجوهًا تتشوه، أو بيئات تتغير في منتصف المقطع.
تحسينه يتطلب منح النموذج مرتكزات ثابتة. تساعد أوصاف الشخص الطويلة والمحددة. تساعد أوصاف الإضاءة القوية للمشهد. يساعد تجنب عناصر متحركة كثيرة في الوقت نفسه. نماذج مثل Pixverse v6 وGen 4.5 تملك تحسينات ثبات مدمجة، لكن الأمر لا يزال يحدد خط الأساس.
أوصاف الضوء الطبيعي تحمل ارتباطات قوية في بيانات التدريب. "ضوء خلفي في ساعة الغروب الذهبية"، و"ضوء نهار منتشر في يوم غائم"، و"ضوء شارع في الساعة الزرقاء"، و"شمس الظهيرة فوق الرأس تلقي ظلالًا قاسية": كل واحد منها يضع السياق البصري للنموذج فورًا.
الضوء الاصطناعي يمنحك دقة أكبر. "مصباح تنجستن واحد علوي"، و"لافتة نيون منعكسة على رصيف مبلل"، و"إعداد استوديو بثلاثة مصادر ضوء مع إضاءة تعبئة ناعمة"، و"وميض فلوري في ممر": كل هذه تشفّر أجواء سينمائية محددة باتساق عالٍ.
تؤثر درجة حرارة اللون في القراءة العاطفية للمشهد بقدر أي شيء آخر في أمرك. استخدم هذه المصطلحات مباشرة:
غالبًا ما تنتج الفيديوهات المسطحة ناقصة الإضاءة عن أوامر لا تحتوي على أي وصف للإضاءة. فالنموذج يعود إلى متوسط رمادي متوسط. لتجنب ذلك:
حتى جملة واحدة من وصف الإضاءة ("ضوء نافذة دافئ من اليسار، يلقي ظلالًا ناعمة على وجه الشخص") تغيّر المخرجات البصرية لأي توليد تغييرًا كبيرًا.
أفضل معدّلات الأسلوب لفيديو الذكاء الاصطناعي مستمدة من مراجع سينمائية حقيقية. فهي تشفّر أنظمة بصرية محددة امتصها النموذج من أفلام وتصوير فوتوغرافي فعلي:
تجنب المصطلحات ذات الطابع الاصطناعي مثل "رقمي فائق الواقعية" أو "تصيير ثلاثي الأبعاد سينمائي". فهذه غالبًا ما تجذب النموذج نحو جماليات الصور المولّدة بالحاسوب حتى عندما تريد تصويرًا حيًا.
ليس لكل نماذج الفيديو حقل منفصل للأمر السلبي. عندما يوجد، استخدمه. الاستثناءات القياسية التي تحسّن معظم الفيديوهات:
قبل إرسال أي أمر، اقرأه مرة أخرى وأجب عن هذه الأسئلة الستة:
إذا أجبت "لا" عن أي منها، فاملأ هذه الفجوة قبل التوليد.
تستجيب النماذج المختلفة بشكل مختلف للأمر نفسه. تخصيص لغتك وفق خصائص النموذج يعطي نتائج أفضل من نهج واحد يناسب الجميع.
ينتج Seedance 2.0 صوتًا أصليًا إلى جانب الفيديو، مما يجعله مثاليًا للمشاهد التي يهم فيها الصوت المحيط. تتعامل جودة حركته جيدًا مع الأشخاص سريعي الحركة. بالنسبة إلى Seedance، يحسّن وصف سياق الصوت في الأمر المشهد الصوتي المولّد: "أمواج تتحطم على شاطئ صخري"، و"همهمة حركة المدينة في ساعة الذروة"، و"خطوات على مسار من الحصى".
يستجيب Kling v3 Video بشكل خاص للغة الكاميرا المحددة. فتسمية أنواع الحركة ("دفع تدريجي للداخل"، "لقطة رافعة صاعدة") تنتج نتائج أكثر تحكمًا بشكل ملحوظ من الأوصاف العامة. يجعل إخراج Kling v3 بدقة 1080p منه خيارًا قويًا عندما تكون جودة المخرجات أهم من سرعة التوليد. يقدم Kling v2.6 توازنًا جيدًا بين السرعة والتحكم للتكرار الأسرع.
يتعامل Wan 2.7 T2V مع توليد بدقة 1080p، وهو خيار قوي للمقاطع الأطول ذات الاستقرار الزمني الجيد. أما نسخته من تحويل الصورة إلى فيديو، Wan 2.7 I2V، فتأخذ صورة مرجعية كإطار بداية، مما يقلل مشكلات الاتساق بشكل كبير، لأن النموذج يملك نقطة بداية ملموسة دقيقة بكسلًا بكسل بدلًا من البناء من النص وحده.
ينتج Veo 3.1 فيديو مع صوت أصلي متزامن. بالنسبة إلى مشاهد الحوار أو المحتوى المدفوع بالموسيقى، يمنح تضمين أوصاف الصوت في أمرك توليد الصوت مادة أكبر للعمل بها: "غيتار أكوستيك مرح يُعزف بهدوء في الخلفية"، و"حوار في حمام مبلط بصدى طبيعي"، و"ريح تمر عبر أشجار الصنوبر".
عندما تكون سرعة التكرار أهم من أقصى جودة، يقدم Pixverse v6 وHailuo 02 زمن استجابة سريعًا بدقة جيدة. تعمل بشكل جيد لاختبار تنويعات الأوامر: اكتب ثلاث نسخ من المشهد نفسه بإضاءة أو أوصاف حركة مختلفة، ولّدها بسرعة، ثم خذ النسخة الأقوى إلى نموذج بجودة أعلى للمخرج النهائي.
تمنحك PicassoIA الوصول إلى كل النماذج المذكورة أعلاه من واجهة واحدة، دون الحاجة إلى مفاتيح API منفصلة أو حسابات لكل نموذج. إليك كيفية تطبيق هذه القائمة على المنصة:
الخطوة 1: اختر نموذجك
انتقل إلى مجموعة تحويل النص إلى فيديو واختر النموذج الذي يناسب مشهدك. للتكرار السريع، ابدأ مع P Video أو Ray Flash 2 720p. للمخرج بجودة نهائية، انتقل إلى Seedance 2.0 أو Kling v3 Video أو Veo 3.1.
الخطوة 2: ابنِ أمرك على أقسام
اعمل على هذه الحقول التسعة بالترتيب:
الخطوة 3: ابدأ بمدة 5 ثوانٍ، ثم مدّد
ولّد مقطعًا مدته 5 ثوانٍ أولًا. راجع الإطار الأول والاتساق عبر المقطع. إذا كان الإطار الأول خاطئًا، فأصلح وصف المشهد. وإذا انهار الاتساق في منتصف المقطع، فأضف مزيدًا من تحديد الشخص وقلّل عدد العناصر المتحركة في الوقت نفسه. لا تمدّد إلى مقطع أطول إلا بعد أن تتماسك نسخة 5 ثوانٍ.
الخطوة 4: استخدم تحويل الصورة إلى فيديو للحصول على أقصى اتساق
إذا كان لديك إطار أول محدد في ذهنك، فولّده أولًا بنموذج تحويل النص إلى صورة، ثم مرّر الصورة إلى Wan 2.7 I2V، أو Wan 2.5 I2V، أو Hailuo 2.3 للتحريك. هذا يلغي معظم مشكلات الاتساق الزمني، لأن النموذج يملك نقطة بداية حقيقية دقيقة بكسلًا بكسل بدلًا من بناء كل شيء من النص.
القائمة ليست مقصودة لتُحفظ عن ظهر قلب. إنها مقصودة لتُمرّ عليها بسرعة قبل أن تضغط على توليد، تمامًا كما يُجري الطيار فحص ما قبل الإقلاع: ليس لأنه نسي كيف تعمل الأنظمة، بل لأن الفحوص المنهجية تلتقط العنصر الذي كان سيتخطاه.
انسخ هذا الهيكل إلى ملف ملاحظات واملأه قبل كل توليد:
Subject: [who or what, described precisely]
Environment: [where, with specific detail]
Time and weather: [lighting context]
Camera angle: [low / eye / high / aerial + distance]
Camera movement: [named movement or "locked-off"]
Action: [single motion arc, active verbs]
Lighting: [source + direction + quality]
Style: [photorealistic, film stock, etc.]
Exclude: [what the model should avoid]
كل حقل مملوء يعني توليدات مهدورة أقل ونتائج أسرع. والفرق بين أمر ينتج مقطعًا مسطحًا مرتعشًا وأمر ينتج شيئًا يستحق الاحتفاظ به غالبًا ما يتوقف على ثلاث أو أربع كلمات محددة لم تكن قد أضفتها بعد.
تضع PicassoIA أكثر من 100 نموذج لتحويل النص إلى فيديو في مكان واحد دون أي إعداد مسبق. اختر نموذجًا، ومرّ على هذه القائمة، وولّد. أول أمر منظم لك بانتظارك على picassoia.com.
اختر لغتك
