تحمل الصورة الفوتوغرافية الواحدة معلومات أكثر مما تراه العين. تستطيع نماذج الذكاء الاصطناعي اليوم قراءة هذه البيانات واستخلاص حركة واقعية منها، فتحوّل اللحظات الساكنة إلى مقاطع فيديو سلسة. يشرح هذا المقال التقنية، وأفضل النماذج في هذا المجال، وكيف تبدأ بتحريك صورك الآن.
كانت الصور الفوتوغرافية دائمًا أوعية للزمن. فهي تلتقط لحظة واحدة، وتضغطها على سطح، وتحتفظ بها ما دامت الوسيلة باقية. لكن الصور ليست ساكنة حقًا. فلحظة التقاطها كانت مليئة بحركة توقفت ببساطة. كانت نسمة ريح تحني تلك الشجرة. وكان شعرها في منتصف تأرجحه. وكان الماء يتساقط.
تستطيع نماذج الذكاء الاصطناعي اليوم أن تقرأ ما تحتويه الصورة، ثم تستخلص كيف كان سيبدو المشهد بعد ثانية، أو ثانيتين، أو عشر ثوانٍ. تستمر اللحظة المجمّدة في الحركة. وعندما تُنفَّذ العملية بإتقان، تصبح النتائج غير قابلة للتمييز عن اللقطات الحقيقية.
هذا هو تحويل الصورة إلى فيديو (I2V) بالذكاء الاصطناعي. إليك كيف يعمل بالضبط، ولماذا يهم، وأي الأدوات تنتج أكثر النتائج إقناعًا اليوم.
يُستخدم هذا المصطلح ليشمل كل شيء، من تأثيرات الحركة المتوازية الرخيصة إلى توليد الحركة الحقيقي. والتمييز بينهما مهم، لأن النتائج تنتمي إلى فئتين مختلفتين تمامًا.
يأخذ الذكاء الاصطناعي الحقيقي من نوع I2V صورة واحدة كمدخل بصري وحيد، ويولّد تسلسلًا من الإطارات يتابع الصورة بشكل طبيعي. لا يكرر النموذج الصورة، ولا يطبّق فلترًا جاهزًا. بل يركّب بيانات بكسلية جديدة عبر الزمن، إطارًا تلو الآخر، فيبتكر محتوى لم يُلتقط أصلًا، لكنه متّسق إحصائيًا مع ما التُقط.
هذه عملية جديدة فعلًا في الوسائط البصرية. التصوير الفوتوغرافي يلتقط لحظة، وتسجيل الفيديو يسجّل المدة. أما I2V فيخلق المدة من لحظة.
تستخدم تطبيقات الهاتف الذكي التي "تحرّك" الصور عادةً تأثير انزياح المنظور (parallax) بالاعتماد على خرائط العمق: تُقسَّم الصورة إلى طبقات حسب العمق المقدَّر، وتتحرك هذه الطبقات بشكل مستقل لمحاكاة حركة الكاميرا. تتحرك الخلفية أبطأ من المقدمة. وتنتج هذه الطريقة وهمًا مقنعًا بعمق 2.5D لمدة نحو ثلاث ثوانٍ، قبل أن تصبح الحلقة واضحة.
تقوم نماذج I2V الحديثة بشيء أعقد بطبيعته. فهي تولّد قيم بكسل جديدة بالكامل لكل إطار، مستندةً إلى فيزياء طريقة تصرّف الأجسام في المشهد على الأرجح. الشعر لا ينزاح جانبيًا فحسب، بل ينفصل إلى خصلات، لكل منها مسار مختلف قليلًا. والماء لا يميل، بل يتموج بالتردد الصحيح لعمقه الظاهر. والقماش يتجعّد وينبسط وفق فيزياء الشد التي تعلّمها النموذج من بيانات التدريب.
يظهر الفرق في الجودة فورًا. والأهم أن الفرق في القيمة الإبداعية كبير جدًا.
تجعل ثلاث آليات أساسية I2V ممكنًا. فهم هذه الآليات يجعل النتائج أكثر قابلية للتنبؤ، ويساعدك على كتابة أوامر حركة أفضل.
تُبنى معظم أنظمة I2V المتقدمة على نماذج انتشار الفيديو، وهي امتداد لبنية نماذج انتشار الصور التي تشغّل مولّدات الصور الثابتة. تسير العملية على النحو التالي: تُعامَل الصورة المصدر كالإطار 0، أي شرط المرجع. ويُهيَّأ كل إطار لاحق كضوضاء عشوائية. يُدرَّب النموذج على إزالة الضوضاء من هذا التسلسل الزمني تدريجيًا، بطريقة متّسقة بصريًا ومعقولة فيزيائيًا ومرتبطة سببيًا بالإطار الأول.
أثناء التوليد، يأخذ النموذج صورة المرجع مع الضوضاء العشوائية للإطارات من 1 إلى N، ويحسّنها عبر عشرات خطوات إزالة الضوضاء. تطرح كل خطوة سؤالًا: بالنظر إلى ما يظهره الإطار 0، وإلى التقدير الحالي المشوّش لما يأتي بعده، كيف يجب أن يبدو هذا الإطار؟ وبعد عدد كافٍ من خطوات التحسين، تكون النتيجة فيديو سلسًا ومتصلًا.
يعمل هذا بشكل جيد جدًا لأن نماذج انتشار الفيديو تُدرَّب على مليارات تسلسلات الفيديو مع إطاراتها الأولى. يكتسب النموذج كمًا هائلًا من المعلومات الإحصائية حول كيفية تطور المشاهد عبر الزمن، ويطبّق هذه المعرفة على كل صورة جديدة يتلقاها.
قبل توليد الحركة، تحسب كثير من النماذج تمثيلين داخليين للمشهد:
تُشكّل هذه التمثيلات عملية التوليد. منطقة يُقدَّر أنها على بُعد 2 متر من الكاميرا تحصل على ديناميكيات حركة مختلفة عن منطقة على بُعد 20 مترًا. يحصل الوجه في المقدمة على حركة تعابير دقيقة وتنفّس، بينما بالكاد يتحرك الجبل في الخلفية.
التأثير العملي: عندما ترفع صورة بورتريه على الشاطئ إلى نموذج I2V، يقدّر أن الرمل قريب، والماء في المسافة المتوسطة، والأفق بعيد. تتلقى كل طبقة فيزياء حركة تناسب عمقها قبل أن يبدأ التوليد. ولهذا يحمل ناتج I2V الجيد انزياحًا منظوريًا طبيعيًا دون أن يحدده أحد.
لا تُجرى أي محاكاة فيزيائية صريحة أثناء التوليد. فالنموذج لا يملك محرك فيزياء. بل يملك بيانات تدريب.
تُدرَّب النماذج على مقاطع فيديو تتضمن شعرًا في مهب الريح، وأقمشة في حركة، وأسطحًا مائية، ونارًا، ودخانًا، وآلاف العناصر الديناميكية الأخرى، مقترنةً جميعها بإطاراتها الأولى. يبني النموذج توقعات إحصائية حول ما يميل إلى الحدوث في المشاهد التي تحتوي على تلك العناصر، ويطبّق هذه التوقعات عندما يصادف إطارات أولى مشابهة.
عندما يرى النموذج صورة لامرأة في حقل، يتعرّف على الدلالات البصرية: القمح، والمرأة، والسماء المفتوحة، والقماش. ثم يسترجع أنماط الحركة التي تعلّمها لكل عنصر، ويركّبها في تسلسل متماسك للرسوم المتحركة. الحركة لا تُحسب فيزيائيًا، بل تُستحضر إحصائيًا من الذاكرة.
تنتج الفئتان الفيديو باستخدام الذكاء الاصطناعي. والمدخل هو ما يفصل بينهما.
| نوع النموذج | المدخل | المخرج | أفضل استخدام |
|---|---|---|---|
| I2V (تحويل الصورة إلى فيديو) | صورة واحدة + نص اختياري | فيديو يبدأ من تلك الصورة | تحريك صورك |
| T2V (تحويل النص إلى فيديو) | أمر نصي فقط | فيديو يُولَّد من الصفر | إنشاء مشاهد جديدة |
| I2V مع أمر نصي للحركة | صورة + وصف للحركة | تحريك موجَّه لتلك الصورة | تحكم إبداعي دقيق |
لتحريك صورك الفوتوغرافية الخاصة، يُعد I2V الفئة الصحيحة الوحيدة. فنماذج T2V غير ملزمة بأن تشبه صورة مصدرك. فهي تولّد ما يصفه الأمر النصي، لا ما تحتويه صورتك المحددة.
يعمل الأمر النصي في سير عمل I2V بوصفه تعليمات حركية، وليس وصفًا للمشهد. لا تصف ما هو موجود في الصورة أصلًا، بل تصف ما يجب أن يحدث لها: "شعر يتطاير برفق في الريح، وقماش يتموج، ودفعة بطيئة للكاميرا إلى الأمام." النموذج يرى الصورة. ما يحتاجه هو اتجاه الحركة، لا سرد للمشهد.
تحوّلت عدة نماذج إلى معايير مرجعية لجودة I2V. فيما يلي كيف تختلف عمليًا.
يُعد Wan 2.6 I2V من Wan Video أحد أقوى نماذج تحويل الصورة إلى فيديو المتاحة بأوزان مفتوحة. يتعامل مع المشاهد المعقدة التي تضم عدة أشخاص، ويحافظ على ثبات الهوية عبر الإطارات، ويُنتج حركة تحترم الإضاءة وعلاقات العمق في الصورة الأصلية.
للحصول على نتيجة أسرع دون خسارة كبيرة في الجودة، يقلّل Wan 2.6 I2V Flash زمن التوليد بشكل ملحوظ مع الحفاظ على جودة الحركة الأساسية. أما الإصدارات السابقة، Wan 2.5 I2V وWan 2.5 I2V Fast، فما زالت قوية في تحريك الصور الشخصية بدقة 720p.
يتميز Kling v2.6 Motion Control من Kwaivgi بتحديد حركة الكاميرا. يمكنك التحكم ليس فقط فيما يتحرك داخل المشهد، بل أيضًا في سلوك الكاميرا الافتراضية بشكل مستقل: دفعة بطيئة، أو قوس، أو مدار. تبدو النتائج أقرب إلى لقطات حقيقية من كاميرا موجودة فعليًا، وأقل شبهًا بـ"صورة متحركة".
يوسّع Kling v3 Motion Control هذه الإمكانية بتحديد الحركة لكل شخص أو عنصر على حدة، فتتلقى العناصر المختلفة في الإطار تعليمات حركية مستقلة.
يقدّم Hailuo 2.3 Fast من Minimax خرجًا بدقة 1080p في جزء من الوقت الذي تحتاجه معظم النماذج القياسية. بالنسبة إلى صنّاع المحتوى الذين يحتاجون إلى الكم، فهو الأداة الأساسية للإنتاج. وتكون دقة الحركة قوية بشكل خاص مع الأشخاص والوجوه.
صُمّم Video 01 Live خصيصًا لتحريك الصور الثابتة. ويركّز على واقعية البورتريه: التعابير الدقيقة للوجه، وحركة العين الطبيعية، والحركة الخفيفة للتنفس، وديناميكيات الشعر. لتحريك صور الأشخاص، يُعد من أكثر الخيارات الطبيعية المتاحة.
للحصول على تحويل مجاني من الصورة إلى فيديو للمبتدئين بدقة 720p، يقدّم Wan 2.1 I2V 720p من Wavespeed AI نتائج موثوقة دون عوائق تكلفة.
توجيه سريع: تريد حركة كاميرا سينمائية؟ استخدم Kling. تحتاج إلى إنتاج محتوى بكميات كبيرة؟ استخدم Hailuo. تريد الحركة المحيطية الأكثر طبيعية؟ استخدم Wan 2.6. تريد واقعية البورتريه؟ استخدم Video 01 Live.
شهد تحسّن I2V منذ 2023 قفزة حادة. يعرض الجدول أدناه التطورات التقنية المحددة التي دفعت هذا التحسّن.
| ما الذي تحسّن | الأثر على الناتج |
|---|---|
| مجموعات بيانات تدريب أكبر | دوافع حركة أكثر واقعية وتنوعًا |
| بنى تعي الأبعاد الثلاثية (3D) | تدور الأجسام بشكل صحيح بدلًا من مجرد الانزياح |
| آليات الانتباه الزمني | الحفاظ على الاتساق عبر تسلسلات أطول |
| تدريب بدقة أعلى | حفظ التفاصيل الدقيقة في الشعر والقماش والبشرة |
| إشارات التحكم في الحركة | تحكم المستخدم في السرعة والاتجاه |
مثّل Kling v2.1 الجيل الذي جعل تحويل الصورة إلى فيديو موثوقًا للمشاهد المعقدة. أما النماذج الحالية مثل Kling v3 Omni Video وWan 2.6 I2V، فتضع الرسوم المتحركة الواقعية في متناول أي شخص يملك مكتبة صور ومتصفحًا.
لا تتحرك كل الصور بالكفاءة نفسها. للتكوين تأثير كبير في جودة الخرج.
فصل الشخص عن الخلفية مهم. الصور التي يكون فيها الشخص أو الجسم الرئيسي منفصلًا بوضوح عن الخلفية (من خلال عمق الميدان الضحل، أو تباين الإضاءة، أو الفصل المكاني) تمنح النموذج حدودًا أنظف للحركة. يحتاج النموذج إلى استنتاج أين ينتهي الشخص وأين تبدأ الخلفية. والضبابية تساعد.
سياقات الحركة الطبيعية تنتج أفضل النتائج. الشعر والأقمشة والماء واللهب والدخان والنباتات عناصر رأى النموذج حركتها مليارات المرات. وهي تتحرك بفيزياء متوقعة ومقنعة. أما العمارة ذات الحواف الحادة والأشياء الثابتة المصنوعة فتميل إلى إنتاج رسوم متحركة أقل إقناعًا، ما لم يركّز الأمر النصي للحركة على حركة الكاميرا بدلًا من حركة الموضوع.
الإضاءة الناعمة والمتساوية تنتج خرجًا أكثر سلاسة. الظلال الحادة الجانبية أو الصور عالية التباين قد تسبب وميضًا وتشوهات بصرية، لأن النموذج يواجه صعوبة في الحفاظ على اتساق الظلال عبر الإطارات. الضوء الغائم، أو الساعة الذهبية، أو إضاءة الاستوديو المنتشرة تنتج أكثر الرسوم المتحركة سلاسة.
دقة الإدخال الأعلى تمنح النموذج معلومات أكثر. الصورة المصدر بعرض 1024 بكسل تتفوق على صورة JPEG مضغوطة بعرض 640 بكسل. يعيد النموذج بناء التفاصيل أثناء التوليد، لكنه لا يستطيع العمل إلا بما توفره المادة المصدر.
تجاوز I2V منذ زمن مرحلة الجدّة. هذه هي التطبيقات العملية التي تُستخدم فعليًا في الإنتاج.
عادةً ما تحقق الصور الثابتة في الخلاصات معدلات تفاعل أقل من الفيديو. يقدّم I2V مسارًا وسطًا: التقط صورة فوتوغرافية (أسرع وأرخص وأسهل من إنتاج الفيديو)، ثم حرّكها في مقطع مدته 5 ثوانٍ. تحمل النتيجة الجودة البصرية للتصوير الفوتوغرافي، مع أداء الفيديو في الخلاصات.
تطبّق علامات الأزياء، وحسابات السفر، ومصورو الطعام، ووكالات العقارات هذا السير عمل بالفعل. وتنتج جلسة تصوير بورتريه واحدة أصولًا ثابتة ومحتوى فيديو معًا من الملفات الخام نفسها.
يستخدم المصورون والفنانون البصريون I2V لإنشاء معارض حركية من أعمالهم الثابتة. تتحول سلسلة من المناظر الطبيعية إلى بكرة سينمائية. وجلسة تصوير لبورتريه تولّد محتوى فيديو دون حجز جلسة فيديو منفصلة.
بالنسبة إلى حركة الجسم وتحريك الشخصيات، يتيح Dreamactor M2.0 من ByteDance تركيب حركة الجسم بالكامل بالاعتماد على فيديو مرجعي، ما يجعل الرسوم المتحركة المعقدة متاحة دون خبرة في الرسوم المتحركة. أما Kling Avatar v2 فيتعامل مع التحريك القائم على الوجه، وهو مفيد لمحتوى الحديث أمام الكاميرا والمقدِّمين.
يمكن رقمنة الصور المطبوعة القديمة وتحريكها، فتضيف بُعدًا زمنيًا إلى أرشيفات العائلة. صُممت نماذج مثل I2VGen XL من Ali-Vilab للتعامل مع مجموعة واسعة من أنواع الصور، بما في ذلك المدخلات التاريخية أو منخفضة الدقة أو ذات الإضاءة غير المعتادة.
بالنسبة إلى التحريك المعتمد على الصوت، يولّد Audio to Video من Lightricks حركة متزامنة مع مقطع صوتي معطى. ارفع صورة عائلية ومقطعًا موسيقيًا، وسيُنشئ النموذج رسومًا متحركة تتبع فيها الحركة إيقاع الصوت وطابعه العاطفي.
كتابة أوامر I2V فعّالة مهارة مختلفة عن كتابة أوامر توليد الصور. فالنموذج يرى الصورة بالفعل. ما يحتاجه هو تعليمات حركية، لا وصف للمشهد.
أمر ضعيف: "امرأة تقف في حقل وشعرها منسدل، وترتدي فستانًا أبيض" هذا وصف للصورة، والنموذج يملك الصورة بالفعل.
أمر قوي: "شعر وفستان يتموجان برفق في نسيم خفيف، وسيقان القمح تتمايل بتردد طبيعي، وانجراف بطيء للكاميرا إلى اليسار، وضوء بعد الظهر الدافئ يبقى ثابتًا" هذا وصف لما يجب أن يحدث. أصبح لدى النموذج اتجاه واضح.
بنية الأمر النصي الفعّال للحركة:
نصيحة للأمر النصي: حدث حركي واحد متماسك ينتج نتائج أفضل من تعليمات متعددة متنافسة. فـ"ريح لطيفة تمر عبر المشهد مع دفعة بطيئة للكاميرا إلى الأمام" أكثر فاعلية من ست حركات متزامنة تسحب في اتجاهات مختلفة.
تأتي المفردات التي تنجح باستمرار في أوامر I2V غالبًا من كتابة السينما وأدب الطبيعة: "drift" و"ripple" و"sway" و"settle" و"billow" و"rack focus" و"push in" و"pull back". تظهر هذه المصطلحات كثيرًا في سياقات الحركة ضمن بيانات التدريب، ويستجيب لها النموذج بدقة.
بالنسبة إلى الشعر تحديدًا، تنتج عبارات مثل "gently flowing" أو "wind-swept" أو "loose strands catching the breeze" نتائج أكثر طبيعية من "hair moving" العامة. وبالنسبة إلى الماء، ترتبط عبارات مثل "soft surface ripple" و"gentle wave" و"still with reflections shifting" بسلوكيات محددة رآها النموذج ويستطيع إعادة إنتاجها.
كل صورة التقطتها في حياتك تحمل حركة توقفت عند لحظة الغالق. تملك نماذج الذكاء الاصطناعي في 2027 ذكاءً بصريًا كافيًا لقراءة تلك الحركة المتوقفة واستكمالها، وتوليد فيديو من إطار واحد بنتائج تصمد أمام التدقيق الجاد.
هذه ليست ميزة طريفة للصور القديمة فقط. إنها أداة إنتاج عملية تقع بين التصوير الفوتوغرافي والتصوير بالفيديو، وتسد فجوة لم يكن لها حل حتى وقت قريب. فالصورة الاحترافية التي كانت تنتج مخرجًا واحدًا فيما مضى، تنتج الآن مخرجين: الصورة الثابتة والمقطع المتحرك.
تتيح Picasso IA أكثر من 80 نموذجًا لتحويل الصورة إلى فيديو وتركيب الحركة، متاحة في المتصفح. من الخيارات السريعة مثل Wan 2.6 I2V Flash التي تعيد النتائج خلال ثوانٍ، إلى أدوات بجودة سينمائية مثل Kling v2.6 Motion Control التي تمنحك تحكمًا دقيقًا في حركة الكاميرا والموضوع، تتوفر المجموعة الكاملة دون الحاجة إلى عتاد محلي أو أي تثبيت.
التقط صورة من مكتبتك. اكتب أمرًا نصيًا للحركة. واكتشف ما كانت تحاول أن تبقيه ساكنًا.
اختر لغتك
