نظرة متعمّقة على طريقة عمل توليد الفيديو بالذكاء الاصطناعي فعلًا، من ترميز النص والانتشار الكامن إلى الاتساق الزمني، ومسارات بيانات التدريب، وأفضل النماذج التي تنتج نتائج سينمائية اليوم. بلا حشو، بل الآليات الحقيقية خلف هذه التقنية وكيفية تطبيقها.
حدث تغيير في عالم الذكاء الاصطناعي عام 2023، ولم يكن تغييرًا طفيفًا. ما بدأ بمقاطع مشوّشة مدتها ثانيتان لأشخاص يتحوّلون إلى أشكال غير قابلة للتمييز، أصبح خلال ثمانية عشر شهرًا لقطات واقعية بدقة 1080p لا يمكن تمييزها عن تصوير الكاميرات الحقيقي. وقد فاجأت سرعة هذه القفزة حتى الباحثين داخل المختبرات المسؤولة عنها.
فهم كيفية عمل توليد الفيديو بالذكاء الاصطناعي فعلًا ليس تمرينًا أكاديميًا. إذا كنت تريد كتابة أوامر نصية أفضل، أو اختيار النموذج المناسب، أو ببساطة ألا تُفاجأ بما تستطيع هذه الأدوات فعله وما لا تستطيعه، فأنت بحاجة إلى معرفة ما يجري داخل النظام. تشرح هذه المقالة الموضوع من مبادئه الأولى، دون مصطلحات تقنية لذاتها ودون تبسيط مخلّ.
يتصور معظم الناس أن توليد الفيديو بالذكاء الاصطناعي يعني أن النموذج "يتخيل" مشهدًا ثم يشغّله. وهذه نقطة بداية مفيدة، لكنها تغفل الآلية الفعلية. ما تفعله هذه النماذج أقرب إلى إزالة الضوضاء المُتحكَّم بها عبر الزمن.
حاولت المحاولات الأولى لتوليد الفيديو التعامل مع المهمة على أنها توليد عدد كبير من الصور بتتابع سريع. وهذا النهج يفشل بسرعة. فالصور المنفردة الجيدة لا تضمن اتساقها البصري مع بعضها، لذلك تنتج الأساليب التي تعالج الإطارات واحدًا تلو الآخر أشخاصًا يرتعشون، وخلفيات تتشوه، وشخصيات تتغير ملامح وجوهها بين اللقطات.
تحل الأنظمة الحديثة هذه المشكلة بمعاملة الزمن بوصفه بُعدًا بنيويًا داخل البيانات، لا شيئًا يُضاف لاحقًا. يُدرَّب النموذج على التفكير في تسلسلات من الإطارات في وقت واحد، لا في إطار واحد معزول.
توجد حاليًا بنيتان أساسيتان تقفان وراء أفضل أنظمة تحويل النص إلى فيديو:
| البنية | الآلية الأساسية | نماذج تمثيلية |
|---|---|---|
| الانتشار الكامن | إزالة الضوضاء تكراريًا في فضاء كامن مضغوط | Wan 2.7، LTX 2 Pro، Stable Diffusion Video |
| محوّل الانتشار (DiT) | تنبؤ قائم على الرقع عبر المكان والزمن | Sora 2، Veo 3، Kling v3 |
تنتج كلتا البنيتين نتائج عالية الجودة. تميل نماذج الانتشار إلى أن تكون أسرع وأكثر كفاءة في المعاملات. وتميل الأنظمة القائمة على المحوّلات إلى إنتاج حركة أكثر اتساقًا في المقاطع الطويلة. وغالبًا ما تجمع أقوى النماذج الحديثة أفكارًا من النهجين معًا.
قبل توليد أي إطار، يحوّل النموذج أمرك النصي إلى تمثيل رياضي يستطيع استخدامه فعلًا. تُسمى هذه الخطوة ترميز النص، وجودتها تحدد جودة كل ما يليها.
يُقسَّم أمرك النصي إلى توكنات، وهي عادةً وحدات جزئية من الكلمات لا كلمات كاملة، ثم يمرّ عبر مرمّز نصي. تستخدم معظم النماذج الحالية إصدارًا من CLIP أو T5، أو مرمّزًا مخصصًا دُرِّب خصيصًا لتوليد الفيديو. يتحول كل توكن إلى متجه عالي الأبعاد، وتُسمى مجموعة المتجهات كاملةً تضمين النص.
في فضاء التضمين هذا، تتجمع العبارات المتقاربة في المعنى بالقرب من بعضها هندسيًا. فعبارتا "كلب يركض في مطر غزير" و"كلب مبلّل يندفع عبر البرك" تنتجان تضمينات قريبة هندسيًا. وهذه هي الآلية التي يربط بها النموذج المعنى بالصور.
لا يعالج النموذج اللغة بالطريقة التي يعالجها الإنسان. فقد بنى عبر التدريب ارتباطات إحصائية بين أنماط النص وأنماط الصور، من مجموعات بيانات ضخمة مزدوجة من مقاطع الفيديو وأوصافها. ولهذا تكتسب الدقة كل هذه الأهمية.
💡 نصيحة عملية: الأوصاف الملموسة والبصرية تنتج نتائج أفضل من الأوصاف المجردة. فعبارة "امرأة ذات شعر أحمر مجعد وسترة مطر صفراء تسير بخطى سريعة في شارع ضيق مرصوف بالحجارة تحت مطر غزير" تتفوق بثبات على عبارة "شخص يمشي في المطر".
كل تفصيل محدد إضافي تقدمه يضيّق مساحة التوليد ويقرّب المخرجات من شيء واقعي ومقصود.
تستخدم معظم أنظمة تحويل النص إلى فيديو المتقدمة، ومنها Wan 2.7 T2V وLTX 2 Pro، الانتشار الكامن. ويستحق هذا الأمر فهمًا دقيقًا لأنه يفسّر مباشرةً قوة النماذج الحالية وقيودها.
يعمل الانتشار في مرحلتين:
ما يجعل الانتشار الكامن فعّالًا بشكل خاص أن هذه العملية لا تجري في فضاء البكسلات الخام. فنموذج منفصل يسمى VAE (المُرمّز التلقائي المتغير) يضغط الفيديو أولًا إلى تمثيل أصغر بكثير. ثم يعمل الانتشار على هذه التمثيلات المضغوطة، وهو أسرع بكثير من العمل مباشرةً على البكسلات.
في توليد الصور، يملك التمثيل الكامن ثلاثة أبعاد: الارتفاع والعرض والقنوات. أما في الفيديو فله أربعة: الارتفاع والعرض والقنوات، والزمن.
يحتوي فيديو مدته 5 ثوانٍ بمعدل 24 إطارًا في الثانية على 120 إطارًا. أي أنه يحمل بيانات أكثر بمقدار 120 مرة من صورة واحدة. يجب على النموذج أن يحافظ على الاتساق البصري عبر كل هذه الإطارات، مع ضمان حركة سلسة ومعقولة فيزيائيًا طوال الوقت. ويجب أن تمتد آليات الانتباه في هذه النماذج عبر المكان والزمن معًا، فتنتبه لا إلى البكسلات القريبة داخل الإطار فحسب، بل إلى المناطق المقابلة لها عبر الإطارات في التسلسل.
إذا جربت أداة لتوليد الفيديو بالذكاء الاصطناعي ولو مرة واحدة، فأنت تعرف بالفعل أكثر أنماط الفشل شيوعًا: يتغير وجه الشخص في منتصف المقطع، وتتشوه اليد إلى شيء غريب، ويومض عنصر في الخلفية بين حالة وأخرى. ولهذه المشكلة تحديدًا اسم وسبب واضح.
الاتساق الزمني يعني الحفاظ على الهوية نفسها والفيزياء نفسها والمظهر البصري نفسه عبر الزمن. وهو أمر صعب لثلاثة أسباب رئيسية:
تعالج البنى الأحدث هذه المشكلة بنوافذ انتباه زمنية أكبر، أي أن النموذج ينتبه إلى عدد أكبر من الإطارات في الوقت نفسه أثناء التوليد. وقد أحرزت نماذج مثل Kling v2.1 Master وSeedance 2.0 وVeo 3.1 تقدمًا ملحوظًا في معالجة نمط الفشل هذا تحديدًا.
لا تملك نماذج توليد الفيديو الحالية محرك فيزياء مدمجًا. فهي تقرّب السلوك الفيزيائي من خلال استيعابها ملايين الساعات من لقطات العالم الحقيقي، لا من فهم أولي لقوانين الجاذبية أو الاحتكاك أو ديناميكا الموائع.
ولهذا سترى:
💡 نصيحة عملية: تجنّب الأوامر النصية التي تتطلب تفاعلات فيزيائية معقدة بين عدة أجسام. فشخص يمشي، أو سيارة تتحرك، أو ورقة تسقط كلها تعمل بثبات. أما شخص يسكب مشروبًا بينما يدير وجهه ليناوله لشخص آخر، فهذا يحمل تعقيدًا كافيًا لإحداث مشكلات في معظم النماذج الحالية.
الفرق بين نموذج متوسط لتوليد الفيديو بالذكاء الاصطناعي ونموذج متطور كثيرًا ما يعود إلى جودة البيانات، لا إلى البنية وحدها.
يتطلب تدريب نموذج تنافسي لتحويل النص إلى فيديو:
استثمرت مختبرات مثل Google و ByteDance و Kuaishou في مجموعات بيانات خاصة تتجاوز بكثير ما هو متاح للعموم. وهذا سبب رئيسي في أن النماذج مفتوحة المصدر، مع أنها ممتازة، ما زالت متأخرة عن أبرز العروض التجارية في جودة الحركة والمعقولية الفيزيائية.
عند تقييم أي نموذج لتحويل النص إلى فيديو، تخبرك هذه الصفات الثلاث بأكثر مما تخبرك به أي نتيجة اختبار معياري منشورة:
تحرّك مجال تحويل النص إلى فيديو بسرعة كبيرة. هذه هي النماذج التي تقدم باستمرار مخرجات بجودة احترافية حتى عام 2025.
وضع Veo 3 معيارًا جديدًا بوصفه أول نموذج متاح على نطاق واسع يولّد الفيديو مع صوت متزامن أصلي، لا صوتًا يُضاف في مرحلة ما بعد الإنتاج، بل صوتًا يُولَّد بالتوازي مع المحتوى البصري. ويُحسّن Veo 3.1 هذا بثبات حركة أفضل بدقة 1080p. وللمحتوى الذي يحتاج إلى سرد بصري وصوتي معًا في خطوة توليد واحدة، لا يضاهي هذان النموذجان أحدًا. ويقدم Veo 3 Fast قدرة الصوت نفسها بأزمنة تصيير أسرع للتكرار السريع.
يستخدم Sora 2 بنية محوّل الانتشار (DiT) التي تعامل الفيديو بوصفه تسلسلًا من رقع فيديو مضغوطة يُتنبأ بها عبر الزمن. وتكمن قوته الأساسية في الاتساق في المقاطع الطويلة. فبينما تنهار كثير من النماذج بعد 5 ثوانٍ، يحافظ Sora 2 على الاتساق البصري لمدة 20 ثانية أو أكثر. ويوسّع Sora 2 Pro هذا بدقة أعلى وعرض أقوى للتفاصيل الدقيقة.
أصبح Kling v3 Video خيارًا قويًا للمبدعين الذين يحتاجون إلى حركة سينمائية مع ثبات عالٍ للشخصيات. ويتيح Kling v3 Motion Control تحديد حركات الكاميرا مباشرةً، بدلًا من تقريبها عبر صياغة الأمر النصي. وإذا كان محتواك يتطلب أنواعًا محددة من اللقطات، مثل الاقتراب التدريجي أو التصوير البانورامي أو السحب العلوي، فإن التحكم في الحركة لدى Kling هو الخيار الأكثر موثوقية المتاح حاليًا. ويقدم Kling v2.6 توازنًا جيدًا بين السرعة والجودة لسير عمل الإنتاج.
Seedance 2.0 هو النموذج الرائد الحالي من ByteDance، ويوفر توليد تحويل النص إلى فيديو وتحويل الصورة إلى فيديو مع صوت مدمج. واتساقه الزمني من بين الأفضل المتاحة، خاصةً للشخصيات البشرية في الحركة. ويحافظ Seedance 2.0 Fast على جودة النموذج الكامل مع خفض زمن التوليد بشكل كبير، مما يجعله مناسبًا للمحتوى بصيغ مواقع التواصل بكميات كبيرة.
يُعد Wan 2.7 T2V من أقوى الخيارات مفتوحة الأوزان المتاحة، وينتج مخرجات بدقة 1080p مع حركة فيزيائية متينة. أما نظيره Wan 2.7 I2V فيحرك الصور الثابتة بأمانة لافتة للموضوع. ويستهدف LTX 2 Pro سوق دقة 4K، مما يجعله الخيار الصحيح للقطات الإنتاجية المخصصة للعرض الاحترافي. ويذهب LTX 2.3 Pro أبعد من ذلك بتفاصيل مكانية أكثر حدة.
مع أكثر من 100 نموذج لتحويل النص إلى فيديو متاح، يهم اختيار النموذج المناسب لمهمتك بقدر أهمية كتابة أمر نصي جيد.
| المهمة | النماذج الموصى بها |
|---|---|
| حركة سينمائية، ومقاطع أطول | Sora 2، Kling v2.1 Master |
| فيديو مع صوت أصلي | Veo 3، Seedance 2.0 |
| محتوى سريع بصيغ مواقع التواصل | Seedance 2.0 Fast، Wan 2.7 T2V |
| جودة إنتاج بدقة 4K | LTX 2 Pro، LTX 2.3 Pro |
| حركات كاميرا محددة | Kling v3 Motion Control |
| تحريك صورة فوتوغرافية ثابتة | Wan 2.7 I2V، Kling v2.6 |
تعرض معظم النماذج عناصر تحكم تؤثر بشكل كبير في جودة المخرجات:
ردّ فعل معظم الناس الأول على توليد سيئ هو تغيير النموذج. وفي أغلب الأحيان تكون المشكلة في الأمر النصي.
تشترك الأوامر النصية الضعيفة في صفات متوقعة قليلة:
يتبع الأمر النصي القوي لتحويل النص إلى فيديو هذه البنية:
[الشخص بمظهر محدد] + [حركة محددة] + [المكان والإضاءة] + [حركة الكاميرا وإحساس العدسة] + [الحالة المزاجية أو الأجواء]
مثال: "صياد سمك متجعد الملامح في الستينيات من عمره، بذقن رمادية خفيفة وسترة مطر برتقالية، يشد حبلًا على سطح قارب خشبي. يتأرجح القارب برفق في مياه رمادية متموجة. ضوء صباح غائم يأتي من الأعلى مباشرةً. لقطة عريضة ثابتة بمستوى العين. أجواء هادئة وكئيبة."
يمنح هذا الأمر النموذج كل ما يحتاجه: من هو الشخص، وماذا يفعل، وأين، وكيف ترى الكاميرا المشهد، وما الإحساس الذي يجب أن يعطيه المشهد.
💡 قاعدة الموضوع الواحد: إذا كنت جديدًا على توليد الفيديو بالذكاء الاصطناعي، فالتزم بموضوع واحد يؤدي فعلًا واحدًا في كل مقطع. فالتعقيد يضاعف معدلات الفشل بشكل كبير.
كل توليد فاشل هو وقت مهدور وموارد حوسبة مهدورة. والأهم من ذلك أنه زخم إبداعي مهدور. ويساعدك فهم الآليات على قضاء وقت أقل في إعادة تشغيل التوليد، ووقت أكبر في إنتاج عمل فعلي.
النماذج المتاحة اليوم أفضل بعدة مراتب مما كان موجودًا قبل عامين، ولم تتباطأ وتيرة التحسن. وقد أُغلقت الفجوة بين "عرض مذهل" و"جاهز للإنتاج" عمليًا لطيف واسع من حالات الاستخدام. ما يبقى هو التعامل مع هذه الأنظمة بقصد، مع معرفة ما تستطيع فعله وما لا تستطيعه، ولماذا تتصرف بالطريقة التي تتصرف بها.
كل ما يتعلق بقيود الفيزياء، وانجراف الزمن، وحساسية الأمر النصي، يصبح منطقيًا بمجرد أن ترى كيف تعمل البنية الأساسية. وعندما يصبح منطقيًا، تتوقف عن مقاومة النموذج وتبدأ بالعمل معه.
لا يوجد بديل عن تشغيل هذه النماذج بنفسك. فالفجوة بين قراءة شيء عن الانتشار ومشاهدة أول مقطع مدته 10 ثوانٍ يُصيَّر أمامك فجوة حقيقية، والمفاجآت، الإيجابية والسلبية، تبني الحدس أسرع من أي قدر من النظرية.
كل النماذج التي تناولتها هذه المقالة، ومنها Veo 3، و Sora 2، و Kling v3، و Seedance 2.0، و Wan 2.7 T2V، و LTX 2 Pro، متاحة في مكان واحد. ابدأ بأمر نصي بسيط ومحدد: موضوع واحد، وفعل واحد، وإضاءة واضحة. ثم ابنِ عليه. ستبدأ الآليات الموصوفة في هذه المقالة بالاتضاح في اللحظة التي ترى فيها كيف يستجيب نموذج لكلماتك في الوقت الفعلي.
اختر لغتك
