تقلّصت الفجوة بين "فيديو الذكاء الاصطناعي" والمحتوى المرئي القابل للاستخدام الفعلي بوتيرة أسرع مما توقّع معظم الناس هذا العام. قبل اثني عشر شهرًا، كان الحصول على عشر ثوانٍ متماسكة وسلسة من لقطات مولّدة عن أمر نصي يُعدّ إنجازًا حقيقيًا. أما اليوم، فقد صار ذلك هو الحد الأدنى. ما يميّز أفضل النماذج في عام 2025 هو المزامنة الصوتية الأصلية، ومخرجات دقة 4K، والتماسك الزمني الذي كان بعيد المنال في أواخر 2024.
هذا ليس مجرد تكهّن. يستعرض ما يلي بالتفصيل ما أُطلق فعليًا، وما يعمل بشكل جيد الآن، وما تعنيه هذه التحسينات لكل من يُنتج محتوى فيديو على نطاق واسع.
ما الذي لم تستطع النماذج فعله من قبل
قبل عام، كان توليد فيديو الذكاء الاصطناعي يواجه ثلاثة سقوف صعبة لم يتمكن أحد من تجاوزها:
- كان التماسك الزمني ينهار بعد 3 إلى 4 ثوانٍ. تنجرف الشخصيات، وتتلألأ الأنسجة، وتتشوّه الخلفيات بطرق لم يطلبها أحد.
- كان الصوت دائمًا فكرة لاحقة. تولّد الفيديو، ثم تبحث عن موسيقى أو صوت في مكان آخر، ثم تحاول مزامنته. ولم يتناسب الأمر تمامًا أبدًا.
- كانت الدقة محدودة عند 720p في معظم النماذج المتاحة، بينما كانت دقة 1080p تتطلب وصولًا مكلفًا إلى واجهة API وأوقات انتظار طويلة جدًا.
النماذج التي هيمنت على تلك المرحلة، أي Kling v1.5 Pro وVeo 2 وLTX Video الأصلي، كانت مبهرة في وقتها. لقد أرست ما هو ممكن، لكنها كشفت أيضًا عن تلك السقوف.
مشكلة التماسك الزمني
التماسك الزمني هو السبب في أن فيديو الذكاء الاصطناعي المبكر بدا "خاطئًا" حتى حين كانت الإطارات الفردية جميلة. فنموذج الانتشار لا يعالج بطبيعته أن الإطار 24 هو تتمة للإطار 23. كان كل إطار يُتنبأ به بشكل مستقل إلى حد ما، وتراكمت العيوب: يتغير لون قميص شخص في منتصف المقطع، وتتشوّه يد قليلًا، وتومض شجرة في الخلفية.
كان إصلاح ذلك يتطلب مناهج تدريب تنمذج الزمن صراحةً كبُعد، وليس المكان فقط. وهذا ما تغيّر هذا العام على نطاق واسع.
الدقة لم تكن مجرد رقم
تبدو دقة 720p مقبولة إلى أن تعرض ذلك الفيديو على شاشة 4K وتدرك أنه يبدو كأنه صُوّر عبر زجاج مصنفر. بالنسبة لصور YouTube المصغّرة، أو المحتوى القصير على وسائل التواصل، أو الحالات ضعيفة النطاق الترددي، كانت دقة 720p مناسبة. أما لأي شيء احترافي، كالأفلام القصيرة، والمحتوى الإعلاني، وفيديوهات العلامات التجارية، فلم تكن قابلة للاستخدام إطلاقًا.
ما الذي تغيّر فعلًا هذا العام
لم تكن التحسينات هذا العام تدريجية. كانت تحولات على مستوى الفئة. وقد حدثت ثلاثة أمور بالتوازي.
الصوت الأصلي أصبح حقيقة
كان أكبر تغيير في فيديو الذكاء الاصطناعي هذا العام هو الصوت الذي ينتمي فعليًا إلى الفيديو. ليس موسيقى تُضاف لاحقًا، ولا تعليقًا صوتيًا يُزامَن يدويًا. بل صوت يُولَّد في الوقت نفسه مع الفيديو، من الأمر النصي ذاته، ومضبوط على المشهد نفسه.
كان Seedance 2.0 من ByteDance من أوائل النماذج التي أُطلقت بهذه الميزة على نطاق واسع. تكتب أمرًا نصيًا يصف مشهدًا، كطيور على سطح مدينة عند الفجر، فيولّد النموذج الفيديو مع الأصوات المحيطة مدمجةً فيه: الرياح، وحركة المرور البعيدة، والطيور. لا خط معالجة منفصل، ولا مزامنة لاحقة.
تبعه Veo 3 من Google بصوت أصلي يتعامل مع الحوار: شخص في الفيديو يتكلم، ويتطابق الصوت مع حركة فمه في الوقت الفعلي. هذا مستوى مختلف تمامًا من التعقيد، وهو يعمل.
💡 لماذا يهم هذا: كانت مزامنة الصوت آخر سبب كبير يجعل فيديو الذكاء الاصطناعي يبدو مصطنعًا. وبإزالته، ينخفض الحاجز بين اللقطات المولّدة بالذكاء الاصطناعي واللقطات الحقيقية بشكل كبير بالنسبة للمشاهدين.
دقة 4K و1080p أصبحت معيارًا
قبل عام، كان توليد فيديو الذكاء الاصطناعي بدقة 1080p يتطلب انتظار 10 إلى 20 دقيقة ودفع رسوم لمستويات API المتميزة. أما اليوم، فإليك الوضع:
يُعد إنجاز الدقة 4K من LTX 2.3 Pro بالغ الأهمية. فعند دقة 4K، لم يعد فيديو الذكاء الاصطناعي "جيدًا بما يكفي لوسائل التواصل" فحسب. بل صار جيدًا بما يكفي للبث التلفزيوني.
زمن التوليد انخفض بشكل كبير
هذا الأمر أهم مما يعترف به معظم الناس. عندما يستغرق الفيديو 20 دقيقة للتوليد، ينكسر سير عملك الإبداعي. لا يمكنك التكرار، ولا يمكنك التجربة. تلتزم باتجاه واحد وتنتظر.
غيّرت المستويات السريعة الجديدة ذلك تمامًا:
لم يعد التوليد السريع يعني جودة أقل. صار يعني تشغيل نسخ مقطّرة من النموذج الأساسي نفسه، مُحسَّنة للسرعة دون التضحية بالجودة الجوهرية.
النماذج التي صنعت هذا العام
لم تتقدم كل النماذج بالوتيرة نفسها. بعضها حقق قفزات هائلة، وبعضها طوّر تدريجيًا بعناية. إليك من وضع المعيار لما يعنيه فيديو الذكاء الاصطناعي الآن.
Seedance 2.0: توليد فيديو يبدأ بالصوت
يُعد Seedance 2.0 من ByteDance المثال الأوضح على ثورة الصوت. فهو يولّد الفيديو والصوت من الأمر النصي نفسه في مرور واحد، مع صوت يبدو عضويًا للمشهد. كان سلفه، Seedance 1.5 Pro، يتمتع بجودة حركة قوية بالفعل. وأضاف الإصدار 2.0 صوتًا مدمجًا وتحسينًا في التماسك الزمني للمقاطع التي تتجاوز 5 ثوانٍ.
ما يجعل Seedance 2.0 جديرًا بالاستخدام تحديدًا أنه يتعامل جيدًا مع المشاهد اليومية: أشخاص يتحدثون، وبيئات خارجية، ومساحات داخلية بأصوات محيطة. الصوت ليس مجرد ضوضاء، بل هو مرتبط بما يحدث بصريًا.
Veo 3 و Veo 3.1: القفزة السينمائية من Google
كان Veo 3 أهم إصدار فيديو من Google منذ سنوات. وقد أُطلق بصوت أصلي يشمل الحوار، وهو أمر لم يحققه أي نموذج منافس بالمستوى نفسه من الجودة. طوّر Veo 3.1 هذا الأداء بمخرجات 1080p وخطوط تصيير أسرع. ومنح Veo 3.1 Fast وVeo 3.1 Lite صنّاع المحتوى مداخل أسهل إلى الفئة نفسها من الجودة.
تتمتع حركة Veo 3 بطابع سينمائي يبدو مقصودًا. فلحركات الكاميرا ثقل. وتتغير الإضاءة مع تغير زاوية الكاميرا. وهذا نتاج التدريب على لقطات سينمائية فعلية بحجم كبير، وليس على فيديوهات الإنترنت فقط.
Kling v3: التحكم في الحركة يصبح عمليًا
قدّم Kling v3 Video من Kwaivgi شيئًا لمحت إليه الإصدارات السابقة دون أن تقدمه بوضوح: تحكمًا في الحركة يمكن لغير المتخصصين استخدامه فعليًا. ويتيح Kling v3 Motion Control تحديد ليس ما يحدث في الفيديو فحسب، بل أيضًا كيف تتحرك الكاميرا لالتقاطه.
الفرق بين Kling v2.6 والإصدار v3 مهم. كان v2.6 يتمتع بجودة حركة سينمائية متينة. أما v3 فأضاف توجيهًا صريحًا للكاميرا، ووسّع Kling v3 Omni Video هذا ليشمل سير العمل القائم على النص والصورة معًا.
Wan 2.7: سهل الوصول وقادر
ظلّت سلسلة Wan من wan-video واحدة من أكثر الخيارات سهولة في الوصول لصنّاع المحتوى الجادين باستمرار. يمثل Wan 2.7 T2V وWan 2.7 I2V ذروة هذه السلسلة، مع مخرجات بدقة 1080p وثبات أفضل للموضوعات عبر الإطارات. ويأخذ إصدار تحويل الصورة إلى فيديو صورة فوتوغرافية ويحرّكها بأمانة لافتة للتكوين الأصلي.
في وقت سابق من العام، شكّل Wan 2.6 T2V وWan 2.6 I2V قفزة كبيرة عن 2.5. وكان الانتقال من 2.5 إلى 2.6 واضحًا لأي صانع محتوى. أما الانتقال من 2.6 إلى 2.7 فكان يتعلق بالاتساق والدقة وأمانة الشخصيات عبر المقاطع الأطول.
💡 نصيحة: في سير عمل تحويل الصورة إلى فيديو، يُعد Wan 2.7 I2V من أقوى الخيارات في الحفاظ على التدرج اللوني والإضاءة الأصلية للصورة الفوتوغرافية، مع إضافة حركة طبيعية للمشهد.
كيف جرى إصلاح التماسك الزمني فعلًا
هذا يستحق الوقت، لأنه التغيير التقني الذي جعل كل ما سواه ممكنًا.
النهج القديم وحدوده
كانت نماذج تحويل النص إلى فيديو المبكرة في الأساس مولّدات صور تعمل مرارًا على كل إطار. استخدمت آليات انتباه زمني لتحاول الرجوع إلى الإطارات السابقة، لكن هذا الانتباه كانت له حدود عملية. فبعد طول معين للمقطع، كان انتباه النموذج يتشتت وتتسلل العيوب.
كانت الأنسجة المتلألئة، والوجوه المنجرفة، والخلفيات التي لا تستقر تمامًا: كل ذلك كان أعراضًا لضعف الانتباه الزمني عبر التسلسلات الأطول.
ما تغيّر: النمذجة الزمنية الكاملة
تحركت النماذج التي تحسنت بأكبر قدر هذا العام نحو بنى تعامل تسلسل الفيديو كاملًا بوصفه موتّرًا واحدًا متعدد الأبعاد. فبدلًا من التنبؤ بالإطارات واحدًا تلو الآخر بانتباه خلفي، تنمذج هذه النماذج المقطع الكامل في فضاء ثلاثي الأبعاد منذ بداية التشغيل.
هذا مكلف حسابيًا، ولهذا احتاج إلى تحسينات البنية التحتية لوحدات GPU التي حدثت هذا العام أيضًا.
النتيجة العملية
بالنسبة لصنّاع المحتوى، فإن النتيجة العملية بسيطة: مقاطع تتماسك معًا. الشخص في الإطار 1 يبدو كما هو في الإطار 120. مبنى الخلفية لا يتحرك. الشعر لا يتلألأ. يبدو هذا كحد أدنى بديهي، لكن تجاوزه تطلّب إعادة تفكير جذرية في كيفية معالجة هذه النماذج للزمن كبُعد.
ثورة مزامنة الصوت بالتفصيل
يُعد توليد الصوت الأصلي التطور الذي سيغيّر أكثر من غيره طريقة عمل صنّاع المحتوى مع فيديو الذكاء الاصطناعي خلال العام المقبل.
لماذا لم يتناسب الصوت المضاف بعد الإنتاج أبدًا
سير العمل القديم: تولّد الفيديو، وتختار موسيقى خالية من حقوق الملكية، وتضبط التوقيت يدويًا. لم تكن المشكلة في الجهد وحده، بل في الأصالة. فالموسيقى التي كُتبت دون مراعاة مقطعك المحدد لا تستطيع الاستجابة لطاقته. قد تحتاج لحظة بصرية درامية تدوم 2.3 ثانية إلى صوت يتصاعد خلال تلك المدة بالضبط. والموسيقى الجاهزة العامة لا تستطيع معرفة ذلك.
الصوت الأصلي المولّد بالذكاء الاصطناعي يستجيب للفيديو لأنه يُولَّد من الأمر النصي نفسه، وفي الوقت نفسه، ومع المعالجة نفسها للمشهد.
أي النماذج تملك صوتًا أصليًا حقيقيًا
ليست كل النماذج التي تدعم الصوت متشابهة. فهناك فرق مهم بين توليد الصوت المحيطي والصوت المتزامن مع الحوار:
الصوت الأصلي الحقيقي يعني أن الصوت يستجيب لما يحدث بصريًا في الفيديو، وليس فقط لوصف الأمر النصي. فصوت الشلال في الفيديو يبدو كصوت شلال. ويتزامن الحوار مع حركة فم المتحدث. ويُعد Veo 3 حاليًا المعيار الذهبي لمزامنة الحوار.
لتحويل الصورة إلى فيديو قصة خاصة به
يحظى تحويل النص إلى فيديو بالعناوين الرئيسية، لكن تحويل الصورة إلى فيديو هو ما يقضي فيه كثير من صنّاع المحتوى وقتهم فعليًا. سير العمل: تولّد صورة بداية قوية أو تلتقطها، ثم تحرّكها. وقد تحسّن هذا السير بشكل كبير هذا العام.
لماذا تحسّن تحويل الصورة إلى فيديو
كان التحسين الرئيسي هو تحسين تكييف المصدر. في النماذج السابقة، كانت الصورة المدخلة تؤثر بقوة في الإطار الأول، لكن تأثيرها كان يتلاشى بسرعة مع تقدّم المقطع. بحلول الإطار 60، كان الفيديو غالبًا لا يشبه صورة البداية إلا قليلًا من حيث الألوان والتكوين وهوية الشخص.
تحتفظ النماذج الجديدة بتكوين الصورة المصدر وتدرّجها اللوني وهوية الشخص طوال المقطع. فصورة شخصية تُحرَّك باستخدام Wan 2.7 I2V أو Kling v2.6 Motion Control لا تزال تبدو كالشخص نفسه في الصورة بعد عشر ثوانٍ.
قادة تحويل الصورة إلى فيديو الجدد
- Wan 2.7 I2V: الأفضل لتحريك الصور لأغراض عامة مع أمانة قوية للشخص
- Kling v3 Motion Control: الأفضل لحركة الكاميرا الصريحة انطلاقًا من صورة فوتوغرافية
- Wan 2.7 R2V: متخصص في تحريك الموضوعات ذات أنماط الحركة المعقدة
- Grok Imagine R2V: قوي للتحريك المُنمَّط انطلاقًا من مصادر فوتوغرافية
- Ovi I2V: من Character AI، يولّد فيديو بصوت انطلاقًا من الصور الثابتة
- Hailuo 2.3: جودة سينمائية ممتازة من الصور الثابتة مع حركة سلسة
- Ray Flash 2 720p: خيار سريع مجاني من Luma بجودة حركة متينة
💡 نصيحة: للحصول على أفضل نتائج تحويل الصورة إلى فيديو، تحتاج صورة المصدر إلى دقة عالية وتعريف واضح للشخص. فالصور منخفضة التباين أو المشوشة تُنتج حركة غير متسقة وتجعل النموذج يملأ تفاصيل لا ينبغي له اختراعها.
السرعة مقابل الجودة: مصفوفة المفاضلة الجديدة
كان من المستحيل كتابة هذا الجدول قبل عام، لأن فيديو الذكاء الاصطناعي السريع كان يعني جودة منخفضة دون استثناء. لم يعد ذلك صحيحًا.
ما الذي لم يُحلّ بعد
كان التقدم هذا العام حقيقيًا، لكن الصراحة بشأن الحدود المتبقية أهم من المبالغة في وصف ما يعمل.
التماسك في المقاطع الطويلة ما زال صعبًا
خمس ثوانٍ إلى عشر: جيد جدًا. ثلاثون ثانية: يبدأ الانهيار. التماسك على مستوى المقطع لا يمتد تلقائيًا إلى التماسك على مستوى المشهد. الشخصية في الثانية 5 تبدو صحيحة. الشخصية نفسها في الثانية 28 قد تكون انجرفت بطرق دقيقة لكنها مرئية.
النماذج التي تحرز أكبر تقدم في هذا الشأن هي Sora 2 Pro وGen 4.5 من Runway، لكن حتى هذه تصطدم بجدران في الاتساق بعد ثلاثين ثانية من التوليد المتواصل.
هوية الشخصية عبر المقاطع
توليد مقطع واحد لشخص يبدو رائعًا. أما توليد المقطع التالي للشخص نفسه وجعله يبدو مطابقًا فما زال صعبًا دون أدوات متخصصة. هذه هي مشكلة الاتساق عبر عدة مقاطع، وهي السبب الرئيسي في أن فيديو الذكاء الاصطناعي لم يحل محل الإنتاج التقليدي للمحتوى السردي.
يعالج Kling Avatar v2 وDreamactor M2.0 هذه المشكلة بربط الفيديو بوجه مرجعي، لكن هذا النهج يتطلب تقديم المرجع مسبقًا، ويعمل بأفضل شكل مع صيغ اللقطات المقرّبة للرأس وليس مع المشاهد بكامل الجسم.
لتعقيد الأوامر النصية حدود
وصف مشهد بسيط ينجح بشكل جيد. أما وصف مشهد يضم عدة شخصيات متفاعلة تقوم بأشياء مختلفة في الوقت نفسه، فإن النموذج يختار عنصرًا أو اثنين ويتجاهل الباقي، أو يمزجها بطرق تبدو خاطئة.
هذا قيد أساسي في القدرة. النماذج التي تتعامل مع التعقيد بأفضل شكل حاليًا هي Veo 3.1 وSora 2 Pro، لكن الفجوة بين ما وصفته وما صُيّر فعليًا ما زالت واسعة بالنسبة للأوامر متعددة العناصر المعقدة.
كيف تستخدم هذه النماذج على PicassoIA
جميع النماذج المذكورة في هذا المقال متاحة مباشرة على PicassoIA دون الحاجة إلى حسابات API منفصلة أو إعدادات للمطورين. إليك كيف تبدأ.
استخدام Seedance 2.0 لفيديو متزامن مع الصوت
- انتقل إلى Seedance 2.0
- اكتب أمرك النصي الذي يصف المشهد البصري وما ينبغي سماعه ("شارع مدينة مزدحم تحت مطر الصباح، مع أصوات المرور وأصوات بشرية بعيدة")
- اختر الدقة المطلوبة (دقة 1080p متاحة)
- ولّد الفيديو ونزّل ملف MP4 بالصوت المدمج
النقطة الحاسمة مع Seedance 2.0 هي أن تكون صريحًا في أمرك النصي بشأن البيئة الصوتية. يستجيب النموذج لأوصاف الصوت في الأمر النصي مباشرة، وليس للإشارات البصرية فقط.
استخدام Wan 2.7 لتحريك الصور
- افتح Wan 2.7 I2V
- ارفع صورة المصدر (الدقة العالية هي الأفضل، بحد أدنى 1024 بكسل على الضلع القصير)
- اكتب أمرًا نصيًا للحركة يصف ما ينبغي أن يتحرك وكيف ("تتمايل الأشجار برفق مع الرياح، والكاميرا ثابتة")
- اختر دقة المخرجات
- ولّد ونزّل الفيديو
بالنسبة لصور المصدر الفوتوغرافية، اجعل أوامر الحركة بسيطة ومركّزة على عنصر أو اثنين. يتعامل النموذج مع الفيزياء المعقدة بشكل أفضل حين لا يُطلب منه تحريك كل شيء في وقت واحد.
استخدام Kling v3 للتحكم في الكاميرا
- انتقل إلى Kling v3 Motion Control
- ارفع صورة المصدر أو اكتب أمرًا نصيًا
- في لوحة التحكم في الحركة، حدّد نوع حركة الكاميرا (بانورامي، ميل، دوللي، مدار)
- أضف أمر المحتوى الذي يصف المشهد
- ولّد الفيديو
يكون التحكم في الحركة مع Kling v3 أكثر فعالية حين يعمل أمر المحتوى وأمر الكاميرا معًا. فحركة الدوللي البطيئة نحو الداخل تنجح مع موضوع له عمق بصري، والبانورامي ينجح مع مشهد أفقي واسع.
ما الذي جعل كل هذا ممكنًا
لم تكن التحسينات هذا العام وليدة الصدفة. حدثت ثلاثة أمور بالتوازي أتاحت التحولات على مستوى الفئة:
- تحسّنت جودة بيانات التدريب بشكل ملحوظ. أتاح مزيد من الفيديو المرخّص وعالي الجودة على نطاق واسع للنماذج مراجع أفضل للحركة والإضاءة وعلاقات الصوت.
- توسّع الوصول إلى الأجهزة. أتاحت قدرة الحوسبة الأكبر نماذج أكبر ذات نمذجة زمنية كاملة، وهذا عالج مباشرة مشكلات التماسك التي أرهقت البنى المبكرة.
- ابتكارات معمارية في طريقة تمثيل النماذج للزمن أتاحت توليد صوت أصلي كان مستحيلًا سابقًا ضمن مرور واحد للنموذج.
النتيجة: فيديو الذكاء الاصطناعي في منتصف 2025 ليس شيئًا جديدًا يُستغرب. إنه أداة إنتاج لصنّاع المحتوى الذين يعرفون كيف يعملون مع نقاط قوتها وقيودها الحالية.
ابدأ الإبداع على PicassoIA الآن
كل نموذج في هذا المقال متاح على PicassoIA الآن. سواء أردت أن تبدأ بأمر نصي، أو تحرّك صورة، أو تجرّب حركة كاميرا صريحة، فإن المنصة تتيح لك الوصول إلى أكثر من 87 نموذجًا للفيديو دون حسابات منفصلة أو إعداد API.
ابدأ مع Seedance 2.0 إذا كان الصوت مهمًا لسير عملك. وجرّب Wan 2.7 I2V إذا كانت لديك صور مصدر تريد إحياءها. واستخدم Kling v3 Video حين تكون جودة الحركة السينمائية أمرًا لا تنازل عنه.
النماذج التي بدت مستحيلة قبل عام هي نقطة البداية اليوم. والنماذج التي ستُطلق خلال الاثني عشر شهرًا القادمة ستجعل نتائج اليوم تبدو كأعمال مبكرة. أفضل وقت لبناء الإلمام بتوليد فيديو الذكاء الاصطناعي هو الآن، قبل أن تتوسع القدرات من جديد وتجد نفسك تبدأ من الصفر.
جرّب PicassoIA Video مجانًا وشاهد ما هو ممكن بالنظر إلى المكان الذي تقف فيه هذه النماذج اليوم.
