لم يعد توليد الفيديو بالذكاء الاصطناعي لغزًا. يشرح هذا المقال بالتفصيل كيف تحوّل الآلات أمرًا نصيًا بسيطًا إلى فيديو متحرك بطابع سينمائي، ويتناول نماذج الانتشار، والاتساق الزمني، والتنبؤ بالإطارات، والأدوات الحقيقية التي تجعل ذلك ممكنًا في 2027.
كل يوم، يشاهد ملايين الأشخاص فيديوهات مولّدة بالذكاء الاصطناعي دون أن يسألوا أنفسهم كيف تعمل. تبدو النتائج أشبه بالسحر: جملة واحدة تتحول إلى مشهد سينمائي، بحركة واقعية وإضاءة وملمس مقنعين. لكن لا شيء سحري في الأمر. فالعملية عبارة عن مجموعة طبقية من العمليات الرياضية، وشبكات عصبية متخصصة، وخطوط تحسين تكرارية جرى ضبطها عبر سنوات من البحث. يشرح هذا المقال بالتفصيل كيف تُصنع فيديوهات الذكاء الاصطناعي خطوة بخطوة، من لحظة كتابتك للأمر النصي حتى الإطار الأخير الذي يظهر على شاشتك.
قبل توليد أي فيديو، يجب على النموذج أن يقرأ نصك، لكن ليس كما نقرأ الكلمات بل كأرقام. تُقسَّم كل كلمة في أمرك النصي إلى قطع أصغر تُسمى توكنات، ويُربط كل توكن بموضع في فضاء رياضي عالي الأبعاد. العبارة "حصان يعدو عبر حقل قمح عند الغروب" لا تعني شيئًا للحاسوب إلى أن تتحول إلى متجه كثيف من أرقام الفاصلة العائمة، يمثل العلاقات بين المفاهيم التي استوعبها النموذج أثناء التدريب.
تُسمى هذه العملية التوكنة، وهي أساس كل نظام ذكاء اصطناعي حديث. فكلما كان أمرك النصي أغنى وأدق، حملت المتجهات معلومات أكثر. ولهذا السبب تحديدًا تُنتج الأوامر الغامضة مثل "فيديو جميل" نتائج أضعف باستمرار مقارنةً بالأوصاف المحددة للأشخاص وظروف الإضاءة وأنواع الحركة.
بعد توكنة النص، يعالج مشفّر قائم على المحوّلات تلك المتجهات لبناء ما يسميه الباحثون التمثيل الدلالي. تخيّله مخططًا داخليًا: يستنتج النموذج ما الذي ينبغي أن يتضمنه المشهد، ونوع الحركة التي يجب أن يتمتع بها، والمزاج العام والأجواء. يحدث هذا بالكامل في فضاء رياضي مجرد، قبل وقت طويل من توليد أي بكسل.
دُرِّب النموذج على مليارات الإطارات المرئية المقرونة بأوصاف نصية، لذلك تعلّم روابط قوية بين مفاهيم معينة وأنماط بصرية معينة. فعبارة "أمواج محيط بطيئة الحركة عند شروق الشمس" تُفعّل حالات داخلية مختلفة تمامًا عن عبارة "حركة مرور حضرية سريعة ليلًا". هذا هو أساس تحويل النص إلى فيديو بالذكاء الاصطناعي الحديث، ولهذا السبب تحديدًا جودة الأمر النصي هي كل شيء.
يحدث توليد الصور الفعلي عبر عملية تُسمى الانتشار. وهي تعمل بالعكس: بدلًا من إضافة التفاصيل إلى لوحة فارغة، يبدأ النموذج بضجيج عشوائي خالص، ثم يزيل هذا الضجيج تدريجيًا، موجّهًا في كل خطوة بأمرك النصي.
تخيّل صورة فوتوغرافية مدفونة تحت ضجيج شاشة تلفزيون كثيف. يُجري نموذج الانتشار عشرات إلى مئات تكرارات إزالة الضجيج، وفي كل مرة تصبح الصورة أنقى وأكثر بنية قليلًا، إلى أن يظهر شيء قابل للتعرف عليه من بين الضجيج. تستخدم كل تكرارية متجهات النص المشفّرة من أمرك لتوجيه التفاصيل التي تُضاف والضجيج الذي يُزال. وهذه عملية احتمالية، ولهذا قد تنتج تشغيلتان للأمر نفسه نتائج مختلفة.
يتطلب توليد إطار واحد حسابًا كبيرًا. فكل مرور عبر شبكة إزالة الضجيج يتضمن مليارات عمليات الفاصلة العائمة تعمل على مجموعات من وحدات GPU، ولهذا تمثّل المنصات السحابية الطريق العملي لمعظم المستخدمين.
لا تعمل نماذج توليد الفيديو الحديثة مباشرة على شبكات البكسلات بدقة كاملة. فذلك سيكون مكلفًا حسابيًا إلى حد يمنع التنفيذ. بدلًا من ذلك، تعمل في الفضاء الكامن، وهو تمثيل رياضي مضغوط يمكن أن يُرمَّز فيه إطار 1080p في مصفوفة (تنسور) بحجم 64x64 وحدة بدلًا من 1920x1080 بكسل.
يتولى مكوّن يسمى VAE (المشفّر الذاتي المتغير) الجانبين معًا. فهو يضغط الصورة الأصلية إلى الفضاء الكامن للمعالجة، ثم يفكّ تشفير التمثيل الكامن النهائي ويعيده إلى بكسلات بدقة كاملة. هذا الضغط هو ما يجعل التوليد شبه الفوري ممكنًا على الأجهزة الحديثة.
تظهر جودة VAE لدى النموذج بوضوح في التفاصيل الدقيقة: ملمس البشرة، ونسيج الأقمشة، وانعكاسات الماء. فالمشفّرات الأفضل تنتج إعادة بناء أحدّ وأكثر أمانة. وعندما يُعطى نموذجان الأمر النصي نفسه فينتجان قدرًا مختلفًا بوضوح من التفاصيل الدقيقة، فغالبًا ما يكون VAE هو السبب.
الصورة الواحدة المولّدة بالذكاء الاصطناعي مبهرة، لكن الفيديو مسألة مختلفة تمامًا. فبدلًا من توليد إطار واحد، يجب على النموذج أن يولّد 24 أو 30 أو حتى 60 إطارًا في الثانية، وكل إطار منها يجب أن يكون متسقًا مع الإطارات التي تسبقه والتي تليه.
تتعامل نماذج الفيديو الحديثة مع هذا عبر النمذجة الزمنية. فهي تعالج تسلسلات من الإطارات معًا، مستخدمةً التفافات ثلاثية الأبعاد أو طبقات انتباه زمني لنمذجة كيفية تحرك البكسلات عبر الزمن. تعلّم النموذج أن يتنبأ بمكان كل عنصر في الإطار التالي استنادًا إلى موضعه في الإطارات السابقة.
تولّد بعض النماذج كل الإطارات في وقت واحد ضمن مرور واحد. بينما تستخدم نماذج أخرى التوليد الذاتي التراجعي، فتنتج كل إطار مشروطًا بالإطارات التي سبقته. ولكل نهج ما يكسبه وما يخسره من حيث السرعة والترابط وتكرار الشوائب. تميل النماذج التراجعية إلى الانجراف في المقاطع الأطول؛ أما النماذج المتوازية فتتمتع باتساق عام أقوى، لكنها تنتج أحيانًا لحظات "تجمّد" دقيقة تتوقف فيها الحركة.
إذا رأيت يومًا فيديو مولّدًا بالذكاء الاصطناعي يتغير فيه شكل وجه شخصية بين الإطارات، أو يظهر فيه جسم في الخلفية ثم يختفي عشوائيًا، فقد شهدت عدم الاتساق الزمني. وهذه واحدة من أصعب المشكلات المتبقية في توليد الفيديو بالذكاء الاصطناعي.
التحدي أن نماذج الانتشار احتمالية بطبيعتها. فكل إطار هو تقنيًا عينة مختلفة قليلًا من التوزيع نفسه. ومن دون قيود زمنية قوية، يولّد النموذج كل إطار بشكل مختلف قليلًا، فينتج الوميض والتشوه الذي يبدو غير طبيعي بوضوح للعين البشرية.
تعالج أفضل النماذج الحالية هذه المشكلة عبر عدة استراتيجيات تُطبَّق أثناء التدريب:
حققت نماذج مثل Kling v3 Video وWan 2.6 T2V تقدمًا كبيرًا في هذا الجانب، إذ تنتج تسلسلات فيديو تحافظ على استقرار الأشخاص والبيئات عبر عدة ثوانٍ من اللقطات دون وميض واضح.
بعد توليد الإطارات الأولية في الفضاء الكامن وفك تشفيرها إلى بكسلات، تُمرِّر معظم خطوط الإنتاج المخرجات عبر مرحلة أو أكثر من المعالجة اللاحقة قبل تسليم الفيديو النهائي. وأولى هذه المراحل عادةً هي رفع الدقة.
تأخذ نماذج الدقة الفائقة المعتمدة على الذكاء الاصطناعي الفيديو الخام المولّد، وغالبًا بدقة 512x288 أو 720x405، وترفع دقته إلى 1080p أو 4K، مضيفةً تفاصيل دقيقة تركها عملية التوليد ضمنيًا. ونماذج مثل LTX 2.3 Pro تولّد الآن بدقة 4K بشكل أصلي، فتدمج التوليد والتحسين في خطوة موحدة واحدة بدلًا من مرحلة منفصلة في خط الإنتاج.
نصيحة: الفرق بين فيديو الذكاء الاصطناعي بدقة 720p و4K ليس الدقة وحدها. فالتوليد بدقة أعلى يُلزم النموذج بتحديد التفاصيل الدقيقة في المرور الأول، وهذا يميل أيضًا إلى تقليل الشوائب الزمنية في الخلفيات والملمس الدقيق.
تشمل المراحل الإضافية للمعالجة اللاحقة التي تُطبَّق عادةً ما يلي:
| المرحلة | وظيفتها |
|---|---|
| التنعيم الزمني | يقلل وميض الإطارات بمزج الإطارات المتجاورة |
| تدرّج الألوان | يوحّد توازن الأبيض والمدى اللوني عبر المقطع |
| الشحذ | يضيف تحديد الحواف الذي فُقد أثناء خطوة فك تشفير VAE |
| التثبيت | يصحح اهتزاز الكاميرا غير المقصود الناتج عن تنبؤ الحركة |
لفترة طويلة، كان توليد الفيديو بالذكاء الاصطناعي وسيطًا صامتًا. وقد تغيّر هذا تغيرًا كبيرًا. فنماذج مثل Veo 3 وSeedance 2.0 تولّد الآن صوتًا متزامنًا بشكل أصلي، فتنتج الأصوات المحيطة والمؤثرات الصوتية والحوار والموسيقى التي تطابق المحتوى البصري إطارًا بإطار.
يعمل هذا عبر بنية متعددة الوسائط تُشرط توليد الصوت والفيديو معًا بالأمر النصي نفسه. فقد تعلّم النموذج روابط قوية بين الأنماط البصرية والبصمات الصوتية: صوت المطر حين يرى ماءً يتساقط، وصرير خطوات حين يرى حركة على أرضية خشبية، وهدير المحركات حين يرى مركبات متحركة.
يذهب Veo 3.1 أبعد من ذلك بمخرجات أصلية بدقة 1080p وتحسين في محاذاة الصورة والصوت، بينما يقدّم Seedance 1.5 Pro توازنًا بين السرعة وجودة الصوت لدورات إنتاج أقصر.
تطوّر مشهد توليد الفيديو بالذكاء الاصطناعي بسرعة تفوق تقريبًا أي مجال آخر في تعلم الآلة. إليك لمحة عن موقع أفضل النماذج الآن:
| النموذج | الدقة | الصوت | أفضل استخدام |
|---|---|---|---|
| Veo 3.1 | 1080p | نعم | مشاهد واقعية بصوت متزامن |
| Kling v3 Video | 1080p | لا | جودة حركة سينمائية |
| Sora 2 Pro | HD | نعم | مقاطع طويلة متماسكة |
| Wan 2.6 T2V | HD | لا | توليد سريع وموثوق |
| Pixverse v5 | 1080p | لا | مخرجات إبداعية ذات طابع أسلوبي |
| Hailuo 2.3 | 1080p | لا | حركة سلسة وأشخاص ثابتون |
| Gen 4.5 | HD | لا | حركة كاميرا سينمائية |
| LTX 2.3 Pro | 4K | لا | أقصى دقة للمخرجات |
يعتمد اختيار النموذج على ما تحتاجه فعلًا من المخرجات. وثلاثة أسئلة تضيّق الخيارات بسرعة:
نصيحة: طول الأمر النصي أهم في الفيديو منه في توليد الصور. أدرج أوصاف الحركة مثل "تحريك بطيء إلى اليسار"، أو "تقريب الكاميرا وتبعيدها"، أو "لقطة تتبعية محمولة باليد"، إلى جانب ظروف إضاءة محددة، لتحصل على نتائج أفضل بوضوح عبر كل النماذج.
تمنحك PicassoIA الوصول إلى أكثر من 87 نموذجًا لتحويل النص إلى فيديو من منصة واحدة، دون الحاجة إلى إدارة مفاتيح API أو أي أجهزة محلية. إليك كيف تسير العملية من البداية إلى النهاية.
انتقل إلى مجموعة Text to Video. ولمعظم الاستخدامات الأولى، يُعد Wan 2.5 T2V نقطة بداية جيدة. فهو ينتج نتائج متينة ومتسقة بسرعة، ويتعامل مع مجموعة واسعة من أنواع الأوامر النصية دون الحاجة إلى ضبط معلمات متخصص.
إن أردت جودة سينمائية أعلى وكان بوسعك تحمّل وقت توليد أطول، فإن Kling v2.6 أكثر استقرارًا بشكل ملحوظ، إذ ينتج حركة شبيهة بالأفلام مع اتساق قوي للأشخاص عبر المقطع كله.
نظّم أمرك النصي في طبقات واضحة للحصول على أكثر النتائج موثوقية:
أمر نصي ضعيف: "امرأة تمشي"
أمر نصي قوي: "امرأة ترتدي فستانًا أبيض انسيابيًا من الكتان تمشي حافية القدمين على شاطئ مبلل عند شروق الشمس، والكاميرا بزاوية منخفضة تتبعها ببطء من جانبها، مع ضوء خلفي ذهبي دافئ، وأمواج محيط لطيفة، ونسيم خفيف يداعب شعرها"
الفرق في جودة المخرجات بين هذين الأمرين هائل في الممارسة.
يعرض كل نموذج على PicassoIA عناصر تحكم مختلفة، لكن الإعدادات الأساسية تنطبق على نطاق واسع:
توليد الفيديو بالذكاء الاصطناعي عملية تكرارية دائمًا. فنتيجتك الأولى نادرًا ما تكون النهائية. عدّل متغيرًا واحدًا في كل مرة، سواء كان صياغة الأمر النصي أو قيمة البذرة أو مدة المقطع، حتى تعرف بدقة ما ينجح وما لا ينجح في كل مخرج قبل المضي قدمًا.
حتى أفضل النماذج المتاحة اليوم تنتج نتائج غير كاملة تحت ظروف معينة. ومعرفة مواضع إخفاقها تتيح لك كتابة أوامر نصية تتجنب عمدًا أنماط الفشل هذه.
الأيدي والأصابع ما زالت مشكلة معروفة. فالاتساق الزمني يتدهور بسرعة في البنى شديدة المفصلية، فينتج تمويهًا أو تشوهًا يبدو غير طبيعي فورًا حتى في مقاطع نظيفة بخلاف ذلك.
النصوص داخل الفيديو تكون مشوّشة تقريبًا دائمًا. فإن احتوى مشهدك على لافتات أو كتب أو نصوص معروضة على الشاشة، فسيولّد النموذج شيئًا يشبه النص بصريًا دون أن يكون مقروءًا أو متسقًا من إطار إلى آخر.
الفيزياء عبر الزمن ما زالت تنهار بطرق معقدة. كرة تُقذف في الإطار الأول قد لا تتبع قوسًا مقنعًا عبر الإطارات التالية. وديناميكا السوائل ومحاكاة الأقمشة والتصادمات الجسدية الصلبة كلها مجالات تُظهر فيها النماذج الحالية عدم اتساق واضح.
المقاطع الطويلة جدًا تفقد ترابطها. فمعظم النماذج الحالية دُرّبت على تسلسلات فيديو قصيرة، وتتدهور الجودة بشكل ملحوظ بعد 8 إلى 12 ثانية دون أهداف تدريب متخصصة للمحتوى الطويل.
لا يمكنك دائمًا إصلاح هذه المشكلات بكتابة أوامر أفضل، لكن يمكنك تصميم المشهد للالتفاف على معظمها:
العملية التي يقوم عليها فيديو الذكاء الاصطناعي متطورة فعلًا. فالتوكنة والانتشار والنمذجة الزمنية وفك تشفير الفضاء الكامن وتحسين الجودة كلها تحدث في ثوانٍ، عبر مليارات المعلمات، لإنتاج مقطع كان سيتطلب طاقم إنتاج كاملًا وميزانية كبيرة قبل خمس سنوات فقط.
أفضل طريقة لفهم كل هذا فهمًا حقيقيًا هي أن تولّد فيديو بنفسك. اكتب أمرًا نصيًا يتضمن شخصًا محددًا وفعلًا واضحًا وظرف إضاءة دقيقًا. ثم جرّب الأمر نفسه على نموذجين مختلفين وقارن ما يُنتج. الفروق في الاتساق الزمني وجودة الحركة ودقة التفاصيل تخبرك عن طريقة عمل هذه الأنظمة أكثر من أي قدر من القراءة.
على PicassoIA، تحصل فورًا على كل النماذج الرئيسية التي نناقشها هنا، من مولّدات سريعة مثل Wan 2.5 T2V Fast إلى مولّدات سينمائية عالية الوفاء مثل Kling v3 Video ومولّدات بصوت أصلي مثل Veo 3، كل ذلك في مكان واحد دون إدارة أي بنية تحتية. اختر نموذجًا، واكتب أمرًا نصيًا قويًا، وشاهد بنفسك ما تنتجه العملية.
اختر لغتك
