يُنتج Sora 2 Pro من OpenAI الآن صوتًا أصليًا متزامنًا مع كل مقطع فيديو يولّده، ليسد أكبر فجوة في إنشاء الفيديو بالذكاء الاصطناعي. يشرح هذا المقال كيف يعمل نظام الصوت من الداخل، وكيف يقارن بنماذج منافسة مثل Veo 3 وSeedance 2.0، وكيف يمكن للمبدعين الاستفادة منه الآن على PicassoIA.
أول مرة أنشأ فيها معظم الناس فيديو بالذكاء الاصطناعي دون الحاجة إلى إضافة صوت لاحقًا، حدث شيء ما. الصوت الأصلي في Sora 2 Pro هو تلك اللحظة: إنجاز تقني يبدو كتحسين في سير العمل، إذ يزيل بهدوء الاحتكاك الذي جعل فيديو الذكاء الاصطناعي لا يبدو منتجًا نهائيًا. لم يعد هناك داعٍ لتصدير مقطع صامت، ونقله إلى DAW، والبحث عن مقاطع صوتية خالية من حقوق الملكية، والأمل في أن يظل التزامن سليمًا. الصوت موجود ببساطة، يُولَّد بالتوازي مع المحتوى المرئي، ومتزامنًا مع ما يحدث على الشاشة.
هذا التحول أكبر مما يبدو.
ظلّت مولّدات فيديو الذكاء الاصطناعي تنتج مقاطع صامتة لسنوات. وكان لهذا الصمت ثمن خفي. كان كل فيديو يحتاج إلى مرور ثانٍ: مؤثرات صوتية تُجلب أو تُولَّد بشكل منفصل، وموسيقى تُختار وتُقص، وخلفيات صوتية تُضاف لملء الفراغات، وكل ذلك يُزامَن يدويًا. بالنسبة إلى محتوى التواصل الاجتماعي القصير، قد يستغرق هذا ساعة. أما للمقاطع الأطول أو الدفعات الكبيرة، فكان يتراكم بسرعة.
الافتراض المترسخ في معظم سير العمل الإنتاجي هو أن الصورة والصوت مشكلتان منفصلتان تتطلبان مسارين منفصلين. Sora 2 Pro يرفض هذا الافتراض على مستوى البنية.
الصوت الأصلي في هذا السياق يعني أن النموذج يولّد الصوت كجزء من تمرير تشغيل النموذج نفسه الذي ينتج إطارات الفيديو. الصوت ليس فكرة لاحقة تُلصق من مكتبة، ولا يُنتَج بواسطة نموذج ثانوي يقرأ الفيديو النهائي كمدخل. بل ينبثق من إشارات التكييف نفسها: الأمر النصي، وأي صور مرجعية، والتمثيل الزمني الداخلي لما يحدث إطارًا تلو الآخر.
النتيجة هي المحاذاة السببية. عندما يُغلق باب في الفيديو عند الإطار 47، يظهر صوت الارتطام في الصوت في اللحظة نفسها تمامًا. وعندما يتدفق الماء فوق الصخور، يتطابق طيف الصوت المولَّد مع الحجم والسرعة اللذين توحي بهما الحركة المرئية. هذا ليس تقريبًا. إنه تزامن متأصل في طريقة معالجة النموذج للزمن.
💡 ماذا يعني هذا عمليًا: تكتب أمرًا نصيًا، فتحصل على مقطع جاهز مع صوت مطابق. وغالبًا ما يمكن نشر هذا المقطع مباشرة دون أي خطوة معالجة صوتية لاحقة.
تتعامل البنية مع إطارات الفيديو ومخططات الطيف الصوتي على أنهما وجهان لحدث واحد. أثناء التدريب، يرى النموذج بيانات فيديو وصوت مقترنة ويتعلم فضاءً كامنًا مشتركًا تتطور فيه الحركة البصرية والنسيج الصوتي معًا. وفي وقت الاستدلال، يفكّ النموذج الشيفرة عن التدفقين معًا من ذلك التمثيل المشترك.
وهذا انحراف مهم عن النماذج التي تولّد الفيديو أولًا، ثم تطبّق مرحلة منفصلة لوصف الصوت أو توليفه. يظهر الفرق في الجودة بوضوح أكبر في الأحداث العابرة: وقع الخطوات، والصدمات، والتفاعلات مع الأشياء، والمحتوى القريب من الكلام. النموذج الذي يولّد الصوت من مقطع فيديو جاهز قد يصف ما حدث، لكن النموذج الذي يولّد الاثنين معًا يستطيع إنتاج إحساس الحدث وهو يتكشّف.
المحاذاة الزمنية هي أصعب جزء في أي نظام لتوليد الصوت والصورة. الإدراك البشري حساس جدًا لأخطاء التزامن بين الصوت والصورة. تُظهر الدراسات أن المشاهدين يلاحظون تأخّر الصوت عند نحو 45 إلى 75 ميلي ثانية، وتقدّمه عند نحو 125 ميلي ثانية. وما يتجاوز هذه العتبات يبدو "غير صحيح" للمشاهد حتى لو لم يستطع أن يحدد السبب.
يعالج Sora 2 Pro هذا على مستوى النموذج، لا عبر خوارزميات محاذاة لاحقة. فتمثيلات الزمن للتدفقين مرتبطة على مستوى البنية، ما يعني أن النموذج لا يستطيع إنتاج صوت يصل قبل مُحفّزه البصري أو بعده بقدر كبير دون أن يتكبد خسارة في التدريب. والنتيجة العملية هي تزامن بين الصوت والصورة بجودة قريبة من جودة البث، دون أي تصحيح يدوي.
ليست كل الأصوات متساوية في مدى استفادتها من التوليد الأصلي. إليك كيف تتوزع الأنواع الثلاثة الرئيسية:
| نوع الصوت | أداء Sora 2 Pro | هل ما تزال البدائل اليدوية مفيدة؟ |
|---|---|---|
| المحيطي / صوت الغرفة | ممتاز | نادرًا |
| المؤثرات الصوتية (الأجسام وضربات الخطى) | جيد جدًا | للعمل الدقيق |
| الحوار / الكلام | جيد (غير محدد) | للكلام المكتوب سلفًا |
| الموسيقى المؤلفة | محدود | للتأليف الموسيقي |
النقطة المثالية هي المشهد الصوتي المحيطي وصوت الأحداث بأسلوب المؤثرات الصوتية. أما المحتوى الذي يحتاج إلى موسيقى تصويرية مؤلفة أو كلمات أغنية محددة، فما يزال أداة صوت مخصصة منطقية. لكن بالنسبة إلى غالبية محتوى الفيديو الاجتماعي والتحريري والإعلاني، يغطي الصوت الأصلي المساحة المطلوبة.
كان Veo 3 من Google أحد أوائل النماذج المتاحة على نطاق واسع التي جاءت بصوت أصلي، ووضع معيارًا مبكرًا لهذه الفئة. يتفوق Veo 3 في المشاهد الصوتية الطبيعية والأجواء السينمائية. ويُعد توليد حواراته من أقوى النماذج في هذا المجال للصوت الحواري غير المكتوب مسبقًا.
يتميز Sora 2 Pro في الصوت المرتبط بالاصطدامات الحركية، وفي جودة الحركة البصرية نفسها أولًا. فاستجابة المؤثرات الصوتية للأشخاص والأجسام سريعة الحركة أدق، والجودة البصرية الشاملة تعني أن الصوت لديه تفاصيل أكثر ليستجيب لها. فكّر في الأمر هكذا: الصورة الأفضل تمنح توليد الصوت مادة أغنى للعمل بها.
يضيّق Veo 3.1 الفجوة أكثر لصالح Google في أنواع محتوى معينة، لا سيما المشاهد الطبيعية الخارجية ومشاهد الحشود. وكلا النموذجين في المقدمة لتوليد فيديو بصوت أصلي بجودة الإنتاج.
يتخذ نموذج ByteDance، Seedance 2.0، زاوية مختلفة. فبدلًا من محاولة تغطية الطيف الكامل من المحيطي والمؤثرات والموسيقى، يركز Seedance 2.0 على الصوت البيئي النقي والمؤثرات الصوتية المتوافقة مع الحركة، مع توليد بزمن استجابة منخفض جدًا. والنتيجة نموذج أسرع في التوليد وموثوق للغاية في جبهة تزامن الصوت، لكنه أضيق في التشكيلة الصوتية.
يذهب Seedance 2.0 Mini أبعد من ذلك في السرعة، ما يجعله خيارًا قويًا عندما تنتج كميات كبيرة من المحتوى القصير وتحتاج إلى مخرجات متزامنة مع الصوت على نطاق واسع دون انتظار تشغيل نماذج أبطأ.
يقلب Wan 2.2 S2V (Sound-to-Video) النموذج رأسًا على عقب: تزوّده بمدخل صوتي، فيولّد فيديو يطابقه. وهذا عكس نهج Sora 2 Pro تمامًا، لكن يمكن الجمع بين الاثنين في سير عمل واحد. ولّد أولًا فيديو متزامنًا مع الصوت عبر Sora 2 Pro، ثم استخدم Wan 2.2 S2V لتمديد مقاطع محددة أو إعادة تصميمها مع اتخاذ الصوت إشارة توجيه.
بالنسبة إلى النماذج ذات الصوت المدمج على PicassoIA، تشمل القائمة أيضًا Flux 3 وPixverse v6 وQ3 Turbo، وكل منها يأتي مع توليد صوت مدمج بمستويات جودة متفاوتة.
قبل الصوت الأصلي، كان صانع المحتوى القصير الذي ينتج محتوى يوميًا يواجه مهمة متكررة لتجميع الصوت لكل فيديو. فترخيص الموسيقى من المكتبات، والبحث عن المؤثرات الصوتية، وضبط التزامن كانت تستهلك وقتًا كبيرًا. ومع Sora 2 Pro، يطلب صانع المحتوى مقطعًا لنمط الحياة أو لقطة لمنتج، فيحصل على فيديو مسموع بالكامل ومتزامن وجاهز للاستخدام.
تتراكم ميزة السرعة. فصانع المحتوى الذي ينتج 10 مقاطع يوميًا يوفّر نحو 10 إلى 20 دقيقة لكل مقطع في العمل الصوتي وحده. وخلال شهر، تكون هذه ساعات استُعيدت للقرارات الإبداعية الفعلية بدلًا من التجميع التقني.
💡 نصيحة: في المحتوى القصير، اكتب إشارات صوتية صراحةً في أمر الفيديو النصي. عبارات مثل "أمواج تتكسر في الخلفية" أو "أجواء مقهى مزدحم" تؤثر مباشرة في توليد الصوت إلى جانب المخرجات المرئية.
ظلت المعاينات المسبقة دائمًا عروضًا صامتة. تبني المسودة الخام، وتضيف موسيقى مؤقتة، وتأمل أن يتمكن فريق الإنتاج من تجاوز فراغ الصوت لتقييم الإيقاع. يغيّر توليد الصوت الأصلي ما تنقله المعاينة المسبقة. يستطيع المخرج الآن عرض معاينة مولّدة بالذكاء الاصطناعي يتردّد فيها وقع الخطوات في المكان الصحيح، وتُغلق الأبواب بثقل مناسب، ويحدد الصوت المحيطي النبرة العاطفية لكل مشهد.
هذه ليست أداة لما بعد الإنتاج. إنها أداة لعرض الفكرة والتخطيط، وهي تقصّر المسافة بين المفهوم والموافقات بشكل ملحوظ.
يُشغَّل فيديو الإعلانات على منصات التواصل تلقائيًا. يصادف المشاهدون المحتوى أثناء التمرير وهواتفهم غير مكتومة، وأول نصف ثانية من الصوت تعمل كمرشّح: إما أن تواصل المشاهدة أو تواصل التمرير. فالفيديو الذي يفتتح بصوت محيطي مناسب، أو صدمة منتج، أو لحظة بصوت حواري، يجذب الانتباه بشكل مختلف عن مقطع صامت ينتظر أن يُنقر عليه.
يدعم Grok Imagine Video 1.5 وHailuo 02 أيضًا الصوت الأصلي، مما يمنح المعلنين خيارات نماذج أكثر بحسب الأسلوب البصري الذي تتطلبه الحملة.
يجعل PicassoIA Sora 2 Pro متاحًا دون الحاجة إلى مفاتيح API أو إعداد بطاقة ائتمان على مستوى النموذج. سير العمل بسيط.
💡 يستحق التجربة أيضًا: Veo 3 وSeedance 2.0 لأساليب بصرية مختلفة، وكلاهما بصوت أصلي. غالبًا ما تكشف المقارنات الجنبية أي نموذج يناسب نوع محتواك بشكل أفضل.
Sora 2 Pro هو النموذج الرئيسي، لكنه ليس النموذج الوحيد على PicassoIA الذي ينتج فيديو متزامنًا مع الصوت. إذا دفعتك الميزانية أو السرعة أو الأسلوب البصري نحو اتجاه آخر، فهذه النماذج تستحق المعرفة.
| النموذج | نوع الصوت | الأفضل لـ | السرعة |
|---|---|---|---|
| Sora 2 Pro | صوت أصلي كامل | الفيديو عالي الإنتاج | أبطأ |
| Veo 3 | صوت أصلي + حوار | سينمائي، خارجي | متوسطة |
| Seedance 2.0 | صوت بيئي | قصير، اجتماعي | سريع |
| Flux 3 | صوت متزامن | فني، مُنمَّط | متوسطة |
| Pixverse v6 | صوت بالذكاء الاصطناعي | إعلان سينمائي | سريع |
| Q3 Turbo | صوت مدمج | 1080p، أعمال الدفعات | سريع |
| Grok Imagine Video 1.5 | صوت أصلي | تحويل الصورة إلى فيديو | متوسطة |
بالنسبة إلى سير العمل الذي تريد فيه توجيه الفيديو بملف صوتي بدلًا من أمر نصي، يعكس Audio to Video من Lightricks التدفق كليًا: زوّده بملف صوت، فيولّد رسومًا متحركة متزامنة. ويكمل LTX 2 Pro وKling v3 Video الخيارات عالية الدقة للمبدعين الذين يحتاجون إلى مخرجات 4K مع دقة حركة قوية، رغم أن تطبيقاتهما الصوتية أضيق من تطبيق Sora 2 Pro.
الصوت الأصلي ليس النهاية. إنه الأساس الذي تبني عليه الجولة التالية من المنافسة. الأسئلة المفتوحة الآن تدور حول التحكم: هل يمكنك تحديد سرعة BPM الدقيقة للموسيقى الخلفية؟ هل يمكنك تزويد مقطع صوتي مرجعي وطلب من النموذج مطابقة طاقته؟ هل يمكنك توليد صوت لمنطقة واحدة فقط من الإطار مع إبقاء منطقة أخرى صامتة؟
هذه مشكلات قابلة للحل. تعمل عدة مجموعات بحثية بالفعل على توليد الصوت المدرك للفضاء، حيث يتوافق المجال الصوتي مع هندسة المشهد ثلاثية الأبعاد، لا مع المحتوى البصري الإجمالي فقط. نموذج يعرف أن مصدر الصوت على الجانب الأيسر من الإطار ويتحرك نحو اليمين يستطيع توزيع الصوت بين القناتين بشكل مناسب دون أي تعليمات من المستخدم.
يتجه مسار فيديو الذكاء الاصطناعي نحو محتوى سمعي بصري مُؤلَّف بالكامل، ومتزامن بالكامل، وقابل للتحكم بالكامل، يُولَّد من النص وحده. ويمثّل Sora 2 Pro خطوة مهمة على هذا المسار. سير عمل تجميع الصوت اليدوي لفيديو الذكاء الاصطناعي لم يختفِ بعد، لكن أيامه باتت معدودة بوضوح.
النماذج التي كانت تتطلب ساعات من العمل الصوتي بعد الإنتاج تسلّمك الآن مقطعًا نهائيًا جاهزًا للبث في دقائق. هذا ما يغيّره الصوت الأصلي في Sora 2 Pro فعلًا: ليس جودة الصوت فحسب، بل شكل يوم الإنتاج بأكمله.
أفضل طريقة لفهم ما يفعله الصوت الأصلي بسير عملك هي تجربته على أمر نصي كنت ستكافح عادةً لإيجاد صوت له. سوق مزدحم في مدينة أجنبية. عاصفة رعدية فوق سهول مفتوحة. كشف منتج مع نقرة ميكانيكية مُرضية. اكتب المشهد، وولّده، واستمع إليه.
يستضيف PicassoIA أكثر من 87 نموذجًا لتوليد الفيديو، من بينها Sora 2 Pro وVeo 3 وSeedance 2.0 وFlux 3، وكل نموذج آخر قادر على الصوت ورد في هذا المقال. يمكنك تشغيل اختبارات جنبًا إلى جنب على الأمر النصي نفسه عبر نماذج متعددة لتجد النموذج الذي يناسب نوع محتواك. لا حاجة إلى إعداد، ولا مقاطع صامتة.
انتهى الصمت.
اختر لغتك
