Stable Audio 2.5 من Stability AI أصبح الأداة المفضلة لصنّاع فيديوهات الذكاء الاصطناعي غير الخاضعة للرقابة لتأليف الموسيقى التصويرية. يولّد صوتًا ستيريو يصل طوله إلى 3 دقائق من الأوامر النصية، دون أي فلترة للمحتوى في الجانب الصوتي. يشرح هذا المقال طريقة عمله، وكيفية إقرانه بأفضل نماذج الفيديو على PicassoIA، وتقنيات عملية في تصميم الصوت تحقق نتائج احترافية فعلًا.
يصطدم كل صانع فيديوهات بالذكاء الاصطناعي بالعائق نفسه عاجلًا أم آجلًا. الصور مذهلة، والحركة سلسة، لكن الصوت إما صامت، أو مأخوذ من مكتبات خالية من حقوق الملكية، أو محجوب بفلاتر الإشراف على المحتوى التي ترفض لمس فئات معينة من الفيديوهات. غيّر Stable Audio 2.5 من Stability AI هذه المعادلة بشكل كبير. يولّد النموذج مقاطع صوتية كاملة وعالية الجودة من الأوامر النصية، دون أي فلترة للمحتوى في الجانب الصوتي، ما يجعله الأداة المفضلة لتأليف الموسيقى التصويرية لدى صنّاع سير العمل المعتمد على فيديوهات الذكاء الاصطناعي غير الخاضعة للرقابة.
Stable Audio 2.5 نموذج انتشار لتحويل النص إلى صوت، دُرِّب على مجموعة ضخمة من الموسيقى والمؤثرات الصوتية والتسجيلات المحيطية المرخّصة. على عكس الإصدارات السابقة التي عانت من بنية موسيقية متماسكة بعد 30 ثانية، يقدّم الإصدار 2.5 مخرجات صوتية ستيريو يصل طولها إلى 3 دقائق، وهو ما يفيد فعلًا في تأليف الموسيقى التصويرية للفيديوهات القصيرة. يمكنك وصف المزاج والآلات والإيقاع والنوع بلغة بسيطة، فيُنتج النموذج مقطعًا صوتيًا متصلًا يتبع هذه المعايير بدقة لافتة.
مخرجات الستيريو ليست مجرد حيلة تسويقية. كانت نماذج الصوت بالذكاء الاصطناعي تنتج عادةً مقاطع أحادية أو شبه ستيريو تنهار عند الاستماع عبر أجهزة المراقبة في الاستوديوهات الحقيقية. يولّد Stable Audio 2.5 فصلًا ستيريو حقيقيًا، أي أن العناصر الموسيقية مثل البيانو في القناة اليسرى والأوتار في اليمنى تتموضع في المكان الصحيح عند دمجها مع الفيديو. وبالنسبة لصنّاع الموسيقى التصويرية لمقاطع فيديو بالذكاء الاصطناعي بين 30 ثانية و3 دقائق، فإن سقف 180 ثانية يغطي الغالبية العظمى من الاستخدامات دون الحاجة إلى حلول التكرار.
هذا هو الجزء الأهم بالنسبة إلى سير عمل توليد الفيديو بالذكاء الاصطناعي غير الخاضع للرقابة. يقبل Stable Audio 2.5 أوامر نصية تصف أجواءً حسية أو مثيرة أو قريبة من المحتوى الموجّه للبالغين، دون أن يرفض ذلك أو يُنقّي المخرجات. أوامر مثل "موسيقى جاز بطيئة وحميمية مع السكسفون الهامس، إضاءة خافتة، أجواء ما بعد منتصف الليل" أو "أجواء صوتية عميقة يغلب عليها الباس، تبني التوتر، استفزازية" تولّد بالضبط ما وُصف. لا توجد طبقة لإدارة المحتوى تمنع توليد الصوت استنادًا إلى طبيعة الفيديو الذي سيُصاحَب به. تم سدّ هذه الفجوة في سير العمل الآن.
عندما يستخدم الصنّاع منصات مثل PicassoIA لتوليد صور وفيديوهات قريبة من محتوى البالغين أو غير خاضعة للرقابة بالكامل، كانت الطبقة الصوتية تاريخيًا أضعف نقطة. مكتبات المقاطع الجاهزة تُعلّم المحتوى الموجّه للبالغين. وأدوات تركيب الصوت كثيرًا ما ترفض النصوص المثيرة أو الإيروتيكية. يتجاوز Stable Audio 2.5 كل ذلك. ولأنه يعمل حصرًا كمولّد موسيقى ومؤثرات صوتية دون أي فحص بصري للمحتوى، يمكنه مطابقة النبرة العاطفية لأي فيديو دون قيود.
مونتاج سريع القطع من صور مولّدة بالذكاء الاصطناعي يحتاج صوتًا يطابق سرعته. أما حلقة بطيئة وأجواء محيطية لمشهد موحٍ فتحتاج شيئًا مختلفًا تمامًا. يستجيب Stable Audio 2.5 مباشرةً للغة الوصفية المتعلقة بالإيقاع والنبض والقوس العاطفي. وصف مقطعًا بأنه "بطيء 70 BPM، مغرٍ، متأثر بموسيقى R&B، غيتار باس بارز، طبول هاي هات متفرقة" ينتج نتيجة تناسب مشهد فيديو حميمي أفضل بكثير من أي شيء يُنتقى من مكتبة خالية من حقوق الملكية خاضعة للفلترة.
معظم صنّاع فيديوهات الذكاء الاصطناعي يبنون المرئيات أولًا ويعاملون الصوت كفكرة لاحقة. هذا السير ينتج نتائج ضعيفة لأن الصوت يُضاف دائمًا بعد الانتهاء بدلًا من أن يُصمَّم. البدء بمرجع للمزاج في أمرك النصي لنموذج Stable Audio 2.5 قبل توليد الفيديو يفرض عليك تحديد النبرة العاطفية مسبقًا، وهذا الوضوح يغذّي بدوره أوامر توليد فيديو أفضل. يتحسن الإنتاج كله عندما يُخطَّط للصوت منذ البداية.
تستضيف PicassoIA Stable Audio 2.5 مباشرةً ضمن مجموعة توليد الموسيقى بالذكاء الاصطناعي، ما يعني أنك لا تحتاج إلى حساب منفصل لدى Stability AI أو مفتاح API. النموذج متاح إلى جانب مجموعة كاملة من أدوات إنشاء الفيديو والصور، لذا يمكنك تشغيل سير العمل كله من منصة واحدة.
قبل تأليف الصوت، تحتاج إلى مقطع فيديو جاهز. استخدم أيًا من نماذج توليد الفيديو المتوفرة في مجموعة PicassoIA. للمحتوى غير الخاضع للرقابة، يقدّم Seedance 2.5 مخرجات سينمائية تصل إلى 30 ثانية، ويتعامل مع الموضوعات الموحية دون فلترة. أما للحلقات القصيرة، فإن Seedance 2.0 أسرع ويأتي مع توليد صوت مدمج إن أردت الاستماع إلى الموسيقى الأصلية للفيديو قبل تركيب موسيقى تصويرية مخصصة.
دوّن المدة الدقيقة لمقطع الفيديو. ثم افتح Stable Audio 2.5 واكتب أمرًا نصيًا يصف:
💡 نصيحة: أضف أوصافًا مكانية مثل "مجال ستيريو عريض" أو "ميكروفون قريب" أو "بعيد ومليء بالصدى" للتحكم في موضع الصوت داخل المزج بالنسبة للفيديو. هذه الإضافات الصغيرة تحسّن بشكل كبير مدى اندماج المقطع الصوتي مع اللقطات.
ولّد من 2 إلى 3 إصدارات بالإعدادات نفسها، واختر الإصدار الذي يناسب إيقاع الفيديو. ولأن النموذج حتميّ لكل قيمة بذرة، يمكنك إعادة توليد المقطع نفسه لاحقًا إن احتجت. ولّد الصوت دائمًا أطول بمقدار 10 إلى 15 ثانية من المقطع نفسه، ثم أخفِت الصوت تدريجيًا في مرحلة ما بعد الإنتاج قبل أن تنتهي بنية المقطع. هذا يتفادى النهاية المفاجئة التي تحدث حين يصل نموذج الصوت بالذكاء الاصطناعي إلى حد مدته تمامًا عند نقطة القطع.
للفيديوهات المولّدة بالذكاء الاصطناعي التي تحتاج إلى رفع دقتها قبل التصدير النهائي، يحسّن Video Upscale by Topaz Labs اللقطات إلى 4K بمعدل 120fps بعد تثبيت الصوت، ما ينتج عملًا نهائيًا يبدو ويُسمع باحترافية.
ليست كل نماذج الفيديو بالكفاءة نفسها كأساس لتأليف الموسيقى التصويرية بـ Stable Audio 2.5. إليك تفصيلًا للنماذج التي تستحق الأولوية على PicassoIA، ولماذا يهم كل واحد منها.
يدعم Seedance 2.5 مخرجات فيديو تصل إلى 30 ثانية، وهي مدة كافية لتبرير مقطع صوتي كامل الإنتاج بدلًا من حلقة محيطية قصيرة. كما يتعامل مع مجموعة أوسع من الموضوعات، بما فيها المحتوى القريب من محتوى البالغين، ما يجعله قرينًا طبيعيًا لهذا السير. جودة الحركة السينمائية عالية بما يكفي لترفع موسيقى تصويرية محكمة العمل من قيمة العمل النهائي بشكل ملحوظ.
يتبع Audio to Video النهج المعاكس: تزوّدها بملف صوتي فتحرّك صورة ثابتة وفق إيقاع الموسيقى وطاقتها. بعد توليد مقطع Stable Audio 2.5، يمكن لهذا النموذج أن يحيي صورة ساكنة متزامنةً مع الصوت. وهو سير فعّال بشكل خاص للجلامور (glamour) أو التصوير الفني الذي يحتاج إلى حركة دون توليد فيديو من الصفر.
يولّد Veo 3 فيديو مع صوت متزامن مدمج فيه أصلًا. يستحق الأمر توليد المقطع نفسه باستخدام Veo 3 أولًا لتسمع كيف يبدو صوته الأصلي، ثم مقارنته بموسيقى مخصصة من Stable Audio 2.5. ولأجواء أو أنواع معينة لا يستطيع الصوت الأصلي لـ Veo 3 إعادة إنتاجها بدقة، يتفوق التأليف المخصص في كل مرة.
يُنشئ Wan 2.2 S2V فيديوهات متزامنة مع الصوت، لذا إذا كان لديك مقطع صوتي محدد من Stable Audio 2.5 جاهز، يمكنك تغذية S2V به مباشرةً ودع النموذج يولّد مرئيات تتفاعل مع طاقة الصوت. سير العمل هذا متقدم، لكنه من أكثر الطرق تماسكًا لبناء فيديو غير خاضع للرقابة يبدأ من الصوت، حيث تبدو المرئيات مرتبطة فعلًا بالصوت.
يولّد Flux 3 فيديو مع مخرجات صوت متزامنة، ويستحق أن يُقرن بنموذج Stable Audio 2.5 للمقارنة. تمثّل قدرة Flux 3 الصوتية الأصلية والتأليف المخصص في Stable Audio 2.5 فلسفتين مختلفتين: آلية مقابل مقصودة. كلا النهجين له مكانه، بحسب مقدار التحكم الذي تريده في الموسيقى التصويرية النهائية.
كيف يقارن Stable Audio 2.5 بنماذج توليد الموسيقى الأخرى المتاحة على PicassoIA؟ يوضح الجدول أدناه الفروق الأساسية بين النماذج في المجموعة.
| النموذج | أقصى مدة | ستيريو | فلتر المحتوى | الاستخدام الأمثل |
|---|---|---|---|---|
| Stable Audio 2.5 | 3 دقائق | نعم | لا يوجد | توليد موسيقى غير خاضعة للرقابة، مقاطع طويلة |
| MiniMax Music 2.6 | أغنية كاملة | نعم | متوسط | أغنية كاملة مع غناء |
| Google Lyria 3 Pro | أغنية كاملة | نعم | صارم | موسيقى تجارية مصقولة |
| ElevenLabs Music | أغنية كاملة | نعم | متوسط | موسيقى خلفية ذات بنية |
| MiniMax Music 2.5 | أغنية كاملة | نعم | متوسط | أغنية كاملة مع كلمات |
| Google Lyria 3 | أغنية كاملة | نعم | صارم | مقطوعات موسيقية آلية |
💡 Google Lyria 3 Pro وLyria 3 ينتجان الموسيقى الأكثر صقلًا في الصوت، لكن كلاهما يحمل فلاتر محتوى صارمة ترفض أنماطًا معينة من الأوامر. أما للحرية الإبداعية في سير فيديوهات الذكاء الاصطناعي للبالغين، فإن Stable Audio 2.5 هو النموذج الوحيد في الجدول الذي لا يحمل أي فلترة للمحتوى في الجانب الصوتي.
توليد مقطع صوتي صالح تقنيًا شيء، وجعله يعمل فعلًا مع الفيديو الذي يصاحبه شيء آخر. هذه الأساليب العملية تفصل الصوت المولّد بالذكاء الاصطناعي المتوسط عن المقاطع الموسيقية التي تبدو مقصودة واحترافية.
أكبر خطأ يقع فيه الصنّاع هو التركيز على النوع أولًا. ابدأ بمستوى الطاقة. يحتاج تسلسل سريع القطع عالي الطاقة إلى نبضات هجومية سريعة، سواء كان النوع إلكترونيًا أو أوركستراليًا أو هيب هوب. صف الطاقة أولًا في الأمر النصي لـ Stable Audio 2.5 ("عدواني، توتر مرتفع، إيقاع سريع") قبل تحديد النوع ("موسيقى تصويرية لمشهد أكشن سينمائي"). يستجيب النموذج لأوصاف الطاقة بشكل أكثر موثوقية من وسوم النوع وحدها.
المقطع الموسيقي الجيد للفيديو يتكون غالبًا من طبقتين: نسيج محيطي (نغمة الغرفة، والصوت البيئي، والخلفيات الممتدة) وعناصر أمامية (لحن وإيقاع وآلات بارزة). يمكنك توليد هاتين الطبقتين بشكل منفصل باستخدام Stable Audio 2.5، بكتابة أمرين مختلفين للمشهد نفسه. يركّز أحدهما على "أمبيينت عميق، مكاني، صدى غرفة، نسيج خلفية"، ويركّز الثاني على العنصر اللحني الأمامي. ادمج المقطعين بمستويات صوت مختلفة في برنامج التحرير لنتيجة أغنى وأكثر احترافية.
المقاطع الصوتية في Stable Audio 2.5 التي تُولَّد بطول المقطع المرئي تمامًا غالبًا ما تنتهي بشكل غير طبيعي، لأن النموذج لا يعرف أن الفيديو ينتهي عند تلك النقطة. ولّد صوتك أطول بمقدار 10 إلى 15 ثانية من المقطع، ثم أخفِته تدريجيًا في مرحلة ما بعد الإنتاج قبل أن تنتهي بنية المقطع. هذا يمنحك نهاية صوتية طبيعية بدلًا من قطع مفاجئ يكسر الانغماس.
الخصائص المكانية مهمة بقدر أهمية الآلات الموسيقية. وصف "حميمية بميكروفون قريب، غرفة جافة، صدى خفيف" ينتج صوتًا يبدو كأنه ينتمي إلى لحظة خاصة وشخصية. أما وصف "صدى قاعة كبيرة، عريض ومتسع، اضمحلال طبيعي" فينتج شيئًا يبدو سينمائيًا وفخمًا. طابق الطابع المكاني لصوتك مع البيئة البصرية في الفيديو. المشاهد الداخلية تحتاج خصائص غرفة مختلفة عن الخارجية، حتى بالنسبة للمقاطع الموسيقية البحتة.
الإمكانات الحقيقية لنموذج Stable Audio 2.5 ليست كأداة مستقلة، بل كجزء من خط إنتاج متكامل مولّد بالذكاء الاصطناعي. إليك شكل سير عمل كامل من الفكرة إلى العمل النهائي.
قبل لمس الفيديو، ولّد أصولك البصرية الأساسية باستخدام أدوات توليد الصور في PicassoIA. هذا يمنحك مرجعًا ملموسًا للمزاج والإضاءة والأجواء التي تريد أن يطابقها الصوت. الصورة الدافئة الحميمة توحي بصوت مختلف عن صورة باردة عالية التباين. تثبيت المرئيات قبل كتابة الأوامر الصوتية ينتج نتائج أكثر تماسكًا، لأنك تتفاعل مع شيء حقيقي بدلًا من فرضية.
ولّد مقاطع الفيديو باستخدام Seedance 2.5 للقطات الرئيسية. أما للمقاطع القصيرة التفاعلية التي تستجيب لطاقة الصوت، فأحضر مقطع Stable Audio 2.5 المولَّد إلى Wan 2.2 S2V لإنشاء مقاطع مكملة تتحرك بالتزامن مع الإيقاع. وللتحريك السريع للصور الثابتة وفق المقطع الصوتي، يتولى Audio to Video العمل الشاق دون الحاجة إلى توليد فيديو جديد من أمر نصي.
أضف موسيقى Stable Audio 2.5 دائمًا بعد اكتمال الفيديو. ثم ارفع الدقة باستخدام Video Upscale by Topaz Labs قبل التصدير النهائي. رفع الدقة بعد مزامنة الصوت يمنع أي انزياح في التوقيت قد يحدث إذا عدّلت ملف الفيديو بعد إرفاق الصوت ومزامنته.
المواصفات المكتوبة لـ Stable Audio 2.5 تبدو جيدة على الورق. والاختبار الحقيقي يكمن في الاستخدام الممتد داخل سير فيديوهات الذكاء الاصطناعي غير الخاضعة للرقابة فعلًا. هناك عدة أمور تبرز باستمرار.
معظم مولّدات الموسيقى بالذكاء الاصطناعي تنتج مخرجات تتبع أمرك بشكل فضفاض لكنها غالبًا ما تنحرف إلى اتجاهات غير متوقعة، فتقدم شيئًا مرتبطًا بما طلبته بشكل غامض. يتتبع Stable Audio 2.5 الأمر بإحكام أكبر من النماذج المنافسة في فئة سعر مشابهة. إذا طلبت "غيتار أكوستيك بطيء ومغرٍ، يُعزف بالأصابع، تسجيل استوديو حميمي بميكروفون قريب، 60 BPM، منتصف الليل،" فهذا ما ستحصل عليه فعلًا. ملمس الميكروفون القريب والإيقاع والنبرة العاطفية كلها موجودة وقابلة للتمييز في المخرجات.
توليد خمسة إصدارات بقيم بذور مختلفة ينتج خمسة مقاطع مختلفة فعلًا، لا خمس نسخ مخلوطة قليلًا من الشيء نفسه. وهذا مهم لكفاءة سير العمل، لأنك تستطيع العثور على الـ"إحساس" المناسب بسرعة دون تشغيل عشرات التوليدات. عمليًا، عادةً ما يكفي توليدان أو ثلاثة لإيجاد مقطع صالح لمعظم المشاهد، ما يوفر الوقت والنقاط مقارنةً بنماذج تتطلب محاولات كثيرة.
من الصفات التي لا تُقدَّر بقدرها كيفية تعامل النموذج مع الصمت والمساحة داخل المقطع. اللحظات الهادئة في فيديوهات الذكاء الاصطناعي، خاصة في المحتوى البطيء أو الجوي للبالغين، تحتاج إلى صوت يتنفس بدلًا من أن يملأ المساحة باستمرار. ينتج Stable Audio 2.5 مقاطع ذات مدى ديناميكي حقيقي، بما في ذلك لحظات شبه صامتة تبدو مقصودة لا فراغات أو أخطاء في التوليد. هذه الجودة الديناميكية هي ما يفصله عن النماذج التي تنتج صوتًا كثيفًا باستمرار بغض النظر عن النية العاطفية وراء الأمر.
إذا كنت تنتج فيديوهات بالذكاء الاصطناعي وتعامل الصوت كفكرة لاحقة، فإن Stable Audio 2.5 على PicassoIA حل مباشر لذلك. النموذج متاح ضمن مجموعة توليد الموسيقى بالذكاء الاصطناعي في المنصة، ويمكن الوصول إليه إلى جانب كل أداة فيديو وصور في مساحة العمل نفسها. لا تحتاج إلى برامج خارجية أو اشتراك منفصل أو أي خلفية في إنتاج الصوت للحصول على نتائج تعمل.
ابدأ بأمر بسيط يصف مزاج فيديوك. ولّد ثلاثة إصدارات. اختر الإصدار الذي يناسب إيقاع اللقطات ونبرتها العاطفية. تستغرق العملية كلها دقائق. بالنسبة للصنّاع الذين يعملون مع محتوى الذكاء الاصطناعي غير الخاضع للرقابة ويعتمدون على مكتبات مفلترة أو يتركون الفيديوهات صامتة، فهذه هي القطعة المفقودة من سير العمل.
تجمع PicassoIA كل شيء في مكان واحد: توليد الصور، وتوليد الفيديو بنماذج مثل Seedance 2.5، والفيديو المستجيب للصوت مع Audio to Video، وتأليف الموسيقى التصويرية بالذكاء الاصطناعي مع Stable Audio 2.5، كل ذلك دون الاصطدام بقيود المحتوى في كل خطوة.
زر picassoia.com/en/all-models لرؤية مجموعة نماذج الذكاء الاصطناعي المتاحة كاملةً، بما في ذلك مكتبة توليد الموسيقى بالذكاء الاصطناعي كاملةً وكل أداة لتوليد الفيديو تقدمها المنصة.
اختر لغتك
