Veo 4 هو أقوى نموذج فيديو بالذكاء الاصطناعي لدى Google، إذ ينتج صوتًا متزامنًا مع فيديو واقعي كالصور الفوتوغرافية في تمريرة توليد واحدة. يشرح هذا المقال البنية متعددة الوسائط لنظام الصوت والفيديو في Veo 4، وكيف يعمل توليد الصوت الأصلي، وما يعنيه ذلك للمبدعين، وكيف تكرر هذه القدرة على PicassoIA اليوم.
إذا كنت تتابع الفيديو بالذكاء الاصطناعي في 2027، فأنت تعرف أن توليد لقطات واقعية لم يعد الجزء الصعب. الجزء الصعب كان دائمًا الصوت. لسنوات، كان سير العمل المعتاد يبدأ بتوليد الفيديو، ثم تُضاف الأصوات بشكل منفصل في مرحلة ما بعد الإنتاج. Veo 4 يغيّر ذلك تمامًا. فأقوى نموذج فيديو لدى Google يولّد الصوت والفيديو معًا، في تمريرة واحدة، مع تزامن التدفقين على مستوى الإطار منذ لحظة الإنشاء. هذا ليس تحسينًا تجميليًا. إنه تغيير بنيوي في طريقة بناء نماذج الفيديو بالذكاء الاصطناعي، وفي ما يمكنها إنتاجه.
الميزة الأبرز في Veo 4 هي المخرجات متعددة الوسائط الأصلية: يُخرج النموذج تدفق فيديو وتدفق صوت في الوقت نفسه، دون المرور بنموذج صوت منفصل بعد ذلك. كانت جميع الإصدارات السابقة تتطلب إما فيديو صامتًا أو مسار صوت مُلحقًا به. أما Veo 4 فيدمج الوعي بالصوت مباشرة في عملية التوليد.
تُدرَّب معظم نماذج توليد الفيديو على البيانات البصرية فقط. إنها مبنية على التعرف على شكل الأشياء. أما Veo 4 فيُدرَّب على بيانات صوت وفيديو مقترنة، أي أنه يتعلم كيف تُصدر الأشياء صوتًا في الوقت نفسه الذي تبدو فيه بصريًا. موجة تتكسر على الصخور لا تبدو بشكل معين فقط، بل لها بصمة صوتية محددة. والحشد في الملعب لا يتحرك فحسب، بل يهتف. Veo 4 يرمّز هذه العلاقات.
وهذا مهم لأن الترابط بين الصوت والصورة أمر يأخذه البشر كأمر مسلّم به. عندما نشاهد فيديو، نتوقع أن يتطابق صوت الخطوات مع إيقاع المشي. ونتوقع أن يتزامن صوت باب يُغلق مع الإطار الذي يظهر فيه. ويحقق Veo 4 هذه التوقعات تلقائيًا لأن الصوت والفيديو يُولَّدان من التمثيل الكامن نفسه، لا يُجمعان من عمليتين منفصلتين.
تعمل البنية بتوسيع تنبؤ النموذج بالتوكنات ليشمل الإطارات البصرية وإطارات الصوت معًا. ففي حين أن نموذج الفيديو القياسي يتنبأ بالإطار التالي بناءً على جميع الإطارات السابقة، يتنبأ Veo 4 بالوحدة السمعية البصرية التالية، مع الأخذ في الاعتبار الحالة البصرية والحالة الصوتية حتى تلك النقطة.
وهذا يعني أن النموذج يحافظ على الاتساق الزمني عبر الوسيطين. إذا تسارعت سيارة على الشاشة، ترتفع طبقة صوت المحرك لتتوافق معها. وإذا همس شخص، ينخفض الضجيج المحيط به ليتلاءم مع نبرته الأهدأ. العلاقة ثنائية الاتجاه: المخرجات البصرية تُوجّه الصوت، والمخرجات الصوتية تشكّل ما تستمر الصورة في فعله.
يتطلب فهم الآلية وراء مخرجات الصوت في Veo 4 تقسيم النظام إلى مكوناته الثلاثة الرئيسية: الصوت البيئي، والكلام والحوار، والموسيقى أو الموسيقى التصويرية.
الطبقة الأولى والأساسية هي الصوت البيئي. عندما توجّه Veo 4 بطلب لتوليد مشهد ساحلي، فهو لا يرسم الماء والسماء فحسب. بل يولّد المزيج المناسب من حركة الأمواج، والرياح، وأصوات طيور البحر، والهدير الخفيض الخافت للمياه العميقة. هذه الأصوات مستمدة من أنماط صوتية متعلَّمة مرتبطة بتلك البيئات البصرية.
ويتعامل النموذج أيضًا مع المنظور الصوتي. إذا كانت زاوية الكاميرا قريبة من سطح الماء، تكون أصوات الأمواج ممتلئة ومباشرة. وإذا كانت اللقطة جوية، تتغير البصمة الصوتية: تصبح الأصوات بعيدة، وتسود الرياح، ويعكس المزيج الواقع المادي للوجود على ارتفاع شاهق فوق المشهد. هذا النوع من الوعي بالصوت المكاني لم يكن متاحًا في أنظمة توليد الفيديو السابقة دون عمل واسع في مرحلة ما بعد الإنتاج.
💡 غالبًا ما يكون الصوت البيئي المكان الذي يضيف فيه توليد الفيديو بالذكاء الاصطناعي أكبر قدر من الواقعية المحسوسة. فمشهد شارع مزدحم بلا ضجيج مرور أو تغريد طيور أو همهمة جمهور محيط يبدو خاطئًا بعمق، حتى بدقة 4K. يسد Veo 4 هذه الفجوة تلقائيًا.
يصبح Veo 4 قويًا حقًا في المحتوى السردي عند توليف الكلام المتزامن مع الشخصيات المعروضة على الشاشة. إذا وصف أمرك النصي شخصًا يتكلم، يمكن أن يولّد Veo 4 حركات شفاه وصوتًا مقابلًا متزامنين. فالصوت ليس مخرجًا عامًا لتحويل النص إلى كلام يُسقَط فوق رسوم متحركة صامتة. إنه صوت يُولَّد في سياق الشخصية البصرية، يتطابق مع إيقاع الكلام وحجمه والنبرة العاطفية لما تفعله الشخصية على الشاشة.
ولهذا آثار كبيرة على السرد القصصي. فالأفلام القصيرة والمحتوى التجاري والفيديوهات التعليمية لم تعد تتطلب تسجيل تعليق صوتي منفصل وخطوة محاذاة لحركة الشفاه. تتحدث الشخصية أثناء حركتها، مع نسيج الصوت المدمج في عملية توليد الفيديو نفسها.
والنموذج قادر أيضًا على توليد أصوات حوار غير كلامية: تنهدات، وضحكات، وشهقات، وتعبيرات صوتية مشابهة. هذه الأصوات القصيرة غالبًا ما تُهمَل في مرحلة ما بعد إنتاج الصوت، لكنها تسهم بقدر كبير في مدى طبيعية الفيديو. يولّدها Veo 4 في سياقها، مرتبطة بسلوك الشخصية المرئي في الإطار.
إضافة إلى الصوت البيئي والكلام، يستطيع Veo 4 توليد موسيقى متكيفة تتناسب مع النبرة البصرية للمحتوى المولَّد. هذه ليست موسيقى خلفية مختارة من مكتبة جاهزة. إنها موسيقى تُولَّد لتتوافق مع الحالة المزاجية والإيقاع وموضوع ما يحدث على الشاشة.
يحصل مشهد أكشن عالي الطاقة على موسيقى إيقاعية دافعة. وتحصل لحظة عاطفية هادئة على شيء أهدأ وأكثر امتدادًا. يعدّل النموذج الطاقة الموسيقية لتتطابق مع الطاقة البصرية، فينتج موسيقى تصويرية تبدو مؤلفة للمحتوى المحدد، لا مُطبَّقة عليه.
💡 يستخدم مكوّن توليد الموسيقى عملية انتشار صوتي منفصلة تعمل بالتوازي مع التدفق البصري، ومشروطة بالتضمينات الدلالية نفسها التي تحرك الفيديو. ولهذا تبدو الموسيقى مناسبة للسياق، لا مُسندة عشوائيًا.
توليد الصوت والفيديو في الوقت نفسه أمر، والحفاظ على تزامنهما أمر آخر. فمحرك المزامنة في Veo 4 هو ما يصنع الفرق بين صوت يصاحب الفيديو بالمصادفة وصوت مرتبط بنيويًا به.
يعمل النموذج على مستوى الترابط السمعي البصري إطارًا بإطار. فلكل إطار بصري يُولَّد، يحسب المكوّن الصوتي المخرج الصوتي المتسق مع محتوى ذلك الإطار. ويحدث هذا ضمن التمريرة الأمامية نفسها، لذلك لا يوجد تأخر أو فجوة تقدير بين المخرجات البصرية والصوتية.
وهذا يختلف جوهريًا عن المزامنة اللاحقة، حيث يفحص نموذج صوت فيديوًا مكتملًا ويحاول مطابقة الأصوات مع ما يراه. مع Veo 4، لا يُعتبر أي من التدفقين "مكتملًا" قبل الآخر. يُبنيان معًا، ويؤثر كل منهما في مسار الآخر مع تقدم التوليد عبر الزمن.
الاتساق الزمني هو الخاصية التي تجعل تسلسل الإطارات يبدو واقعًا متصلًا، لا مجموعة من الصور الثابتة. بالنسبة إلى الفيديو، يعني ذلك أن الأجسام تحافظ على مظهر ثابت، وأن الإضاءة تتطور بسلاسة، وأن الحركة تتبع القوانين الفيزيائية. أما بالنسبة إلى الصوت، فيعني أن أحداث الصوت لها مدة وخفوت، وأن النغمات ترتفع وتنخفض بشكل طبيعي، وأن الانتقالات الصوتية بين الأصوات تبدو معقولة فيزيائيًا.
يحافظ Veo 4 على الاتساق الزمني عبر الوسيطين. وهذه هي المشكلة التقنية الصعبة. فالنموذج الذي يولّد كل إطار بشكل مستقل سينتج نتائج بصرية متنافرة. والنموذج الذي يولّد كل عينة صوتية بشكل مستقل سينتج فوضى صوتية. يعالج Veo 4 الأمرين بالحفاظ على نافذة سياق مشتركة عبر الزمن تغطي الحالة البصرية والصوتية معًا.
والنتيجة أن الصوت الذي يبدأ في إطار يستمر بشكل طبيعي إلى الإطار التالي، مع خفوت وصدى يتصرفان كما يتصرفان في الفضاء المادي. وحدث بصري يبدأ في التصاعد، مثل عاصفة رعدية تقترب من الأفق، يُتوقَّع في الصوت من خلال هدير بعيد يتزايد حتى قبل أن تظهر النتيجة البصرية.
فهم الفروق بين Veo 4 وسابقاته، وبين النماذج المنافسة، يساعد على توضيح ما تغيّر بالضبط ولماذا هو مهم.
| الميزة | Veo 2 | Veo 3 / 3.1 | Veo 4 |
|---|---|---|---|
| الصوت الأصلي | لا | نعم (أساسي) | نعم (كامل) |
| مزامنة الكلام | لا | جزئية | نعم |
| الموسيقى المتكيفة | لا | لا | نعم |
| المنظور الصوتي | لا | لا | نعم |
| مزامنة الصوت على مستوى الإطار | لا | جزئية | نعم |
| صدى الصوت | لا | لا | نعم |
| التكييف السمعي البصري ثنائي الاتجاه | لا | لا | نعم |
كان Veo 2 نموذجًا بصريًا فقط قويًا. وقدّم Veo 3 وVeo 3.1 الصوت الأصلي لأول مرة، مع توفير Veo 3.1 Fast إصدارًا أسرع للتوليد. ويقدم Veo 3.1 Lite مسارًا خفيفًا للمبدعين الذين يحتاجون إلى السرعة أكثر من دقة الصوت الكاملة. ويمثل Veo 4 التجسيد الكامل للبنية متعددة الوسائط التي بدأت هذه الإصدارات السابقة في بنائها.
اتخذت النماذج المنافسة مقاربات مختلفة. يولّد Seedance 2.0 من ByteDance الفيديو مع صوت مدمج، ويتوفر إصدار أسرع باسم Seedance 2.0 Mini. ويجمع Sora 2 من OpenAI بين توليد الصوت والفيديو. ويقدم Pixverse v6 فيديو سينمائيًا مع صوت متكامل. ويوفر Hailuo 02 من Minimax مخرجات صوت وفيديو عالية الجودة. ويولّد Q3 Turbo من Vidu فيديو 1080p مع صوت. تتبع كل منها مقاربة معمارية مختلفة، لكن الاتجاه المشترك واضح: قرر المجال أن توليد الفيديو البصري وحده لم يعد كافيًا.
ما يفعله Veo 4 ولم يحققه معظم المنافسين بالكامل بعد هو التكييف ثنائي الاتجاه: يُشكّل الصوتُ الصورةَ، وتُشكّل الصورةُ الصوتَ في كل خطوة من خطوات التوليد، لا في البداية فقط.
التطبيقات العملية لتوليد الصوت والفيديو المتزامنين واسعة. وإليك المجالات الثلاثة التي يُلمس فيها الفرق بشكل أوضح.
يعتمد المحتوى القصير على منصات مثل Instagram وTikTok وYouTube Shorts بشكل كبير على التأثير السمعي البصري. يمكن لفيديو صامت تُضاف إليه موسيقى لاحقًا أن ينجح. أما فيديو صُمّمت فيه الصورة والصوت معًا منذ البداية فينجح أكثر. يتيح Veo 4 للمبدعين توليد مشاهد كاملة قصيرة بصوت وكلام وموسيقى مناسبة في أمر نصي واحد.
وهذا يقلّص دورة الإنتاج بشكل كبير. ما كان يتطلب سابقًا توليدًا منفصلًا، ثم تنزيلًا، ثم تحريرًا للصوت، ثم إعادة تصدير، يمكن إنجازه الآن في خطوة واحدة. وبالنسبة إلى المبدعين الذين ينتجون بكميات كبيرة، فهذا تغيير إنتاجي ملموس.
للمحتوى التجاري متطلبات صارمة للصوت والصورة. يحتاج الكشف عن منتج إلى تصميم صوتي مناسب ليبدو فاخرًا. ويحتاج فيديو الشهادة إلى صوت يتطابق مع المتحدث المعروض. وتضع قدرة Veo 4 على توليد فيديو شخصيات متزامن مع الكلام وموسيقى متكيفة محتوى تجاريًا بجودة الإنتاج في متناول الفرق التي لا تملك مسارات كاملة لما بعد إنتاج الصوت.
كما تساعد قدرة النموذج على المنظور الصوتي في لقطات المنتجات. فالمنتج المعروض في بيئة خارجية سيحمل الصوت المحيط المناسب لتلك البيئة، ما يجعل النتيجة الإجمالية تبدو خاصة بالمكان، لا عامة كاستوديو.
يستفيد الفيديو التعليمي كثيرًا من السرد الصوتي المتزامن جيدًا. فالمقدم الذي يشرح مفهومًا بينما تظهر رسوم بيانية خلفه يحتاج إلى أن يكون الصوت والصورة مترابطين بإحكام. ومع Veo 4، يمكن توليد سيناريوهات تعليمية تروي فيها شخصية، مع إشارات صوتية مرتبطة بالانتقالات البصرية، وموسيقى خلفية تتلاشى بشكل مناسب عند الكلام.
وهذا هو نوع العمل الإنتاجي الذي كان يتطلب فريقًا من قبل. أما الآن، فمع الأمر النصي المناسب، يتولى استدعاء مولّد واحد العناصر الصوتية والبصرية معًا.
💡 بالنسبة إلى المحتوى التعليمي، فكّر في استخدام نماذج لغوية كبيرة مثل Gemini 3.1 Pro أو Claude Sonnet 5 لصياغة سيناريو الفيديو ونص التعليق أولًا. ثم أدخل ذلك السيناريو في Veo 4 ضمن الأمر النصي. كلما كان الإدخال أدق، كانت مزامنة الكلام والفيديو أكثر دقة.
لا تحتاج إلى وصول مباشر إلى Veo 4 لتبدأ العمل مع توليد الصوت والفيديو المتزامنين. يتيح PicassoIA عائلة نماذج Veo كاملة إلى جانب عشرات نماذج الصوت والفيديو المنافسة، كلها على منصة واحدة.
يمنحك Veo 3.1 على PicassoIA توليد صوت وفيديو أصليًا بمعمارية Google. إليك طريقة الحصول على نتائج قوية:
اكتب وصف مشهد، لا وصفًا بصريًا فقط. أدرج إشارات صوتية. فعبارة "محطة قطارات مزدحمة مع مكبرات صوت للإعلانات، وأصوات حقائب تتدحرج، وضجيج منصة بعيد" تمنح النموذج أهدافًا صوتية يعمل عليها إلى جانب الأهداف البصرية.
حدّد كلام الشخصية إن أردت ذلك. إذا كان ينبغي أن تتحدث شخصية، فأدرج ما تقوله وكيف تقوله (بهدوء، أو بإلحاح، أو بأسلوب حواري). يستخدم النموذج هذا لضبط توليد الصوت ومزامنة الشفاه.
حدّد الحالة المزاجية للموسيقى. فعبارة "متوترة وبسيطة" في مقابل "دافئة وسينمائية" ستنتج موسيقى تصويرية مختلفة تمامًا. كن واضحًا.
استخدم Veo 3.1 Fast للتكرار. عند اختبار الأوامر النصية، يولّد الإصدار السريع المخرجات بسرعة. انتقل إلى Veo 3.1 الكامل للحصول على الجودة النهائية.
تحقق من مزامنة الصوت والصورة على الخط الزمني. قبل اعتماد النتيجة، مرّر مؤشر التشغيل على امتداد الفيديو وتأكد من أن الكلام والمؤثرات الصوتية والموسيقى تتوافق جميعها مع المشاهد المقابلة لها. غالبًا ما يصحح تعديل بسيط في الأمر النصي أي انحراف في التزامن.
يستضيف PicassoIA مجموعة واسعة من النماذج التي تنتج فيديو متزامنًا مع الصوت. ولكل منها نقاط قوة مختلفة:
| النموذج | نقطة القوة | الاستخدام الأمثل |
|---|---|---|
| Veo 3.1 | ترابط سمعي بصري كامل | مشاهد سينمائية مع كلام |
| Veo 3.1 Lite | سرعة مع صوت أصلي | نماذج أولية سريعة للمحتوى |
| Seedance 2.0 | مقاطع صوت تصل إلى 30 ثانية | مشاهد سردية طويلة |
| Seedance 2.0 Mini | توليد سريع للصوت والفيديو | مقاطع منصات التواصل |
| Pixverse v6 | حركة سينمائية مع صوت | فيديوهات العلامات التجارية والإعلانات |
| Hailuo 02 | 1080p مع صوت غني | مخرجات عالية الدقة |
| Sora 2 | سرد قصصي بصوت متزامن | الأفلام القصيرة السردية |
| Q3 Turbo | 1080p مع صوت بسرعة | مخرجات احترافية سريعة |
| Flux 3 | فيديو بصوت متزامن | إنشاء لأغراض عامة |
| Grok Imagine Video 1.5 | تحويل الصورة إلى فيديو مع صوت | مشاهد الصور المتحركة |
| Audio to Video | تحريك الفيديو بالصوت | الفيديوهات الموسيقية والمحتوى التفاعلي |
| Wan 2.7 T2V | تحويل النص إلى فيديو بدقة 1080p | المحتوى البيئي بدقة عالية |
يستحق نموذج Audio to Video من Lightricks اهتمامًا خاصًا، فهو يتيح قيادة توليد الفيديو من مدخل صوتي، ما يعكس سير العمل المعتاد. فإذا كان لديك مقطع موسيقي أو تسجيل صوتي بالفعل، يمكنك توليد مرئيات تتحرك استجابةً له.
بالنسبة إلى المحتوى الذي يجمع بين مرئيات قوية وسيناريوهات أو تعليقات محللة بالذكاء الاصطناعي، فإن الجمع بين نموذج مثل GPT 5 لكتابة السيناريو ونموذج فيديو مثل Veo 3.1 للتوليد ينتج نتائج محكمة التحكم.
بنية الصوت والفيديو في Veo 4 ليست قدرة مستقبلية. إنها متاحة، وتعمل، والنماذج المبنية على المبادئ متعددة الوسائط نفسها متاحة على PicassoIA الآن. الفكرة الجوهرية من طريقة عمل Veo 4 هي هذه: الصوت والفيديو ليسا مشكلتين منفصلتين. إنهما مشكلة واحدة فصلتها النماذج السابقة عن بعضها. عندما تولّدهما معًا من التمثيل الكامن نفسه، يصبح المحتوى الناتج متكاملًا بطريقة لا يبلغها الصوت الذي يُضاف في مرحلة ما بعد الإنتاج.
الخطوات العملية واضحة. اختر مشهدًا. اكتب وصفًا يتضمن الإشارات الصوتية، والكلام، ونبرة الموسيقى. اختر نموذجًا من كتالوج الصوت والفيديو. ولّد. عدّل الأمر بناءً على ما تسمعه بقدر ما تراه.
يضع PicassoIA مجموعة كاملة من نماذج الصوت والفيديو المتزامنة بين يديك، من Veo 3.1 Fast للتكرار السريع إلى Hailuo 02 للمخرجات عالية الدقة. تتوفر أكثر من 87 نموذج فيديو، كثير منها بصوت أصلي. تصفح المجموعة الكاملة على picassoia.com/en/all-models وشاهد ما يمكن أن ينتجه توليد الصوت والفيديو المتزامنين لعملك الإبداعي.
اختر لغتك
