Vidu 2.0 من أكثر نماذج توليد الفيديو بالذكاء الاصطناعي قدرةً المتاحة اليوم، إذ يقدّم مخرجات بدقة 1080p، وثباتًا للشخصيات قائمًا على الصور المرجعية، وتحكمًا دقيقًا في حركة الكاميرا. يشرح هذا المقال كل ميزة فيه، ويقارنه بأبرز البدائل مثل Kling و Wan و Sora، ويوضح لك بالتفصيل كيفية استخدام نماذج Vidu على PicassoIA لإنتاج نتائج سينمائية من أمر نصي واحد.
إذا كتبت جملة وحصلت على فيديو بدقة 1080p يبدو وكأنه صُوّر بكاميرا سينمائية، فأنت تعمل مع Vidu 2.0. أطلقته شركة Shengshu Technology في 2024، ودفع جودة تحويل النص إلى فيديو إلى مستوى لم تكن معظم الأدوات تتجاوز مجرد الوعد به. يغطي هذا المقال بالتفصيل ما يفعله Vidu 2.0، وكيف يتعامل مع أصعب جوانب توليد الفيديو، وأين يقف أمام المنافسة الحالية، وكيف تبدأ باستخدام نماذج Vidu الآن عبر PicassoIA.
Vidu 2.0 نموذج لتوليد الفيديو قائم على الانتشار (diffusion)، مدرّب على إنتاج مقاطع عالية الدقة من أوامر نصية أو صور مرجعية. المنتج الأساسي بسيط: تصف مشهدًا، فيعرضه النموذج على شكل فيديو. ما يميّز Vidu 2.0 عن الأساليب الأقدم هو طريقة معالجته للحركة والثبات وسلوك الكاميرا في الوقت نفسه.
بنته شركة Shengshu Technology بالتعاون مع باحثين من جامعة Tsinghua، ما يمنحه دعمًا أكاديميًا قويًا إلى جانب تطبيقه التجاري. ويظهر ذلك في جودة المخرجات، خاصة في طريقة تعامله مع الحركة القائمة على الفيزياء والعلاقات المكانية بين الأشياء في المشهد.
كانت معظم نماذج تحويل النص إلى فيديو الأولى لا تتجاوز مخرجات 512p ضبابية، بحواف مرتعشة وحركة تبدو وكأنها مُستكملة بين الإطارات في حلم محموم. ينتج Vidu 2.0 فيديوهات بدقة 1080p مع جودة حركة سينمائية، ويصل إلى مقاطع تصل مدتها إلى 16 ثانية في مرور واحد. يتعامل النموذج مع أوصاف المشاهد المعقدة دون العيوب الشائعة التي أثقلت كاهل أسلافه: لا خلفيات تتمايل، ولا وجوه تذوب، ولا أشياء تخترق بعضها أثناء المقطع.
السرعة أيضًا لافتة. يعمل Vidu 2.0 بسرعة كافية لتكون عمليًا في سير عمل الإنتاج، لا كعرض تجريبي فقط. يمكنك تكرار الأوامر النصية، وتجربة بدائل، ومراجعة النتائج دون أن تضيع نصف يوم في انتظار التصيير. وهذا مهم لأن التكرار هو ما يصنع الفيديو الجيد بالذكاء الاصطناعي. فالناتج الأول نادرًا ما يكون النهائي.
من أصعب المشكلات التي لم تُحل بعد في توليد الفيديو بالذكاء الاصطناعي الحفاظ على ثبات الأشخاص عبر عدة مقاطع. إذا ولّدت خمسة مشاهد مختلفة بالشخصية نفسها، فإن معظم النماذج تتعامل مع كل مشهد كتوليد جديد. تبدو الشخصية مختلفة قليلًا في كل مقطع: شكل فك مختلف، ولون عيون مختلف، وملمس شعر مختلف. ويصبح تجميع هذه المقاطع في سرد متماسك شبه مستحيل.
قدّم Vidu 2.0 وضع الصورة المرجعية الذي يثبّت النموذج على شخص محدد من صورة مرفوعة. والنتيجة ثبات الشخصية عبر عدة توليدات. وهذه ميزة عملية فعلًا لمن يبني سلسلة أو فيلمًا قصيرًا أو محتوى لعلامة تجارية تهم فيها الهوية البصرية. ارفع صورة شخصية واضحة، وصف المشهد، وسيضع النموذج هذا الشخص تحديدًا في الفيديو الذي تولّده بدلًا من ابتكار وجه جديد من الصفر.
شهد مجال تحويل النص إلى فيديو في 2024 و2025 ازدحامًا سريعًا. أطلقت Sora 2 من OpenAI، وVeo 3 من Google، وKling v2.1 من Kuaishou، وSeedance 2.0 من ByteDance خلال أشهر متقاربة. ولكل منها نقطة قوة مختلفة، واختيار النموذج المناسب لمهمة بعينها أهم من اختيار النموذج "الأفضل" بشكل مجرد.
| النموذج | الدقة | ثبات الشخصيات | التحكم في الكاميرا | الصوت الأصلي |
|---|---|---|---|---|
| Vidu 2.0 | 1080p | نعم، وضع المرجع | نعم | لا |
| Sora 2 | 1080p | محدود | نعم | نعم |
| Veo 3 | 1080p | لا | نعم | نعم |
| Kling v2.1 | 1080p | محدود | نعم | لا |
| Seedance 2.0 | 1080p | لا | نعم | نعم |
| Hailuo 02 | 1080p | لا | محدود | لا |
يتفوق Vidu 2.0 بوضوح في ثبات الشخصيات. إذا كان سير عملك يتطلب ظهور الشخص نفسه أو الشيء نفسه بثبات عبر عدة مقاطع، فلا يوجد نموذج آخر في هذه الفئة يتعامل مع ذلك بهذا القدر من الاتساق. أما نقطة ضعف Vidu فهي الصوت الأصلي. نماذج مثل Veo 3 وSeedance 2.0 تولّد أصواتًا محيطية متزامنة داخل الفيديو. لا يتضمن Vidu الصوت في مخرجاته، ما يفرض خطوة إضافية في مرحلة ما بعد الإنتاج إذا كان الصوت مهمًا في المنتج النهائي.
غياب توليد الصوت هو القيد الرئيسي. في محتوى وسائل التواصل الاجتماعي الذي يكون فيه الصوت المحيطي مهمًا، ستحتاج إلى إضافة الصوت لاحقًا، أو استخدام نموذج مثل Hailuo 02 أو Wan 2.7 T2V عندما يكون الصوت أولوية في مشروع بعينه.
حساسية الأوامر النصية نقطة أخرى تستحق الذكر. يستجيب Vidu 2.0 بقوة للأوامر النصية المُحكمة، لكنه قد ينتج نتائج غير متسقة إذا كان الوصف غامضًا أو يحتوي على تعليمات مكانية متعارضة. وهذا ليس حكرًا على Vidu، لكنه أوضح في Vidu منه لدى بعض المنافسين. النموذج يكافئ التحديد الدقيق، وهو أمر يتعلمه معظم المستخدمين عبر التكرار.
💡 نصيحة: إذا بدت مخرجاتك غير صحيحة، فالمشكلة غالبًا في الأمر النصي. صِف زاوية الكاميرا والإضاءة وفعل الشخص بوضوح قبل تعديل أي إعداد آخر.
يدعم Vidu 2.0 تعليمات حركة الكاميرا الصريحة. يمكنك تحديد حركات الدولي (dolly)، واتجاهات البانوراما، وسلوك التكبير، واللقطات الدائرية باستخدام اللغة الطبيعية. هذا ليس ضمانًا لتنفيذ مثالي، لكنه موثوق بما يكفي للاستخدام في تخطيط الإنتاج. وصف "دفعة بطيئة للداخل نحو الشخص من مسافة متوسطة" ينتج باستمرار حركة كاميرا أمامية واضحة، وهذا أكثر مما تستطيع كثير من النماذج تقديمه بثبات.
يفيد هذا التحكم خصوصًا في أعمال التصوير التمهيدي (pre-visualization)، حيث تحتاج إلى اختبار توزيع الممثلين وزوايا الكاميرا قبل الالتزام بتصوير فعلي. توليد خمس حركات كاميرا مختلفة للمشهد نفسه يكلّفك خمسة مدخلات نصية ودقائق قليلة. أما فعل ذلك بكاميرا حقيقية فيكلّف يوم تصوير كامل.
تعاني معظم نماذج تحويل النص إلى فيديو عندما تضع شخصين أو أكثر في الإطار نفسه. تتداخل الشخصيات عند الحواف، وتنحرف الأحجام بين الإطارات، وتبدو التفاعلات مستحيلة فيزيائيًا بحلول الثانية الثالثة من المقطع. يتعامل Vidu 2.0 مع الأوامر متعددة الأشخاص بشكل أفضل من معظم النماذج، فيحافظ على الفصل بين الأشخاص والعلاقات المكانية المعقولة بينهم طوال مدة المقطع. ليس مثاليًا، لكنه أكثر موثوقية بكثير مما كان ممكنًا قبل اثني عشر شهرًا فقط.
يعمل Vidu على عدة مستويات جودة. تضحّي أوضاع التوليد الأسرع ببعض سلاسة الحركة مقابل السرعة، وتظهر هذه التضحية أكثر في حركة الخلفية المعقدة وديناميكية الشعر أو القماش. تنتج أوضاع الجودة العالية مخرجات أنظف لكنها تستغرق وقتًا أطول في التصيير. عمليًا، يعمل الوضع السريع جيدًا للمسودات والتكرار، بينما يكون وضع الجودة الكاملة ما تريده قبل التصدير النهائي. وأكثر الطرق كفاءة هي التعامل معهما كأداتين منفصلتين لمراحل مختلفة من سير العمل.
تبدو مخرجات 1080p من نموذج تحويل النص إلى فيديو مثيرة للإعجاب، حتى تكبّر الصورة وترى ارتعاش الملمس أو ترددًا في الحواف أو بشرة تبدو مرسومة بشكل غير متسق من إطار إلى آخر. يصمد Vidu 2.0 عند مستوى البكسل أفضل من معظم نماذج فئته. تبقى التفاصيل الدقيقة، مثل ملمس القماش وحركة الشعر وتفاصيل العمارة في الخلفية، مستقرة بشكل معقول عبر الإطارات بدلًا من أن تتذبذب بين نسخ متشابهة قليلًا من نفسها.
ارفع صورة لشخص أو منتج أو شيء، وسيستخدمها Vidu 2.0 كمرساة بصرية للتوليد. يعالج النموذج المرجع وقت الأمر النصي ويدمج مظهر الموضوع في المخرجات. وهذا يفتح سير عمل لم يكن ممكنًا مع الأوامر النصية وحدها: اختيار شخص محدد للظهور في مشهد، والحفاظ على مظهر المنتج متسقًا مع الهوية البصرية للعلامة عبر عدة مقاطع، وبناء سرد متعدد المشاهد تظهر فيه الشخصية نفسها مرارًا.
💡 نصيحة: استخدم صورًا مرجعية واضحة ومضاءة جيدًا بخلفية محايدة أو بسيطة. كلما كان المرجع أنظف، كان النموذج أقدر على عزل الخصائص البصرية للموضوع وإعادة إنتاجها.
يقدّم PicassoIA نموذجين من Vidu: Q3 Turbo وQ3 Pro. كلاهما من خط تطوير Vidu، ويمثلان أسهل طريقة لتشغيل توليد الفيديو القائم على Vidu دون إعداد أي بنية تحتية محلية أو إدارة بيانات اعتماد API بشكل مباشر.
Q3 Turbo هو الخيار الأسرع. يولّد فيديو 1080p مع الصوت، ومحسّن للسرعة، ما يجعله الخيار الصحيح للتكرار والمسودات ومحتوى وسائل التواصل حين تريد نتائج سريعة. يتعامل مع معظم الأوامر النصية بشكل جيد، ويُنتج حركة نظيفة عبر كامل مدة المقطع. ميزة السرعة كبيرة عندما تختبر عدة بدائل للأمر النصي على المفهوم نفسه.
يعطي Q3 Pro الأولوية للجودة على السرعة. تحتوي المخرجات على تفاصيل بصرية أكثر، وتكون الحركة أنعم عبر الانتقالات المعقدة، وتنتج الأوصاف المشهدية المفصلة توزيعات مكانية أدق. استخدم Q3 Pro عندما تولّد أصلًا نهائيًا لا مسودة عمل.
بالنسبة لمعظم سير العمل، النهج الصحيح هو التكرار باستخدام Q3 Turbo حتى تنتج بنية الأمر النصي نتائج متسقة، ثم تشغيل النسخة النهائية عبر Q3 Pro للمخرج النهائي.
جودة مخرجاتك مرتبطة مباشرة بتحديد الأمر النصي. المدخلات الغامضة تنتج مخرجات عامة. يحتاج النموذج إلى معلومات واضحة عما يوجد في المشهد، وكيف هو مضاء، وكيف تتحرك الكاميرا، وماذا يفعل الشخص.
أمر نصي ضعيف: "a woman walking in a city"
أمر نصي قوي: "A woman in her 30s in a light beige coat walks at a calm pace through a tree-lined urban street in autumn, morning light filtering through orange leaves, handheld camera following slightly behind at eye level, warm color grade, slight film grain, 1080p"
يستغرق الأمر النصي الأقوى 15 ثانية إضافية للكتابة، لكنه ينتج مخرجات مختلفة جوهريًا. بتفكيكه، يحدد النص القوي مظهر الشخص، والملابس، وتفاصيل المكان، ووقت اليوم، وجودة الإضاءة، وموضع الكاميرا، ونوع الحركة، والصفات الأسلوبية. كل عنصر يضيّق تفسير النموذج باتجاه قصدك الفعلي.
يتيح كل من Q3 Turbo وQ3 Pro على PicassoIA ضبط مدة المقطع ونسبة العرض إلى الارتفاع. بالنسبة لمحتوى وسائل التواصل، يناسب التنسيق العمودي 9:16 منصات Reels وTikTok بشكل أفضل. أما للعمل السينمائي فالمعيار هو 16:9. ابدأ بمقاطع من 4 إلى 6 ثوانٍ للتحقق من أمرك النصي قبل الالتزام بتصيير أطول. مقطع مدته 4 ثوانٍ يثبت فكرة المشهد يستحق أكثر من مقطع مدته 16 ثانية يكشف عن مشكلة في الأمر النصي في منتصفه.
💡 نصيحة: اختبر متغيرًا واحدًا في كل مرة. غيّر زاوية الكاميرا وأعد التوليد. ثم غيّر الإضاءة وأعد التوليد. هذا يجعل من الأسهل بكثير عزل ما يدفع فرق الجودة بين المخرجات.
يُعد محتوى الفيديو القصير حالة الاستخدام الأكثر حجمًا في توليد الفيديو بالذكاء الاصطناعي حاليًا. وQ3 Turbo مناسب لذلك جدًا. يمكنك إنتاج 10 إلى 15 بديلًا لفكرة واحدة في الوقت الذي كان يستغرقه تصوير واحد. يعني نظام الصورة المرجعية أن علامتك التجارية أو منتجك أو شخصياتك المتكررة تبقى متسقة بصريًا عبر المنشورات، وهذا مهم عندما تبني جمهورًا يحتاج إلى التعرف على لغتك البصرية عبر عدة قطع من المحتوى.
بالنسبة للمقاطع التي يكون فيها الصوت المحيطي مهمًا لتجربة المشاهد، اقرن توليدات Vidu الخاصة بك بنموذج Pixverse v5 أو Hailuo 02 للحصول على بدائل مع صوت، ثم اختر أفضل مخرجات من الاثنين.
يجعل وضع الصورة المرجعية Vidu 2.0 عمليًا بشكل خاص للتجارة الإلكترونية وعرض المنتجات. ارفع صورة منتج واضحة، وصف المشهد من حوله، وولّد فيديو يضع المنتج في سياقه دون تصوير فعلي. زجاجة عطر على طاولة رخام في حمام مضيء بالشمس. زوج أحذية على شارع من حجارة مرصوفة مبلل بالمطر. ساعة على معصم أمام خلفية خريفية في الهواء الطلق. كل من هذه المشاهد قابل للتحقيق من صورة منتج واحدة وأمر نصي جيد الصياغة.
هذا ليس بديلًا كاملًا لفيديو المنتجات الاحترافي، لكنه يغطي معظم الحالات التي تحتاج فيها إلى محتوى حركي بسرعة، ولا يكون التصوير الفعلي عمليًا ضمن الجدول الزمني أو الميزانية.
بالنسبة للكتّاب والمخرجين الذين يستخدمون الذكاء الاصطناعي أداةً للتصوير التمهيدي أو رسم القصص المصورة، يغيّر ثبات الشخصيات في Vidu 2.0 ما هو ممكن. ولّد الشخصية نفسها في عدة مشاهد باستخدام وضع المرجع، واختبر توزيع الكاميرا والإضاءة قبل الالتزام بالإنتاج، وشارك المراجع البصرية مع المتعاونين دون الحاجة إلى إنشاء أي أصول مادية. وتتقلص المسافة بين النص المكتوب والمرجع البصري الذي يستطيع فريق كامل التفاعل معه بشكل كبير.
يكمّل نموذجا LTX 2 Pro وKling v3 Video على PicassoIA نموذج Vidu بشكل جيد في حالة الاستخدام هذه. استخدمهما للمشاهد التي تتطلب صفات أسلوبية مختلفة، أو عندما تريد مقارنة المخرجات من عدة نماذج قبل تحديد الاتجاه البصري للمشروع.
يمثل Vidu 2.0 خطوة مهمة في جودة الفيديو بالذكاء الاصطناعي. تضعه مخرجاته بدقة 1080p، وثبات الشخصيات القائم على المراجع، والتحكم في الكاميرا، في الفئة العليا من النماذج المتاحة لعام 2024. غياب الصوت الأصلي قيد حقيقي، لكنه قابل للإدارة حسب سير عملك، وجودة المخرجات البصرية تعوّض عنه في معظم الحالات.
أسرع طريقة لترى ما يستطيع النموذج فعلًا القيام به هي أن تبدأ بأمر نصي محدد ومفصل بدلًا من أمر غامض، وأن تستخدم Q3 Turbo في تكراراتك الأولى، ثم تنتقل إلى Q3 Pro بمجرد أن تصل إلى بنية أمر نصي تنتج نتائج جيدة باستمرار.
يتيح لك PicassoIA الوصول إلى نموذجي Vidu إلى جانب أكثر من 100 خيار آخر لتحويل النص إلى فيديو، من بينها Wan 2.7 T2V، وSeedance 2.0، وVeo 3، وSora 2. تشغيل الأمر النصي نفسه عبر عدة نماذج ومقارنة النتائج مباشرة هو غالبًا أسرع طريقة لتعرف أي نموذج يناسب احتياجك الإبداعي فعلًا، والقيام بهذه المقارنة من منصة واحدة دون إدارة حسابات متعددة ميزة حقيقية عندما تعمل بسرعة الإنتاج.
اختر لغتك
