روش ساخت ویدیو با هوش مصنوعی؛ آشنایی با ابزارها، نگارش پرامپت و راهنمای گام‌به‌گام

به نقل از خبرگزاری خبرآنلاین، اما باید دانست که ایجاد یک ویدیوی مفید با هوش مصنوعی به سادگی نوشتن یک جمله و زدن یک دکمه محدود نمی‌شود. سازنده ویدیو باید ایده را به بخش‌های کوچک تقسیم کند، برای هر صحنه دستورالعمل دقیقی را طراحی کند، خروجی‌ها را مورد ارزیابی قرار دهد و در نهایت، تصویر، صدا، موسیقی و ویرایش را به‌طور هماهنگ ترکیب کند.

ویدیوسازهای مبتنی بر هوش مصنوعی چه قابلیت‌هایی دارند؟

مدل‌های ویدئویی تولیدشده با هوش مصنوعی می‌توانند متن یا تصاویر را به ویدیو تبدیل کنند، حرکات سوژه و دوربین را شبیه‌سازی نمایند و در برخی نسخه‌ها، صدا، گفت‌وگو و موسیقی را هم به ویدیو بیفزایند.

ابزارهای نوظهوری مانند Veo، Runway، Kling و Luma برای تبدیل متن و تصویر به ویدیو، تولید نماهای سینمایی، متحرک‌سازی عکس‌های ثابت و ویرایش ویدیو طراحی شده‌اند. ویژگی‌های این سرویس‌ها به سرعت در حال تحول هستند؛ بنابراین قبل از استفاده، می‌بایست قابلیت‌ها، هزینه‌ها، محدودیت‌های دسترسی و شرایط استفاده تجاری هر ابزار را به‌دقت بررسی کرد.

کدام ابزارها برای ویدیو‌سازی با هوش مصنوعی مناسب‌اند؟

Google Veo

Veo ابزاری برای تولید ویدیو بر اساس متن و تصویر است و بر واقع‌گرایی، درک دقیق پرامپت، کنترل خلاقانه و ایجاد ویدیوهای همراه با صدا تأکید دارد.

می‌توان از این ابزار برای ساخت نماهای کوتاه، ویدیوهای تبلیغاتی، محتوای شبکه‌های اجتماعی و بازسازی بصری ایده‌های داستانی بهره برد.

Runway

Runway یک مجموعه کامل از ابزارهای تولید و ویرایش ویدیو را در اختیار کاربران قرار می‌دهد. با استفاده از متن یا تصویر، کاربران می‌توانند کلیپ‌هایی ایجاد کنند و ویژگی‌هایی مانند حرکات دوربین و ظاهر نما را تحت کنترل خود داشته باشند.

این ابزار به‌ویژه برای تولید نماهای سینمایی، آزمون ایده‌های بصری و اصلاح ویدیوهای موجود کاربرد دارد.

Kling

Kling یکی از ابزارهای برتر برای تولید ویدیو از متن و تصویر است. این سرویس برای ایجاد نماهای چندبخشی، نمایش حرکات پیچیده و تولید برخی عناصر صوتی به کار می‌رود.

Kling همچنین در برخی از محیط‌های تولید محتوای خلاقانه، نظیر Adobe Firefly، در دسترس قرار گرفته است.

Luma AI و Ray

ابزارهای Luma برای زنده کردن تصاویر ثابت، شبیه‌سازی حرکات دوربین و حفظ تداوم سوژه در نماهای مختلف طراحی شده‌اند.

این سرویس‌ها به‌ویژه برای تبدیل تصاویر مفهومی به نماهای متحرک، تولید تیزرهای کوتاه و ساخت محتوای بصری برای شبکه‌های اجتماعی مناسب هستند.

Adobe Firefly Video

Adobe Firefly یک محیط مناسب برای تولید و اصلاح محتوای خلاقانه فراهم می‌آورد. علاوه‌بر این، با استفاده از مدل‌های مشترک، امکانات بیشتری را برای کاربران عرضه می‌کند.

مزیت این رویکرد مقایسه خروجی چند مدل و اصلاح ویدیو در یک جریان کاری واحد است.

Gemini

Gemini در اکوسیستم گوگل، به برخی ویژگی‌های تولید ویدیو مانند Veo دسترسی فراهم می‌کند. کاربر ممکن است به‌جای ورود مستقیم به محیط تخصصی ویدیو، مصالحه Gemini را برای تولید کلیپ انتخاب کند.

ویژگی‌های دقیق Gemini به نوع حساب کاربری، نسخه مدل و سرویس ارائه‌دهنده بستگی دارد.

تفاوت بین تولید ویدیو از متن و تصویر چیست؟

دو روش کلیدی برای ویدیو‌سازی با هوش مصنوعی وجود دارد:

تولید ویدیو از متن؛ Text-to-Video

در این روش، کاربران صحنه هدف خود را با استفاده از توصیفات کلامی ارائه می‌دهند و مدل بر اساس آن، کلیپی را تولید می‌کند.

به‌عنوان مثال، یک پرامپت می‌تواند چنین باشد:

خیابانی خیس در تهران در زمان غروب؛ نور چراغ‌های خودرو روی آسفالت منعکس می‌شود؛ دوربین به‌آرامی به عابری با چتر قرمز نزدیک می‌شود؛ سبک واقع‌گرایانه و سینمایی، نورپردازی طبیعی، فضایی آرام و کمی رمزآلود.

این روش برای زمانی ایده‌آل است که کاربر هنوز تصویری در ذهن ندارد و می‌خواهد صحنه را از پایه طراحی کند.

تولید ویدیو از تصویر؛ Image-to-Video

در این روش، کاربر ابتدا یک تصویر مرجع را در اختیار مدل قرار می‌دهد و سپس درخواست می‌کند تا آن تصویر به یک ویدیو متحرک تبدیل شود.

به‌عنوان نمونه، پرامپتی ممکن است به این شکل باشد:

عابری به‌آرامی قدم می‌زند، چتر قرمز او با وزش باد کمی تکان می‌خورد، قطرات باران در روشنایی چراغ‌ها نمایان می‌شوند و دوربین با حرکتی نرم از کنار او عبور می‌کند.

متد Image-to-Video زمانی مناسب‌تر است که ظاهر شخصیت، لباس، محیط یا ترکیب‌بندی صحنه از قبل تعریف شده باشد.

فرمول نوشتن پرامپت برای ویدیو

برای شروع، می‌توان از این الگوی کلی استفاده کرد:

موضوع + محیط + عمل + حرکت محیط + حرکت دوربین + نور + سبک + حال‌وهوای کلی + نسبت تصویر

به‌عنوان مثال:

گربه‌ای سیاه بر روی پشت‌بام یک خانه قدیمی در تهران در زمان غروب به آرامی گام برمی‌دارد؛ باد ملایم موهایش را به حرکت درمی‌آورد؛ دوربین با حرکتی نرم از کنارش عبور می‌کند؛ نور طلایی و سایه‌های بلند؛ سبک واقع‌گرایانه و سینمایی؛ فضایی آرام و کمی مرموز؛ نسبت تصویر ۱۶:۹.

در تولید ویدیو، برخلاف تصویر ثابت، باید به زمان و حرکت نیز توجه کرد. یک عبارت ساده مانند «مردی کنار دریا ایستاده است» برای تولید تصویر مناسب است، اما نکات کافی برای ویدیو ارائه نمی‌دهد.

نسخه‌ای کامل‌تر:

مردی کنار دریا ایستاده است؛ باد آرام پیراهنش را تکان می‌دهد؛ موج‌ها به سمت ساحل نزدیک می‌شوند؛ دوربین از نمای باز به‌آرامی به نمای متوسط نزدیک می‌شود.

در این مثال، حرکات شخصیت، محیط و دوربین به‌روشنی مشخص شده است.

چگونه پرامپتی حرفه‌ای‌تر بنویسیم؟

برای دستیابی به نتایج بهتری، رعایت چند نکته از اهمیت بالایی برخوردار است:

۱. حرکت‌ها را ساده نگه دارید

در یک صحنه، اگر بخواهید حرکات شخصیت، حرکات چند شیء، تغییر نور و چرخش دوربین را همزمان تعریف کنید، احتمال ناپایداری تصویر بسیار افزایش می‌یابد.

در اولین تلاش، یک یا دو حرکت کلیدی را مشخص کرده و پس از دیدن نتیجه، جزئیات بیشتری بیافزایید.

۲. زاویه و نوع نما را دقیقا مشخص کنید

عبارت‌هایی مانند «نمای باز»، «نمای متوسط»، «کلوزآپ»، «نمای از بالا» یا «حرکت تراکینگ» به مدل کمک می‌کند تا جایگاه دوربین را بهتر درک کند.

به‌عنوان مثال:

کلوزآپ از دست دختر که یک نامه قدیمی را باز می‌کند؛ حرکت ملایم دوربین به سمت کاغذ؛ نور گرم چراغ ایستگاه؛ فضایی رمزآلود.

۳. زمان و نور را در نظر بگیرید

زمان روز، وضعیت جوی و نوع نور تأثیر زیادی بر نتیجه نهایی دارند:

• صبح مه‌آلود؛
• غروب با نور طلایی؛
• شب بارانی؛
• نور سرد مهتاب؛
• نورپردازی استودیویی؛
• سایه‌های بلند و کنتراست بالا.

۴. سبک تصویری را دقیقا مشخص کنید

در صورت لزوم، سبک مورد نظر را نیز بیان کنید:

• واقع‌گرایانه؛
• مستندگونه؛
• سینمایی؛
• انیمیشن سه‌بعدی؛
• فانتزی؛
• نقاشی متحرک؛
• نوآر؛
• تبلیغاتی و لوکس.

۵. از دستورهای منفی استفاده کنید

برخی ابزارها امکان استفاده از دستورهای منفی را فراهم می‌آورند. این دستورها به شما این امکان را می‌دهند که موارد ناخواسته را شناسایی کنید:

بدون تغییر چهره، بدون دستان اضافی، بدون نوشته‌های ناخوانا، بدون حرکت دوربین لرزان، بدون تغییر لباس.

این دستورات همیشه نمی‌توانند مشکلات را به‌طور کامل برطرف کنند، اما می‌توانند احتمال بروز مشکلات را کاهش دهند.

ساخت فیلم کوتاه از طریق هوش مصنوعی؛ شات به شات

بهتر است یک فیلم کامل را در یک مرحله تولید نکنید. فیلم را به نماهای کوتاه تقسیم کنید.

به‌عنوان مثال، برای داستان دختری که در ایستگاه قطار نامه‌ای قدیمی پیدا می‌کند، می‌توان شات‌لیستی به این صورت تهیه کرد:

1. نمای بیرونی ایستگاه قطار در زمان غروب؛
2. ورود دختر به سالن انتظار؛
3. حرکت دختر در کنار نیمکت‌ها؛
4. پیدا کردن نامه‌ای بر روی یک نیمکت قدیمی؛
5. نمای نزدیک از دست و نامه؛
6. واکنش چهره دختر؛
7. نگاه‌کردن او به قطاری که در حال حرکت است؛
8. پایان صحنه با باقی‌ماندن نامه در دست دختر.

هر نما را به‌صورت جداگانه تولید کرده و سپس در نرم‌افزار ویرایش، کنار یکدیگر قرار دهید.

این روش دو مزیت دارد: اگر یکی از نماها دچار مشکل باشد، تنها آن نما مجدداً تولید می‌شود و کنترل بهتری بر ریتم و روایت فیلم خواهید داشت.

چگونه هویت شخصیت را در نماهای مختلف ثابت نگه داریم؟

یکی از چالش‌های اصلی در ساخت فیلم با هوش مصنوعی، حفظ هویت شخصیت در نماهای مختلف است. ممکن است که مدل در یک صحنه، موهای شخصیت را بلند و مشکی نشان دهد و در صحنه بعدی، همان شخصیت را با موهای کوتاه یا لباسی متفاوت تولید کند.

برای کاهش این مشکل، باید مشخصات شخصیت را در تمامی پرامپت‌ها یکسان نگه دارید:

زن ۲۸ ساله، موهای مشکی تا روی شانه، کت بلند خاکستری، شال زرشکی، چهره طبیعی، کیف چرمی قهوه‌ای.

این توصیف را در نماهای مختلف تکرار کنید. اگر ابزار امکان استفاده از تصویر مرجع، تصویر شخصیت یا قفل‌کردن چهره را می‌دهد، بهتر است از آن قابلیت استفاده کنید.

همچنین پیشنهاد می‌شود یک «برگه مشخصات شخصیت» تهیه کنید و ویژگی‌های زیر را در آن درج نمایید:

• سن تقریبی؛
• رنگ و مدل مو؛
• لباس؛
• رنگ چشم؛
• لوازم همراه؛
• مشخصات چهره؛
• حالت و زبان بدن.

صدا، دیالوگ و موسیقی در ویدیوی تولیدشده با هوش مصنوعی

یک فیلم تنها با تصاویر نیست. صدا، دیالوگ، موسیقی، افکت و ویرایش نیز اجزای کلیدی تجربه تماشاگر محسوب می‌شوند.

برخی مدل‌های جدید تولید ویدیو می‌توانند صداهای پس‌زمینه، افکت‌ها و گفتگوها را به همراه تصویر ایجاد کنند. با این حال، در پروژه‌های جدی بهتر است صدای تولید شده نیز همچون تصویر به‌دقت بررسی و در صورت نیاز، به‌طور جداگانه ویرایش شود.

برای مثال، ممکن است تصویر یک ایستگاه قطار مناسب باشد، اما صدای قطار، دیالوگ شخصیت یا صداهای محیط به‌خوبی با حرکت تصویر هماهنگ نباشند. در چنین مواردی، تولید یا ویرایش مجزای صدا می‌تواند نتایج بهتری به‌همراه داشته باشد.

تولید موسیقی فیلم با هوش مصنوعی

برای ساخت موسیقی متن، لزوماً نیازی به دانش تخصصی در آهنگ‌سازی نیست. ابزارهای تولید موسیقی می‌توانند بر اساس سبک، فضای احساسی، سازبندی و مدت زمان، یک قطعه متناسب با پروژه تولید کنند.

Suno

Suno یکی از ابزارهای شناخته‌شده در زمینه تولید موسیقی با هوش مصنوعی است. کاربر قادر است سبک، حال‌وهوای احساسی، موضوع و نوع قطعه را تعیین کند و قطعه‌ای با وکال و ترانه یا نسخه‌ای بی‌کلام دریافت کند.

یک مثال پرامپت موسیقی‌سازی:

موسیقی سینمایی آرام و رازآلود، پیانوی مینیمالیستی، استرینگ‌های نرم، آغاز خلوت، افزایش تدریجی تنش در میانه و پایان آرام، بدون وکال.

ElevenMusic

ElevenMusic برای تولید، بازآفرینی و ویرایش موسیقی طراحی شده است و کنترل بیشتری بر وکال، سازبندی، ساختار و ترکیب ژانرها فراهم می‌آورد.

قبل از استفاده تجاری از موسیقی تولید‌شده، باید شرایط حقوقی و نوع مجوز سرویس مربوطه را بررسی کنید.

تولید صدا و دوبله با هوش مصنوعی

ابزارهای صوتی مبتنی بر هوش مصنوعی می‌توانند برای تولید گویندگی، دوبله، افکت صوتی، ترجمه صوتی و ایجاد محتوای چندزبانه کاربرد داشته باشند.

این ابزارها می‌توانند در موارد زیر بسیار مفید باشند:

• ویدیوهای آموزشی؛
• پادکست‌ها؛
• تبلیغات؛
• کتاب‌های صوتی؛
• دوبله محتوای خارجی؛
• تولید نسخه‌های چندزبانه یک ویدیو.

استفاده از صدای افراد واقعی موضوعی حساس است. برای شبیه‌سازی صدای شخص دیگری، باید رضایت و مجوزهای لازم را داشته باشید. در تولید محتوای خبری نیز نباید صدای مصنوعی به‌گونه‌ای به کار رود که تماشاچی نسبت به هویت گوینده یا واقعی‌بودن یک مصاحبه دچار شبهه شود.

چرا برخی ویدیوهای تولیدی با هوش مصنوعی مصنوعی به نظر می‌رسند؟

خطاهای شایع در ویدیوهای تولیدشده با هوش مصنوعی شامل موارد زیر هستند:

• دست‌ها و انگشتان غیرطبیعی؛
• تغییر چهره در طول نما؛
• تغییر شکل اشیا؛
• نوشته‌های ناخوانا؛
• سایه‌های ناسازگار؛
• حرکت دوربین غیرمنطقی؛
• پرش در حرکت شخصیت؛
• غیرهمزمانی صدا و تصویر؛
• تغییر لباس یا شرایط محیط.

راه‌حل دائماً طولانی‌تر کردن پرامپت نیست. ابتدا باید دلیل مشکل را شناسایی کنید. اگر دست شخصیت خطا دارد، حرکات دست را ساده کنید. اگر دوربین ناپایدار است، حرکات آن را به حداقل برسانید. اگر چهره دچار تغییر می‌شود، از تصویر مرجع یا توصیف ثابت شخصیت استفاده کنید.

انتخاب نسبت تصویر برای شبکه‌های اجتماعی

قبل از تولید ویدیو، باید مقصد آن مشخص شود.

• برای ویدیوهای افقی، نسبت ۱۶:۹ مناسب‌تر است؛
• برای ویدیوهای عمودی شبکه‌های اجتماعی، نسبت ۹:۱۶ بهتر است؛
• برای برخی پست‌های مربعی، نسبت ۱:۱ کاربردی خواهد بود.

تهیه یک ویدیوی افقی و برش آن برای نمایش عمودی ممکن است بخش مهمی از تصویر را حذف کند. بنابراین، بهتر است نسبت تصویر از ابتدا بر مبنای پلتفرم مورد نظر انتخاب شود.

اشتباهات رایج در ویدیو‌سازی با هوش مصنوعی

پرامپت بیش از حد شلوغ

قرار دادن چندین رویداد در یک نما باعث می‌شود تا مدل نتواند اولویت‌های صحنه را به‌درستی تشخیص دهد.

تغییر مشخصات شخصیت

در صورتی که ظاهر شخصیت در هر نما تغییر کند، پیوستگی فیلم به هم می‌ریزد.

نادیده‌گرفتن صدا

یک ویدیوی خوب بدون صدای مناسب ممکن است ظاهری ناپسند و غیرحرفه‌ای داشته باشد.

ساخت فیلم کامل در یک مرحله

تولید یک فیلم کامل با یک دستور، معمولاً کنترل کمی بر روایت، تداوم شخصیت و کیفیت هر نما ایجاد می‌کند.

انتشار بدون بازبینی

هر کلیپ را قبل از استفاده نهایی بررسی نمایید. خطاهای تصویری، صوتی، حقوقی و محتوایی ممکن است در نگاه اول درخود دیده نشوند.

حقوق نشر و تفاوت بازسازی با فیلم‌های واقعی

استفاده از تصویر، چهره، صدا یا موسیقی دیگران بدون توجه به حقوق آن‌ها ممکن است قوانین حقوقی را نقض کند.

در محتوای خبری، باید تمایزی واضح میان فیلم واقعی، بازسازی تصویری و محتوای تولیدی با هوش مصنوعی وجود داشته باشد. اگر ویدیوی مصنوعی برای توضیح یک رویداد واقعی تهیه می‌شود، بهتری است که به‌وضوح به مخاطب اعلام گردد که این اثر «تصویرسازی» یا «بازسازی» است و فیلم واقعی وقوع رویداد نیست.

مسیر پیشنهادی برای ساخت یک ویدیوی کوتاه

برای شروع، می‌توان مراحل زیر را دنبال کرد:

ایده → فیلمنامه کوتاه → شات‌لیست → طراحی شخصیت → تصویر مرجع → پرامپت برای هر نما → تولید چند نسخه → انتخاب بهترین خروجی → تولید صدا و موسیقی → ویرایش → بازبینی نهایی

در مرحله ویرایش، می‌توان کلیپ‌ها را به‌هم متصل کرد، مدت زمان هر نما را تنطیم کرد، صدا و موسیقی را روی تصویر قرار داد، زیرنویس‌ها را اضافه کرده و خروجی نهایی را برای پلتفرم مقصد آماده کرد.

جمع‌بندی

ساخت ویدیویی با هوش مصنوعی از یک ایده ساده آغاز می‌شود، اما برای دستیابی به نتیجۀ قابل‌استفاده، نیاز به برنامه‌ریزی و کنترل دقیق دارد. انتخاب ابزار مناسب، نوشتن پرامپت روشن، تقسیم فیلم به نماهای کوتاه، حفظ ثبات شخصیت، دقت به صدا و انجام بازبینی نهایی، از مهم‌ترین مراحل این روند هستند.

هوش مصنوعی می‌تواند تصویر و حرکات را ایجاد کند، اما در نهایت این سازنده است که باید درباره جایگاه دوربین، رفتار شخصیت، فضای صحنه، ریتم روایت و دلیل وجود هر نما تصمیم‌گیری کند. تولید فیلم با هوش مصنوعی بیشتر از رقابت در نوشتن طولانی‌ترین پرامپت، به معنای کنترل روایت و استفاده هوشمندانه از ابزارهاست.

57