آیا علاقه‌مندید که چگونه ویدیوی تولید شده توسط هوش مصنوعی بسازید که سینمایی به نظر برسد و نه ارزان؟ آیا می‌خواهید یک گردش کار تکرارپذیر برای تبدیل یک مفهوم ساده به محتوای ویدیویی هوش مصنوعی صیقلی با استفاده از ابزارهایی مانند Seedance داشته باشید؟ در این مقاله، فرآیند گام به گام ایجاد ویدیوی هوش مصنوعی با کیفیت حرفه‌ای را یاد خواهید گرفت، از توسعه مفهوم و ساخت عناصر بصری کلیدی گرفته تا تولید کلیپ‌ها با Seedance و مونتاژ آنها در یک محصول نهایی.
بزرگترین تصور غلط در مورد ویدیوی هوش مصنوعی این است که آسان است. وارد کردن یک پرامپت به یک مدل ویدیویی نتیجه می‌دهد، اما کیفیت آن کاملاً به توانایی سازنده در برقراری ارتباط با ابزار بستگی دارد. راس سایمونز اشاره می‌کند که اکثر افرادی که ویدیوی هوش مصنوعی را «بی‌کیفیت» می‌دانند، نتیجه پرامپت‌های مبهم را می‌بینند، نه محدودیت‌های خود فناوری.
درک مدل‌ها: LLM در مقابل مدل‌های انتشار
اولین چیزی که باید درک کنید، تفاوت بین نحوه پردازش دستورالعمل‌ها توسط مدل‌های زبان بزرگ (LLM) و مدل‌های انتشار است. LLMها، مانند ChatGPT، Claude یا Gemini، قصد مکالمه را درک می‌کنند. یک مدل انتشار، فناوری اصلی پشت اکثر ژنراتورهای تصویر و ویدیوی هوش مصنوعی، از جمله Midjourney و Seedance، این کار را نمی‌کند.
- مدل‌های انتشار کلمات کلیدی بصری را از پرامپت استخراج می‌کنند و «زباله‌های» مکالمه را نادیده می‌گیرند.
- عبارت «برای من تصویری از یک گربه که در ساحل با کلاه کابوی راه می‌رود» در Midjourney کار می‌کند، اما مدل این جمله را مانند یک چت‌بات تجزیه و تحلیل نمی‌کند. این مدل به دنبال کلمات کلیدی بصری است: گربه، ساحل، کلاه کابوی.
استراتژی‌های پرامپت که در چت خوب کار می‌کنند، مستقیماً به تولید تصویر و ویدیو منتقل نمی‌شوند. هر مدل ساختار پرامپت خاص خود را دارد و یادگیری این ساختار است که نتیجه صیقلی را از یک نتیجه معمولی متمایز می‌کند. راس اشاره می‌کند که ابزارهای خاصی در کارهای خاصی برتری دارند.
«Midjourney، به عنوان مثال، همچنان ابزار ترجیحی در میان خلاقان برای کارگردانی هنری، ایده‌پردازی و کاوش خلاقانه است.» — راس سایمونز.
تولید تصویر ChatGPT مزیت یک لایه استدلال را دارد که قصد را تفسیر می‌کند، اما بسیاری از متخصصان همچنان نتیجه زیبایی‌شناختی یک مدل تصویر تخصصی را ترجیح می‌دهند.
برای کسانی که نمی‌دانند چگونه برای ابزاری مانند Midjourney پرامپت‌های ساختاریافته بنویسند، یک ترفند عملی وجود دارد. به جای یادگیری نحو، به ChatGPT بگویید تصویر مورد نظر شما چگونه باید باشد و از آن بخواهید یک پرامپت در قالب Midjourney بنویسد. ChatGPT توضیحات محاوره‌ای را به یک قالب ساختاریافته و مبتنی بر کلمات کلیدی تبدیل می‌کند که مدل‌های انتشار به آن واکنش نشان می‌دهند و منجر به نتایج بسیار بهتری می‌شود.
نکته حرفه‌ای: تولید تصویر اساس ویدیوهای هوش مصنوعی است. تسلط بر ایجاد و اصلاح تصاویر ثابت در ابتدا منجر به درصد موفقیت بسیار بالاتری در هنگام انتقال به ویدیو می‌شود، زیرا همان اصول پرامپت‌نویسی، ترکیب‌بندی و جهت‌دهی بصری اعمال می‌شود.
1. توسعه مفهوم ویدیوی هوش مصنوعی
مفهوم، ایده‌ای است که در پس آنچه ویدیو سعی در انتقال آن دارد، قرار دارد. لازم نیست پیچیده یا عمیقاً هنری باشد. می‌تواند به سادگی «می‌خواهم محصولم را در محیطی غیرمنتظره نشان دهم» یا «می‌خواهم این تکنیک را با یک استعاره بصری توضیح دهم» باشد. نکته این است که قبل از دست زدن به ابزار، قصدی داشته باشید.
راس این را با پروژه‌ای که سال‌ها پیش به عنوان یک انیمیشن استاپ‌موشن ایجاد کرده بود، نشان می‌دهد. مفهوم: یک قوطی ردبول روی میز است. یک تکه کاغذ می‌لغزد، به یک گاو اوریگامی تبدیل می‌شود، به قوطی برخورد می‌کند، آن را باز می‌کند، مایع را می‌نوشد، بال درمی‌آورد و پرواز می‌کند. کل کار یک بازی با کلمات «ردبول به شما بال می‌دهد» است. این مفهوم از طریق رسانه‌های مختلف منتقل شده است. او اخیراً آن را با استفاده از Seedance بازسازی کرد، با وارد کردن توالی به یک مدل ویدیوی هوش مصنوعی با چند مرجع تصویر، و مفهوم پابرجا ماند، زیرا ایده بدون توجه به ابزار تولید قوی بود.
راس توصیه می‌کند از LLM برای توسعه بیشتر مفهوم استفاده کنید. حتی یک ایده اساسی را می‌توان با درخواست از ChatGPT برای کمک به برون‌یابی روایت، پیشنهاد توالی‌های بصری یا تغییرات، گسترش داد. هدف این است که قبل از حرکت به سمت توسعه بصری، درک روشنی از داستان داشته باشید.
2. ایجاد عناصر بصری کلیدی
پس از وجود مفهوم، گام بعدی توسعه عناصر بصری کلیدی است که ویدیو را لنگر می‌اندازند. راس این را به سه جزء تقسیم می‌کند:
- سوژه (یا قهرمان): این تمرکز داستان است. می‌تواند یک محصول، یک شخص یا هر شیئی باشد که روایت را پیش می‌برد. برای تبلیغ عطر که راس ایجاد کرد، قهرمان خود بطری بود. او با استفاده از Midjourney یک تصویر ماکت از محصول تولید کرد و ظاهر بطری را قبل از انجام هر کار دیگری تثبیت کرد. ایجاد ماکت‌های محصول با ChatGPT، Midjourney یا Gemini یک نقطه شروع قابل قبول است زمانی که عکاسی حرفه‌ای از محصول در دسترس نیست.
نکته حرفه‌ای: هنگام استفاده از یک عکس شخصی به عنوان شخصیت، سوژه را در پس‌زمینه‌ای ساده جدا کنید. از عکسی با محیط شلوغ یا افراد دیگر استفاده نکنید. چندین عکس گرفته شده از زوایای مختلف ارائه دهید که همگی سوژه را با همان لباس نشان می‌دهند. این به مدل داده‌های واضحی برای کار می‌دهد تا شخصیت را در محیط‌ها، ژست‌ها و سناریوهای جدید قرار دهد.
استفاده از زوایای دوربین برای داستان‌سرایی بصری
دیدگاه دوربین یکی از سریع‌ترین راه‌ها برای ارتقاء تصاویر تولید شده توسط هوش مصنوعی فراتر از ترکیب‌بندی تخت و مرکزی است که اکثر مدل‌ها تولید می‌کنند. چند اصل اساسی سینمایی تفاوت زیادی ایجاد می‌کنند.
- زاویه پایین شخصیت را قدرتمند و مسلط نشان می‌دهد.
- زاویه بالا می‌تواند شخصیت را مطیع یا آسیب‌پذیر نشان دهد.
- کلوزآپ شدت ایجاد می‌کند.
- شات واید و کوچک شده با فضای خالی اطراف سوژه، انزوا یا آسیب‌پذیری را نشان می‌دهد.
یک نکته عملی برای کسانی که پیش‌زمینه سینمایی ندارند: از ChatGPT برای تجزیه و تحلیل یک فریم فیلم استفاده کنید. یک تصویر را آپلود کنید و از مدل بخواهید توضیح دهد که چه چیزی یک اثر احساسی خاص را ایجاد می‌کند. آیا زاویه دوربین است؟ نورپردازی دراماتیک؟ بوکه نرم؟ کنتراست؟ ChatGPT آن را با استفاده از اصطلاحات سینمایی صحیح تجزیه و تحلیل می‌کند که سپس می‌توانید مستقیماً در پرامپت‌های تصویر و ویدئو استفاده کنید.
راس این رویکرد را با درخواست از ChatGPT برای تولید «شش کادر پرکاربرد گای ریچی» در یک تصویر آزمایش کرد. نتیجه شامل کلوزآپ‌ها، شات‌های با زاویه بالا و چندین تکنیک بود که راس قبلاً با آنها مواجه نشده بود، که هر یک می‌توانند به عنوان مرجع برای پرامپت‌های آینده استفاده شوند. سازندگان می‌توانند به کارگردانان یا فیلم‌های خاصی اشاره کنند، بدون اینکه واژگان فنی را بدانند. عبارت «این شخصیت را شبیه علاءالدین در این صحنه بساز» یا «یک شات به سبک گای ریچی با این شخصیت در این محیط به من نشان بده» نتایجی را به دست می‌دهد که با خروجی معمولی و مرکزی که اکثر مردم دریافت می‌کنند، متفاوت است.
3. ایجاد استوری‌بورد ویدیوی هوش مصنوعی با استفاده از فریم‌های کلیدی
فریم کلیدی در زمینه ویدیوی هوش مصنوعی، تصویری است که به عنوان نقطه مرجع برای مدل استفاده می‌شود. استوری‌بورد، توالی 6 تا 12 فریم کلیدی است که نقاط اصلی یک ویدیو را ترسیم می‌کند و زاویه، نورپردازی و ترکیب‌بندی را برای هر لحظه تعیین می‌کند.
استوری‌بورد بیشتر برای سازنده است تا مدل. این ساختار را فراهم می‌کند، از بارگذاری بیش از حد یک کلیپ با اقدامات زیاد جلوگیری می‌کند و توالی واضحی از رویدادها را قبل از شروع تولید ویدیو ایجاد می‌کند. راس تأکید می‌کند که استوری‌بورد نیازی به حرفه‌ای بودن ندارد. این یک ابزار برنامه‌ریزی است و تصاویر خام کاملاً مناسب هستند، اگر نشان دهند که هر لحظه چگونه باید به نظر برسد و حس شود.
دو رویکرد اصلی برای استفاده از فریم‌های کلیدی با مدل‌های ویدیوی هوش مصنوعی وجود دارد:
- فریم شروع + فریم پایان + پرامپت: این روش به مدل یک تصویر برای شروع ویدیو، یک تصویر برای پایان آن و یک پرامپت متنی که آنچه بین آنها اتفاق می‌افتد را توصیف می‌کند، ارائه می‌دهد. به عنوان مثال، فریم شروع یک سطح خالی است. فریم پایان یک قوطی Red Bull را نشان می‌دهد که در مرکز کادر قرار دارد. پرامپت می‌گوید: «یک قوطی Red Bull از سمت راست با سرعت آهسته سر می‌خورد و دقیقاً در مرکز متوقف می‌شود.» ترکیب لنگرهای بصری و دستورالعمل متنی، محدودیت‌های واضحی را به مدل می‌دهد.
- فریم شروع + فقط پرامپت: این روش فقط از تصویر شروع استفاده می‌کند و به پرامپت اجازه می‌دهد تا عمل را بدون یک نقطه پایان ثابت هدایت کند. این آزادی خلاقانه بیشتری را ارائه می‌دهد. برای یک کلیپ 10 ثانیه‌ای، فریم شروع می‌تواند یک سطح خالی باشد و پرامپت می‌تواند بگوید: «یک قوطی Red Bull از سمت چپ سر می‌خورد، یک هواپیمای کاغذی از بالا پرواز می‌کند، در کنار قوطی فرود می‌آید، به یک ورق کاغذ صاف باز می‌شود.» مدل حرکت و زمان را پر می‌کند.
نکته حرفه‌ای: برای ایجاد یک ویدیوی طولانی‌تر، کلیپ‌ها را به هم متصل کنید، فریم آخر کلیپ قبلی را استخراج کرده و از آن به عنوان فریم شروع برای کلیپ بعدی استفاده کنید. این یک تداوم بصری در توالی چندین کلیپ ایجاد می‌کند بدون نیاز به تولید مجدد عناصر سازگار از ابتدا.
اشتباهات رایج در ایجاد توالی فریم‌های کلیدی
شایع‌ترین اشتباهی که راس می‌بیند این است که افراد اقدامات زیادی را در یک کلیپ کوتاه جای می‌دهند. یک کلیپ 5 ثانیه‌ای فقط می‌تواند یک یا دو عمل را در خود جای دهد. نوشتن یک پاراگراف طولانی که یک قوطی در حال سر خوردن، یک کاغذ در حال پرواز، یک گاو در حال شکل‌گیری و یک انفجار را توصیف می‌کند، همه در عرض پنج ثانیه، مدل را بیش از حد بارگذاری می‌کند. نتیجه اندام‌های تحریف شده، پرسپکتیوهای کج و مصنوعات بصری است. راه‌حل این است که پیچیدگی پرامپت را با مدت زمان کلیپ مطابقت دهید.
راس همچنین بین استفاده از تصاویر به عنوان فریم‌های کلیدی و استفاده از آنها به عنوان مرجع تفاوت قائل می‌شود. فریم‌های کلیدی نیاز به بازتولید دقیق در نقاط خاصی از ویدئو دارند که اغلب منجر به انتقال‌های ناخوشایند و حرکات غیرطبیعی دوربین می‌شود، زیرا مدل مجبور است بین دو نقطه پایانی سفت و سخت جابجا شود. مراجع به مدل ایده‌ای از ظاهر دلخواه می‌دهند بدون اینکه نیاز به دقت پیکسلی داشته باشند و معمولاً نتایج روان‌تر و طبیعی‌تری به همراه دارند. راس توصیه می‌کند در بیشتر موارد از مراجع به جای فریم‌های کلیدی استفاده شود.
4. تولید ویدئو با Seedance و مونتاژ محصول نهایی
Seedance، که توسط ByteDance (شرکت سازنده TikTok) توسعه یافته است، با تعهد خود به پرامپت‌ها و دقت تصاویر مرجع متمایز می‌شود. راس آن را تقریباً بی‌عیب و نقص در هر دو زمینه توصیف می‌کند، که یک گام مهم رو به جلو نسبت به مدل‌های ویدئویی حتی دو سال پیش است.
Seedance یک برنامه مستقل نیست. این یک مدل است که از طریق پلتفرم‌های تجمیع‌کننده قابل دسترسی است. راس Luma AI (lumalabs.ai) را به عنوان پلتفرم ترجیحی توصیه می‌کند، و همچنین Flora، Figma Weave، Artlist، Imagine Art، Open Art و Krea. این پلتفرم‌ها دسترسی به Seedance را در کنار سایر مدل‌های ویدئویی مانند Kling 3.0، Veo 3 و دیگران، که همگی از طریق API متصل هستند، فراهم می‌کنند.
Google Veo 3 (که از طریق Gemini در دسترس است) تولید ویدئوی رایگان را ارائه می‌دهد و قبل از ظهور Seedance و Kling 3.0 پیشرو محسوب می‌شد. راس اشاره می‌کند که اگرچه Veo مفید است، اما مهارت‌های کسب شده در یک مدل به طور خودکار به مدل دیگر منتقل نمی‌شود. هر مدل ویدئویی ساختار پرامپت خاص خود را دارد. تمرین با Veo آشنایی کلی با ویدئوهای هوش مصنوعی را ایجاد می‌کند، اما برای دستیابی به بهترین نتایج در Seedance، نیاز به یادگیری نحوه واکنش Seedance به پرامپت‌ها، دستورالعمل‌های زمان‌بندی و تصاویر مرجع به طور خاص است.
چگونه از پرامپت‌ها به طور موثر در Seedance استفاده کنیم
Seedance از پرامپت‌های زمان‌بندی شده پشتیبانی می‌کند که به سازندگان اجازه می‌دهد مشخص کنند چه چیزی در فواصل زمانی خاصی در یک کلیپ اتفاق می‌افتد. برای یک کلیپ 15 ثانیه‌ای، پرامپت می‌تواند به این صورت ساختار یابد: «بین 0 تا 4 ثانیه این اتفاق می‌افتد. بین 4 تا 8 ثانیه این اتفاق می‌افتد. بین 8 تا 12 ثانیه این اتفاق می‌افتد.» مدل به این دستورالعمل‌های زمان‌بندی پایبند است، که امکان طراحی توالی‌های چند مرحله‌ای را در یک تولید فراهم می‌کند، به جای اینکه چندین کلیپ کوتاه را به هم متصل کند.
هزینه Seedance و راه حل مقیاس‌بندی
Seedance انتخابی از مدت زمان 5 تا 30 ثانیه در هر کلیپ را ارائه می‌دهد. راس به مبتدیان توصیه می‌کند برای آشنایی با روند کار، با کلیپ‌های کوتاه‌تر و با وضوح پایین شروع کنند. ساخت یک کلیپ 30 ثانیه‌ای با وضوح بالا بدون تجربه اغلب منجر به هدر رفتن پول و نتایج نامطلوب می‌شود. یک کلیپ 30 ثانیه‌ای Seedance با وضوح 720p تقریباً 14 دلار هزینه دارد. افزایش وضوح به 1080p تقریباً هزینه را دو برابر می‌کند و به 28-32 دلار می‌رساند. این قیمت‌ها به طور قابل توجهی بالاتر از مدل‌های ویدئویی هوش مصنوعی قبلی است که در آن کلیپ‌های 5 ثانیه‌ای کمتر از 0.20 دلار هزینه داشتند، اما تفاوت در کیفیت نیز قابل توجه است.
یک جایگزین مقرون‌به‌صرفه، تولید با وضوح پایین‌تر و سپس ارتقاء آن است. راس یک کلیپ 480p را با حدود 6 دلار تولید کرد، سپس آن را دو بار با استفاده از ابزارهای داخلی پلتفرم تا کیفیتی نزدیک به 4K با 3 دلار اضافی ارتقاء داد. هزینه کل 9 دلار کیفیتی قابل مقایسه با رندر بومی با وضوح بالا را با تقریباً یک سوم قیمت ارائه داد. دو ابزار پیشرو در ارتقاء کیفیت، Topaz Labs و Magnific هستند که هر دو در اکثر پلتفرم‌های تجمیع‌کننده ادغام شده‌اند.
نتیجه‌گیری
تسلط بر ویدیوی هوش مصنوعی فقط در مورد تسلط بر ابزارها نیست، بلکه در مورد توسعه ذهنیت یک کارگردان است. با به کارگیری اصول مفهوم‌سازی، توسعه بصری و استوری‌بورد، می‌توانید محتوای ویدیویی با کیفیت بالا با هوش مصنوعی ایجاد کنید که حرفه‌ای به نظر برسد و توجه را جلب کند. با یک ایده روشن شروع کنید، از LLM برای توسعه آن استفاده کنید، عناصر بصری قوی ایجاد کنید و توالی‌های خود را با دقت برنامه‌ریزی کنید. سپس می‌توانید تولیدات ویدیویی خود را به سطوحی بی‌سابقه ارتقاء دهید، که قبلاً غیرممکن بود و اکنون ممکن است.
سوالات متداول
Seedance چیست و چگونه کار می‌کند؟
Seedance یک مدل هوش مصنوعی برای تولید ویدیو است که توسط ByteDance توسعه یافته است. این مدل به شما امکان می‌دهد ویدیوهایی را بر اساس دستورات متنی و تصاویر مرجع ایجاد کنید، در حالی که دقت و کیفیت بالایی را ارائه می‌دهد. دسترسی به آن از طریق پلتفرم‌های تجمیع‌کننده مانند Luma AI امکان‌پذیر است.
هزینه ساخت ویدیو با Seedance چقدر است؟
هزینه یک کلیپ 30 ثانیه‌ای با وضوح 720p حدود 14 دلار و با وضوح 1080p بین 28 تا 32 دلار است. با این حال، می‌توان با صرفه‌جویی در هزینه‌ها،