تولید ویدیو با هوش مصنوعی

یک تولید دقیقا چه چیزی به شما می دهد

یک فایل ویدیویی کوتاه، بی برش، و بدون هیچ حافظه ای از تولید قبلی. همین.

مدل ویدیو از روی جمله شما فریم می سازد و مثل مدل تصویر، چیزی را پیدا نمی کند. تفاوتش با مدل تصویر در طول است: خروجی یک بازه زمانی دارد و آن بازه امروز کوتاه است. سیدنس ۲.۵ در یک تولید تا ۳۰ ثانیه می دهد، کلینگ ویدیو ۳.۰ تا ۱۵ ثانیه، رانوی جن ۴.۵ تا ۱۰ ثانیه و ویو ۳.۱ فقط ۸ ثانیه. مستندات خود گوگل برای ویو حتی دقیق تر می نویسد: هر درخواست یک ویدیو می دهد، با نرخ ۲۴ فریم بر ثانیه، و طول ۸ ثانیه فقط وقتی مجاز است که رزولوشن ۱۰۸۰p یا ۴K باشد یا از تصویر مرجع استفاده کنید.

حالا نتیجه عملی: ویدیوی یک دقیقه ای شما یک تولید نیست. بین چهار تا هشت تولید جداست که باید کنار هم چیده شوند. و چون این مدل ها بین دو تولید حافظه ندارند، هر بار که دکمه را می زنید ممکن است رنگ لباس، جنس نور یا صورت آدم عوض شود. مستندات ویو این را با یک جمله صریح تایید می کند: ارجاع دادن یا استدلال روی چند ویدیو پشتیبانی نمی شود و اگر امتحان کنید خروجی افت می کند.

پس مهارت واقعی در این کار پرامپت نویسی نیست. تکه تکه کردن یک ایده به نماهایی است که هر کدام زیر سقف مدل جا شوند و کنار هم به هم بخورند. تقریبا همه آموزش هایی که دیده ایم روی بخش اول تمرکز می کنند و بخش دوم را جا می اندازند، و بخش دوم همان جایی است که کار حرفه ای از کلیپ های پراکنده جدا می شود.

یک قید دیگر که هیچ کجا سر تیتر نمی شود: صدا. ویو و کلینگ و سیدنس صدای بومی تولید می کنند و جن ۴.۵ نمی کند. ولی صدای بومی به معنی گفتار فارسی نیست، و بخش بعد نشان می دهد چرا.

کدام مدل ها امروز عدد منتشرشده دارند

در بخش هوش مصنوعی همین سایت چهار مدل ویدیویی با وزن و منبع اعلام شده رتبه بندی شده اند و آن جدول را اینجا دوباره نمی سازیم؛ رتبه بندی مدل های ساخت ویدیو جای خودش است. چیزی که یک تدوینگر باید از آن بردارد سه خط است.

خط اول: سیدنس ۲.۵ در دو ستونی که برای روایت مهم اند اول است، یعنی ۳۰ ثانیه در یک تولید و ۵۰ فایل مرجع (سی تصویر، ده ویدیو، ده صدا). خط دوم: همان مدل ستون رزولوشن را کامل می بازد، چون مستندات API خود بایت دنس برایش فقط 480p و 720p را مجاز می داند در حالی که برای نسخه قبلی خودش چهار مقدار تا 4k فهرست کرده بود. خط سوم: کلینگ ویدیو ۳.۰ تنها مدل این جدول است که ۴K بومی می دهد، ولی حالت مرجع محورش سقفش 1080p است، پس ۴K و مرجع سنگین در یک تولید جمع نمی شوند.

روز نوشتن این درس سه عدد را دوباره از صفحه خود سازنده خواندیم که در آن جدول نیستند. اول، مستندات ویو ۳.۱ حالا بازه تاخیر منتشر می کند: کمینه ۱۱ ثانیه و بیشینه ۶ دقیقه در ساعت های شلوغ. دوم، همان صفحه می نویسد ویدیوی تولیدشده دو روز روی سرور می ماند و بعد پاک می شود. سوم، صفحه مدل سورا ۲ روی دامنه توسعه دهندگان اوپن ای آی باز می شود و قیمت هر ثانیه را چاپ کرده: ۰.۱۰ دلار برای سورا ۲ و ۰.۳۰ دلار برای سورا ۲ پرو، در قاب ۷۲۰ در ۱۲۸۰ یا ۱۲۸۰ در ۷۲۰. طول کلیپ سورا را همان صفحه نمی گوید، و ما هم نمی گوییم.

قیمت بقیه از فهرست قیمت API رانوی می آید، که هر اعتبارش یک سنت است: جن ۴.۵ دوازده اعتبار در ثانیه، سیدنس ۲.۵ روی 720p سی اعتبار و ویو ۳.۱ با صدا چهل اعتبار. یعنی دوازده، سی و چهل سنت برای هر ثانیه خروجی. کلینگ در این فهرست نیست و قیمتش اعتباری و گره خورده به پلن است، پس ردیفش را خالی می گذاریم و پرش نمی کنیم.

ستون آخر را عمدا گذاشته ایم. سه عدد از پنج عدد قیمت، قیمت فروشنده واسطه است و نه قیمت خود سازنده، و این تفاوت وقتی مهم می شود که بخواهید بودجه ببندید. به همین دلیل هم جدول بخش هوش مصنوعی اصلا ستون قیمت ندارد، و ما این را اینجا با ستون منبع حل کرده ایم و نه با پنهان کردنش.

امروز با اینها چه کاری می شود کرد و چه کاری نه

موضع ما روشن است و در دو خط جا می شود. برای ایده و مود و نمای پرکننده، این ابزارها امروز جواب می دهند و ارزان تر از هر بدیلی هستند. برای فایل نهایی یک برند، جواب نمی دهند و کسی که خلافش را می گوید یا فایل نهایی نساخته یا برندش سخت گیر نبوده.

سه کاربردی که واقعا کار می کنند: نمای مفهومی برای فروختن یک ایده به مشتری پیش از تولید واقعی، نمای پرکننده و پس زمینه در ویدیویی که ستون فقراتش فیلمبرداری یا موشن گرافیک است، و قاب سبک، یعنی یک فریم تولیدشده که به تیم می گوید نور و رنگ و جنس تصویر قرار است چه شکلی باشد. در هر سه، خروجی مدل یک ورودی است برای مرحله بعد و نه خودش تحویل.

و سه جایی که امروز نه: هر نمایی که در آن یک آدم واقعی یا یک محصول واقعی باید دقیقا خودش باشد، هر ویدیویی که در آن یک شخصیت باید بیش از چند نما ثابت بماند، و هر خروجی ای که قرار است حرف بزند و زبانش فارسی است.

آن سومی را با منبع بگوییم، چون بیشترین ادعای اشتباه در آموزش های فارسی همین جاست. مستندات ویو یک جمله دارد که همه چیز را روشن می کند: انگلیسی کاملا پشتیبانی می شود و بقیه زبان ها ارزیابی نشده اند، پس ممکن است کار کنند ولی نتیجه متغیر است. راهنمای کلینگ هم پنج زبان گفتار می شمارد، چینی و انگلیسی و ژاپنی و کره ای و اسپانیایی، و فارسی در آن فهرست نیست. یعنی برای ویدیوی فارسی، هر مسیری که انتخاب کنید صداگذاری یک مرحله جدا است. اگر جایی خوانده اید که فلان مدل فارسی حرف می زند، منبعش را بخواهید.

یک قید عملی هم هست که کمتر کسی پیش از اولین فاکتور به آن فکر می کند: هزینه با ثانیه بالا می رود و نه با تعداد تلاش، ولی تعداد تلاش هم ثانیه است. یک نمای ۸ ثانیه ای ویو چهل سنت ثانیه ای یعنی حدود سه دلار و بیست سنت، و اگر برای رسیدن به نمای درست پنج بار تولید کنید، همان یک نما شانزده دلار خرج برداشته است. این عدد را کسی در ویدیوهای تبلیغاتی نمی گوید.

چه چیزی همراه فایل بیرون می آید

دو چیز، و هیچ کدام در پیش نمایش دیده نمی شود.

اول، نشانه. مستندات ویو صریح می نویسد ویدیوهایی که با ویو ساخته می شوند با SynthID واترمارک می شوند و می شود آنها را روی سکوی تایید SynthID بررسی کرد. این یعنی همان چیزی که در تصویر می شناسیم، در ویدیو هم هست: نشانه ای که برای چشم نامرئی است و سازنده اش می تواند بخواندش. اگر می خواهید بدانید دقیقا چه چیزی داخل فایل است، چه کسی می تواند بخواندش و چه چیزی از ویرایش جان سالم به در می برد، درس واترمارک و شناسنامه تصویر همین را باز می کند و هر دو رسانه را پوشش می دهد.

دوم، یک تاریخ انقضا که تقریبا هیچ آموزشی نمی گویدش. صفحه ویو می نویسد ویدیوی تولیدشده دو روز روی سرور می ماند و بعد پاک می شود، و اگر می خواهید نسخه محلی داشته باشید باید در همان دو روز دانلودش کنید. ویدیوی تمدیدشده هم به عنوان یک ویدیوی تازه حساب می شود و ساعتش از نو شروع می شود. برای کسی که پروژه اش را روی چند روز پخش می کند، این یعنی خروجی روز اول ممکن است روز چهارم دیگر نباشد.

یک قید سوم هم بگوییم که خطر نیست ولی هزینه است: بازه تاخیر. همان صفحه می نویسد کمینه ۱۱ ثانیه و بیشینه ۶ دقیقه در ساعت های شلوغ. اگر برنامه شما این است که در یک جلسه ده نما بسازید و انتخاب کنید، عدد بیشینه است که زمان بندی جلسه را تعیین می کند و نه عدد کمینه. سه سازنده دیگر هیچ عددی برای زمان تولید منتشر نکرده اند، و ما هم برایشان عددی نمی سازیم.

قبل از اولین تولید، این چهار چیز را تصمیم بگیرید

هر چهارتا بعد از تولید یا گران می شوند یا ممکن نیستند.

نسبت تصویر. عمودی یا افقی، همان اول. برش افقی به عمودی یعنی دو طرف کادر را دور بریزید، و در نمایی که سوژه وسط نیست این کار سوژه را می برد. ویو نسبت را در همان درخواست می گیرد و بعدش عوض کردنش یعنی تولید دوباره، یعنی پول دوباره.

مدت هر نما، بر اساس سقف مدل خودتان. اگر مدلتان ۸ ثانیه می دهد، فهرست نما را با نماهای ۸ ثانیه ای و کوتاه تر بنویسید و نه با نماهای دوازده ثانیه ای که بعدا باید بشکنید. شکستن یک نما بعد از تولید یعنی وسطش یک برش ناخواسته دارید.

صدا از کجا می آید. از مدل، یا جدا. اگر گفتار فارسی دارید جواب از قبل معلوم است: جدا. آن وقت بهتر است نماها را بی صدا بسازید و کل باند صدا را یکجا بچینید، چون صدای بومی مدل زیر گفتار فارسی معمولا نمی نشیند و پاک کردنش از داخل فایل ویدیویی کار سختی است. درس صدای هوش مصنوعی و دوبله این مرحله را کامل باز می کند.

چه چیزی باید در همه نماها ثابت بماند. یک فهرست کوتاه: رنگ محصول، لباس شخصیت، جهت نور، پالت. این فهرست بعدا عینا به ابتدای هر پرامپت می چسبد و همان چیزی است که به جای حافظه مدل کار می کند. مسیر سریع پایین دقیقا همین را می سازد.

و یک تصمیم پنجم که تصمیم فنی نیست: به مشتری می گویید بخشی از ویدیو با هوش مصنوعی ساخته شده یا نه. جواب درست این است که بگویید، و بهتر است پیش از شروع بگویید تا بعد از تحویل. برای کاری که قرار است تحویل داده شود، خدمت موشن گرافیک ما همین مرز را از اول با مشتری روشن می کند.