موشن و ویدیو

آموزش تدوین ویدیو: از فوتیج خام تا کات قفل شده

تدوین ویدیو یعنی تصمیم گرفتن درباره چیزی که در ویدیو نمی ماند، و بعد چیدن باقی مانده به ترتیبی که تماشاگر گم نشود. کار در شش پاس پیش می رود: مرتب کردن فایل ها، مونتاژ خام، کات اول، پاس صدا، قفل تصویر، و در آخر رنگ و خروجی.

  • درس ۵ از ۱۰
  • مقدماتی
  • رایگان، بدون ثبت نام

شش پاسی که یک تدوین از آنها رد می شود

  1. ۱

    چیدن و نام گذاری

    همه فایل ها در یک ساختار، با نامی که قابل جستجو باشد. کسل کننده ترین پاس و همانی که بعدا ساعت ها برمی گرداند.

  2. ۲

    مونتاژ خام

    هر پلان قابل استفاده پشت سر هم، بدون تصمیم درباره طول. اینجا فقط معلوم می شود چه چیزی داریم.

  3. ۳

    کات اول

    داستان کامل می شود ولی طولانی است. اگر اینجا کار نکند، هیچ افکتی بعدا نجاتش نمی دهد.

  4. ۴

    پاس صدا

    دیالوگ تراز می شود، موسیقی زیر حرف پایین می آید، صداهای مزاحم برداشته می شوند.

  5. ۵

    قفل تصویر

    از این لحظه طول پلان ها عوض نمی شود، چون هر تغییر، کار رنگ و صدا را دوباره خراب می کند.

  6. ۶

    رنگ و خروجی

    آخرین پاس و کوتاه ترین. هر بار که پیش از قفل تصویر انجام شود، دوباره کاری است.

این ترتیب برای یک پروژه کوتاه با یک تدوینگر است. در کار تیمی صدا و رنگ موازی پیش می روند و قفل تصویر رسمی تر و سخت گیرانه تر می شود.

آخرین بررسی: فکت ها و نام ابزارهای این درس در همین تاریخ با منابعشان بازبینی شده اند.

تدوین دقیقا چه کاری است؟

تدوین انتخاب چیزی است که در ویدیو نمی ماند. یک تیزر یک دقیقه ای معمولا از چند ده دقیقه فوتیج بیرون می آید، و کار تدوینگر پیش از هر چیز تصمیم گرفتن درباره همان چند ده دقیقه است.

این جمله ساده به نظر می رسد و در عمل سخت ترین بخش کار است. تازه کار دنبال این می گردد که چه چیزی اضافه کند: ترنزیشن، افکت، موسیقی بلندتر. کسی که چند پروژه تحویل داده دنبال این می گردد که چه چیزی را بردارد بدون اینکه معنا بشکند.

یک تمرین که از روز اول جواب می دهد: کات اولتان را بگیرید و به خودتان بگویید باید بیست درصد کوتاه تر شود. تقریبا همیشه می شود. و تقریبا همیشه بهتر می شود.

نکته دومی هم هست که کمتر گفته می شود. برش یک تصمیم فنی نیست، یک تصمیم روایی است. کات را جایی می گذارید که تماشاگر سوال بعدی اش را پرسیده باشد؛ زودتر ببرید گیج می شود و دیرتر ببرید حوصله اش سر می رود. هیچ نرم افزاری این لحظه را به شما نمی گوید.

تایم لاین را چطور بچینیم که وسط کار گم نشویم؟

هر برنامه تدوینی، از رایگان تا گران، یک شکل مشترک دارد: چند نوار افقی روی هم. نوارهای بالایی تصویرند و هرچه بالاتر، جلوتر دیده می شوند. نوارهای پایینی صدا هستند و همه با هم شنیده می شوند.

همین یک تفاوت، منشا بیشتر سردرگمی روز اول است. در تصویر، لایه بالاتر لایه پایین تر را می پوشاند. در صدا هیچ چیز چیزی را نمی پوشاند و همه با هم جمع می شوند؛ پس اگر موسیقی روی دیالوگ افتاده، مشکل ترتیب نوارها نیست، مشکل تراز صداست.

قاعده ای که وقت می خرد: هر نوع صدا نوار خودش را داشته باشد. دیالوگ روی یکی، موسیقی روی یکی، افکت روی یکی. آن وقت وقتی مشتری می گوید موسیقی بلند است، یک اسلایدر را پایین می کشید و تمام؛ اگر همه چیز روی یک نوار باشد باید تک تک کلیپ ها را دست بزنید.

و یک عادت که هیچ آموزشی جدی نمی گیرد: اسم گذاری. فایلی که نامش همانی است که دوربین گذاشته، سه روز بعد پیدا نمی شود. پنج دقیقه وقت گذاشتن برای نام گذاری پوشه ها بر اساس روز و صحنه، همان کاری است که تفاوت پروژه ای که هفته بعد باز می شود با پروژه ای که باید از اول چیده شود را می سازد.

تایم لاین از بالا به پایین: چه چیزی روی کدام نوار

  • نوار تصویر بالایی: زیرنویس و گرافیکهرچه بالاتر، جلوتر دیده می شود.
  • نوار تصویر اصلی: پلان هاخود تدوین اینجاست و بقیه نوارها به آن خدمت می کنند.
  • نوار دیالوگمرجع تراز کل میکس. بقیه صداها با این تنظیم می شوند.
  • نوار موسیقییک اسلایدر جدا، تا زیر حرف زدن پایین بیاید و بعد برگردد.
  • نوار افکت و صدای محیطکم اهمیت به نظر می رسد و همان چیزی است که صحنه را واقعی می کند.

نام نوارها در هر برنامه فرق می کند و ترتیبشان هم اجباری نیست. چیزی که اجباری است این است که هر نوع صدا نوار خودش را داشته باشد.

کات J و L چیست و چه فرقی با کات ساده دارد؟

در یک کات ساده، تصویر و صدا با هم عوض می شوند. منطقی به نظر می رسد و در گفتگو خسته کننده است، چون گوش شما در دنیای واقعی این طور کار نمی کند: پیش از آنکه سرتان را به سمت کسی بچرخانید، صدایش را شنیده اید.

کات J همین را تقلید می کند: صدای پلان بعدی زودتر از تصویرش وارد می شود. کات L برعکس است: تصویر عوض می شود ولی صدای پلان قبلی هنوز ادامه دارد. اسمشان از شکلی می آید که این دو تکه جدا شده روی تایم لاین می سازند.

نوع برشچه اتفاقی می افتدکجا به کار می آید
کات سادهتصویر و صدا در یک فریم عوض می شوندتغییر صحنه، تغییر موضوع، هر جا که مکث لازم است
کات روی حرکتبرش وسط یک حرکت که در پلان بعدی ادامه پیدا می کندپنهان کردن برش در صحنه های اکشن و دمو محصول
کات Jصدای پلان بعد زودتر می آیدگفتگو، مصاحبه، ورود به صحنه ای که هنوز دیده نشده
کات Lصدای پلان قبل ادامه پیدا می کندخروج نرم از یک صحنه، نگه داشتن حس در پلان بعد
جامپ کاتحذف تکه ای از وسط یک پلان ثابتکوتاه کردن حرف مستقیم به دوربین، ولی به شرط پذیرفتن پرش

نکته ای که در آموزش ها کمتر گفته می شود: کات J و L را همه جا نگذارید. اگر هر برش در یک مصاحبه سه ثانیه ای همپوشانی صدا داشته باشد، نتیجه یک صدای مبهم پیوسته است که هیچ جمله ای در آن جدا نمی شود. این دو برش برای اتصال دو صحنه اند، نه برای هر کات.

جامپ کات هم موضع می خواهد. در ویدیوی مستقیم به دوربین پذیرفته شده است و کار را کوتاه می کند؛ در تیزر برند معمولا شلختگی خوانده می شود. اگر تردید دارید، یک پلان دیگر روی همان صدا بگذارید و برش را پشتش پنهان کنید.

چرا تدوین حرفه ای از صدا شروع می شود؟

یک آزمایش کوتاه: کات اولتان را یک بار با تصویر خاموش گوش کنید. اگر همان جا معلوم است چه اتفاقی می افتد و کجا تمام می شود، تدوین سرپاست. اگر بدون تصویر چیزی نمی فهمید، مشکل در برش هاست و رنگ و افکت درستش نمی کنند.

در کار روایی و تبلیغاتی، تعیین کننده اصلی طول هر پلان صداست و نه تصویر. جمله تمام می شود، نفس گرفته می شود، ضرب موسیقی می افتد؛ برش روی همین نقاط می نشیند. برای همین بسیاری از تدوینگرها اول یک تراک صدای تمیز می سازند و بعد تصویر را رویش می چینند، نه برعکس.

و یک واقعیت که پذیرفتنش سخت است: تماشاگر تصویر متوسط با صدای خوب را تحمل می کند، ولی تصویر عالی با صدای بد را خاموش می کند. صفحه موشن گرافیک و تولید ویدیوی خودمان همین را در یک جمله می گوید، و دلیلش هم همین است که در فرایند ما گویندگی و میکس یک مرحله جداست و نه لایه ای که ته کار اضافه شود.

کمترین کاری که در پاس صدا باید انجام شود سه چیز است: تراز کردن دیالوگ ها تا از پلانی به پلان دیگر یکنواخت شنیده شوند، پایین آوردن موسیقی هرجا کسی حرف می زند، و برداشتن صداهای مزاحمی که در ضبط بوده اند. هیچ کدام به دانش میکس حرفه ای نیاز ندارد و هر سه بیشترین تفاوت را می سازند.

ریتم را چطور تنظیم کنیم که خسته کننده نشود؟

هیچ عدد درستی برای طول یک پلان وجود ندارد و هر کسی که عددی به شما بدهد، در واقع سلیقه یک ژانر خاص را عدد کرده است. ریتم را کاری که ویدیو باید بکند تعیین می کند.

سه فشار روی هم می افتند: تماشاگر باید فرصت خواندن و دیدن داشته باشد، پیام نباید کش بیاید، و پلان های هم شکل پشت سر هم خواب آورند. تنظیم ریتم یعنی پیدا کردن نقطه ای که هر سه قابل تحمل باشند، نه رسیدن به یک سرعت خاص.

دو آزمایش که واقعا کار می کنند و هیچ ابزاری لازم ندارند. اول، ویدیو را بی صدا ببینید: جایی که چشمتان می پرد جلوتر، همان جا طولانی است. دوم، آن را با سرعت دو برابر ببینید: هر جایی که در سرعت دو برابر هم قابل فهم است، احتمالا در سرعت عادی کند است.

و یک قاعده که برای ویدیوی تبلیغاتی تقریبا همیشه درست است: طولانی ترین پلان ویدیو را پیدا کنید و از خودتان بپرسید چه چیزی را نشان می دهد که پلان قبلی نشان نداده. اگر جواب روشنی ندارید، همان جا نصف می شود.

با کدام نرم افزار شروع کنیم؟

موضع ما ساده است: نرم افزار سومین چیزی است که یاد می گیرید، نه اولین. برش، صدا و ریتم بین همه این برنامه ها مشترک اند و کسی که آنها را بلد است در هر کدام ظرف یک هفته راه می افتد.

با این حال انتخاب اول بی اثر نیست، چون تعیین می کند چقدر زود به سقف می خورید. سه پله واقعی وجود دارد.

کپ کات برای کلیپ کوتاه عمودی و شبکه های اجتماعی ساخته شده و سریع ترین راه رسیدن به یک خروجی قابل انتشار است. سایت خودش روی رایگان بودن و «بدون نیاز به کارت اعتباری» تاکید می کند. سقفش هم همان جاست: پروژه چند صحنه ای با مدیریت رسانه جدی، کار این ابزار نیست.

داوینچی ریزالو تنها گزینه ای است که نسخه رایگانش یک نرم افزار کامل است و نه یک نسخه محدود شده. صفحه محصول بلک مجیک می گوید نسخه رایگان با تقریبا همه فرمت های ۸ بیتی تا ۶۰ فریم بر ثانیه و تا رزولوشن ۳۸۴۰ در ۲۱۶۰ کار می کند. نسخه پولی، ریزالو استودیو، ۲۹۵ دلار است و چیزهایی مثل موتور عصبی، حذف نویز و تدوین متن محور را اضافه می کند. اگر قصدتان جدی است، از همین شروع کنید.

پریمیر پرو فقط اشتراکی است؛ صفحه خود ادوبی می گوید تنها به صورت عضویت عرضه می شود و یک آزمایش هفت روزه دارد. دلیل انتخابش معمولا خود نرم افزار نیست، تیم و مشتری است: وقتی پروژه باید با آدم دیگری رد و بدل شود، فرمت پروژه مشترک ارزش هزینه را دارد.

یک چیزی که این درس نمی گوید و عمدا نمی گوید: اینکه کدام یک از این سه روی اتصال شما در ایران باز می شود، فعال می شود یا قابل پرداخت است. ما این را از این سرور آزمایش نمی کنیم، پس ادعایی هم نداریم.

سه پله ابزار تدوین، و اینکه هر پله کجا تمام می شود

  1. ۱

    کپ کات: کلیپ کوتاه عمودی

    سریع ترین راه به یک خروجی قابل انتشار؛ سایت خودش می گوید رایگان و بدون کارت اعتباری. سقفش پروژه چند صحنه ای با مدیریت رسانه است.

  2. ۲

    داوینچی ریزالو رایگان: نقطه شروع جدی

    نسخه رایگان یک نرم افزار کامل است: تا ۶۰ فریم بر ثانیه و تا ۳۸۴۰ در ۲۱۶۰، طبق صفحه خود بلک مجیک.

  3. ۳

    ریزالو استودیو یا پریمیر: وقتی تیم و مشتری تعیین می کنند

    استودیو ۲۹۵ دلار یک بار، پریمیر فقط اشتراکی با آزمایش هفت روزه. دلیل معمولا نیاز به تبادل پروژه است، نه قابلیت.

این نردبان درباره توانایی نرم افزار است و نه درباره دسترسی از ایران؛ آن را از این سرور آزمایش نمی کنیم.

مسیر سریع با هوش مصنوعی

مسیر سریع تدوین، تدوین کردن با هوش مصنوعی نیست؛ ساختن کات اول از روی متن است. برای هر چیزی که حرف زدن دارد (مصاحبه، آموزش، ویدیوی مستقیم به دوربین) کل فایل رونویسی زمان دار می شود، تصمیم های نگه داشتن و برداشتن روی همان متن گرفته می شود، و بعد فقط همان تصمیم ها روی تایم لاین اجرا می شوند. کاری که یک بعدازظهر می برد به یک ساعت می رسد و مهم تر اینکه هیچ برداشت خوبی جا نمی ماند.

  1. صدای فایل را جدا کنید. یک کانال، ۱۶ کیلوهرتز، بدون فشرده سازی. این دقیقا همان چیزی است که مدل های تبدیل گفتار به متن انتظار دارند و حجمش کسری از خود ویدیوست.
  2. رونویسی را روی کامپیوتر خودتان بگیرید. ویسپر با مجوز MIT منتشر شده و لوکال اجرا می شود، پس فوتیج منتشر نشده مشتری از دستگاه شما بیرون نمی رود. مدل متوسط برای فارسی نقطه شروع منطقی است و نیاز به ffmpeg روی سیستم را README خودش می گوید.
  3. متن زمان دار را با دستور زیر به یک مدل قوی بدهید. خروجی یک جدول تصمیم است، نه یک خلاصه: هر تکه با زمان شروع و پایان، و اینکه می ماند یا نمی ماند و چرا.
  4. ستون «می ماند» را روی تایم لاین اجرا کنید. حالا مونتاژ خام و کات اول با هم و در یک نشست به دست می آیند، و شما مستقیم سراغ ریتم و صدا می روید.

نسخه آماده کپی

# ۱. جدا کردن صدا (روی همین سرور با ffmpeg 6.1.1 اجرا و بررسی شد)
ffmpeg -i interview.mov -vn -ac 1 -ar 16000 -c:a pcm_s16le interview.wav

# ۲. رونویسی لوکال. فهرست کامل گزینه ها با whisper --help
whisper interview.wav --model medium --language Persian

# ۳. دستور تصمیم گیری، برای یک مدل قوی (نه مدل سریع ارزان)

نقش: دستیار تدوین. متن زیر رونویسی زمان دار یک فایل خام است.
هدف ویدیو: {در یک جمله}
طول هدف: {مثلا ۹۰ ثانیه}
مخاطب: {چه کسی و چه چیزی از قبل می داند}

رونویسی:
{متن زمان دار را اینجا بگذارید}

یک جدول بساز، یک ردیف برای هر تکه معنادار، با این ستون ها:
۱. زمان شروع و پایان، دقیقا همان طور که در رونویسی آمده
۲. یک خط از چیزی که گفته می شود
۳. می ماند / نمی ماند / شاید
۴. دلیل، در یک جمله و بر پایه هدف ویدیو نه کیفیت جمله
۵. اگر می ماند، جای پیشنهادی اش در ترتیب نهایی

قواعد:
- هیچ زمانی را که در رونویسی نیست ننویس. زمان را حدس نزن.
- متن گوینده را بازنویسی نکن. ستون دو نقل قول است.
- تکراری ها را جدا فهرست کن با بهترین برداشت مشخص شده.
- اگر جمع «می ماند» از طول هدف بیشتر شد، همان جا بگو چقدر بیشتر است و
  کدام ردیف ها اول باید بروند.
- چیزی که در رونویسی نیست را پیشنهاد نده؛ اگر جای خالی در روایت هست،
  آن را در یک فهرست جدا با عنوان «پلان لازم» بنویس.

قبل از اعتماد به خروجی: این مسیر کات اول را می سازد و نه ویدیو را. سه چیز باید دست شما بماند: ریتم، چون مدل نمی داند کجا باید نفس کشید؛ لحن، چون بهترین جمله از نظر متن، گاهی بدترین برداشت از نظر اجراست؛ و صحت، چون رونویسی خودکار روی نام ها، عددها و اصطلاحات فنی اشتباه می کند و همان اشتباه به تصمیم برش راه پیدا می کند. هر ردیفی که مدل «شاید» زده، خودتان ببینید و نه بخوانید.

هوش مصنوعی در این کار

در تدوین، هوش مصنوعی جایی خوب کار می کند که کار مکانیکی و قابل بازبینی است: رونویسی، پیدا کردن سکوت ها، ساختن زیرنویس، جدا کردن صدا از نویز. جایی بد کار می کند که تصمیم روایی است: کجا ببریم، چقدر نگه داریم، کدام برداشت بهتر اجرا شده. تفاوت این دو را با یک سوال می شود فهمید: اگر خروجی را می شود در سی ثانیه نگاه کرد و رد یا قبول کرد، سپردنش به مدل منطقی است.

ابزارهایی که واقعا کمک می کنند

  • Whisper مدل تبدیل گفتار به متن با مجوز MIT که روی کامپیوتر خودتان اجرا می شود. برای کار مشتری مهم ترین ویژگی اش همین است: فایل جایی آپلود نمی شود. README خودش می گوید ffmpeg باید روی سیستم باشد و شش اندازه مدل دارد.
  • Claude برای مرحله تصمیم روی رونویسی مناسب است، چون متن طولانی را بدون بازنویسی حرف گوینده نگه می دارد و ستون نقل قول دست نخورده می ماند. ایران در فهرست کشورهای پشتیبانی شده انتروپیک نیست؛ راه پرداخت در صفحه خرید هوش مصنوعی همین سایت آمده.
  • Gemini وقتی رونویسی چند فایل و چند ساعت است، برای پاس مکانیکی اول به صرفه تر است: دسته بندی تکه ها و پیدا کردن تکرارها. ایران در فهرست کشورهای پشتیبانی شده گوگل نیست.
  • DaVinci Resolve Studio اگر داخل خود نرم افزار می خواهید، نسخه استودیو طبق صفحه بلک مجیک موتور عصبی و تدوین متن محور دارد. نسخه رایگان این دو را ندارد و همین تفاوت، بیشتر دلیل خرید است تا افکت ها.

کجا نتیجه معکوس می دهد

ریسک اصلی این موضوع، حذف خودکار سکوت است. ابزارهای برش خودکار سکوت ها و کلمات پرکننده را می برند و در یک ویدیوی آموزشی نتیجه عالی است؛ روی کار روایی همان کار ریتم را نابود می کند، چون مکث در روایت سکوت نیست، معناست. ویدیویی که همه نفس هایش حذف شده، تند و بی روح شنیده می شود و کسی نمی تواند بگوید چرا. ریسک دوم داده ای است و مخصوص کار مشتری: فوتیج منتشر نشده، محصولی که هنوز رونمایی نشده و صدای آدم های واقعی را دارد. آپلود آن در یک سرویس ابری یک تصمیم است و نه یک مرحله فنی، و اینکه محتوای شما برای آموزش مدل استفاده می شود یا نه به طرح و تنظیمات همان سرویس بستگی دارد و روی صفحه خودشان نوشته شده؛ برای همین در مسیر سریع بالا رونویسی لوکال پیشنهاد شد. و ریسک سومی هم هست که کمتر به آن فکر می شود: زیرنویس خودکار روی نام ها و عددها اشتباه می کند و اگر بازبینی نشود، همان اشتباه روی تصویر منتشر می شود.

منبع ها: OpenAI Whisper: README, licence and model sizes Blackmagic Design: DaVinci Resolve, free version and Studio Anthropic: is my data used for model training

حد این توصیه

هر چیزی که در این درس آمده برای ویدیوی کوتاه روایی و تبلیغاتی نوشته شده: تیزر، معرفی محصول، مصاحبه، ویدیوی آموزشی. برای پخش زنده، برای مستند بلند و برای تدوین چند دوربینه یک مراسم، ترتیب کار و ابزارها فرق می کند و این درس آنها را پوشش نمی دهد. یک محدودیت دیگر هم صادقانه است: هیچ کدام از قاعده های اینجا جای دیدن کار خوب را نمی گیرد. ده ویدیوی حرفه ای را با دقت به برش هایشان نگاه کنید، بیشتر از هر فهرستی یاد می گیرید.

از تجربه خود ما

فرایند پنج مرحله ای که روی صفحه موشن گرافیک خودمان نوشته شده، همین ترتیب را از سمت تولید نشان می دهد: پیش از هر دوربینی، متن و استوری برد؛ و در مرحله چهارم، تدوین و گویندگی و میکس با هم تنظیم می شوند و نه پشت سر هم. مرحله پنجم هم چیزی است که تازه کارها دیر می فهمند: خروجی نهایی یکی نیست، سه تاست، برای اینستاگرام و سایت و تلویزیون. یعنی تصمیم های قاب بندی و ایمنی متن را باید در همان تایم لاین اول گرفت، وگرنه نسخه عمودی یعنی تدوین دوباره و نه یک خروجی دیگر.

سوال هایی که واقعا پرسیده می شوند

برای شروع تدوین چه کامپیوتری لازم است؟

بستگی به فوتیج دارد و نه به نرم افزار. کلیپ گوشی و دوربین معمولی روی هر لپ تاپ چند سال اخیر تدوین می شود؛ چیزی که سیستم را زمین می زند فرمت های سنگین تر و رزولوشن های بالاست. اگر کند شد، پیش از خرید سخت افزار سراغ گزینه پروکسی یا رندر بهینه شده در همان برنامه بروید که همین کار را با فایل سبک تر انجام می دهد.

موسیقی رایگان برای ویدیو از کجا بیاوریم؟

قاعده مهم تر از منبع است: هر قطعه ای که استفاده می کنید باید مجوزش را جایی ذخیره کرده باشید، همراه با تاریخ و شرایط. کتابخانه های موسیقی رایگان وجود دارند و شرایطشان با هم فرق می کند، مخصوصا درباره استفاده تجاری و لزوم ذکر نام. ما در این درس هیچ سرویس خاصی را توصیه نمی کنیم چون شرایطشان عوض می شود و بررسی روزآمدش کار خودتان است.

تدوین با گوشی کافی است یا حتما باید روی کامپیوتر باشد؟

برای کلیپ کوتاه عمودی که همان روز منتشر می شود، گوشی کافی است و گاهی سریع تر هم هست. جایی که کم می آورد، پروژه چند صحنه ای با چند نوار صداست: مدیریت رسانه، تراز دقیق صدا و تحویل چند فرمتی روی صفحه کوچک شدنی نیست. مرز عملی همان جایی است که برای اولین بار دنبال نوار صدای سوم می گردید.