چطور با هوش مصنوعی ویدئو بسازیم: راهنمای کامل

مدل ویدئوی هوش مصنوعی یک توصیف را به کلیپ متحرک کوتاهی تبدیل می‌کند. نه فیلم‌برداری لازم است، نه نورپردازی و نه انیمیشن: مدل هر فریم را از روی آنچه درباره ظاهر و حرکت صحنه‌ها آموخته است می‌سازد. دو روش اصلی برای هدایت آن وجود دارد.

voclalabs.com/ai-video

صفحه‌کلید: فاصله برای پخش یا توقف، M برای صدا، F برای تمام‌صفحه، و پیکان‌های چپ و راست برای ۵ ثانیه جلو یا عقب.

ساخته‌شده با Vocla Video · صدای فصیح معاصربرای صدا بزنید

0:00 / 0:16

• پرامپتکلیپ

  متن به ویدئو

  یک پرامپت می‌نویسید (سوژه، آنچه رخ می‌دهد، مکان، حرکت دوربین) و مدل کلیپ را از صفر می‌سازد. وقتی هیچ فیلمی در دست ندارید، بهترین گزینه است.

• تصویر + پرامپتکلیپ

  تصویر به ویدئو

  یک تصویر ثابت، مثل عکس محصول یا فریمی تأییدشده از استوری‌بورد، را به‌عنوان نخستین فریم به مدل می‌دهید و مدل از همان‌جا آن را متحرک می‌کند. نتیجه بسیار نزدیک‌تر به ظاهری می‌ماند که انتخاب کرده‌اید.

هر بار تولید فقط یک کلیپ کوتاه چندثانیه‌ای است. ویدئوی نهایی از چند کلیپ به‌هم‌پیوسته ساخته می‌شود که صدا، زیرنویس و اغلب موسیقی رویشان قرار می‌گیرد: همین سرهم‌کردن بخشی است که بیشتر افراد دست‌کمش می‌گیرند.

هر مدلی بده‌بستان‌های خودش را دارد. پیش از انتخاب، آن‌ها را در مواردی مقایسه کنید که نتیجه کار و صورت‌حسابتان را تغییر می‌دهد.

سطوح کیفیت Vocla

• Lite150 اعتبار/ثانیهسریع و به‌صرفه، با کلیپ‌های 4، 6 یا 8 ثانیه‌ای. مناسب کلیپ‌های شبکه‌های اجتماعی و آزمودن یک ایده. در همه طرح‌های دارای ویدئو.
• Standard400 اعتبار/ثانیهحرکت و جزئیات غنی‌تر، کلیپ‌های منعطف 3 تا 15 ثانیه‌ای، همه قالب‌ها. Professional و بالاتر.
• Pro1,000 اعتبار/ثانیهبیشترین جزئیات، برای کمپین‌ها و کارهای ویژه: 1080p در Business و تا 4K در Enterprise.

Vocla هر سطح را به یکی از مدل‌های ویدئوی هوش مصنوعی روز متصل می‌کند و ممکن است با آمدن مدل‌های بهتر، مدل پشت یک سطح را تغییر دهد؛ خود سطح، نرخ اعتبار آن و محدودیت‌های طرح شما ثابت می‌مانند.

در ویدئوی کوتاه، مردم تصویر ساده را می‌بخشند. اما صدایی که درست به گوش نمی‌رسد، لهجه‌ای که مال آن‌ها نیست یا کلماتی که در حالت بی‌صدا نمی‌توانند بخوانند را نمی‌بخشند. برای همین Vocla ویدئو را حول صدا می‌سازد، نه برعکس.

• صدا پیام را می‌رساند

  کلمات، لحن و لهجه تعیین می‌کنند که بیننده احساس کند مخاطب قرار گرفته یا نه. صدایی سعودی برای ریاض یا مصری برای قاهره بیش از یک نمای زیباتر اثر دارد.

• در حالت بی‌صدا، زیرنویس کار را انجام می‌دهد

  خیلی‌ها بی‌صدا تماشا می‌کنند. زیرنویس چسبیده، با سبکی که دنبال کردنش آسان است، پیام را برای آن‌ها کامل نگه می‌دارد.

• زمان‌بندی از گفتار می‌آید

  صحنه‌ها باید با جمله‌ها عوض شوند. Vocla ابتدا متن را می‌خواند و هر صحنه را با گفتار هم‌زمان می‌کند تا تصویر دنبال حرفی برود که زده می‌شود.

• متن درون کادر نقطه ضعف است

  مدل‌های ویدئو حروف را خراب می‌کنند، به‌ویژه حروف عربی را. هر کلمه را از تصویر بیرون نگه دارید و در مسیر زیرنویس جداگانه‌ای بگذارید که عربی را درست و از راست به چپ نمایش می‌دهد.

یک توصیف صحنه خوب مثل یادداشت کارگردان است: چه کسی یا چه چیزی در تصویر است، چه رخ می‌دهد، کجا، دوربین چطور رفتار می‌کند، نور چگونه است و حس کلی چه باید باشد. آن را به انگلیسی بنویسید، زبانی که مدل‌های ویدئو بهتر از همه دنبالش می‌کنند، حتی اگر متن شما عربی باشد.

دوازده توصیف صحنه که از دستور شش‌بخشی پیروی می‌کنند. یکی را کپی کنید، سوژه را با سوژه خودتان عوض کنید و واژه‌های دوربین، نور و سبک را نگه دارید.

• غذاریختن قهوه عربیکپی پرامپت

  پرامپت

  Close-up of Arabic coffee being poured from a brass dallah into a small handleless cup, steam rising, warm morning window light, shallow depth of field, slow push-in, cinematic, rich golden tones

  یک سوژه، یک کنش و حرکتی ملایم: شروعی آرام و شکیل.

• رستورانکباب روی زغال در شبکپی پرامپت

  پرامپت

  Close-up of skewers of grilled meat and vegetables over glowing charcoal, flames flickering, smoke curling upward, night market atmosphere, warm firelight, slow motion

  آتش، دود و حرکت آهسته بدون نیاز به هیچ متنی به تصویر بافت می‌دهند.

• املاکرونمایی از اتاق نشیمنکپی پرامپت

  پرامپت

  Slow dolly forward into a bright modern living room with floor-to-ceiling windows overlooking a city skyline at golden hour, minimalist furniture, soft natural light, wide lens, calm and airy, photorealistic

  حرکت رو به جلو حس «وارد شدن» می‌دهد، همان حسی که یک تور باید داشته باشد.

• فروشگاه اینترنتینمای اصلی محصول عطرکپی پرامپت

  پرامپت

  A glass perfume bottle without a label on a dark marble pedestal, slow orbit around the bottle, soft rim light, fine mist drifting in the air, black background, luxury commercial style, sharp focus

  شیشه بدون برچسب از برند خراب‌شده جلوگیری می‌کند؛ برند شما در صدا زنده است.

• زیباییبافت محصول مراقبت پوستکپی پرامپت

  پرامپت

  Macro shot of a creamy skincare texture swirling slowly on a pastel pink surface, soft diffused light, glossy highlights, clean and fresh aesthetic

  بافت‌های ماکرو در کادر بلند غنی به نظر می‌رسند و هرگز به چهره نیاز ندارند.

• سفرتپه‌های شنی در غروبکپی پرامپت

  پرامپت

  Aerial drone shot gliding over rippled sand dunes at sunset, long shadows, warm orange and pink sky, a single tyre track across the sand, epic and peaceful, cinematic color grade

  منظره، نور و یک خط راهنما: نمای معرفی ساده و چشمگیر.

• مهمان‌نوازیکوچه بافت قدیمی در ساعت آبیکپی پرامپت

  پرامپت

  Slow walk-through of a narrow old-town alley with stone walls and hanging lanterns at blue hour, warm light spilling from doorways, gentle handheld camera, nostalgic, cinematic

  حس دوربین روی دست آن را شخصی می‌کند، انگار سازنده‌ای شما را در کوچه همراهی می‌کند.

• تناسب اندامحرکات کششی روی پشت‌بام هنگام طلوعکپی پرامپت

  پرامپت

  A person in plain sports clothes stretching on a yoga mat on a rooftop at sunrise, seen from behind, city in the soft distance, gentle handheld feel, warm light, calm and motivating

  دیده شدن از پشت، فرد را عمومی نگه می‌دارد و حال‌وهوا را در مرکز توجه قرار می‌دهد.

• آموزشقطعه‌های چوبیکپی پرامپت

  پرامپت

  Top-down view of colorful wooden blocks being stacked into a tower on a light desk, soft daylight, playful and clear, stop-motion feel

  استعاره‌ای تصویری از «گام به گام» بدون هیچ نوشته‌ای که مدل خرابش کند.

• فناوریگوشی درخشانکپی پرامپت

  پرامپت

  Close-up of a smartphone lying on a dark desk, its blank screen emitting a soft blue glow that lights the surroundings, subtle floating particles, slow push-in, futuristic, moody lighting

  صفحه خالی و درخشان، بدون متن جعلی رابط کاربری، تداعی‌گر یک اپ است.

• خودرورانندگی در جاده ساحلیکپی پرامپت

  پرامپت

  Tracking shot of an unbranded white SUV driving along a coastal highway beside a calm turquoise sea, bright midday sun, smooth gimbal movement, clean commercial look

  واژه «unbranded» جلوی نشان‌های ساختگی را می‌گیرد؛ حرکت تعقیبی، حس حرکت را می‌فروشد.

• هر برندیپس‌زمینه انتزاعی تکرارشوندهکپی پرامپت

  پرامپت

  Slow-moving abstract waves of teal and purple light flowing across a dark background, soft glow, smooth seamless motion, calm and premium

  پس‌زمینه‌ای بی‌خطر برای جمله‌ای، پیشنهادی یا نقل‌قولی که صدا بیان می‌کند.

رندر ویدئو پرهزینه‌ترین مرحله است، پس همه تصمیم‌ها را پیش از آن بگیرید. استوری‌بوردی از تصاویر ثابت، یکی برای هر صحنه، ظاهر کل ویدئو را با کسری از هزینه رندرش نشان می‌دهد.

1. 01متناول جمله آغازین، هر ایده یک جمله
2. 02صدااول ساخته می‌شود، به لهجه انتخابی شما
3. 03برنامه صحنه‌هاصحنه‌های 3–8 ثانیه‌ای هم‌زمان با گفتار
4. 04تصاویر ثابتیک فریم برای هر صحنه، برای تأیید
5. 05رندرفقط صحنه‌هایی که تأیید کرده‌اید
6. 06میکسصدا، زیرنویس و موسیقی روی تصویر

• اول فریم جمله آغازین را درست کنید: اگر نخستین تصویر ثابت جلوی اسکرول شما را نگیرد، ویدئو هم نمی‌گیرد.
• یکدستی را بررسی کنید: همان نور، رنگ‌ها و سبک در همه تصاویر ثابت.
• به‌جای ساختن دوباره همه چیز، یک توصیف را تغییر دهید و فقط همان تصویر ثابت را دوباره بسازید.
• تصاویر ثابت تأییدشده نخستین فریم هر کلیپ می‌شوند، پس ویدئو نزدیک به همان چیزی می‌ماند که دیده‌اید.

کل مسیر، از صفحه خالی تا MP4 دانلودشده.

1. 1

   متن را بنویسید و زمان‌بندی کنید

   جمله آغازینی بنویسید که در حدود دو ثانیه گفته شود، سپس برای هر ایده یک جمله کوتاه. طول را با برنامه‌ریز متن TikTok بررسی کنید.

2. 2

   صدا و جزئیات نهایی را انتخاب کنید

   در Vocla بخش Video را باز کنید، متن را بچسبانید، سپس صدا و لهجه، قالب (9:16، 16:9 یا 1:1)، سطح کیفیت، سبک زیرنویس و افزودن یا نیفزودن موسیقی را انتخاب کنید.

3. 3

   خواندن و برنامه‌ریزی را به Vocla بسپارید

   Vocla گویندگی را می‌سازد، آن را به صحنه‌های سه تا هشت ثانیه‌ایِ هم‌زمان با گفتار تقسیم می‌کند و برای هر صحنه یک توصیف تصویری انگلیسی می‌نویسد.

4. 4

   توصیف صحنه‌ها را ویرایش کنید

   هر توصیف را با دستور شش‌بخشی بسنجید. سوژه را دقیق کنید، حرکت دوربین را نام ببرید و واژه‌های سبک را یکدست نگه دارید.

5. 5

   استوری‌بورد را تأیید کنید

   برای هر صحنه یک تصویر ثابت بسازید. هر توصیفی را که نتیجه نداد اصلاح کنید و همان تصویر را دوباره بسازید تا هر صحنه درست به نظر برسد.

6. 6

   رندر، بازبینی و دانلود

   برآورد را بررسی کنید، رندر کنید، سپس ویدئو را روی گوشی تماشا کنید. در صورت نیاز فقط یک صحنه را دوباره بسازید و MP4 را با صدا، زیرنویس و موسیقی دانلود کنید.

Vocla هزینه ویدئو را به اعتبار و برای هر ثانیه رندرشده محاسبه می‌کند و نرخ آن به سطح کیفیت بستگی دارد. طول هر صحنه به نزدیک‌ترین طول کلیپی که مدل آن سطح رندر می‌کند گرد می‌شود، پس طول صحنه‌ها به اندازه طول کل اهمیت دارد.

این‌ها برآوردهایی بر اساس نرخ‌های پیش‌فرض در زمان نگارش‌اند. نرخ‌ها ممکن است تغییر کنند و برآوردی که پیش از رندر در اپ نمایش داده می‌شود رقم دقیق است. اعتبار صحنه‌های ناموفق برمی‌گردد.

بیشتر ویدئوهای ناامیدکننده هوش مصنوعی به همین چند دلیل شکست می‌خورند. هیچ‌کدام به خود مدل ربطی ندارد.

1. 01

   شروع از تصاویر

   اول متن را بنویسید و صداگذاری کنید. صحنه‌هایی که با یک گویندگی کامل هم‌زمان شده‌اند حساب‌شده به نظر می‌رسند؛ تصاویری که بعداً صدا رویشان گذاشته شده تصادفی به نظر می‌رسند.

2. 02

   درخواست متن از مدل

   قیمت‌ها، عنوان‌ها و کلمات عربی خراب از آب درمی‌آیند. همه کلمات را به مسیر زیرنویس بسپارید.

3. 03

   لوگو و افراد واقعی

   اشیای بدون برند و افراد عمومی بخواهید و نام برند را در گویندگی بگویید.

4. 04

   سبکی تازه در هر صحنه

   یک دنباله سبک ثابت، یعنی همان واژه‌های نور و رنگ، را در انتهای همه توصیف‌ها تکرار کنید.

5. 05

   چیزهای زیاد در یک نما

   در هر صحنه یک سوژه و یک کنش. اگر دو ایده دارید، دو صحنه لازم دارید.

6. 06

   رندر پیش از تصاویر ثابت

   اول استوری‌بورد را تأیید کنید؛ تغییر یک تصویر ثابت کسری از هزینه رندر دوباره یک کلیپ را دارد.

7. 07

   متنی که جا نمی‌شود

   کلمات زیاد برای آن طول یعنی صدایی شتاب‌زده. متن را زمان‌بندی کنید، سپس به‌جای تند کردن سرعت، کلمات را کم کنید.

8. 08

   فراموش کردن لبه‌های کادر

   پلتفرم‌ها روی کناره‌ها و پایین ویدئوی عمودی دکمه نمایش می‌دهند. سوژه‌ها و زیرنویس را از آن‌ها دور نگه دارید.