آموزش ساخت ویدیو با هوش مصنوعی: از پرامپت تا تبدیل عکس به ویدیو

برای ساخت ویدیو با هوش مصنوعی، صحنه را در یک توضیح کوتاه (پرامپت) می‌نویسید: چه کسی یا چه چیزی در تصویر است، چه کاری می‌کند، کجاست، دوربین چطور حرکت می‌کند و نور چگونه است. بعد مدت و نسبت تصویر را انتخاب می‌کنید و اگر بخواهید یک یا چند عکس مرجع هم می‌دهید؛ مدل هوش مصنوعی چند دقیقه بعد یک کلیپ کوتاه چندثانیه‌ای تحویل می‌دهد. مهم‌ترین تفاوت با ساخت عکس این است که ویدیو حرکت دارد، پس پرامپت خوب باید بگوید «چه چیزی حرکت می‌کند و دوربین چه می‌کند».

در این راهنما همین مسیر را قدم‌به‌قدم با ابزار ساخت ویدیو با هوش مصنوعی تاپ‌گیفت جلو می‌بریم: نوشتن پرامپت، تبدیل متن به ویدیو، تبدیل عکس به ویدیو، استفاده از ویدیوی مرجع و برنامه‌ریزی صحنه‌ها برای ویدیوهای بلندتر. برای کار با ابزارهای ویدیویی تاپ‌گیفت باید وارد حساب کاربری شوید؛ فایل‌ها و ویدیوها خصوصی‌اند و فقط برای خودتان نگه داشته می‌شوند.

ساخت ویدیو با هوش مصنوعی چطور کار می‌کند؟

مدل‌های ویدیوساز از توضیح شما (و در صورت وجود، از عکس یا ویدیوی مرجع) چند ثانیه تصویر متحرک می‌سازند. در عمل سه راه شروع دارید:

• متن به ویدیو: فقط توضیح می‌نویسید یا با صدا می‌گویید و صحنه از صفر ساخته می‌شود.
• عکس به ویدیو: یک عکس را متحرک می‌کنید یا با عکس‌های مرجع، شخصیت و سبک ویدیو را مشخص می‌کنید.
• ویدیوی مرجع: یک کلیپ کوتاه می‌دهید تا حرکت، دوربین یا سبک آن در ویدیوی تازه تکرار شود (فقط در بعضی مدل‌ها).

طول هر کلیپ به مدل بستگی دارد و در مدل‌های فعلی ابزار بین 3 تا 15 ثانیه است. یعنی «یک ویدیوی یک‌دقیقه‌ای» را با یک دستور نمی‌سازید؛ آن را از چند صحنهٔ کوتاه می‌سازید و کنار هم می‌گذارید. پایین‌تر روش این کار را هم توضیح داده‌ایم.

فرمول پرامپت ویدیو: هفت جزء که باید بنویسید

پرامپت عکس معمولاً یک لحظه را توصیف می‌کند؛ پرامپت ویدیو باید یک «اتفاق» را توصیف کند. این هفت جزء را به همین ترتیب بنویسید و هرچه برایتان مهم نیست را حذف کنید:

1. سوژه: دقیق و دیدنی؛ «یک فنجان سرامیکی سفید» بهتر از «یک فنجان» است.
2. کار یا حرکت سوژه: چه اتفاقی می‌افتد؟ بخار بلند می‌شود، شخصیت قدم می‌زند، پارچه در باد تکان می‌خورد.
3. فضا و پس‌زمینه: میز چوبی کافه، خیابان شهر هنگام غروب، استودیوی ساده.
4. حرکت دوربین: ثابت، آهسته به جلو، چرخش دور سوژه، دنبال کردن شخصیت، حرکت از بالا به پایین.
5. نور و رنگ: نور نرم صبح، نور گرم غروب از پشت، نور استودیویی، رنگ‌های پاستلی.
6. حال‌وهوا یا سبک: سینمایی، مستند، شاد و پرانرژی، انیمه.
7. مدت و نسبت تصویر: این دو را در تنظیمات انتخاب می‌کنید، اما در ذهن داشته باشید: کار سوژه باید در همان چند ثانیه جا شود و قاب عمودی 9:16 با قاب افقی 16:9 ترکیب‌بندی متفاوتی می‌خواهد.

یک قاعدهٔ ساده: در هر کلیپ کوتاه، یک کار اصلی و یک حرکت دوربین. اگر در 5 ثانیه بخواهید شخصیت وارد شود، بنشیند، قهوه بنوشد و بخندد و دوربین هم دورش بچرخد، معمولاً نتیجه شلوغ و غیرطبیعی می‌شود.

سه پرامپت نمونه برای شروع

این سه پرامپت را برای یک کسب‌وکار فرضی نوشته‌ایم تا ساختار را ببینید؛ متن پرامپت هستند، نه خروجی ابزار:

• چرخش محصول (1:1، 5 ثانیه): «یک بطری شیشه‌ای عطر روی سکوی چرخان سفید در استودیوی ساده، نور نرم استودیویی و بازتاب ظریف روی شیشه، دوربین آرام دور محصول می‌چرخد، جزئیات درپوش واضح.»
• قدم زدن سینمایی (16:9، 8 ثانیه): «زنی با پالتوی کرم در کوچه‌ای سنگ‌فرش هنگام غروب آرام به سمت دوربین قدم برمی‌دارد، نور گرم از پشت سر، عمق میدان کم، دوربین آهسته عقب می‌رود، رنگ‌بندی گرم و فیلمی.»
• کلیپ عمودی شبکه‌های اجتماعی (9:16، 5 ثانیه): «نمای نزدیک از دست باریستا که شیر را روی لاته می‌ریزد و طرح قلب شکل می‌گیرد، نور طبیعی پنجره، دوربین ثابت از بالا، رنگ‌های گرم و روشن.»

پرامپت با دستور دوربین و بدون آن

همان پرامپت سوم را بدون جملهٔ «دوربین ثابت از بالا» در نظر بگیرید. در این حالت انتخاب زاویه و حرکت دوربین به مدل سپرده می‌شود و ممکن است نمای کناری یا حرکتی بگیرید که برای قاب عمودی مناسب نیست. وقتی زاویه برایتان مهم است، آن را صریح بنویسید؛ وقتی مهم نیست، ننویسید تا مدل آزادتر عمل کند. برای مقایسه، یک بار هر دو نسخه را با همان مدل و همان مدت بسازید و نتیجه را کنار هم ببینید.

آموزش قدم‌به‌قدم تبدیل متن به ویدیو

1. وارد حساب کاربری شوید و صفحهٔ ساخت ویدیو را باز کنید.
2. ایده را بنویسید یا با میکروفون بگویید. توضیح می‌تواند تا 2000 نویسه باشد، ولی پرامپت‌های کوتاه و دقیق معمولاً قابل‌کنترل‌ترند.
3. اگر نمی‌دانید از کجا شروع کنید، یکی از قالب‌های آماده را بردارید؛ مثلاً «نمای سینمایی»، «معرفی محصول»، «ریلز اینستاگرام»، «تیزر تبلیغاتی»، «غذا و رستوران»، «تور ملک»، «سفر و طبیعت»، «انیمه»، «فشن» یا «پرترهٔ زنده». قالب فقط نقطهٔ شروع است؛ سوژهٔ خودتان را جایگزین کنید.
4. دکمهٔ «بهبود پرامپت» توضیح شما را کامل‌تر و دقیق‌تر می‌کند. نتیجه را بخوانید و پیش از ساخت ویرایش کنید؛ هرچه با ایده‌تان نمی‌خواند را بردارید.
5. مدل را خودتان انتخاب کنید یا بگذارید خودکار انتخاب شود. ابزار فقط تنظیماتی را نشان می‌دهد که مدل انتخاب‌شده واقعاً دارد (مدت، کیفیت، نسبت تصویر، صدا).
6. هزینه پیش از ساخت نمایش داده می‌شود و به مدل، مدت، کیفیت و صدا بستگی دارد. اعتبار هنگام شروع رزرو و فقط وقتی ویدیو آماده شد کسر می‌شود؛ اگر ساخت ناموفق باشد، آزاد می‌شود.
7. ساخت معمولاً چند دقیقه طول می‌کشد و لازم نیست صفحه باز بماند؛ وقتی آماده شد در سایت، اپلیکیشن و تلگرام خبرتان می‌کنند.
8. ویدیو در گالری خصوصی شما تا 3 ماه می‌ماند. فایل‌هایی را که لازم دارید دانلود و جای دیگری ذخیره کنید.

آموزش تبدیل عکس به ویدیو با هوش مصنوعی

تبدیل عکس به ویدیو دو کاربرد رایج دارد: زنده کردن خود عکس (مثلاً پرتره‌ای که لبخند می‌زند و پلک می‌زند) و استفاده از عکس به‌عنوان مرجع تا شخصیت یا محصول در ویدیوی تازه شبیه همان عکس باشد. در ابزار تاپ‌گیفت تا 7 عکس می‌توانید اضافه کنید (JPEG، PNG، WebP یا HEIC) و برای هر عکس برچسب بگذارید: «شخصیت اصلی»، «شخصیت دوم»، «مرجع» یا «مرجع سبک».

• عکس شخصیت: واضح، رو به دوربین و با نور کافی. عکسی که صورت در آن کوچک، تار یا نیم‌رخ است، شباهت را کم می‌کند.
• پرامپت را برای حرکت بنویسید، نه برای توصیف عکس: مدل خود عکس را می‌بیند؛ شما بگویید چه اتفاقی بیفتد. مثلاً «شخصیت اصلی آرام سرش را به سمت پنجره می‌چرخاند، دوربین ثابت، نور نرم».
• نسبت تصویر: بعضی مدل‌ها گزینهٔ «همان عکس» دارند و نسبت ویدیو را از خود عکس می‌گیرند. اگر عکس افقی است و ویدیوی عمودی می‌خواهید، بخشی از تصویر باید بازسازی یا حذف شود؛ بهتر است از ابتدا عکسی با قاب مناسب انتخاب کنید.
• همهٔ مدل‌ها چند عکس نمی‌پذیرند: بعضی فقط یک عکس می‌گیرند و بعضی چند عکس مرجع؛ ابزار هنگام انتخاب مدل همین را نشان می‌دهد. مقایسهٔ مدل‌ها را در راهنمای انتخاب هوش مصنوعی ساخت ویدیو آورده‌ایم.

فقط از عکس خودتان یا کسی که اجازه داده استفاده کنید. ساختن ویدیوی واقعی‌نما از چهرهٔ دیگران بدون رضایت، هم غیراخلاقی است و هم می‌تواند پیامد قانونی داشته باشد.

ویدیوی مرجع: وقتی می‌خواهید حرکت یا سبک خاصی تکرار شود

گاهی توصیف یک حرکت با کلمه سخت است؛ مثلاً یک چرخش خاص دوربین یا ریتم یک رقص. در این حالت ویدیوی مرجع کمک می‌کند. در ابزار تاپ‌گیفت تا 5 ویدیو، هر کدام تا 25 مگابایت و روی هم تا 30 ثانیه می‌توانید بدهید (MP4، MOV یا WebM). در پرامپت با «ویدئو 1»، «ویدئو 2» به آن‌ها اشاره کنید؛ مثلاً «همان حرکت دوربین ویدئو 1، این بار دور محصول». همهٔ مدل‌ها ویدیوی مرجع نمی‌پذیرند و فقط مدل‌هایی نمایش داده می‌شوند که این تعداد و این مدت را قبول می‌کنند.

ساخت ویدیوی آموزشی یا تبلیغاتی بلندتر: صحنه‌به‌صحنه

برای ویدیوی 30 ثانیه یا یک دقیقه، اول سناریو بنویسید و بعد هر صحنه را جدا بسازید:

1. سناریو و فهرست صحنه‌ها: هر صحنه با زمان، تصویر و گفتار. می‌توانید آن را با سناریونویس ریلز بسازید که صحنه‌ها را با زمان‌بندی، گفتار، متن روی تصویر و شات‌لیست تحویل می‌دهد.
2. یک پرامپت برای هر صحنه: سوژه، فضا و نور را در همهٔ پرامپت‌ها یکسان نگه دارید تا صحنه‌ها به هم بخورند.
3. یک عکس مرجع ثابت برای شخصیت: اگر شخصیت در چند صحنه تکرار می‌شود، در همه از همان عکس با برچسب «شخصیت اصلی» استفاده کنید.
4. صدا: بعضی مدل‌ها صدای همراه می‌سازند و بعضی ویدیوی بی‌صدا می‌دهند. برای گفتار فارسی کنترل‌شده می‌توانید متن را با تبدیل متن به صدا به فایل صوتی تبدیل کنید.
5. تدوین: کلیپ‌ها، صدا و زیرنویس را در یک برنامهٔ تدوین ویدیو (روی گوشی یا کامپیوتر) کنار هم بگذارید.

آموزش ساخت ویدیو با هوش مصنوعی در گوشی

برای این کار برنامهٔ جداگانه‌ای لازم نیست؛ صفحهٔ ساخت ویدیو در مرورگر گوشی و در اپلیکیشن تاپ‌گیفت کار می‌کند و همان مراحل بالا را دارد. روی گوشی دو نکته کار را راحت‌تر می‌کند: پرامپت را با صدا بگویید و بعد متن آن را مرور کنید، و عکس مرجع را مستقیم از گالری گوشی انتخاب کنید. چون لازم نیست صفحه باز بماند، بعد از شروع ساخت می‌توانید از برنامه خارج شوید و منتظر اعلان بمانید.

اشتباه‌های رایج در ساخت ویدیو با هوش مصنوعی

• پرامپت بدون حرکت: «یک کافهٔ زیبا» یک عکس است، نه ویدیو. بگویید چه چیزی تکان می‌خورد.
• چند اتفاق در چند ثانیه: یک کار اصلی برای هر کلیپ کافی است.
• نسبت تصویر نامناسب: برای ریلز و استوری 9:16، برای یوتیوب و سایت معمولاً 16:9 و برای پست مربعی 1:1.
• عکس مرجع ضعیف: عکس تار یا با عینک آفتابی، شباهت چهره را کم می‌کند.
• انتظار متن دقیق داخل تصویر: اگر نوشته یا لوگو برایتان مهم است، آن را در تدوین روی ویدیو بگذارید و از مدل انتظار نوشتن دقیق آن را نداشته باشید.
• فراموش کردن دانلود: ویدیوهای گالری بعد از 3 ماه دیگر قابل پخش یا دانلود نیستند.

اگر نتیجه با توضیح شما نمی‌خواند، حرکت غیرطبیعی است یا چهره شبیه نیست، همین را در بازخورد همان ویدیو ثبت کنید و پرامپت را دقیق‌تر کنید: معمولاً کوتاه‌تر کردن کار سوژه و صریح نوشتن حرکت دوربین بیشترین اثر را دارد. برای اصول کلی نوشتن دستور برای هوش مصنوعی، راهنمای درست سؤال پرسیدن از هوش مصنوعی را هم ببینید.

از کجا شروع کنیم؟

یک ایدهٔ ساده انتخاب کنید، مثلاً محصول خودتان روی میز با نور صبح، و با فرمول هفت‌جزئی پرامپت بنویسید. یک بار با قالب آماده و یک بار با پرامپت خودتان بسازید و نتیجه را مقایسه کنید. هر وقت آماده بودید، اولین ویدیوی خودتان را در استودیوی ویدیوی تاپ‌گیفت بسازید؛ هزینه پیش از ساخت نمایش داده می‌شود و اگر ساخت ناموفق باشد، اعتباری کسر نمی‌شود.