Spira Maxima يتخطى المقطع القصير ويقدّم الفيديو كاملاً

تتوقف معظم أدوات فيديو الذكاء الاصطناعي عند المقطع. فهي تعيد خمس ثوانٍ من اللقطات، ويظل على صانع المحتوى فتح برنامج مونتاج، وتقطيع لقطات B-roll، ومزامنة التعليق الصوتي، ووضع التسميات التوضيحية، واختيار مقطع موسيقي. أطلقت Spira AI منتج Spira Maxima على Product Hunt هذا الأسبوع بهدف مختلف: يأخذ نصاً عادياً ويعيد فيديو اجتماعياً جاهزاً للنشر في تمريرة واحدة.

الشركة واضحة بشأن موضع عنق الزجاجة. فقد أصبح التوليد رخيصاً بينما ظل الإنهاء يدوياً، والفجوة بين الاثنين هي حيث يقع فعلياً معظم العمل على الفيديو الاجتماعي. يتعامل Spira Maxima مع اختيار المقدم، والتقطيع، وإضافة التسميات، والموسيقى كمهمة واحدة بدلاً من أربع مهام.

ما الذي يفعله النموذج في تمريرة واحدة

عند إعطائه نصاً، يختار النظام مقدماً، ويُدرج لقطات B-roll تتناسب مع السرد، ويرتّب ترجمة على الشاشة، ويختار صوتاً خلفياً. وتُرتّب المخرجات لتناسب صيغ الفيديو الاجتماعي العمودية بدلاً من أن تكون موجّهة لمحرر خط زمني.

كما يتعامل مع التخصيص. يمكن لصانع المحتوى رفع صورة شخصية واحدة وعيّنة صوتية قصيرة لتوليد نسخة طبق الأصل بالذكاء الاصطناعي تتكرر وتحافظ على اتساق صوتي وبصري عبر العديد من الفيديوهات، وهو أمر مهم لأي شخص ينتج سلسلة محتوى وليس منشوراً لمرة واحدة. وبالنسبة للعلامات التجارية، يقبل النظام صور المنتجات أو لقطات الهاتف الخام ويبني المونتاج حول تلك المرتكزات بدلاً من إجبار المنتج على قالب.

يسرد الفريق الذي يقف خلف Spira AI خلفيات عمل في TikTok وCapCut وMeta وSnap وMidjourney وCreatify AI، مع Long Ma كرئيس تنفيذي إلى جانب Justin Jincaid وUpasana Pradhan. هذه السيرة الذاتية هي العرض الترويجي نفسه: فالمنتج موجّه إلى أشخاص يفهمون إيقاع المحتوى الاجتماعي، لا إلى أشخاص يفهمون أخذ عينات الانتشار.

مشكلة «المحتوى الرديء»، مسمّاة مباشرةً

تواجه مواد إطلاق Spira سأماً تفشّى في منصات الفيديو القصير. عندما أصبحت أدوات التوليد متاحة على نطاق واسع، امتلأت التغذيات بمخرجات منخفضة الجهد: صورة رمزية اصطناعية تتحدث فوق خلفية ثابتة، بلا قطعات، بلا سياق. تعلّم الجمهور التعرف عليها، وتعلّمت أنظمة التوصية معاقبتها.

جواب Spira Maxima هو التدريب اللاحق على بيانات أداء المحتوى الاجتماعي. جرى ضبط النموذج على أنماط بنيوية من صيغ تحقق أداءً جيداً على TikTok وInstagram Reels وYouTube Shorts، وهو يقطع بين إطارات المقدم، ولقطات توضيحية، ولقطات حركة بوتيرة تشبه المونتاج البشري. والادعاء هو أن النموذج استوعب الإيقاع بقدر ما استوعب البكسلات.

هذا فرق ذو معنى لأي شخص حاول استخدام نموذج فيديو عام للتسويق. فالنموذج الذي ينتج مقطعاً جميلاً بدقة 720p ليس مثل نظام يعرف متى يقطع إلى مشهد آخر، والمهارة الثانية أصعب في الحصول عليها بالشراء.

يتعامل Spira Maxima أيضاً مع أجزاء الإنتاج المملّة لا الإبداعية. فوضع التسميات التوضيحية، ومستويات الصوت، وتوقيت القطع على النبضة، واختيار ما إذا كانت اللقطة قريبة أم واسعة، كلها قرارات يتخذها المونتير البشري عشرات المرات في الفيديو الواحد، وكلها تتكرر بالطريقة نفسها. والنظام الذي يتخذها تلقائياً لا يفعل شيئاً لا يستطيع مونتير ماهر أن يفعله أفضل منه. إنه ببساطة يفعله بسعر وسرعة يجعلان فئة معينة من الفيديو مجدية اقتصادياً للمرة الأولى.

لماذا خطوة الإنهاء هي السوق الحقيقية

يدخل Spira Maxima مجالاً مزدحماً، والمنافسة لم تعد حقاً حول الجودة البصرية. فنماذج الفيديو من عدة مختبرات تنتج الآن لقطات مقنعة. وقد انتقل عامل التميّز إلى كل ما يأتي بعد التوليد: تجميع سرد متماسك، والحفاظ على اتساق شخصية عبر اللقطات، ومطابقة الموسيقى مع النبضات، وإخراج الملف بصيغة تقبلها المنصة.

هناك سبب ثانٍ يجعل طبقة الإنهاء جذابة. فهي حيث تُنفق الأموال حالياً. الوكالات، وفرق التسويق الداخلية، وصنّاع المحتوى المنفردون، جميعهم يدفعون مقابل العمل نفسه، ومعظمه ميكانيكي لا إبداعي. والنظام الذي يزيل خطوة المونتاج على الخط الزمني يمكنه ضغط يوم إنتاج كامل في دقائق، ولا يحتاج من يقوم به إلى أن يكون مونتير فيديو.

بدأت تظهر أنظمة شاملة من عدة اتجاهات للسبب نفسه. فقد بنى بعض الفرق خطوط معالجة متعددة الوكلاء تتعامل مع لقطات الفيلم واستمراريته عبر التنسيق، وتبيّن أن المشكلة الملحّة في تلك الأنظمة كانت ضبط الجودة لا العرض. أما Spira Maxima فيسلك مساراً أقرب إلى شكل المنتج: نموذج واحد، تمريرة واحدة، ملف إخراج واحد. وكلا المقاربتين تطاردان الفجوة نفسها بين أصل مولّد وشيء ستوزعه منصة.

يسهل التقليل من أهمية اقتصاديات تلك الفجوة. فمقطع مدته خمس ثوانٍ من نموذج فيديو رائد يكلف سنتات لإنتاجه. لكن تحويل ذلك المقطع إلى منشور ترضى علامة تجارية بوضع اسمها عليه يتطلب مونتيراً، ومروراً لإضافة التسميات، وفحص ترخيص موسيقى، وتغيير أبعاد لكل منصة. وتكلفة التوليد هي أصغر بند في الميزانية، ولهذا تفقد الأدوات التي تنافس على الدقة حصتها لصالح الأدوات التي تنافس على التجميع.

الادعاءات التي يجب التحقق منها

كل ما سبق يأتي من مواد الإطلاق الخاصة بالشركة، والإطلاق هو ظهور أولي على Product Hunt دون أي معيار مستقل مرفق.

هناك ثلاثة أمور تحتاج إلى فحص قبل أن يعيد فريق بناء سير عمل حوله. الأول هو اتساق المخرجات عبر العديد من الفيديوهات: فميزة النسخة الرقمية لا تكون مفيدة إلا إذا بقي وجه المقدم وصوته مستقرين عبر عشرات عمليات التوليد، وهو الموضع الذي تنحرف فيه أنظمة الأفاتار عادةً. والثاني هو كيفية تعامل النموذج مع نص لا يحتوي قصة بصرية قوية، لأن اختيار B-roll التلقائي هو الجزء الأرجح لإنتاج لقطات غير متوافقة. والثالث هو الترخيص والحقوق التجارية، لأن نظاماً يستوعب لقطات منتج حقيقية وعيّنة صوت شخصية يثير أسئلة موافقة لا تحسمها نسخة تجريبية مجانية.

وهناك أيضاً سؤال عن معنى «جاهز للانتشار» في الممارسة. يمكن للتدريب اللاحق على الصيغ عالية الأداء أن يعيد إنتاج الإيقاع، لكن الإيقاع ليس الفكرة نفسها. خطر ضبط نموذج على بيانات التفاعل هو أنه يتقارب نحو متوسط ما نجح سابقاً. وتغذية مشتركين مليئة بفيديوهات كفؤة، جيدة الإيقاع، وعامة هي منتج مختلف عن تغذية مليئة بفيديوهات مثيرة للاهتمام.

ومع ذلك، يصعب مجادلة الاتجاه نفسه. فقد توقف الحدود المثير للاهتمام في فيديو الذكاء الاصطناعي عن أن يكون الدقة الخام منذ فترة. وانتقل إلى العمل غير اللامع المتمثل في التجميع، والأدوات التي تمتلك تلك الخطوة ستشكّل مقدار الفيديو على الإنترنت الذي سيُصنع داخل أمر نصي واحد.

السبب هو أن التجميع هو حيث توجد القيود. فالفيديو العمودي له هدف زمني مختلف عن الأفقي، ويجب أن تصل الجاذبة في أول ثانيتين، ويمكن أن يتداخل موضع التسميات التوضيحية في منصة مع وجه المتحدث إذا لم يتحقق أحد. لا شيء من هذه القيود مشكلة جودة بصرية، ولا شيء منها يُحل بعرض أفضل. إنها تُحل بنظام يعرف الصيغة التي ينتج لها ويعامل الصيغة كجزء من المهمة.

إذا كان هذا التفسير صحيحاً، فسيُحسم السؤال التنافسي في فيديو الذكاء الاصطناعي أقل بما يمتلكه أي مختبر من نموذج الأكثر دقة، وأكثر بما تعرفه أي منتج عن وجهة مخرجاته. وSpira Maxima رهان على ذلك. النموذج هو المحرك؛ ومعرفة صيغ المحتوى الاجتماعي هي المنتج.