VideoGen يَعِد بفيديوهات من عشر دقائق بتوجيه واحد. ولم يقِسها أحد

أعلنت VideoGen عن Model 1 في 20 أكتوبر بادعاء هو إما تغيير فئة أو سطر تسويقي، والفرق مهم: توجيه واحد يصبح فيديو مكتملاً متعدد اللقطات يصل إلى عشر دقائق، بحوار وصوت وموسيقى.

عشر دقائق نحو عشرين ضعف أطول توليد بتمريرة واحدة عند القادة الحاليين. Kling 4.0 وSeedance 2.5 وWan 3.0 تعلن جميعها ما يصل إلى 30 ثانية في توليد واحد، مع ميزات تمديد تصل إلى دقيقتين في أفضل الحالات. إن كنت تتابع هذا السوق، فعشر دقائق تُقرأ كمنتج مختلف.

هي كذلك، وليست كذلك. البيان الصحفي صريح في أن الفيديوهات الأطول «تُجمّع من لقطات مولّدة متعددة». Model 1 لا يعرض عشر دقائق في تمريرة واحدة. يخطّط لفيلم، ويولّده لقطة لقطة، ويفحص اللقطات، ويقصّها معاً. النموذج مكوّن واحد في خط أنابيب يُباع، بحكم الأمر، كمنتج واحد.

ما شحنته الشركة فعلاً

VideoGen شركة من سان فرانسيسكو، من دفعة Y Combinator لصيف 2024، أُسست في 2023. حتى الآن كان منتجها يحوّل توجيهاً أو نصاً أو مقالاً إلى فيديو باستخدام نماذج شركات أخرى. أما Model 1 فهو نموذجها.

القدرات المنشورة: نص-إلى-فيديو وصورة-إلى-فيديو، وما يصل إلى 16 صورة كمراجع بصرية، ومدة مستهدفة ونسبة أبعاد يمكنك تحديدها، وتوليد صوت وصورة معاً بحيث يخرج الحوار والمؤثرات الصوتية والموسيقى في وقت واحد. بدأ الوصول في 20 أكتوبر كطرح تجريبي لشركاء، مع وعد بالتوافر العام بعد مزيد من اختبارات السلامة. وفتحت الشركة أيضاً باب التقديم على مجموعة ائتمانات مجانية بقيمة مليون دولار، موجّهة إلى صنّاع الأفلام والاستوديوهات والطلاب، ولافتاً، إلى الصحفيين الذين يغطون الإطلاق.

الصياغة الأمينة للطرح هي أن الجزء الصعب ليس نموذج الفيديو. إنه التخطيط. فيديو من عشر دقائق يحتاج سيناريو، وشخصيات متسقة بين المشاهد، وحواراً لا يكرر نفسه، وقائمة لقطات مجموعها يساوي المدة المطلوبة. هذه مشكلة نموذج لغوي، وVideoGen بنت طقم نماذج لغوية لحلها.

داخل غرفة الكتاب

تصف قراءة طرف ثالث لورقة VideoGen التقنية خط أنابيب بأدوار متمايزة. طبقة تخطيط تقترح أفكاراً، وناقد يقيّمها وفق معايير الفئة (فيلم، تسويق، تواصل اجتماعي، شرح، فيديو موسيقي، دراما قصيرة)، وأفضل فكرتين تصبحان سيناريوهين موقوتين، ثم يحوّل مُعيد كتابة كل مشهد إلى صيغة التوجيه المهيكلة التي يتوقعها نموذج الفيديو، بحقول منفصلة للقطات والحوار والمشهد الصوتي وموسيقى الخلفية.

ويذكر التحليل نفسه ثلاثة «قارئين» نماذج منفصلة تفحص الأسطر المنطوقة والنص على الشاشة فقط، وتنبّه إلى الحوار المربك، ويلاحظ التحذير الذي تضعه الورقة نفسها بأن هذه «بدائل آلية، لا مشاركين بشريين». وهناك أيضاً كود عادي يقوم بفحوص عادية: هل مجموع مدد المشاهد صحيح، وهل لكل متحدث وصف صوت.

هذا هو الجزء من الإعلان الذي سيحدد إن كان المنتج يعمل. مقطع من عشرين أو ثلاثين ثانية يمكنه النجاة من توجيه غامض. عشر دقائق لا يمكن. الأخطاء تتراكم، والشخصيات تنزاح، والمشهد الخامس يبدأ بمناقضة الأول. طبقة تخطيط تلتقط تلك المشاكل قبل العرض تساوي أكثر من عارض أفضل، لأن العرض هو الجزء المكلف.

وهو أيضاً الجزء الذي يستطيع المنافسون نسخه أسرع. طقم تخطيط متعدد النماذج برمجيات، لا اختراق بحثي.

الأرقام التي ليست أرقاماً بعد

تقول VideoGen إنها تتوقع أن يكون Model 1 أقل تكلفة بأكثر من 50% من النماذج المماثلة، استناداً إلى تحقق داخلي. وتقول أيضاً إن التسعير النهائي والمعايير الرسمية والتحقق من طرف ثالث قيد التنفيذ. العبارتان في البيان الصحفي نفسه، والثانية يجب أن تحكم كيفية قراءتك للأولى.

الرقم المقيس الوحيد الذي تشاركه الشركة هو تجربة عرض: محوّل بثماني خطوات خفّض متوسط زمن عرض المقطع بنسبة 58.2% مقابل خط الأساس بـ 28 خطوة في النظام نفسه. وتحرص VideoGen على تسمية ذلك إعداداً تجريبياً لا تسريعاً مضموناً، وهو التحذير الصحيح واعتراف في الوقت نفسه بأن الرقم ليس مواصفة منتج.

فالحالة الحالية هي: ادعاء قدرة مع بكرة عرض، وادعاء تكلفة بلا قائمة أسعار، وادعاء جودة بلا معيار. وبكرة العرض اختيار الشركة نفسها، ما يجعلها أفضل حالة لا اختباراً.

لماذا الطول لوحة النتائج الخطأ

هذا هو السياق المقلق. ذكرت صحافة تجارية صينية هذا الشهر أن 98.7% من الدرامات القصيرة بالذكاء الاصطناعي لا تسترد تكاليفها خلال ستة أشهر من الإصدار. وذُكر أن أعمال الدراما القصيرة في ByteDance تحرق عشرات ملايين اليوانات يومياً في التوكنات. عنق الزجاجة في ذلك السوق ليس القدرة على توليد المشاهد. إنه التوزيع والسيناريوهات.

هذا لا يجعل نموذج العشر دقائق عديم الفائدة. إنه يعيد تأطير الغرض منه. إن كان القيد هو السرد، فأداة تخطّط لقوس سردي وتحافظ على اتساق الشخصيات تستهدف القيد الفعلي. وإن كان القيد هو الانتباه، فعشر دقائق عبء، لأن لا أحد يشاهد عشر دقائق من أي شيء دون سبب.

حالات الاستخدام الواقعية هي غير اللافتة. التصور المسبق لتصوير، حيث يحتاج مخرج رؤية المشهد قبل الدفع لطاقم. فيديوهات شرح لمنتجات لن يصنع لها أحد إعلاناً. محتوى تدريب داخلي. فيديو مولّد من عشر دقائق صحيح بنسبة 70% ويستغرق عصراً واحداً قيم جداً حين يكون البديل مونتاجاً لأسبوعين.

وأي شيء يختار جمهور مشاهدته، الطول ليس نقطة بيعه. التخطيط هو.

كيف تقيّمه حين يصل إلى يديك

اطلب حالات الفشل، لا بكرة العرض. تحديداً: ما يحدث في الدقيقة السابعة، حين يجب على النموذج تذكّر سترة شخصية من الدقيقة الثانية. هل يكرر الحوار سطراً استخدمه بالفعل. هل يبقى الصوت متزامناً عبر قص مجمّع، وهو حيث تنكسر عادة خطوط الأنابيب التي تولّد اللقطات باستقلال.

ثم أجرِ الاختبار الممل: أعطه موجزاً بمنتج محدد وادعاء محدد، وانظر هل يختلق المخطّط حقيقة. يُذكر أن معايير الورقة تضم فحوصاً ترفض الادعاءات المختلقة لفئتي التسويق والشرح، ما يوحي بأن الشركة تعرف أن هذا هو نمط الفشل الذي يعرّض العملاء للدعاوى.

وافحص العلامات المائية. تقول VideoGen إن المخرجات تحمل علامات مائية غير مرئية تحدد أصلها الاصطناعي. في عام يصبح فيه المصدر متطلباً في المشتريات، هذه ميزة لا حاشية، ويستحق التأكد من أنها تصمد عبر خط تحريرك.

عشر دقائق من توجيه واحد توسيع حقيقي لما يستطيع شخص واحد محاولته. وليست بديلاً عن مخرج، وبيان الشركة نفسه لا يدّعي ذلك تماماً. السؤال المثير هو ما يحدث حين تصبح طبقة التخطيط جيدة بما يكفي ليصبح العامل المحدد هو هل كان لديك ما تقوله.