لحظة لوحة القصة: لماذا تهم الإطارات المفتاحية أكثر من مدة التشغيل

أمضت نماذج الفيديو عامين تتنافس على طول المقطع الذي يمكنها إنتاجه. وكانت القدرة الأكثر فائدة كامنة تحت أرقام المدة طوال الوقت، وهي تغيّر الغرض من نموذج الفيديو.

عشرة إطارات مفتاحية هو الرقم. أعلن Kling 4.0 دعمه لما يصل إلى عشرة مدخلات من الإطارات المفتاحية، ارتفاعًا من التحكم بالإطار الأول والأخير في الجيل السابق. ويأخذ Solaris من Runway الفكرة أبعد في اتجاه مجاور عبر عرض الواجهات إطارًا بإطار بدلًا من تجميع تصميم في كود. ويشير كلاهما إلى التحول نفسه: يُطلب من النموذج إصابة علامات محددة بدلًا من الارتجال.

يهم هذا التحول لأنه يغيّر الغرض من النموذج. فالنظام الذي يرتجل هو مصدر للأفكار. أما النظام الذي يصيب العلامات فهو خطوة إنتاجية. ومعظم المال في مجال الفيديو يقع في الإنتاج، ولهذا تميل ميزات التحكم إلى أن تكون هي ما ينقل النموذج من عرض توضيحي إلى بند في الميزانية.

ما لم يستطع التحكم بالإطار الأول والأخير فعله

كان الجيل السابق من أدوات الفيديو يقبل إطارين، أول وآخر، ويملأ النموذج المسافة بينهما. عمليًا كان هذا أقرب إلى يانصيب منه إلى أداة إنتاج. كانت البداية والنهاية محددتين، وكان كل شيء في الوسط تخمينًا من النموذج. ولم يكن بمقدور مخرج يحتاج إلى فعل محدد عند علامة الثانية الثالثة أن يطلبه.

تلك هي المشكلة التي تحلها عشرة إطارات مفتاحية. عشرة نقاط تحكم تحوّل استيفاءً واحدًا إلى سلسلة مقاطع، ويمكن توجيه كل مقطع. والنتيجة العملية لأي شخص ينفذ وفق نص مكتوب هي أن منتصف اللقطة يتوقف عن كونه عشوائيًا. إذا كان الفعل يحتاج إلى أن يقع عند نبضة محددة، تضع إطارًا مفتاحيًا هناك ويملأ النموذج حوله.

تدعم القدرات المرافقة هذا. يقبل Kling 4.0 ما يصل إلى 15 مرجعًا متعدد الوسائط، يمكن أن تشمل ما يصل إلى 10 صور و5 مقاطع فيديو و7 تعريفات عناصر، بحيث يمكن تثبيت مظهر شخصية وتفاصيل منتج ومظهر موقع عبر تسلسل. وقد نما طول المطالبة النصية إلى 8,000 رمز، وهو طويل بما يكفي لوصف لقطة بدلًا من وصف إحساس عام.

هذا المزيج، نقاط تحكم كثيرة زائد مراجع كثيرة زائد مطالبة نصية طويلة، يصف نوعًا مختلفًا من الأدوات عن واجهات التوليد قبل عام. إنه أقرب إلى لوحة تحكم محرك عرض ثلاثي الأبعاد من صندوق محادثة. ويُتوقع أن يصل المستخدم بخطة، لا أن يكتشف واحدة عبر التكرار.

حد المراجع هو الجزء الأوسع نطاقًا عمليًا. فالقدرة على تثبيت 7 عناصر عبر تسلسل تعني أن طاقمًا متكررًا ومنتجًا متكررًا وموقعًا متكررًا يمكن أن يبقوا متسقين داخل مهمة توليد واحدة، وهو ما يحتاجه المسلسل. ولا يلزم إعادة تدريب النموذج لإضافة عنصر. تضيف مرجعًا وتسميه.

مهمة المخرج تتغير في شكلها

عندما يكون التوليد يانصيبًا، تكون سير العمل: ولّد، راجع، أعد التوليد، وتكمن مهارة المخرج في كتابة مطالبة نصية تحسّن الاحتمالات. وعندما يصيب التوليد العلامات، تصبح سير العمل: صمّم، ضع الإطارات المفتاحية، راجع، عدّل فاصلًا واحدًا. وتنتقل المهارة من صياغة المطالبة النصية نحو تخطيط اللقطات.

أي شخص عمل في الرسوم المتحركة أو المؤثرات البصرية سيتعرّف على سير العمل الثاني. إنها تحريك بالإطارات المفتاحية مع قيام النموذج بملء الإطارات البينية، وتناظر الأدوات ممارسة راسخة بدلًا من اختراع تخصص جديد. وهذا ما يجعل القدرة قابلة للاستخدام من فرق الإنتاج: فهي تتلاءم مع عملية يديرونها بالفعل.

كما يغيّر ذلك نمط الفشل. فالتوليد السيئ لم يعد رمية نرد مهدرة؛ بل فاصل واحد يحتاج إلى إطار مفتاحي جديد. تصلح الجزء الذي تعطّل بدلًا من إعادة توليد اللقطة كاملة والأمل في الأفضل.

إلى أين تتجه فكرة الإطار بإطار بعد ذلك

يظهر المنطق نفسه بشكل مختلف في Solaris من Runway، الذي يعرض واجهة واستجابتها للمدخلات إطارًا واحدًا في كل مرة، مزيلًا خطوة تجميع التصميم في كود. والادعاء الكامن وراء ذلك هو أن نموذج العالم يمكنه إنتاج البكسلات مباشرة، فتصبح التمثيلات الوسيطة غير ضرورية.

تطرح كلتا الحالتين السؤال نفسه على النموذج: ليس «أنتج شيئًا معقولًا» بل «أنتج هذا الشيء المحدد في هذه اللحظة المحددة». وترتفع قيمة النظام التوليدي بشكل حاد عندما يمكن إلزامه بعلامة، لأن ذلك هو الفرق بين مسودة وعمل قابل للتسليم.

الفرق في ما يتم استبداله. فالتحكم بالإطارات المفتاحية يستبدل العشوائية في منتصف اللقطة. ويزيل Solaris خطوة ترجمة كانت دائمًا فاقدة للدقة، حيث ينفصل التصميم عن تنفيذه المبرمج بمرور الوقت. وفي كلتا الحالتين، يستوعب النموذج التوليدي عملًا كان يخص عملية وسيطة، والحجة للسماح بذلك هي نفسها في الحالتين: كانت العملية الوسيطة هي حيث تُفقد الدقة.

ما ينبغي مراقبته

السؤال المفتوح هو ما إذا كان التحكم بالإطارات المفتاحية يصمد على النماذج التي يمكن للناس الوصول إليها فعليًا. ما زالت قدرات Kling 4.0 الكاملة تُطرح تدريجيًا؛ وما صدر أولًا هو فئة Flash، كما أن توقيت الإصدار تأخر سابقًا عن نافذة أكتوبر المُعلنة. وقد كانت الإعلانات عن ميزات التحكم تاريخيًا أكثر موثوقية من الميزات نفسها.

السؤال الثاني هو التكلفة. فالتحكم الدقيق يعني إطارات مفتاحية أكثر ومراجع أكثر ومطالبات نصية أطول، والتسعير بالثانية يعني أن الفاتورة تنمو مع كل مقبض. وعلى الفريق الذي يتبنى التحكم بالإطارات المفتاحية أن يقرر عدد نقاط التحكم التي تبرر تكلفتها، وهذا الحساب ليس واضحًا عندما تعرض صفحة التسعير سعرًا واحدًا لكل ثانية.

السؤال الثالث هو ما إذا كانت الواجهات ستتغير لتتوافق مع ذلك. فالنموذج الذي يقبل عشرة إطارات مفتاحية وخمسة عشر مرجعًا يحتاج إلى خط زمني، لا إلى مربع نص، وأول المزوّدين الذين يبنون خطًا زمنيًا مناسبًا للفيديو التوليدي سيكونون قد حلوا مشكلة لم يلاحظها منافسوهم بعد.

عند تلك العتبة يتوقف فيديو الذكاء الاصطناعي عن كونه فئة عروض توضيحية. لم تكن المدة يومًا هي الجزء الصعب.

هناك أثر على التوظيف يتبع التحول نفسه. فعندما تصيب النماذج العلامات، يصبح الشخص القادر على تخطيط لقطة أكثر قيمة من الشخص القادر على كتابة مطالبة نصية تنتج لقطة أحيانًا. والمهارات القابلة للنقل هي تلك الآتية من الإنتاج التقليدي: معرفة ما تحتاج اللقطة إلى إيصاله، وأين ينبغي أن يقع الفعل، وكيف ينبغي أن يبدو القطع. لقد جرى التقليل من قيمتها في عصر اليانصيب، وتعود إلى اللعب عندما يمكن توجيه النموذج.

السؤال المتبقي هو من يحصل على إمكانية الوصول إلى التحكم. لم تتقارب بعد النماذج الرخيصة والنماذج المتحكَّم فيها، والفارق السعري بينها واسع. وإذا بقيت الدقة خلف فئة متميزة، فإن الفائدة العملية ستؤول إلى الاستوديوهات التي كانت لديها بالفعل ميزانيات إنتاج. وإذا انتشرت إلى الأسفل، فيمكن لمنشئ فردي لديه نص مكتوب وخطة أن يسلّم عملًا كان يتطلب فريقًا.