لماذا لا يزال فيديو الذكاء الاصطناعي يفشل في الأيدي والوجوه، والترتيب الذي يصلح ذلك

اسأل أي شخص سلّم فيديو بالذكاء الاصطناعي لعميل، وستعود الشكوى نفسها. الأيدي خاطئة. الوجه ينزلق. يبدو كل شيء مذهلاً حتى اللحظة التي يلتقط فيها شخص ما شيئًا، ثم ينهار الوهم في المكان الوحيد الذي لا يستطيع المشاهد التوقف عن التحديق فيه.

العلاج أقل ارتباطاً بالنموذج وأكثر ارتباطاً بالترتيب الذي تعمل به. الاستوديوهات التي تحصل على نتائج ثابتة تولّد الصورة الثابتة أولاً، وتفحصها، وتصلحها، وعندها فقط تحرّكها.

الترتيب يهم أكثر من النموذج

التقاط إبهام معطوب في صورة ثابتة يكلف تعديل صورة واحدة. أما التقاطه بعد تشغيل الفيديو فيكلف إعادة تشغيل المقطع كاملاً. بالأسعار الحالية، يستهلك مقطع مدته ثماني ثوانٍ ما يتراوح بين حفنة صغيرة من الأرصدة وبضع مئات حسب النموذج، بينما تعديل الصورة جزء ضئيل من ذلك. العمل بالعكس انطلاقاً من الفيديو يهدر المورد المكلف على عيب كان يمكن رؤيته مقابل لا شيء تقريباً.

لذا فإن سير العمل العملي قائمة تحقق، لا مطالبة نصية. ولّد الإطار. قرّب الصورة على الأيدي والوجه. أصلح ما هو معطوب. اعتمده. حرّكه مرة واحدة. ادمج هذا التسلسل في قالب، وسيجري كل لقطة منتج الخطوات نفسها، ما يزيل التخمين من عملية لديها الكثير منه أصلاً.

تختلف النماذج في مقدار التشريح الذي يمكنك تثبيته

كل نموذج فيديو حالي يقبل شكلاً من أشكال إدخال الصور، وسقف الاتساق يعتمد على عدد المراجع التي يأخذها وما إذا كان يدعم التحكم بالإطار الأول والأخير. هذا التحكم هو الرافعة غير المستغلة. فبدلاً من ترك النموذج يخترع وجهة الحركة، تزوّده بالطرفين، فيقوم النموذج بالاستيفاء بين إطارين وافقت عليهما مسبقاً.

يقبل Veo 3.1 حتى ثلاث صور أصول لشخص أو منتج واحد، إضافة إلى الإطارين الأول والأخير. إنه النموذج الذي تلجأ إليه عندما يجب أن يتحقق كل من الوجه والصوت، ويقدم Veo 3.1 Fast الإدخال المرجعي نفسه بسعر أقل لضبط الحركة قبل إنفاق أرصدة النموذج الرائد. يأخذ Seedance 2.0 حتى تسع صور، وثلاثة مقاطع فيديو، وثلاثة مقاطع صوتية كمراجع، وينفّذ لقطات تصل إلى خمس عشرة ثانية، رغم أن الوجوه البشرية الحقيقية تحتاج إلى موافقة ByteDance وفحص للوجه. يبني Kling 3.0 عناصر Elements من صورتين إلى أربع صور مرجعية لكل عنصر، بما يصل إلى ثلاثة لكل مقطع، وهكذا تحافظ على عنصر واحد عبر تسلسل متعدد اللقطات. يأخذ Runway Gen-4.5 إطاراً أولاً فقط.

القاعدة العملية التي تنتج عن المقارنة: تمريرة مسودة على نموذج سريع هي أرخص تشخيص لديك. إذا فشلت اليد على Veo Fast، فمن غير المرجح أن تصمد على النموذج الرائد، وقد اكتشفت ذلك بأرصدة أقل.

ابدأ بالمنتج وهو ممسوك بالفعل

تظهر تقنية واحدة مراراً وتكراراً في ملاحظات الإنتاج، وهي تكاد تكون بسيطة أكثر من اللازم. ابدأ بالمنتج في اليد بالفعل، ثم حرّك الكاميرا. تحافظ النماذج على قبضة موجودة بشكل أكثر موثوقية بكثير من تشكيل قبضة جديدة. مطالبة النموذج بمعرفة كيف يلتقط إنسان شيئاً ما هي مطالبة له بحل مشكلة لا علاقة لها بالغرض من اللقطة.

المنطق نفسه ينطبق على الوجوه. إذا كانت اللقطة تحتاج شخصاً يمكن التعرف عليه، فزوّد المرجع ودع النموذج يستوفي بدلاً من وصف الوجه نصياً والأمل. تنتج الأوصاف وجهاً يبدو معقولاً في لمحة ومقلقاً عند التوقف عليه، وهو أسوأ نتيجة لأي شيء سيشاهده المشاهد أكثر من مرة.

طول المقطع يفرض الخيار

بالنسبة للقطة أطول من نحو ثماني ثوانٍ، يضيق المجال إلى Seedance 2.0 وKling 3.0، اللذين يعملان حتى خمس عشرة ثانية. كل ما عداهما يحتاج إلى تسلسل، وهنا ينهار اتساق الشخصية والكائن مرة أخرى. ولهذا يهم التحكم بالإطار الأول والأخير إلى هذا الحد: فهو الآلية التي تسمح لقبضة بالاستمرار عبر قطع دون أن يعيد النموذج اختراعها.

ترتيب الصورة الثابتة أولاً هو في الحقيقة حجة اقتصادية

تعامل مع هذا كطريقة إنتاج وسيصبح الحساب واضحاً. توليد صورة وتعديل صورة كلاهما رخيص مقابل تشغيل فيديو. تكلفة المقطع تتناسب مع طوله ودقته، وهي الخطوة الوحيدة في السلسلة التي تصل فيها خطيئة واحدة بعد أن تكون قد دفعت بالفعل. كل ما يسبقها موجود لضمان عدم الاضطرار إلى تكرار الخطوة المكلفة الوحيدة.

هذا يقلب الغريزة التي يجلبها معظم الناس من كتابة المطالبات. الحركة الطبيعية هي وصف المشهد كله نصياً وتوليد الفيديو مباشرة، لأن ذلك يبدو كاستخدام النموذج في أقوى حالاته. وهو أيضاً المسار الذي ينفق أكبر قدر من المال على أقل قدر من الضمانات. اعتماد إطار أولاً يحوّل توليداً مفتوحاً إلى توليد مضبوط، لأن النموذج الآن يحرّك شيئاً قررت مسبقاً أنه صحيح.

الترتيب نفسه يحمي من فشل أكثر دقة، وهو اللقطة التي تبدو جيدة إطاراً بإطار وخاطئة في الحركة. قد تكون اليد مقروءة جيداً في صورة ثابتة ثم تنكسر لحظة تتحرك، والطريقة الوحيدة لمعرفة ذلك هي مشاهدته، ما يعني أنك ستشاهده في كل الأحوال. السؤال هو هل تشاهد مقطعاً واحداً فيه مشكلة يمكنك إصلاحها أم مقطعاً فيه مشكلة لا يمكنك إلا الدفع لإعادة تنفيذها.

أين لا تزال النماذج تختلف فعلاً

ليست كل فروق النماذج مجرد فئة سعرية. عدد الصور المرجعية المقبولة ووجود التحكم بالإطار الأول والأخير يغيّران ما هو ممكن، وليس فقط كم يكلف. النموذج المحدود بإطار أول واحد لا يمكنه الحفاظ على عنصر عبر قطع، لأنه لا توجد مرجعية ثانية يستهدفها النموذج.

ولهذا تستحق مواصفات المراجع انتباهاً بقدر تصنيفات الجودة. النموذج الذي يأخذ تسع صور مرجعية يمكنه حمل شخصية خلال تسلسل بطريقة لا يستطيعها نموذج يقتصر على الإطار الأول فقط، حتى لو أنتج النموذج الثاني مقاطع مفردة أجمل. بالنسبة للقطة رأس متكلم، يفوز النموذج الأجمل. وبالنسبة لتسلسل قصير بمنتج متكرر، يفوز النموذج الذي يملك رصيد المراجع.

التحكم بالإطار الأول والأخير هو الرافعة التي تقلل معظم الفرق استخدامها، وهو يعالج الضعف الأساسي في كل نموذج فيديو، ألا وهو أنه يخترع وجهة لا يمكنك التنبؤ بها. تزويد الطرفين يعني أن النموذج يستوفي بين إطارين فحصتهما مسبقاً. تبقى الحركة معقولة لأن نقاط النهاية حقيقية، وتتوقف مشكلة الاتساق عن كونها مقامرة على خيال النموذج.

ماذا يعني هذا لمن يمكنه القيام بالعمل

الترتيب وأدوات التحكم بالمراجع معاً يوسّعان من يمكنه إنتاج فيديو ذكاء اصطناعي مقبول. يمكن لاستوديو صغير بلا خط إنتاج لاحق الآن توليد صورة ثابتة، وإصلاحها في محرر صور، وتحريك لقطة متماسكة، دون التنظيف المتخصص الذي كان إلزامياً في السابق. تنتقل المهارة من إصلاح الإطارات المعطوبة إلى تخطيط اللقطات التي تتجنب الحالات التي لا تزال النماذج تفشل فيها.

هذا هو الانتقال نفسه الذي أصاب توليد الصور الثابتة قبل عامين. عندما أصبحت الأدوات موثوقة بما يكفي، انتقلت الحرفة إلى الاتجاه الفني في الأعلى وإلى المراجعة في الأسفل، وتقلصت الخطوة الوسطى، تلك التي كان فيها شخص يصارع أداة لإجبارها على التعاون. يدخل الفيديو هذه المرحلة الآن، والفرق التي تكيّف عمليتها أولاً هي التي ستسلّم في الموعد بينما يعيد الجميع غيرها تشغيل المقاطع.

لذا يستحق هذا الانضباط أن يُكتب. ولّد الصورة الثابتة، أصلح الأيدي، اعتمد الإطار، ثم حرّك. النموذج ينال الفضل. والترتيب ينال النتيجة.