أنواع نماذج توليد الفيديو بالذكاء الاصطناعي: دليل

تسمع كل أسبوع عن نموذج جديد يصنع فيديو مذهلاً من جملة واحدة، وتتساءل: ما الفرق بينها فعلاً؟ فهم أنواع نماذج توليد الفيديو بالذكاء الاصطناعي هو أسرع طريق لتختار الأداة الصحيحة بدل أن تحرق وقتك ورصيدك في تجربة عشوائية.

في هذا الدليل نفكك المشهد بلغة بسيطة: كيف تعمل هذه النماذج، وكيف تُصنّف حسب المدخلات وحسب البنية التقنية، وما الذي يميز واحداً عن الآخر. الهدف أن تخرج وأنت قادر على قراءة أي مقارنة نماذج وفهم ما تعنيه فعلياً.

ما هي نماذج توليد الفيديو بالذكاء الاصطناعي؟

نموذج توليد الفيديو هو شبكة عصبية دُرّبت على كميات هائلة من مقاطع الفيديو والصور مع أوصافها النصية. مهمته أن يتنبأ بكيف يجب أن تبدو سلسلة من الإطارات المتتابعة استناداً إلى ما تطلبه منه، سواء كان نصاً أو صورة أو مقطعاً آخر.

الفرق الجوهري بينه وبين مولّد الصور أنه لا ينتج لقطة واحدة، بل يولّد عشرات الإطارات المترابطة زمنياً. هذا يعني أن النموذج يجب أن يفهم الحركة والاستمرارية: قدم الشخص التي تتحرك في إطار تفرض شكلها في الإطار التالي، والوجه يبقى نفسه من لقطة إلى أخرى.

كيف تعمل نماذج الفيديو بالذكاء الاصطناعي؟

معظم النماذج الحديثة تعتمد على فكرة اسمها الانتشار (Diffusion). أثناء التدريب يتعلم النموذج كيف تتحول صورة نظيفة إلى ضوضاء عشوائية خطوة بخطوة، ثم يتعلم عكس العملية: أن يبدأ من ضوضاء ويزيلها تدريجياً حتى تظهر صورة متماسكة.

مع الفيديو تتكرر هذه العملية عبر سلسلة إطارات دفعة واحدة، بحيث يتعلم النموذج أنماط الحركة الطبيعية بين الإطارات. لتخفيف الحِمل الحسابي الضخم، تضغط النماذج الإطارات إلى تمثيل رياضي مبسّط يلتقط الملامح الأساسية فقط قبل معالجتها، وهو ما يُعرف بالانتشار الكامن.

أما توجيه النتيجة نحو ما تريده فيأتي من النص. نموذج لغوي يقرأ برومبتك ويوجّه عملية إزالة الضوضاء لتقترب من وصفك. ولهذا فإن جودة صياغة الطلب تؤثر مباشرة على المخرجات، وقد شرحنا ذلك في دليل كيف تكتب برومبت لتوليد فيديو بالذكاء الاصطناعي. يمكنك الاطلاع على شرح أعمق للفكرة في نموذج الانتشار على ويكيبيديا.

أنواع النماذج حسب نوع المدخلات

أول طريقة لتصنيف النماذج هي حسب ما تُطعمه إياه. هذه أشهر الأنواع:

• نص إلى فيديو (Text-to-Video): تكتب وصفاً والنموذج يبني المشهد من الصفر. الأكثر مرونة لكنه الأصعب في التحكم الدقيق. راجع دليل تحويل النص إلى فيديو بالذكاء الاصطناعي.
• صورة إلى فيديو (Image-to-Video): تعطي النموذج صورة ثابتة كنقطة بداية فيحرّكها ويضيف لها حركة كاميرا وحياة. مثالي عندما تريد التحكم في الشكل البصري بدقة، كما في تحويل الصورة إلى فيديو بالذكاء الاصطناعي.
• فيديو إلى فيديو (Video-to-Video): تدخل مقطعاً موجوداً ويعيد النموذج تصميمه بأسلوب جديد أو يغيّر عناصره مع الحفاظ على الحركة.
• نماذج مرجعية (Reference-to-Video): تعطيها صورة مرجعية لشخصية أو عنصر لتحافظ على ثباته عبر المشاهد.

كثير من النماذج الحديثة تدمج أكثر من نوع، فتقبل نصاً وصورة معاً لتمنحك تحكماً أوسع.

أنواع النماذج حسب البنية التقنية

خلف الكواليس تختلف النماذج في طريقة بنائها، وهذا يفسّر تفاوت جودتها وسرعتها:

• نماذج الانتشار الكامن مع المحوّلات (Latent Diffusion Transformers): البنية السائدة اليوم. تجمع بين قوة الانتشار في الجودة وقدرة المحوّلات على الحفاظ على التماسك عبر الزمن والمكان، فتمنع اختفاء العناصر بين اللقطات.
• الشبكات التوليدية التنافسية (GANs): الجيل الأقدم الذي كان يعتمد على شبكتين تتنافسان. سريعة لكنها أقل ثباتاً في التدريب وأضعف في اتباع الأوصاف الطويلة، ولهذا تراجع استخدامها. اقرأ المزيد عنها في هذا المرجع.
• النماذج الانحدارية (Autoregressive): تولّد المحتوى قطعة بعد أخرى بالاعتماد على ما سبق، وتستفيد من خبرة النماذج اللغوية في التسلسل.

الاتجاه العام كما توضح مجلة MIT Technology Review هو هيمنة نماذج الانتشار لأنها أكثر استقراراً وأفضل في اتباع النص من الأجيال السابقة.

الفرق بين نماذج توليد الفيديو: على ماذا تركّز؟

حين تقارن بين نموذج وآخر، لا تنظر إلى "الأجمل" فقط. الفروق الحقيقية تظهر في محاور عملية:

• مدة المقطع ودقته: بعض النماذج تتفوق في مقاطع قصيرة عالية الدقة، وأخرى تتحمل مشاهد أطول.
• الصوت الأصلي: نماذج حديثة تولّد الصوت متزامناً مع الصورة بدل إضافته لاحقاً.
• ثبات الشخصية: قدرة النموذج على إبقاء نفس الوجه والملابس عبر مشاهد متعددة، وهي نقطة حاسمة للأفلام القصيرة.
• التحكم في الكاميرا والحركة: مدى استجابته لتعليمات مثل التقريب أو الحركة الجانبية.

لا يوجد "أفضل نموذج" مطلق، بل أفضل نموذج لمهمتك. للمساعدة في المفاضلة العملية بين الأدوات، خصصنا دليل أدوات توليد الفيديو بالذكاء الاصطناعي.

أساسيات نماذج فيديو الذكاء الاصطناعي التي تستحق التذكر

قبل أن تبدأ، ثبّت هذه الأساسيات في ذهنك:

• النموذج يخمّن ولا يفهم قصتك؛ كلما كان طلبك أدق كانت النتيجة أقرب لتصوّرك.
• المقاطع الناتجة عادة قصيرة (ثوانٍ)، والفيلم الكامل يُبنى بتجميع عدة لقطات وتخطيطها مسبقاً.
• الثبات البصري لا يأتي صدفة؛ استخدام مراجع للشخصيات والأماكن يوفّر عليك إعادة توليد لا تنتهي.
• الصوت والموسيقى والترجمة خطوات لاحقة قد يتكفل بها النموذج أو الأداة المحيطة به.

فهم هذه النقاط يحوّلك من شخص يجرّب عشوائياً إلى صانع يعرف ما ينتظره من كل نموذج.

من فهم النماذج إلى صناعة فيلم كامل

معرفة الأنواع شيء، وتحويلها إلى فيلم متماسك شيء آخر. هنا يأتي دور Scriptly: بدل أن تقفز بين نماذج متفرقة، تتحدث مع مخرج ذكاء اصطناعي يصمم الشخصيات والأماكن ويبقيها ثابتة عبر المشاهد، ثم يخطط الستوري بورد ويولّد لقطات كل مشهد مع تعليق صوتي وترجمة متزامنة وموسيقى.

كل ذلك من محادثة بسيطة في المتصفح دون خبرة مونتاج. إذا كنت جاهزاً لتحويل الفكرة إلى فيلم قصير فعلي، ابدأ الآن من هنا.

وإن أردت توسيع معرفتك، تصفّح بقية أدلة المدونة عن الشخصيات والستوري بورد وكتابة السيناريو.