إن إنشاء صورة رمزية للذكاء الاصطناعي يعني إنشاء نسخة رقمية لشخص تبدو وتشبه صوته. عندما يكون الناتج مجرد تشابه طفيف مع الأصل، فإن المشكلة نادرًا ما تكون في الأداة - بل في ترتيب الخطوات وجودة بيانات المرجع. لهذا السبب تم بناء سير العمل كخط أنابيب تسلسلي: أولاً تقوم بتجميع ورقة شخصية، ثم تنتج مقاطع فيديو قصيرة لوجوه تتحدث، ثم تضيف لقطات إضافية، وفقط بعد ذلك تقوم بتوسيع النتيجة لتصبح محتوى يوتيوب طويل.
الصوت والصور على حد سواء مهمان في هذا النهج. أفاتار الذكاء الاصطناعي بدون صوت دقيق يفقد مصداقيته بسرعة، وقاعدة بيانات مرجعية ضعيفة تخفض جودة مقاطع الفيديو اللاحقة. المبدأ الرئيسي بسيط: أولاً، قم بتثبيت المظهر، ثم الصوت، ثم تنسيق التحرير، وبعد ذلك فقط - التوسع.
للتدفق العملي ذي الخطوات الأربع: أربع خطوات ذرية:
- إنشاء صور ثابتة واقعية؛
- إنشاء مقاطع فيديو قصيرة لحديث الرأس؛
- إضافة لقطات سينمائية تكميلية للإعلانات والقصص
- نقل النتيجة إلى محتوى طويل المدى على يوتيوب.
لهذا النهج، فإن الأدوات الأكثر شيوعًا هي Higgsfield، و HeyGen، و ElevenLabs. يستخدمiggfield للصور ومقاطع الفيديو واستنساخ الصوت. يتعامل HeyGen مع المجسمات الطويلة. ElevenLabs مطلوب عندما تريد تعليقًا صوتيًا عالي الجودة وعمل استنساخ صوت احترافي.
الخطوة 1. ورقة الشخصية
ورقة الشخصية هي مجموعة صغيرة من الصور التي تعلم النموذج كيف يبدو الشخص. في هذه الكتلة، يحصل الشكل الرمزي للذكاء الاصطناعي على أساسه المرئي، وتحل بطاقة الهوية (Soul ID) والموز النانوي (Nano Banana) أجزاء مختلفة من سير عمل واحد.
نانو موز يُستخدم لتوليد صور ثابتة واقعية ولإنشاء أوراق شخصيات. السيناريو العملي بسيط: تقوم بتحميل صورة واحدة مضاءة جيدًا، وتكتب وصفًا يحدد زوايا متعددة، وجسم كامل، وخلفية محايدة، وتحصل على مجموعة من الصور التي تلتقط بالفعل تفاصيل واضحة للوجه والملابس. يعمل بشكل جيد عندما تحتاج إلى تجميع ورقة شخصية أولية بسرعة داخل Higgsfield.
Soul ID هي ميزة قفل الهوية في Higgsfield. تعمل بدقة أكبر عند استقبال 15-20 صورة بوضعيات مختلفة، وإعدادات إضاءة متنوعة، وملابس مختلفة. الرابط هنا مباشر: معرف الروح يحتاج إلى بيانات مرجعية متنوعة، وهذا التنوع يزيد من دقة النسخة الاصطناعية للشخص.
إذا لم يكن لديك العديد من الصور الجاهزة، فاستخدم نهج حزم المطالبات. اكتب أولاً 20 وصفًا للوضعيات — لقطة مقربة، زاوية جانبية، جسم كامل، تتحدث، تمشي، تجلس. ثم قم بإنشاء كل منها عبر نانو موز وبعد ذلك قم بإدخالها مرة أخرى في Soul ID كمجموعة تدريب. تتوقف ورقة الشخصية عن كونها دفعة عشوائية من الإطارات وتصبح أساسًا متحكمًا فيه للتعريف المستقر.
بمجرد تثبيت معرّف الروح (Soul ID)، يمكنك تغيير الملابس والإضاءة والخلفية وزاوية الكاميرا دون فقدان الوجه. وهذا أمر مهم عندما تحتاج إلى صورة رمزية بالذكاء الاصطناعي تبدو كشخص واحد عبر مشاهد مختلفة، بدلاً من مجموعة من الشخصيات المتشابهة.
الخطوة 2. لقطات قصيرة للحديث
بعد الصور الثابتة، ينتقل سير العمل إلى الفيديو. في هذه المرحلة، يصبح الـ AI Avatar مقطع فيديو قصير بأسلوب "حديث الرأس" لإنستغرام وتيك توك ويوتيوب شورتس.
يُستخدم Kling 3.0 لتحويل الصور الثابتة إلى مقاطع فيديو. يأخذ إطار بداية وطلبًا يتضمن اتجاه الكاميرا، وحركة الموضوع، والبيئة. هذه هي المجموعة الرئيسية: أولاً، تحدد الإطار المصدر، ثم تصف الحركة، ثم تثبت المشهد. إذا كُتبت هذه العناصر الثلاثة بوضوح، فإن النتيجة تبدو طبيعية بشكل ملحوظ.
مخطط العمل:
- إنشاء صورة ثابتة في البيئة المناسبة — على مكتب، في صالة ألعاب رياضية، في مطبخ؛
- قم بتحميل الإطار إلى Kling 3.0 كإطار بداية؛
- اكتب طلبًا يحدد اتجاه الكاميرا، وحركة الموضوع، والبيئة بشكل منفصل.
على سبيل المثال، قد يبدو الأمر كالتالي: كاميرا ثابتة. ينظر الرجل مباشرة إلى الكاميرا، ويقول بثقة حادة: "يمكنك الآن بناء مواقع ويب احترافية في دقائق." ترتفع كلتا يديه عن المكتب عند كلمة "احترافية". الكاميرا، والموضوع، والحركة مذكورة بشكل منفصل، لذلك يجد Kling 3.0 سهولة أكبر في تجميع المشهد بدون ارتجال إضافي.
يتم مطابقة المدة بشكل أفضل مع السطر. للعبارة القصيرة، ست ثوانٍ كافية عادةً. لكن الفيديو يواجه مشكلة منفصلة: غالبًا ما لا يتطابق الصوت مع الشخص الأصلي.
هناك طريقتان لإصلاح الصوت:
- يوفر Higgsfield مغير صوت مدمج للاستبدال السريع للصوت. تقوم بتدريب نسخة مقلدة على حوالي دقيقتين من الكلام ثم تقوم بتشغيل الفيديو من خلال المغير. إنها طريقة سريعة مع نتيجة جيدة ولكنها ليست مثالية.
- يتم بناء استنساخ صوت احترافي في ElevenLabs. يستخدم ما يصل إلى 30 دقيقة من الصوت التدريبي، ثم يتم إنشاء التعليق الصوتي بشكل منفصل ومزامنتها مرة أخرى من خلال أداة مزامنة الشفاه في Higgsfield.
الرابط هنا مهم: الاستنساخ الصوتي يحسن مدى تطابق صوت الصورة الرمزية للذكاء الاصطناعي مع صوت الشخص الأصلي. إذا كان الوجه يبدو مقنعًا ولكن الصوت يبدو غريبًا، فإن الوهم ينهار. في عملية العمل، غالبًا ما يكون الصوت أهم من الصورة.
للشكل القصير متعدد الزوايا، يمكنك بناء صورتين ثابتتين مرتبطتين — لقطة أمامية ولقطة بزاوية جانبية قليلاً. ثم استخدمهما كإطارات بداية ونهاية في "كلينغ". هذا الترتيب يعطي انتقالاً أكثر طبيعية ويزيل الشعور بأن الفيديو تم تجميعه ببساطة من عمليات إنشاء عشوائية.
الخطوة 3. لقطات سينمائية إضافية (B-Roll)
يجعل اللقطات الإضافية مقاطع الفيديو القصيرة تبدو كإنتاج حقيقي. بدونها، غالبًا ما تبدو الصور الرمزية للذكاء الاصطناعي مسودة لوجه يتحدث بشكل ثابت بدلاً من إعلان مكتمل أو قطعة سردية.
بالنسبة لمشاهد اللقطات التكميلية للمنتج (B-roll)، خاصة في الإعلانات، يسير سير العمل على النحو التالي:
- خذ ورقة شخصية وصورة مرجعية للمنتج؛
- إنشاء مشاهد يتفاعل فيها الذكاء الاصطناعي الأفاتار مع المنتج — يحمله، يفتحه، يعرضه؛
- قم بتحريك المشهد باستخدام Kling بالبنية: الكاميرا + الموضوع + الإجراء + البيئة + الإضاءة.
كاميرا ثابتة. يحمل الشخص (رجل) حقيبة طباشير التسلق بالقرب من العدسة، ويُظهرها للكاميرا، ويُعطي إشارة إبهام صغيرة للأعلى. صالة تسلق في الخلفية، متسلقون على الحائط. إضاءة طبيعية من الأعلى. لا حوار.
كتل الثلاث الأولى - الكاميرا، الموضوع، الحركة - إلزامية هنا. أما البقية فتساعد عندما يبدو الناتج عامًا جدًا. هذه ليست خدعة للتأثير، بل طريقة لمنح النموذج دليلاً أكثر دقة للمشهد.
لاستخدام لقطات سينمائية مبنية على القصة، استخدم Higgsfield Soul وNano Banana 2 وCinema Studio معًا. يبني Higgsfield Soul الصورة الأساسية من صورة مرجعية بالوضعية والأسلوب الصحيحين. يقوم Nano Banana 2 بتنقيح الصورة مع الحفاظ على الوجه: يمكنك تغيير الملابس أو الخلفية أو التأطير دون كسر الهوية. ثم يقوم Cinema Studio بتحريك المشهد، ويتيح لك Multishot Manual وصف ما يصل إلى ثلاثة مشاهد متتالية داخل مقطع مدته 10 ثوانٍ.
هذه هي الطريقة التي تحصل بها على لقطات لشخص يمشي أمام نافذة، وينظر إلى هاتفه، ويتفاعل - كل ذلك في مشهد واحد مستمر. يتم تعيين كل جزء بشكل منفصل ولكن يتم عرضه كمقطع واحد. إنه مفيد بشكل خاص عندما تحتاج إلى نسخة بالذكاء الاصطناعي لشخص بتنسيق سينمائي أكثر.
في هذه المرحلة، التكرار مهم. توليد الذكاء الاصطناعي يعمل إحصائيًا: نادرًا ما يصيب الهدف من المحاولة الأولى. عادةً ما تحتاج إلى إجراء 30-50 تباينًا، ومقارنتها، وتجميع أفضل إصدار يدويًا. تعتمد جودة مقاطع الفيديو اللاحقة بشكل مباشر على جودة المرجع.
الخطوة 4. صور يوتيوب الطويلة
عندما يكون التنسيق المطلوب هو 5-20 دقيقة، ينتقل سير العمل إلى HeyGen. هنا يتم استخدام HeyGen للصور الرمزية طويلة الأشكال ويوفر رأس تحدث بحركة فم واقعية وتمايل في الرأس.
السيناريو الأساسي:
- التقط صورة للشخص، وليس فيديو؛
- حمله على HeyGen؛
- ربط صوت مستنسخ أو تعليق صوتي جديد من ElevenLabs؛
- اختر أفاتار 4 وشاشة عرض كاملة؛
- ابـدأ التوليد.
النتيجة هي صورة رمزية تعمل بالذكاء الاصطناعي تبدو وكأنها مقطع رأسي طويل، وليست قطعة اختبار قصيرة. هذه هي الطريقة لتوسيع نطاق نفس الشخصية إلى تنسيق يوتيوب دون إعادة تصوير مستمرة.
هناك أيضًا خيار أكثر مرونة. أولاً، في "نانو بنانا" (Nano Banana)، قم بتغيير الخلفية باستخدام موجه مثل "ضع الموضوع في حوض أسماك، واضبط الإضاءة وفقًا لذلك،" ثم قم بتحريك الصورة الجديدة في "هي جين" (HeyGen). بهذه الطريقة يمكنك تغيير المواقع دون إعادة التسجيل.
الطريقة الأكثر مرونة هي التحكم الكامل في الخلفية:
- في نانو موز، استبدل الخلفية باللون الأخضر النقي واترك المقدمة كما هي؛
- في HeyGen، قم بإنشاء نسخة متحدثة منك على شاشة خضراء نظيفة.
- في CapCut، استخدم إزالة الخلفية التلقائية وأسقط أي فيديو خلفك.
هذا الأمر يتيح لك التواجد في مقهى، أو ملعب، أو حوض أسماك، أو حتى في الفضاء دون مغادرة مكتبك. الهدف ليس التأثير نفسه، بل هو أن الصورة الرمزية للذكاء الاصطناعي تظل الشخص نفسه بينما تتغير البيئات لتناسب المهمة.
ما يجب تذكره
تؤثر البيانات المرجعية على النتيجة في سلسلة. تؤدي ورقة شخصية ضعيفة إلى إنشاء مقاطع فيديو ضعيفة، وتؤدي مقاطع الفيديو الضعيفة إلى إضعاف الصور الرمزية الطويلة. لا يمكن تخطي الخطوة الأولى أو القيام بها بشكل غير كامل.
الصوت لا يقل أهمية. حتى الصورة الرمزية للذكاء الاصطناعي المصممة جيدًا تفقد المصداقية إذا بدا الصوت آليًا. إذا كانت المهمة جادة، فإن استنساخ الصوت الاحترافي في ElevenLabs يوفر أساسًا أقوى للتعليق الصوتي.
تكمن الفكرة من سير العمل في أن أعمال الإعداد تتم مرة واحدة، وبعد ذلك يبدأ النظام في العمل كدليل إنتاج. لست بحاجة إلى استوديو أو ميكروفون أو مشغل كاميرا في كل مقطع جديد. تحتاج إلى النظام، والمطالبات الدقيقة، وبيانات مرجعية عالية الجودة، والرغبة في التكرار.
إذا كنت بحاجة إلى المجموعة الدقيقة من المطالبات لـ "ورقة الشخصية" (Character Sheet)، و"متعدد الزوايا" (multi-angle)، و"هيكل كلينغ" (Kling structure)، و"استوديو السينما متعدد اللقطات" (Cinema Studio multishot)، فعادةً ما يتم الاحتفاظ بها في قسم موارد منفصل. لكن المبدأ الأساسي يبقى كما هو: أولاً، تثبيت الوجه والصوت، ثم إنشاء مقاطع الفيديو، وبعد ذلك فقط توسيع نطاق "الصورة الرمزية للذكاء الاصطناعي" (AI Avatars) لإنشاء خط إنتاج محتوى مستقر.
