Video Generation
توليد الفيديو هو إنشاء مقاطع فيديو جديدة من النصوص أو الصور أو اللقطات الموجودة، باستخدام نماذج توليدية تحافظ على اتساق الحركة بمرور الوقت.
توليد الفيديو هو استخدام نماذج الذكاء الاصطناعي التوليدي (AI) لتوليف فيديو جديد: سلسلة من الإطارات تظل فيها الكائنات والإضاءة والحركة متسقة من إطار إلى آخر. يمكن أن يبدأ النموذج من مطالبة نصية، أو صورة ثابتة لتحريكها، أو مقطع موجود لتغيير أسلوبه أو تمديده، أو من إطارات سابقة وأفعال، كما في نماذج العالم. وبالمقارنة مع صورة مولّدة واحدة، يحتوي مقطع مدته خمس ثوانٍ بمعدل 24 إطارًا في الثانية على 120 صورة يجب أن تكون متسقة بعضها مع بعض، وتظهر الأخطاء التي قد لا تُلاحظ في إطار واحد، مثل تغيّر عدد أصابع اليد، على هيئة وميض أو تشوّه تدريجي عند تشغيل الإطارات. أما فهم الفيديو وتتبع الكائنات، فيعملان في الاتجاه المعاكس ويحللان لقطات موجودة بالفعل.
انتقل المجال من مقاطع قصيرة جدًا إلى مقاطع مدتها دقائق في أقل من عقد. أنتج نموذج VGAN لعام 2016، الذي طوره Carl Vondrick وHamed Pirsiavash وAntonio Torralba، وهو شبكة خصومية توليدية، نحو ثانية واحدة من الفيديو بدقة 64×64، عبر إنشاء خلفية ثابتة ومقدمة متحركة كلٌّ على حدة. وسّع Jonathan Ho وزملاؤه في Google نماذج الانتشار إلى الفيديو في أبريل 2022، ثم تبعهما Make-A-Video من Meta وImagen Video من Google في خريف ذلك العام، وولّد Sora من OpenAI، الذي عُرض تجريبيًا في فبراير 2024، مقاطع تصل مدتها إلى دقيقة. وأتاحت النماذج ذات الأوزان المفتوحة، مثل HunyuanVideo من Tencent (ديسمبر 2024) وWan 2.1 من Alibaba (فبراير 2025)، تشغيل البنية نفسها وضبطها الدقيق محليًا.
آلية عمل نماذج توليد الفيديو#
معظم الأنظمة الحالية هي نماذج انتشار كامنة تتألف من ثلاثة أجزاء. يضغط مشفّر الفيديو التلقائي المقطع مكانيًا وزمنيًا إلى موتر كامن أصغر بكثير، لأن إزالة الضوضاء من وحدات البكسل الخام لمئات الإطارات ستكون باهظة جدًا. وتجزّئ شبكة إزالة الضوضاء، وهي عادةً محوّل انتشار (DiT)، ذلك المتغير الكامن إلى رقع زمكانية، وهي الوحدات التي يعمل عليها Sora من OpenAI، ثم تزيل الضوضاء خطوةً خطوة، مع ربط الانتباه كل رقعة برقع في إطارات أخرى كي يحافظ العنصر على شكله أثناء الحركة. بعد ذلك، يحوّل مفكك ترميز المشفّر التلقائي المتغير الكامن النقي مجددًا إلى إطارات.
اتبعت النماذج الأقدم أساليب أقل كلفة لتحقيق الاتساق الزمني. أُدرجت في كثير منها طبقات انتباه زمني، تقارن الموقع نفسه عبر الإطارات، ضمن نموذج U-Net مدرّب مسبقًا على تحويل النص إلى صورة، كي تعيد الشبكة استخدام ما تعلمته عن المظهر وتتعلم الحركة فقط. وربط Imagen Video نموذجًا أساسيًا بنماذج منفصلة فائقة الدقة مكانيًا وزمنيًا، ترفع الدقة ومعدل الإطارات على مراحل. أما Lumiere من Google (2024)، فولّد المقطع كاملًا في تمريرة واحدة باستخدام U-Net زمكاني، مشيرًا إلى أن البنى المتسلسلة التي تبدأ بتوليد إطارات مفتاحية متباعدة تواجه صعوبة في الحفاظ على تماسك الحركة كليًا. وغالبًا ما يُولّد الفيديو الطويل أو التفاعلي بطريقة ذاتية الانحدار، جزءًا تلو الآخر، بحيث يعتمد كل جزء على الإطارات التي سبقته؛ وهذا هو الإعداد الذي تُدرّب عليه أساليب مثل فرض الانتشار.
أنواع توليد الفيديو#
- تحويل النص إلى فيديو: ينشئ مقطعًا انطلاقًا من مطالبة مكتوبة فقط.
- تحويل الصورة إلى فيديو: يحرّك صورة ثابتة مع الإبقاء عليها إطارًا أول، ما يتيح التحكم في التكوين والعنصر.
- تحويل الفيديو إلى فيديو: يعيد تصميم مقطع موجود أو يحرره أو يمدده مع الحفاظ على حركته، وهو أداة أساسية في تحرير الفيديو بالذكاء الاصطناعي.
- الصوت والفيديو معًا: يولّد Veo 3 من Google (مايو 2025) وSora 2 من OpenAI (سبتمبر 2025) الحوارات والمؤثرات الصوتية والموسيقى متزامنةً مع الصورة.
- نماذج العالم: تتنبأ بالإطارات التالية انطلاقًا من الإطارات الحالية وفعلٍ ما، مثل أمر توجيه أو حركة ذراع روبوتية، كي يستجيب الفيديو للتحكم.
التطبيقات#
تستخدم فرق السينما والإعلانات مولدات مثل Veo من Google DeepMind وMovie Gen من Meta للتصور المسبق ولإنشاء لقطات مكلفة التصوير، ضمن تحول أوسع نحو الذكاء الاصطناعي في صناعة الأفلام. وينشئ مطورو الذكاء الاصطناعي المادي لقطات قيادة وروبوتات لأحداث نادرة: تنتج النماذج التأسيسية للعالم Cosmos من NVIDIA، التي طُرحت في يناير 2025، فيديو لتدريب المركبات ذاتية القيادة والروبوتات، كما ينشئ GAIA-1 من Wayve مشاهد قيادة مشروطة بالنص وأفعال المركبة. وتصبح المقاطع المُنشأة بيانات اصطناعية لنماذج الإدراك بعد وسم إطاراتها، بينما تأخذ مجموعة بيانات على منصة Ultralytics تستقبل مقطعًا مُنشأً عينةً بمعدل إطار واحد في الثانية، بحد أقصى 100 إطار، وتخزن كل إطار كصورة جاهزة للتوسيم.
القيود والتقييم#
لا يزال الفيديو المُنشأ يخالف قوانين الفيزياء ومبدأ استمرارية الكائنات. وقد ذكرت OpenAI أن Sora لا يحاكي بدقة تفاعلات مثل تحطم الزجاج، كما قد تمر الكائنات المُنشأة بعضها عبر بعض، أو تظهر من العدم، أو تختفي خلف حاجب. ويزداد الحساب المطلوب مع الدقة والمدة، ولهذا تنتج معظم النماذج مقاطع لبضع ثوانٍ وتطيلها على مراحل. انتقل التقييم من درجة توزيع واحدة، هي Fréchet Video Distance، المقابل في الفيديو لـFréchet Inception Distance (FID)، إلى مجموعات تقييم مثل VBench، التي تقيس 16 بُعدًا، من اتساق العنصر إلى الوفاء بالمطالبة. كما يتيح الناتج الواقعي إنشاء التزييف العميق، لذا يضع مقدمو الخدمة علامات على الفيديو المُنشأ باستخدام العلامات المائية للذكاء الاصطناعي وبيانات اعتماد المحتوى: إذ تدمج Google علامة SynthID المائية غير المرئية في كل فيديو من Veo.










