كيف تجعل الصورة تتكلم: نص، وصوت، وتسع ثوانٍ

ما هي الصورة الناطقة؟

تبدأ الصورة الناطقة بمدخلين اثنين: صورة ثابتة واحدة لشخص، ومقطع صوتي واحد. يقرأ نموذج الفيديو بالذكاء الاصطناعي الموجة الصوتية للصوت، ويربط المقاطع الصوتية بأشكال الفم، ثم يولّد إطارات فيديو جديدة ينطق فيها الشخص الموجود في الصورة بالجملة.

كانت الأدوات القديمة تكتفي بلصق فم متحرك على وجه جامد. كان الفك يتحرك، بينما تظل الوجنتان ثابتتين، وتحدق العينان في الفراغ. أما نماذج الفيديو الحالية المعتمدة على الصوت فتحرك الإطار بالكامل. عندما يأخذ الصوت نفساً، يرتفع الصدر والكتفان. وعندما ترتفع نبرة كلمة ما، يرتفع الحاجبان ويميل الرأس. تطرف الجفون بين العبارات، وتتحرك اليدان إذا كانتا ظاهرتين في الإطار.

في Doppelshot، لا تحتاج إلى تسجيل فيديو مرجعي أو رفع عشر زوايا لوجهك. تفتح بطاقة قلها، وترفع صورة سيلفي واحدة أو تختار بورتريه بالذكاء الاصطناعي صنعته مسبقاً في التطبيق، وتكتب العبارات التي تريد نطقها، وتختار صوتاً. يولّد التطبيق المقطع الصوتي أولاً، ثم يمرر الصورة والصوت إلى نموذج الفيديو. تحصل في النهاية على فيديو عمودي جاهز للنشر على TikTok أو Instagram Reels أو YouTube Shorts.

اختر الصورة

لا يستطيع نموذج الفيديو العمل إلا بما هو ظاهر في صورة البداية. كل تفصيل مخفي يجبر الذكاء الاصطناعي على التخمين، والتخمين هو السبب في تشوه الوجوه.

استخدم صورة أمامية ينظر فيها الشخص مباشرة إلى العدسة أو بزاوية قريبة جداً من المنتصف. يجب أن يكون الفم واضحاً تماماً. الفم المسترخي والمغلق أو الابتسامة الخفيفة يمنحان أنظف نقطة بداية. إذا كان الشخص يضحك وفمه مفتوح بالكامل، يتعامل النموذج مع هذا الفك المفتوح كوضع السكون للوجه، مما يجعل فترات التوقف بين الكلمات تبدو غريبة.

أبقِ الوجه خالياً من العوائق:

• بدون أيدٍ تغطي الذقن أو الخد.
• بدون ميكروفونات أو أكواب قهوة أو طعام أمام الشفاه.
• بدون ظلال قاتمة تقطع الفم أو العينين.
• بدون نظارات شمسية، لأن التواصل البصري يؤدي نصف المهمة في جعل الكلام يبدو حقيقياً.

يمكنك استخدام صورة سيلفي عادية بالهاتف، أو بورتريه استوديو، أو صورة ذات طابع فني مولّدة عبر إحدى بطاقات الصور في Doppelshot مثل بورتريه الفيلم الكلاسيكي أو ملصق سينمائي. تعمل اللقطات القريبة ولقطات نصف الجسم بنجاح. تركز اللقطة القريبة الانتباه على العينين ومزامنة الشفاه. بينما تمنح لقطة الخصر وما فوق مساحة للنموذج لتحريك الكتفين واليدين أثناء التحدث. يجب أن يكون كل شخص في الصورة المرفوعة بالغاً (18+) وموافقاً على الظهور في محتوى مولّد بالذكاء الاصطناعي.

اكتب لمدة تسع ثوانٍ

تمتد معظم المقاطع الناطقة القصيرة لتسع أو عشر ثوانٍ. في المحادثة البشرية الطبيعية، تعادل تسع ثوانٍ حوالي 20 إلى 25 كلمة.

إذا لصقت فقرة من 60 كلمة في مقطع قصير، فإما أن يسرع مولّد الكلام في قراءة النص أو ينقطع الكلام في منتصف الجملة عند انتهاء الفيديو. وإذا كتبت ثلاث كلمات، يتحدث الشخص لثانية واحدة ويقضي الثواني الثماني المتبقية يطرف بعينيه في صمت.

اكتب بالطريقة التي يتحدث بها الناس، وليس بالطريقة التي يكتبون بها رسائل البريد الإلكتروني:

• استخدم جملاً قصيرة. جملتان من عشر كلمات لكل منهما تبدوان أكثر طبيعية بكثير من جملة واحدة من عشرين كلمة تتضمن ثلاث عبارات فرعية.
• استخدم علامات الترقيم للتحكم في التنفس. تمنح الفاصلة الصوت توقفاً قصيراً. وتجعل النقطة المتحدث يغلق فمه، ويخفض ذقنه قليلاً، ويأخذ نفساً قبل الجملة التالية.
• اكتب الأرقام والاختصارات بالكلمات الكاملة حتى يقرأها الصوت بالطريقة التي تقصدها.
• اقرأ النص بصوت عالٍ بوتيرة طبيعية وغير متسرعة أثناء مراقبة المؤقت. إذا تجاوزت تسع ثوانٍ، احذف بضع كلمات.

عندما تحتاج إلى حديث فردي أطول أو إعلان، انتقل إلى نموذج يدعم المدد الطويلة، أو اصنع حواراً بين شخصين عبر بطاقة اصنع بودكاست.

الصوت: اختر صوتاً جاهزاً أو استنسخ صوتك

تعتمد واقعية الصورة الناطقة على المقطع الصوتي بقدر اعتمادها على بكسلات الفيديو. ولأن نموذج الفيديو يستمد إشاراته من الموجة الصوتية، فإن الصوت الرتيب والآلي ينتج وجهاً جامداً وبلا تعبير.

يستخدم Doppelshot نموذج ElevenLabs (Eleven v4) لمكتبة الأصوات الخاصة به. يمكنك الاختيار من بين حوالي 30 صوتاً بأساليب ونبرات متنوعة، أو ترك محدد الصوت على الوضع التلقائي (Auto) ليختار التطبيق صوتاً يناسب الشخص الموجود في صورتك. يتحدث الصوت بأي لغة تكتب بها النص. كما يمكنك إضافة ملاحظة أداء للصوت، مثل نبرة هادئة أو مستمتعة أو لاهثة، حتى تبدو الجملة منطوقة بطبيعية وليست مقروءة من ورقة.

إذا كانت الصورة لك، فإن خروج صوت شخص غريب من وجهك قد يبدو غريباً لمن يعرفونك. يمكنك استنساخ صوتك مباشرة داخل التطبيق. تسجل مقطع موافقة قصيراً مرة واحدة في المتصفح، ويكون الصوت المستنسخ جاهزاً خلال دقائق معدودة. يظهر صوتك بجانب أصوات المكتبة ويعمل في كل البطاقات الناطقة.

وجّه اللقطة

نادراً ما يتجمد الشخص الذي يتحدث أمام الكاميرا في وضعية واحدة من الكلمة الأولى حتى الأخيرة. فهو ينظر للأعلى أثناء التفكير، أو يومئ برأسه عند كلمة مهمة، أو يبتسم بعد إلقاء جملة ختامية.

تتيح لك عدة نماذج ناطقة إضافة توجيه نصي قصير بجانب النص الحواري. يخبر هذا التوجيه نموذج الفيديو بما يفعله الشخص والكاميرا أثناء تشغيل الصوت.

اجعل التوجيه بسيطاً وحركياً. صف حركة أو حركتين صغيرتين تتسعان داخل تسع ثوانٍ:

• "ينظر مباشرة إلى العدسة، يومئ برأسه مرة واحدة، ثم يبتسم في النهاية."
• "يتحدث بهدوء مع إمالة خفيفة للرأس، إضاءة داخلية دافئة."
• "يمسك كوب قهوة، ينظر للأعلى نحو الكاميرا ويتحدث بنبرة خافتة."

تجنب تكديس عدة حركات كبيرة في مقطع قصير. إن مطالبة الشخص بالوقوف والمشي عبر الغرفة والتلويح بيده والجلوس مجدداً في تسع ثوانٍ يفرض حركة سريعة وغير طبيعية تشتت التركيز عن الوجه وتفسد مزامنة الشفاه.

أي نموذج تختار: OmniHuman أو LTX أو HeyGen أو Kling أو Creatify

تعمل كل بطاقة ناطقة في Doppelshot على محرك افتراضي، ويمكنك التبديل إلى شريحة نموذج آخر قبل التوليد. صُممت النماذج المختلفة للقطات مختلفة. يظهر السعر قبل بدء التشغيل.

OmniHuman 2.0 (ByteDance). مصمم للكلام التعبيري ولغة الجسد والغناء. يتتبع الصوت بدقة، ويطابق الشفاه والتنفس وإيماءات اليدين مع المقطع الصوتي. ولأنه يقبل توجيهاً مكتوباً، يمكنك إخبار الشخص بكيفية التفاعل أثناء التحدث. يعمل على اللقطات القريبة ولقطات الجسم الكامل، ويدعم مدداً بطول 10 أو 20 أو 30 ثانية.

LTX 2.5 (Lightricks). مصمم للقطة سينمائية تصل مدتها إلى 9 ثوانٍ (حوالي 25 كلمة). بينما تركز معظم محركات الأفاتار على الشخص فقط، يتعامل LTX مع المقطع كمخرج سينمائي: فهو يحرك الشخص المتحدث داخل مشهد متكامل يشمل التأطير والإضاءة وحركة الكاميرا وصوت أجواء الغرفة المدمج لاحقاً. اختره عندما تكون البيئة المحيطة بالمتحدث بنفس أهمية الكلمات.

HeyGen Avatar 4. مضبوط لتعابير الوجه وحركة الحاجبين والتواصل البصري. يحافظ على مظهر الصورة الأصلية مع منح المتحدث حضور مذيع أمام الكاميرا. كما أنه يشغّل بطاقة ثلاث مشاعر، حيث تلقي صورتك نفس الجملة بثلاث طرق مختلفة في مقطع واحد.

Kling Avatar وKling Avatar Pro (Kuaishou). الخيار العملي للنصوص الطويلة. يتعامل Kling Avatar مع مقاطع الفيديو الناطقة من 10 ثوانٍ وحتى 60 ثانية، ويُسعّر لكل مقطع مدته 10 ثوانٍ. المستوى القياسي هو الطريقة الأقل تكلفة لتشغيل إعلان طويل أو مقدمة، بينما يحافظ مستوى Pro على تفاصيل أدق للوجه وحركة أكثر ثباتاً خلال اللقطات الطويلة.

Creatify Aurora. مدرّب على لقطات المقدمين وإعلانات المحتوى الذي يصنعه المستخدمون. يمنح المتحدث أسلوباً مباشراً وواثقاً أمام الكاميرا، وهو مصمم لعروض المنتجات ومقدمات الفيديوهات الاجتماعية الجذابة حتى 20 ثانية.

للحصول على تعليمات خطوة بخطوة حول إعداد مقطعك الأول، راجع صفحة المساعدة حول كيفية جعل الصورة تتكلم أو تغني.

أين يفشل النموذج، وكيف تصلحه

حتى النماذج الجيدة تفشل عندما تدفعها المدخلات خارج نطاق ما تدربت عليه. إليك أكثر المشكلات شيوعاً وكيفية إصلاحها قبل إنفاق الرصيد.

يتشوه الوجه عندما يدور الرأس. لقد رفعت صورة جانبية أو بزاوية ثلاثة أرباع حيث تظهر عين واحدة ونصف الفم فقط. عندما يستدير المتحدث نحو الكاميرا، يضطر الذكاء الاصطناعي إلى اختراع النصف المفقود من الوجه. الحل: استخدم صورة أمامية تكون فيها العينان وزاويتا الفم واضحتين تماماً.

تبدو الأسنان أو الشفاه ضبابية. الصورة الأصلية ذات دقة منخفضة، أو مضغوطة بشدة، أو مظلمة حول الفم. الحل: ابدأ بصورة سيلفي ذات إضاءة جيدة، أو مرر الصورة عبر أداة رفع الدقة أولاً حتى يحصل النموذج على حواف حادة للشفاه.

ينقطع الكلام في النهاية. يحتوي النص على كلمات كثيرة جداً مقارنة بمدة المقطع التي اخترتها. الحل: قلّص النص إلى حوالي 20 إلى 25 كلمة لكل 10 ثوانٍ، أو غيّر محدد المدة إلى 20 أو 30 ثانية.

ينطق الصوت اسماً أو اختصاراً بشكل خاطئ. تخمن نماذج الكلام التهجئة الصوتية بناءً على لغة النص. الحل: اكتب الكلمة الصعبة بالتهجئة الصوتية كما تُنطق في مربع النص حتى يقرأ مولّد الصوت الأصوات الدقيقة التي تريدها.

يبدو الشخص جامداً بين الجمل. هناك صمت طويل في النص أو لم يتم تقديم أي توجيه حركي. الحل: أزل التوقفات الفارغة عن طريق تكثيف النص، أو انتقل إلى OmniHuman وأضف ملاحظة حركة خفيفة مثل "يبتسم قليلاً في النهاية".

الأسئلة الشائعة

هل يمكنني جعل الصورة تتكلم بصوتي الشخصي؟

نعم. تسجل عينة صوتية قصيرة مرة واحدة في تطبيق المتصفح الخاص بـ Doppelshot. يكون صوتك المستنسخ جاهزاً في دقائق ويظهر بجانب أصوات المكتبة الثلاثين في كل بطاقة ناطقة.

كم يمكن أن تبلغ مدة فيديو الصورة الناطقة بالذكاء الاصطناعي؟

تصل إلى 60 ثانية، حسب النموذج الذي تختاره. يصنع LTX 2.5 مقاطع تصل إلى 9 ثوانٍ، ويصل Creatify Aurora إلى 20 ثانية، ويعمل OmniHuman حتى 30 ثانية، ويدعم Kling Avatar النصوص من 10 إلى 60 ثانية.

هل أحتاج إلى رفع 20 صورة سيلفي لصنع فيديو ناطق؟

لا. صورة أمامية واحدة واضحة تكفي لكل بطاقات التحدث والغناء. تحتاج إلى رفع 10 إلى 20 صورة سيلفي فقط إذا كنت تريد إنشاء توأم رقمي بالذكاء الاصطناعي قابل لإعادة الاستخدام لتوليد مشاهد صور جديدة أولاً.

هل يمكنني استخدام الفيديو الناطق للمشاريع التجارية أو إعلانات وسائل التواصل الاجتماعي؟

نعم. تتضمن كل نتيجة مدفوعة على Doppelshot ترخيصاً تجارياً بدون علامة مائية مرئية، وتحمل علامة ذكاء اصطناعي قابلة للقراءة آلياً بالتوافق مع قواعد الاتحاد الأوروبي. أما نتائج المعاينة المجانية فتحمل علامة مرئية وتقتصر على الاستخدام الشخصي فقط.