گوگل فلو (Google Flow) ابزار فیلم‌سازی با هوش مصنوعی گوگل است که روی مدل ویدیویی Veo ساخته شده. در فلو با متن، عکس یا چند تصویر مرجع، کلیپ‌های کوتاه سینمایی می‌سازید و بعد آن‌ها را کنار هم می‌گذارید تا یک صحنه یا داستان کامل شود. تفاوت فلو با یک ویدیوساز معمولی همین بخش دوم است: شخصیت و فضا از یک پلان به پلان بعد ثابت می‌ماند.
در این مقاله می‌بینید فلو دقیقاً چه امکاناتی دارد، قیمتش چطور حساب می‌شود و چرا کاربران ایرانی برای استفاده از آن به مشکل می‌خورند. بعد همان روش کار را در هوش مصنوعی نقطه با مدل‌های Veo 3.1 و مدل‌های دیگر ویدیویی و با پرامپت فارسی انجام می‌دهیم. اگر می‌خواهید اول همهٔ مدل‌ها و مسیرهای ساخت ویدیو را یک‌جا ببینید، صفحهٔ ساخت ویدیو با هوش مصنوعی را باز کنید.
گوگل فلو چیست و چه فرقی با Veo دارد؟
Veo مدل ساخت ویدیوی گوگل است و فلو ابزاری است که این مدل را برای فیلم‌سازی قابل‌استفاده می‌کند. گوگل فلو را در خرداد ۱۴۰۴ (مه ۲۰۲۵) معرفی کرد و حالا با Veo 3.1 کار می‌کند. کنار آن از مدل تصویری گوگل برای ساخت تصویرهای مرجع و از Gemini برای فهم پرامپت و حفظ پیوستگی صحنه‌ها استفاده می‌شود.
ساده‌تر بگوییم: Veo موتور است و فلو میز تدوین. با Veo تنها یک کلیپ چندثانیه‌ای می‌گیرید. فلو کمک می‌کند چند کلیپ را با همان شخصیت، همان لباس و همان نور پشت هم بسازید.
امکانات اصلی گوگل فلو
ساخت ویدیو از متن (Text to Video)
ساده‌ترین حالت است. صحنه را با پرامپت توضیح می‌دهید و فلو یک کلیپ کوتاه می‌سازد. با Veo 3.1 خروجی صدای همگام هم دارد: صدای محیط، افکت و حتی دیالوگ کوتاه.
ساخت ویدیو از فریم (Frames to Video)
یک تصویر را به‌عنوان فریم شروع، و در صورت نیاز یک تصویر دیگر را به‌عنوان فریم پایان می‌دهید و مدل حرکت بین آن‌ها را می‌سازد. این روش برای وقتی است که ترکیب‌بندی دقیق صحنه برایتان مهم است.
مواد اولیه (Ingredients to Video)
در فلو به هر عنصر ثابت صحنه، مثل یک شخصیت، یک شیء یا یک سبک تصویری، «ماده» یا Ingredient می‌گویند. این تصویرها را آپلود می‌کنید یا همان‌جا می‌سازید و در هر پرامپت تا سه ماده را با هم استفاده می‌کنید تا شخصیت در پلان‌های مختلف یکی بماند.
صحنه‌ساز (Scenebuilder)
قلب فلو همین بخش است. کلیپ ساخته‌شده را ادامه می‌دهید (Extend) تا طولانی‌تر شود، یا پلان بعدی را طوری می‌سازید که از آخرین لحظهٔ پلان قبلی ادامه پیدا کند. نتیجه یک صحنهٔ پیوسته است، نه چند کلیپ پراکنده.
کنترل دوربین
برای هر پلان می‌توانید حرکت دوربین مثل نزدیک شدن، دور شدن، چرخش یا حرکت افقی را مشخص کنید تا خروجی بیشتر شبیه یک نمای فیلم‌برداری‌شده باشد.
قیمت گوگل فلو و محدودیت کاربران ایرانی
فلو با اعتبار (Credit) کار می‌کند. اعتبار ماهانه همراه اشتراک‌های هوش مصنوعی گوگل می‌آید: طرح Google AI Pro با قیمت حدود ۲۰ دلار در ماه حدود ۱٬۰۰۰ اعتبار دارد و طرح Google AI Ultra با قیمت حدود ۲۵۰ دلار در ماه حدود ۲۵٬۰۰۰ اعتبار. هر بار ساخت ویدیو بسته به نسخهٔ مدل اعتبار مصرف می‌کند؛ نسخه‌های سریع و اقتصادی Veo ارزان‌ترند و نسخهٔ با بالاترین کیفیت چند برابر اعتبار می‌گیرد. اعتبار مصرف‌نشده هم به ماه بعد منتقل نمی‌شود.
برای کاربران ایرانی مشکل اصلی قیمت نیست. فلو فقط در کشورهایی که گوگل پشتیبانی می‌کند در دسترس است و ایران جزو این کشورها نیست. پرداخت اشتراک هم کارت بین‌المللی می‌خواهد. یعنی برای استفادهٔ مستقیم از فلو، هم حساب و منطقهٔ پشتیبانی‌شده لازم است و هم روش پرداخت خارجی، و حساب ممکن است هر لحظه محدود شود.
اگر هدفتان خود Veo است، می‌توانید آن را بدون خرید اکانت گوگل و با پرداخت ریالی در صفحهٔ هوش مصنوعی Veo 3 فارسی نقطه استفاده کنید.
ساخت ویدیو با Veo و پرامپت فارسی در نقطه
نقطه همهٔ امکانات فلو را ندارد، مثلاً صحنه‌ساز و ادامه دادن خودکار کلیپ در آن نیست. اما بخش اصلی کار، یعنی ساخت کلیپ سینمایی با صدا از متن یا از یک تصویر شروع، با همان مدل گوگل و چند مدل دیگر در دسترس است:
| کاری که در فلو می‌کنید | معادل در نقطه |
|---|---|
| ساخت ویدیو از متن با Veo | مدل‌های Veo 3.1 و Veo 3.1 Lite با پرامپت فارسی، ۴ تا ۸ ثانیه، با صدا یا بی‌صدا |
| Frames to Video (فریم شروع) | آپلود تصویر شروع در Veo 3.1 و مدل‌های دیگر ویدیویی |
| Ingredients (تصویر مرجع شخصیت و صحنه) | مدل‌هایی مثل Wan 3 که چند تصویر مرجع شخصیت، محصول یا صحنه می‌گیرند |
| Scenebuilder و Extend | در دسترس نیست؛ پلان بعدی را با فریم آخر پلان قبلی به‌عنوان تصویر شروع بسازید |
| عمودی برای ریلز، افقی برای یوتیوب | نسبت ۹:۱۶ و ۱۶:۹ در Veo 3.1 |
یک نمونهٔ واقعی: از تصویر شروع تا کلیپ با صدا
برای این مقاله یک تصویر از خیابان بارانی ساختیم و آن را به‌عنوان فریم شروع به Veo 3.1 Lite دادیم. پرامپت فقط اتفاق، حرکت دوربین و صدا را توضیح می‌دهد؛ ظاهر صحنه از خود تصویر می‌آید. خروجی یک کلیپ ۶ ثانیه‌ای با صدای باران و قدم‌هاست:
همین کار در فلو با Frames to Video انجام می‌شود. اگر می‌خواهید عکس‌های خودتان را به ویدیو تبدیل کنید، راهنمای ساخت ویدیو از عکس با هوش مصنوعی قدم‌به‌قدم توضیح می‌دهد.
