تبدیل متن به ویدیو با هوش مصنوعی یعنی صحنهای را که در ذهن دارید با متن توضیح دهید و مدل ویدیویی براساس همان توضیح، تصویر متحرک تولید کند. در هوش مصنوعی نقطه میتوانید این فرایند را با مدلهای مختلف انجام دهید. اگر هنوز بین روشهای مختلف تولید ویدیو، مدلها یا ورودی عکس و متن مردد هستید، صفحه ساخت ویدیو با هوش مصنوعی دید کاملتری از مسیرهای موجود به شما میدهد.
در تبدیل متن به ویدیو، مهمترین ورودی شما پرامپت است. هرچه سوژه، اتفاق صحنه، حرکت و فضای بصری را روشنتر توضیح دهید، کنترل بیشتری روی نتیجه خواهید داشت.
برای اینکه مدل دقیقتر متوجه صحنه شود، لازم نیست پرامپت را بیدلیل طولانی کنید. کافی است بخشهایی را که روی نتیجه اثر دارند مشخص کنید.
بخش پرامپت | چه چیزی بنویسیم؟ | نمونه |
سوژه | شخصیت، محصول یا عنصر اصلی صحنه | یک خودروی مشکی مدرن |
اتفاق اصلی | کاری که در ویدیو انجام میشود | در جاده کوهستانی حرکت میکند |
محیط | مکان و جزئیات مهم اطراف | جاده خیس، کوههای مهآلود |
حرکت سوژه | نحوه حرکت عنصر اصلی | خودرو با سرعت آرام حرکت میکند |
حرکت دوربین | رفتار دوربین نسبت به سوژه | دوربین از نمای پایین در کنار خودرو حرکت میکند |
نور | نوع و جهت نور | نور سرد صبحگاهی |
سبک بصری | ظاهر و حس کلی خروجی | واقعگرایانه و سینمایی |
نسبت تصویر | متناسب با محل انتشار | عمودی برای ریلز، افقی برای یوتیوب |
لازم نیست تمام ردیفهای جدول در همه پرامپتها استفاده شوند. اگر مثلاً حرکت دوربین برای نتیجه اهمیتی ندارد، میتوانید آن را حذف کنید. هدف این است که اطلاعات تعیینکننده صحنه را بهصورت واضح در اختیار مدل قرار دهید، نه اینکه طولانیترین پرامپت ممکن را بنویسید.
چطور برای تبدیل متن به ویدیو پرامپت بنویسیم؟
پرامپت ویدیویی نباید فقط نام یک سوژه باشد. عبارت «یک ماشین در جاده» به مدل نمیگوید خودرو چه ظاهری دارد، کجا حرکت میکند، دوربین چه کاری انجام میدهد یا فضای ویدیو چگونه است.
بهتر است پرامپت را مثل توضیح یک پلان کوتاه بنویسید. ابتدا سوژه را مشخص کنید، بعد بگویید چه اتفاقی رخ میدهد و در ادامه محیط، حرکت دوربین، نور و سبک بصری را توضیح دهید.
اگر هنوز با ساختار پایه پرامپت آشنا نیستید، راهنمای چطور پرامپت بنویسیم اصول اصلی را توضیح میدهد. در پرامپت ویدیویی فقط باید یک مرحله جلوتر بروید و علاوه بر ظاهر صحنه، حرکت را هم مشخص کنید.
سوژه و اتفاق اصلی را مشخص کنید
اول مشخص کنید دقیقاً چه چیزی باید در ویدیو دیده شود و چه اتفاقی برای آن بیفتد.
بهجای:
یک کفش ورزشی
میتوانید بنویسید:
یک کفش ورزشی سفید روی سطح مشکی قرار دارد و بهآرامی به سمت دوربین میچرخد.
نسخه دوم علاوه بر ظاهر سوژه، رفتار آن را هم مشخص میکند.
اگر شخصیت انسانی در صحنه حضور دارد، فقط ویژگیهایی را توضیح دهید که واقعاً برای خروجی اهمیت دارند. اضافه کردن جزئیات زیاد و بیاثر لزوماً نتیجه را بهتر نمیکند.

محیط و سبک بصری را توضیح دهید
محیط روی نتیجه نهایی تأثیر زیادی دارد.
«یک خودرو در خیابان» با «یک خودرو در خیابان خیس شبانه با انعکاس نورهای شهر» دو تصویر ذهنی متفاوت ایجاد میکند.
برای توصیف محیط میتوانید به این موارد اشاره کنید:
مکان
ساعت روز
آبوهوا
نور
عناصر مهم پسزمینه
سبک را هم با ویژگیهای قابل مشاهده توضیح دهید. عبارتی مانند:
واقعگرایانه، نور استودیویی، فضای تبلیغاتی مینیمال
برای مدل روشنتر از عبارت مبهمی مثل «خیلی حرفهای و زیبا» است.
حرکت سوژه و دوربین را بنویسید
یکی از مهمترین تفاوتهای پرامپت عکس و ویدیو همین بخش است.
در ویدیو باید مشخص شود چه چیزی حرکت میکند.
مثلاً:
مرد بهآرامی به سمت پنجره حرکت میکند و دوربین از پشت او را دنبال میکند.
یا:
دوربین از نمای باز بهآرامی به محصول نزدیک میشود.
اگر حرکت مهمی را مشخص نکنید، مدل خودش درباره آن تصمیم میگیرد و ممکن است نتیجه با چیزی که انتظار دارید متفاوت باشد.
برای شروع نیازی به اصطلاحات پیچیده فیلمبرداری ندارید. عبارتهایی مانند «دوربین ثابت است»، «دوربین به سوژه نزدیک میشود» یا «دوربین سوژه را دنبال میکند» در بسیاری از سناریوها کافی هستند.
نور، زاویه و حالوهوای ویدیو را مشخص کنید
اگر نور یا فضای خاصی برای صحنه مهم است، آن را مستقیم بنویسید.
برای تبلیغ محصول:
نور نرم استودیویی، پسزمینه تیره، انعکاس کنترلشده روی محصول، فضای لوکس و مینیمال.
برای یک صحنه داستانی:
نور گرم غروب، فضای آرام و طبیعی، دوربین همسطح شخصیت.
لازم نیست همه پرامپتها شامل تمام این جزئیات باشند. فقط مواردی را بنویسید که تغییرشان نتیجه را واقعاً عوض میکند.
فرمول ساده پرامپت تبدیل متن به ویدیو
برای شروع میتوانید از این ساختار استفاده کنید:
سوژه + اتفاق اصلی + محیط + حرکت دوربین + نور + سبک بصری
مثلاً:
یک خودروی مشکی مدرن در جاده کوهستانی خیس حرکت میکند، مه سبک میان کوهها دیده میشود، دوربین از نمای پایین در کنار خودرو حرکت میکند، نور سرد صبحگاهی، سبک واقعگرایانه و سینمایی.
این فرمول قانون ثابت نیست. هدفش این است که پرامپت فقط ظاهر سوژه را توضیح ندهد و رفتار صحنه هم مشخص باشد.
نمونه پرامپت فارسی برای تبدیل متن به ویدیو
فرض کنید میخواهید یک ویدیوی تبلیغاتی کوتاه برای عطر بسازید:
شیشه عطر مشکی روی سطح سنگی تیره قرار دارد. قطرات آب روی شیشه دیده میشود. دوربین بهآرامی از سمت راست به محصول نزدیک میشود. نور باریک و نرم از پشت شیشه عبور میکند و انعکاس کنترلشدهای روی سطح ایجاد میشود. فضای لوکس، مینیمال و واقعگرایانه.اگر خروجی اول مناسب بود ولی حرکت دوربین را دوست نداشتید، لازم نیست کل پرامپت را تغییر دهید.
میتوانید فقط همان بخش را عوض کنید: دوربین ثابت باشد و فقط محصول بهآرامی بچرخد.
این روش کمک میکند بفهمید دقیقاً کدام تغییر روی نتیجه اثر گذاشته است.

تبدیل متن به ویدیو با هوش مصنوعی چگونه انجام میشود؟
بعد از آماده شدن پرامپت، باید مدل مناسب را انتخاب کنید، تنظیمات اصلی را مشخص کنید و خروجی اولیه را بسازید.
فرایند معمول را میتوان در چهار مرحله خلاصه کرد:
پرامپت را وارد کنید.
مدل ویدیویی را انتخاب کنید.
مدت، نسبت تصویر و تنظیمات لازم را مشخص کنید.
نتیجه را ببینید و فقط بخش مشکلدار را اصلاح کنید.
متن یا ایده را وارد کنید
لازم نیست پرامپت اول بسیار طولانی باشد.
برای آزمایش اولیه این سطح از توضیح میتواند کافی باشد:
یک فنجان قهوه روی میز چوبی کنار پنجره در یک صبح بارانی، بخار از فنجان بالا میرود، دوربین آرام به فنجان نزدیک میشود.
خروجی اولیه نشان میدهد مدل ایده شما را چگونه تفسیر کرده است.
مدل مناسب را انتخاب کنید
مدلهای ویدیویی رفتار یکسانی ندارند. ممکن است یک پرامپت ثابت در دو مدل، حرکت، جزئیات و حتی ترکیببندی متفاوتی تولید کند.
در نقطه چند مدل ویدیویی در دسترس قرار میگیرند و فهرست آنها میتواند با بهروزرسانی سرویس تغییر کند.
برای پروژه مهم، بهتر است یک پرامپت ثابت را با دو گزینه مناسب آزمایش کنید و نتیجه را با معیار پروژه خودتان مقایسه کنید.
مدت و نسبت تصویر را تنظیم کنید
نسبت تصویر را از همان ابتدا براساس محل انتشار انتخاب کنید.
برای ریلز و استوری معمولاً کادر عمودی مناسبتر است. برای یوتیوب یا بسیاری از صفحات سایت، کادر افقی کاربرد بیشتری دارد.
برای تست اولیه هم بهتر است ویدیو را کوتاه نگه دارید. اگر همان چند ثانیه اول مسیر درستی ندارد، طولانیتر کردن کلیپ مشکل را حل نمیکند.
خروجی را بررسی و پرامپت را اصلاح کنید
بعد از تولید، بهجای اینکه فقط بگویید «خوب نشد»، ایراد را مشخص کنید:
حرکت دوربین اشتباه است؟
سوژه رفتار غیرطبیعی دارد؟
محیط مناسب نیست؟
سبک بصری اشتباه تفسیر شده؟
اتفاقات زیادی در زمان کم رخ میدهد؟
بعد فقط همان قسمت را اصلاح کنید.

نمونه تبدیل متن به ویدیو برای کاربردهای مختلف
نوع ویدیو روی شکل پرامپت اثر میگذارد. پرامپت یک تبلیغ محصول با یک صحنه داستانی یا ویدیوی شبکه اجتماعی یکسان نیست.
ویدیوی تبلیغاتی محصول
در تبلیغ محصول، باید تمرکز روی خود محصول و نحوه نمایش آن باشد.
مثلاً:
یک هدفون مشکی روی میز مینیمال قرار دارد. دوربین بهآرامی دور محصول حرکت میکند و جزئیات بدنه در نور نرم استودیویی دیده میشود. پسزمینه خاکستری تیره، سبک تبلیغاتی واقعگرایانه.
اگر ظاهر دقیق محصول باید حفظ شود، استفاده از تصویر مرجع میتواند نسبت به توصیف صرفاً متنی کنترل بیشتری ایجاد کند.
ریلز و محتوای شبکههای اجتماعی
برای ویدیوی کوتاه بهتر است یک اتفاق اصلی داشته باشید.
مثلاً:
یک لیوان نوشیدنی رنگی روی میز تابستانی قرار دارد. تکههای یخ داخل لیوان حرکت میکنند و دوربین در حرکتی سریع و نرم به نوشیدنی نزدیک میشود. نور طبیعی روشن، فضای شاد و تبلیغاتی، کادر عمودی.
در کلیپ چندثانیهای، اضافه کردن چند اتفاق مستقل به یک پرامپت معمولاً کنترل صحنه را سختتر میکند.
ویدیوی سینمایی و خلاقانه
برای صحنههای داستانی میتوانید جزئیات بیشتری درباره فضای بصری و حرکت دوربین بدهید.
مثلاً:
یک قطار قدیمی در میان دشتی مهآلود حرکت میکند. دوربین از بالا بهآرامی پایین میآید و سپس به موازات قطار حرکت میکند. نور سرد صبح، مه حجیم و فضای آرام سینمایی.
در چنین صحنهای، حرکت دوربین تقریباً به اندازه ظاهر محیط اهمیت دارد.
ویدیوی آموزشی و توضیحی
تبدیل متن به ویدیو بیشتر برای ساخت شاتهای کوتاه، تصاویر توضیحی و B-roll کاربرد دارد تا اینکه یک آموزش چنددقیقهای را با یک پرامپت واحد بسازد.
میتوانید چند شات مستقل تولید کنید و بعد آنها را در تدوین کنار هم قرار دهید.
اگر در مرحله بعد قصد دارید نسخه فارسی یا زبان دیگری از ویدیو تهیه کنید، راهنمای ترجمه ویدیو با هوش مصنوعی روشهای زیرنویس، دوبله و آمادهسازی نسخه چندزبانه را توضیح میدهد.
برای تبدیل متن به ویدیو چه نوع مدلی انتخاب کنیم؟
مدلی را انتخاب کنید که با نیاز همان صحنه هماهنگ باشد. لازم نیست برای هر پروژه سراغ گزینهای بروید که بیشترین تنظیمات یا بالاترین کیفیت اسمی را دارد.
برای تست سریع ایده
اگر هنوز در مرحله آزمایش پرامپت هستید، هدف اصلی باید بررسی ترکیب صحنه و حرکت باشد.
ابتدا یک خروجی کوتاهتر و سبکتر بسازید. اگر مدل ایده را درست تفسیر کرد، بعد سراغ تنظیمات نهایی بروید.
برای کیفیت و جزئیات بیشتر
رزولوشن بیشتر نمیتواند یک صحنه اشتباه را اصلاح کند.
اگر حرکت دوربین یا رفتار سوژه مشکل دارد، ابتدا همان مسئله را حل کنید. بعد نسخه نهایی را با کیفیت بالاتر تولید کنید.
برای ویدیوی همراه با صدا
اگر تولید صدا همراه تصویر برای پروژه ضروری است، قبل از ساخت بررسی کنید که مدل انتخابشده این قابلیت را دارد یا نه.
برای تیزری که قرار است بعداً موسیقی یا نریشن جداگانه روی آن قرار گیرد، این ویژگی ممکن است اولویت اصلی شما نباشد.
برای کنترل بهتر حرکت و صحنه
اگر ظاهر یک شخصیت، محصول یا محیط باید دقیق باقی بماند، بررسی کنید آیا استفاده از تصویر مرجع نسبت به تولید کاملاً متنی انتخاب بهتری است.
تبدیل متن به ویدیو برای خلق ایده از صفر انعطاف بیشتری دارد، اما تصویر مرجع معمولاً کنترل بیشتری روی ظاهر اولیه میدهد.

هنگام تبدیل متن به ویدیو چه تنظیماتی مهم هستند؟
پرامپت مهمترین ورودی است، اما چند تنظیم میتوانند نتیجه را به شکل محسوسی تغییر دهند.
مدت ویدیو
اگر یک شات ساده دارید، زمان کوتاهتر معمولاً کنترلپذیرتر است.
برای چند اتفاق پشت سر هم، بهتر است صحنه را به چند کلیپ جدا تقسیم کنید و بعد در تدوین آنها را کنار هم قرار دهید.
نسبت تصویر
نسبت تصویر را براساس محل انتشار انتخاب کنید.
عمودی برای ریلز و استوری مناسبتر است و افقی برای بسیاری از ویدیوهای سایت و یوتیوب کاربرد بیشتری دارد.
اگر نسبت تصویر از ابتدا درست انتخاب نشود، تغییر کادر در مرحله بعد ممکن است بخش مهمی از تصویر را حذف کند.
رزولوشن و کیفیت
در مرحله آزمایش، کیفیت بالا همیشه ضروری نیست.
اول مطمئن شوید سوژه، ترکیب و حرکت مناسب هستند. سپس نسخه نهایی را با کیفیت مورد نیاز تولید کنید.
صدای همراه
اگر مدل امکان تولید صدا همراه ویدیو را دارد، فقط زمانی آن را فعال کنید که در خروجی نهایی به آن نیاز دارید.
اگر قرار است نریشن، موسیقی یا طراحی صدا را بعداً اضافه کنید، صدای تولیدشده همراه تصویر ممکن است اصلاً استفاده نشود.
تعداد خروجی
دو خروجی از یک پرامپت یکسان میتوانند تفاوت قابل توجهی داشته باشند.
برای یک صحنه مهم، گاهی تولید چند نسخه و انتخاب بهترین نتیجه، مؤثرتر از اضافه کردن جزئیات زیاد به پرامپت است.
چرا ویدیوی ساختهشده با متن با چیزی که انتظار داشتیم فرق میکند؟
مدلهای مولد متن را تفسیر میکنند و بخشی از جزئیات را خودشان میسازند. هرچه توضیح شما مبهمتر باشد، آزادی مدل برای تصمیمگیری بیشتر میشود.
پرامپت بیش از حد کلی است
«یک ویدیوی حرفهای از ساعت» مشخص نمیکند:
ساعت کجاست
چگونه نمایش داده میشود
دوربین چه میکند
نور چگونه است
چه حسی باید منتقل شود
فقط مواردی را اضافه کنید که برای نتیجه مهم هستند، اما آنها را واضح بنویسید.
چند اتفاق را همزمان خواستهاید
اگر شخصیت در یک کلیپ کوتاه باید راه برود، چیزی بردارد، صحبت کند و جهت حرکتش را عوض کند، احتمال خطا بیشتر میشود.
چنین صحنهای را به چند شات سادهتر تقسیم کنید.
حرکت دوربین مشخص نشده است
ممکن است سوژه درست ساخته شود، اما حس کلی ویدیو مناسب نباشد چون مدل حرکت دیگری برای دوربین انتخاب کرده است.
اگر دوربین باید ثابت باشد، این موضوع را بنویسید. اگر قرار است به سوژه نزدیک شود یا او را دنبال کند، آن را هم مشخص کنید.
سبک بصری مبهم است
عبارتهایی مثل «خیلی زیبا» یا «حرفهای» تصویر مشخصی ایجاد نمیکنند.
ویژگیهایی مانند:
نور طبیعی
نور استودیویی
رنگ خنثی
نمای نزدیک
فضای تاریک
ظاهر واقعگرایانه
اطلاعات قابل استفادهتری به مدل میدهند.
مدل مناسب صحنه انتخاب نشده است
اگر بعد از چند اصلاح هنوز نتیجه مطلوب نیست، مشکل همیشه از پرامپت نیست.
یک نسخه ثابت از متن را با مدل دیگری آزمایش کنید. این کار مشخص میکند آیا محدودیت از نحوه نوشتن پرامپت است یا از رفتار مدل.

چگونه نتیجه تبدیل متن به ویدیو را بهتر کنیم؟
بهبود نتیجه بیشتر از اینکه به طول پرامپت وابسته باشد، به روش اصلاح آن بستگی دارد.
ابتدا یک صحنه ساده بسازید
اگر ایده شما چند شات دارد، همه آنها را در یک پرامپت قرار ندهید.
ابتدا هر صحنه را جدا آزمایش کنید و بعد کلیپهای تأییدشده را کنار هم قرار دهید.
هر بار فقط یک بخش پرامپت را تغییر دهید
اگر نور، سبک، دوربین و حرکت را همزمان تغییر دهید، مشخص نمیشود کدام تغییر نتیجه را بهتر کرده است.
نسخه قبلی را نگه دارید و مرحلهای جلو بروید.
حرکت دوربین را دقیقتر کنید
اگر ظاهر صحنه خوب است اما حس ویدیو درست نیست، قبل از بازنویسی همه پرامپت، حرکت دوربین را تغییر دهید.
گاهی تفاوت بین:
دوربین به محصول نزدیک میشود
و:
دوربین ثابت است و محصول بهآرامی میچرخد
کل نتیجه را عوض میکند.
خروجی نهایی را ویرایش کنید
بعد از تولید، ممکن است نیاز به برش، تنظیم سرعت، اضافه کردن متن، موسیقی یا ترکیب چند شات داشته باشید.
برای این مرحله میتوانید راهنمای ادیت ویدیو با هوش مصنوعی را ببینید.
تبدیل متن فارسی به ویدیو با هوش مصنوعی
میتوانید ایده و پرامپت را به فارسی بنویسید. کیفیت درک زبان ممکن است بین مدلهای مختلف متفاوت باشد، اما برای شروع مهمتر از زبان پرامپت، روشن بودن خود توضیحات است.
مثلاً:
یک مرد کنار پنجره ایستاده است، پرده با باد آرام حرکت میکند، دوربین ثابت است و نور گرم غروب وارد اتاق میشود.
این پرامپت بدون اصطلاحات پیچیده، سوژه، حرکت و نور را مشخص میکند.
آیا میتوان پرامپت را فارسی نوشت؟
بله. برای بسیاری از سناریوها میتوانید مستقیماً با فارسی شروع کنید.
جملهها را روشن نگه دارید و از توضیحهای استعاری یا چندپهلو فقط زمانی استفاده کنید که برای فضای صحنه لازم هستند.
اگر نتیجه مناسب نبود، ابتدا پرامپت فارسی را سادهتر و دقیقتر کنید.
چه زمانی پرامپت انگلیسی نتیجه متفاوتی میدهد؟
رفتار مدلها ممکن است نسبت به زبان ورودی متفاوت باشد، مخصوصاً در اصطلاحات تخصصی فیلمبرداری یا نام بعضی سبکها.
اگر نتیجه فارسی مناسب نیست، همان مفهوم را با نسخه انگلیسی آزمایش کنید.
برای مقایسه درست، جزئیات دو پرامپت را تغییر ندهید و فقط زبان را عوض کنید. در غیر این صورت مشخص نمیشود تفاوت خروجی واقعاً به زبان مربوط بوده یا تغییر محتوا.

تبدیل متن به ویدیو چه تفاوتی با تبدیل عکس به ویدیو دارد؟
در تبدیل متن به ویدیو، مدل ظاهر صحنه را از توضیحات شما میسازد. این روش زمانی مناسب است که هنوز تصویر اولیه ندارید و میخواهید یک ایده را از صفر آزمایش کنید.
در تبدیل عکس به ویدیو، نقطه شروع یک تصویر مشخص است. ظاهر شخصیت، محصول، لباس یا محیط از قبل وجود دارد و مدل بیشتر روی ایجاد حرکت تمرکز میکند.
اگر ظاهر دقیق یک محصول یا شخصیت برایتان مهم است، تصویر مرجع معمولاً کنترل بیشتری ایجاد میکند.
برای مثال، اگر عکس واقعی محصول را دارید و نمیخواهید مدل ظاهر آن را دوباره طراحی کند، مسیر تبدیل عکس به ویدیو با هوش مصنوعی انتخاب منطقیتری است.
در مقابل، اگر هنوز هیچ تصویر اولیهای ندارید و میخواهید چند ایده کاملاً متفاوت را سریع امتحان کنید، تبدیل متن به ویدیو آزادی بیشتری میدهد.
جمعبندی
تبدیل متن به ویدیو با هوش مصنوعی زمانی نتیجه بهتری میدهد که پرامپت فقط ظاهر سوژه را توصیف نکند و اتفاق صحنه، حرکت و فضای بصری را هم مشخص کند. بهتر است ابتدا یک شات کوتاه و ساده بسازید، نتیجه را بررسی کنید و هر بار فقط بخش مشخصی از پرامپت را تغییر دهید.
کیفیت مدل و تنظیمات مهم است، اما مدل قوی هم نمیتواند همیشه یک پرامپت مبهم را به همان تصویری تبدیل کند که در ذهن شماست. ابتدا ساختار صحنه را درست کنید و بعد سراغ کیفیت نهایی بروید. اگر هم تصویر مرجع مشخصی دارید، قبل از ادامه بررسی کنید که تبدیل عکس به ویدیو کنترل بیشتری برای پروژه شما ایجاد نمیکند.


