وبلاگ
از یک کلیپ خام تا ویدیوی سینمایی با گفتوگو؛ راهنمای Gemini Omni 1.2
فهرست مطالب
“تسلط به برنامهنویسی پایتون با هوش مصنوعی: آموزش کدنویسی هوشمند با ChatGPT”
0 تا 100 عطرسازی + (30 فرمولاسیون اختصاصی حامی صنعت)
Claude & GPT Credit – API | IDE | n8n
خرید کردیت API برای Claude و GPT با امکان استفاده در IDE و n8n. مناسب برنامهنویسی، تولید محتوا، تحلیل داده و ساخت اتوماسیون؛ راهنمای اتصال و پشتیبانی حامی صنعت همراه سفارش ارائه میشود. مدل و مقدار اعتبار را پیش از خرید بررسی کنید و برای دریافت کردیت API اقدام کنید.
Gemini Plus ششماهه
اکانت Leonardo.ai با 8500 کردیت
خرید اکانت ChatGPT Plus یک ماهه با کردیت CODEX اختصاصی
دایرکت اتوماتیک اینستاگرام حامی | اشتراک ۳۰روزه یک پیج
اشتراک ۳۰روزه پنل دایرکت اتوماتیک اینستاگرام حامی برای یک پیج؛ پاسخ خودکار کامنت و دایرکت، کمپین کلمه کلیدی، قفل فالو، جذب لید، دکمه و لینک و گزارش تحلیل پیج. پاسخهای ثابت بدون نیاز به هوش مصنوعی کار میکنند و اتصال OpenAI Compatible اختیاری است. همین حالا اشتراک پنل اینستاگرام را تهیه کنید و راهاندازی را از داخل پنل فارسی شروع کنید.
دوره آموزش Flutter و برنامه نویسی Dart [پروژه محور]
دوره جامع آموزش برنامهنویسی پایتون + هک اخلاقی [با همکاری شاهک]
دوره جامع آموزش فرمولاسیون لوازم آرایشی
دوره جامع علم داده، یادگیری ماشین، یادگیری عمیق و NLP
از یک کلیپ خام تا ویدیوی سینمایی با گفتوگو؛ راهنمای Gemini Omni 1.2

اگر برای اصلاح یک ویدیو مجبور نباشید دوباره از ابتدا رندر بگیرید چه؟ در تجربهٔ ویرایش گفتوگومحور، بهجای بازکردن چندین پنل پیچیده، میتوانید بگویید «پسزمینه را گرمتر کن»، «حرکت دوربین را حفظ کن» یا «چراغها را با موسیقی هماهنگ کن» و سپس نتیجه را مرحلهبهمرحله اصلاح کنید. گوگل در معرفی تازهٔ Gemini Omni این شیوه را محور قرار داده است؛ رویکردی که ویرایش و تولید ویدیو را به ورودی متنی، تصویر، صوت و کلیپ ویدیویی پیوند میدهد.
این راهنما در ۱۹ نوامبر ۲۰۲۶ براساس صفحهٔ رسمی Google DeepMind و کارت مدل Gemini Omni 1.2 Flash نوشته شده است. کارت مدل در ۵ نوامبر ۲۰۲۶ منتشر شده و ورودیهای متن، تصویر، صدا و ویدیو و خروجی ویدیوی دارای صدا را معرفی میکند. اطلاعات قابلیتها و ارزیابیها را به گوگل نسبت میدهیم؛ آنها را معادل آزمون مستقل یا تضمین کیفیت یک خروجی خاص نمیدانیم. دسترسی به برنامهها و API ممکن است به کشور، حساب، سهمیه و شرایط محصول وابسته باشد، پس پیش از برنامهریزی تولید تجاری وضعیت جاری را بررسی کنید.
Gemini Omni 1.2 دقیقاً چیست؟
Gemini Omni 1.2 Flash نام مدلی از خانوادهٔ Gemini Omni است که برای تولید و ویرایش ویدیو توسعه یافته است. طبق کارت مدل رسمی، این نسخه بر Gemini Omni Flash بنا شده، میتواند متن، تصویر، صوت و فایل ویدیویی را بهعنوان ورودی بگیرد و ویدیوی با وضوح بالا همراه صدا تولید کند. این توضیح محصول را باید دقیق خواند: ورودی چندوجهی یعنی کاربر میتواند بهجای شرح همهچیز با متن، نمونه یا مرجع هم ارائه دهد؛ اما این ویژگی بهتنهایی تضمین نمیکند هر جزئیات کوچک در تصویر بینقص باقی بماند.
نکتهٔ اصلی در تجربهٔ کاربری، امکان ساخت و اصلاح در چند نوبت است. میتوانید کلیپی داشته باشید و درخواست تغییر سبک، حرکت، آبوهوا یا جلوهٔ تصویری بدهید؛ بعد یک تغییر محدود دیگر را بخواهید. صفحهٔ Google DeepMind مثالهایی مانند تبدیل تصویر به ویدیو، تغییر ظاهر صحنه، جایگزینی شیء یا ساخت سناریو براساس چند مرجع را نشان میدهد. این کار از نظر ذهنی به همکاری با تدوینگر شباهت دارد: شما قصد را بیان میکنید، مدل یک نسخه میسازد و شما تصمیم میگیرید کدام جزئیات اصلاح شوند.
باید بین مدل، محصول و مسیر دسترسی فرق بگذاریم. Gemini Omni نام خانواده و قابلیت، Gemini Omni 1.2 Flash نام نسخهٔ مدل، و Gemini app، Google Flow، AI Studio یا API مسیرهای متفاوت استفاده هستند. ممکن است رابط مصرفکننده به شکل چت و ابزارهای آماده باشد، در حالی که API برای توسعهدهنده کنترل برنامهنویسیشده و مدیریت خروجی را فراهم کند. وجود یک مدل در فهرست کانالهای توزیع، به معنی یکسانبودن امکانات، سقف تولید، قیمت یا دسترسی در تمام کشورها نیست.
اگر در خبرها از «ویدیو با هوش مصنوعی» میخوانید، موضوع فقط تولید کلیپ از prompt نیست. مدلهای جدید میکوشند بخشهایی از زنجیرهٔ خلاق را به هم وصل کنند: فهمیدن تصویر مرجع، نگهداشتن هویت سوژه، ایجاد تغییر در زمان مناسب، هماهنگکردن صدا و امکان اصلاح نتیجه. ارزش عملی وقتی معلوم میشود که در پروژهٔ واقعی، تعداد رفتوبرگشت، نرخ اصلاح دستی و کیفیت تحویل را کنار هم بسنجید.
چهار قابلیت اصلی که باید بشناسید
۱. ویرایش گفتوگویی با حفظ پیوستگی صحنه
بهجای انتخاب دهها پارامتر، میتوانید تغییر را با زبان طبیعی توصیف کنید. نمونهٔ رسمی گوگل از فردی استفاده میکند که به آینه دست میزند و از مدل میخواهد سطح آینه مانند مایع موج بردارد. در چند نمونهٔ دیگر، سبک بصری یا ماهیت سوژه تغییر میکند. نکتهٔ کاربردی این است که prompt را به «چه چیزی تغییر کند» و «چه چیزی ثابت بماند» تقسیم کنید. برای مثال: «فقط نور پسزمینه را به نور غروب تبدیل کن؛ صورت، لباس، قاببندی و حرکت دوربین را ثابت نگه دار.»
ویرایش مرحلهای احتمالاً وقتی کارآمدتر است که هر پیام یک هدف روشن داشته باشد. اگر همزمان درخواست تغییر رنگ، جایگزینی شخصیت، حرکت دوربین، موسیقی، متن روی تصویر و طول نما را بدهید، تشخیص علت موفقیت یا شکست دشوار میشود. یک نوبت را به نور، نوبت بعدی را به حرکت و نوبت آخر را به صدا اختصاص دهید. اگر نتیجه از مسیر خارج شد، به نسخهٔ قبلی برگردید یا دوباره از منبع اصلی شروع کنید؛ زنجیرهٔ طولانی اصلاحهای مبهم میتواند خطا را تثبیت کند.
۲. ترکیب متن، تصویر، صدا و ویدیو بهعنوان مرجع
گاهی توضیحی مثل «یک معماری مدرن بساز» بیش از حد باز است. عکس واقعی محصول، طراحی اولیه، طرح storyboard یا نمونهای از یک سبک میتواند فضای انتخاب را محدود کند. گوگل میگوید Gemini Omni میتواند مرجعهای مختلف را در یک خروجی منسجم ترکیب کند؛ صفحهٔ مدل نمونههایی از انتقال حرکت یا سبک از مرجع ویدیویی به سوژهٔ تصویر، یا تبدیل طراحی دستی به حرکت ویدیویی را نشان میدهد. با این حال، هر مرجع باید هدف مشخص داشته باشد: یکی برای شخصیت، یکی برای پالت رنگ و دیگری برای نوع حرکت.
در شرح ورودیها، دقیق باشید. «از عکس استفاده کن» کافی نیست؛ بگویید کدام ویژگی عکس باید حفظ شود و کدام بخش فقط الهام بصری است. اگر عکس محصول را میدهید، مثلاً روشن کنید شکل بستهبندی، رنگ لوگو و نسبت ابعاد ثابت بماند و فقط پسزمینه تغییر کند. برای ویدیوی مرجع نیز توضیح دهید آیا سرعت حرکت، زاویهٔ دوربین یا ریتم صدا را میخواهید منتقل کنید. تفکیک نقش مرجعها جلوی تفسیرهای ناخواسته را میگیرد.
۳. فهم نسبی حرکت و منطق جهان
در صفحهٔ رسمی، گوگل توانایی ساخت حرکت سازگارتر با فیزیک و تکیه بر دانش جهان واقعی، تاریخ و علم را برجسته میکند. برای صحنهٔ توپ، آب، سایه یا حرکت دوربین، این انتظار مفید است؛ ولی «فهم فیزیک» معادل شبیهسازی مهندسی یا دقت مستند نیست. اگر قرار است ویدیو آموزش علمی منتشر کنید، نمودار، عدد، نام گونه یا سازوکار زیستی را با منبع معتبر بازبینی کنید. خروجی خوشساخت ممکن است هنوز از نظر علمی خطا داشته باشد.
برای صحنههای داستانی، همین قابلیت میتواند حرکت باورپذیرتری پیشنهاد کند: مثلاً برگی که با باد خم میشود یا انعکاس نور روی آب. برای محصول یا آموزش، کنترل جزئیات مهمتر از جلوهٔ نمایشی است. حرکت غیرممکن را عمداً میتوان خواست، اما اگر واقعنمایی ضروری است باید زاویه، سرعت، وزن تقریبی و واکنش محیط را روشن کرد و فریمهای کلیدی را بررسی کرد.
۴. کنترل بیشتر بر طول، ابتدا و انتهای نما
صفحهٔ رسمی از قابلیتهایی مانند امتداددادن صحنه برای روایت طولانیتر، تعیین فریم نخست و آخر، افزودن مرجع ویدیویی کوتاه و ساخت پیشنویس در وضوح پایینتر نام میبرد. این امکانات برای تولید داستان کوتاه یا چند نمای مرتبط مهماند. تعیین ابتدا و انتها به شما کمک میکند ترکیببندی آغاز و مقصد را مشخص کنید؛ اما مسیر بین آن دو همچنان نیازمند بازبینی است. حرکت، اتصال نما و تغییرات ناخواستهٔ چهره یا شیء ممکن است در میانهٔ کلیپ دیده شوند.
همچنین گوگل به خروجیهای ۱۰۸۰p و 4K در صفحهٔ معرفی اشاره میکند. این ادعا را با نیاز تحویل خود تطبیق دهید: رزولوشن بالا مشکل فریمریت، لرزش، متن غلط، artefact یا صدای نامناسب را حل نمیکند. پیش از پرداخت زمان پردازش بیشتر، یک نسخهٔ کوچکتر بسازید و ساختار حرکت را تأیید کنید. بعد از تثبیت ایده، کیفیت نهایی را انتخاب کنید.
گردشکار پیشنهادی؛ از بریف تا فایل قابل انتشار
گام اول: خروجی را تعریف کنید. مشخص کنید ویدیو برای چه کسی، در کدام پلتفرم و با چه هدفی ساخته میشود. کلیپ معرفی محصول، آموزش کوتاه و فیلم هنری به طول، قاب، ریتم و میزان واقعگرایی متفاوت نیاز دارند. ابتدا یک جمله بنویسید: «این ویدیو قرار است چه چیزی را در مخاطب روشن کند یا به چه کنشی برسد؟» اگر پاسخ مبهم باشد، prompt نیز معمولاً پراکنده میشود.
گام دوم: محدودیتهای تولید را ثبت کنید. نسبت تصویر عمودی یا افقی، مدت، زبان صدا، سبک، عناصر برند، چیزهایی که نباید تغییر کنند و حقوق استفاده از داراییها را تعیین کنید. بهجای افزودن شعارهای کلی مانند «خیلی جذاب و وایرال»، معیار قابل بررسی بگذارید: «در پنج ثانیهٔ نخست، کاربرد ماگ دیده شود؛ لوگو دستنخورده بماند؛ یک حرکت دوربین نرم داشته باشد؛ هیچ متن تصادفی روی بستهبندی ظاهر نشود.»
گام سوم: منبع مناسب آماده کنید. عکس روشن و باکیفیت از سوژه، کلیپ کوتاه و بدون لرزش، طرح سادهٔ قابها و صدای دارای مجوز میتواند تفسیر مدل را بهتر کند. اگر یک فایل چند موضوع نامرتبط دارد، بخش دقیق موردنیاز را ببُرید. نام فایل و توضیح هر مرجع را طوری تنظیم کنید که نقش آن مشخص باشد. اطلاعات شخصی، چهره یا صدای افراد را بدون رضایت وارد ابزار نکنید.
گام چهارم: نسخهٔ پایه بسازید. در نخستین درخواست، صحنه، سوژه، حرکت اصلی، محیط، حالوهوا، نوع قاب و مدت تقریبی را بگویید. هنوز همهٔ ریزهکاریها را تغییر ندهید. بعد از تولید، خروجی را با بریف کنار هم بگذارید و فقط سه تفاوت مهم را یادداشت کنید. این کار کمک میکند مرحلهٔ بعدی بر اساس مشاهده باشد، نه حدس.
گام پنجم: اصلاح تکمتغیره انجام دهید. یک تغییر را در هر پیام مطرح کنید و عنصرهای ثابت را تکرار کنید. اگر قرار است لباس ثابت باشد، آن را دوباره ذکر کنید؛ اگر چهره باید تغییر نکند، واضح بنویسید. در اصلاح صدای پسزمینه بگویید «موسیقی را آرامتر کن، بدون تغییر دیالوگ و زمانبندی». در اصلاح نور بگویید «تنها نور را گرمتر کن؛ کادر و حرکت همان بماند.»
گام ششم: صدا و تصویر را جداگانه بازبینی کنید. صدای تولیدشده را از نظر تلفظ، لهجه، موسیقی، برش و هماهنگی با کنش ببینید. تصویر را از نظر انگشتها، نوشتههای بستهبندی، لوگو، شکل محصول، ثبات چهره و پیوستگی پسزمینه بررسی کنید. هیچوقت فقط با یک فریم آغازین دربارهٔ کیفیت کل ویدیو تصمیم نگیرید؛ وسط و انتها را هم ببینید.
گام هفتم: خروجی را در تدوین نهایی کنترل کنید. مدل خروجی اولیه میدهد؛ تدوینگر میتواند بخشهای اضافی را حذف کند، زیرنویس واقعی را در نرمافزار تدوین قرار دهد، رنگ را تنظیم کند و سطح صدا را استاندارد کند. اگر متن فارسی باید دقیق باشد، آن را با ابزار گرافیکی یا تدوین اضافه کنید و به تولید متن درون ویدیو تکیه نکنید. نسخهٔ نهایی را در موبایل، رایانه و پلتفرم مقصد بررسی کنید.
هدف، مخاطب، قاب
تصویر، صدا، کلیپ
صحنهٔ اصلی
یک تغییر در هر نوبت
تصویر، صدا، مجوز
هر نوبت را ذخیره کنید یا نامی برای آن بگذارید: «نسخهٔ پایه»، «نور گرم»، «حرکت آهسته»، «صدای محیط». اگر پلتفرم تاریخچه را نگه نمیدارد، فایلهای خروجی را خودتان دستهبندی کنید. ثبت prompt نهایی باعث میشود در پروژههای بعدی از ابتدا شروع نکنید و بدانید کدام تغییر نتیجه را بهتر کرده است.
الگوی prompt برای Gemini Omni 1.2
برای یک prompt قابل استفاده، این قطعات را در کنار هم قرار دهید: هدف صحنه، سوژه، عمل، مکان، زبان بصری، حرکت دوربین، نور، صدا، مدت یا قاب، مرجعها و محدودیتهای ثابت. نیازی نیست هر بخش را با زبان فنی سینما بنویسید؛ اما باید صریح باشید. اگر نتیجهٔ خاصی میخواهید، جملهٔ کوتاه و قابل مشاهده بهتر از زنجیرهای از صفتهای مبهم است.
«یک ویدیوی [مدت و نسبت قاب] برای [مخاطب و هدف] بساز. سوژهٔ اصلی [توصیف] است و [عمل مشخص] را در [محیط] انجام میدهد. ظاهر تصویر [سبک و رنگ] باشد. دوربین [حرکت یا زاویه] داشته باشد. صدا [نوع صدا یا سکوت] باشد. از [مرجع] برای [ویژگی دقیق] استفاده کن. [ویژگیهایی که باید ثابت بمانند] را حفظ کن. [چیزهایی که نباید دیده شوند] را اضافه نکن. ابتدا یک نسخهٔ اولیه بساز؛ سپس هر بار فقط یک تغییر را انجام میدهیم.»
نمونهٔ اول: ویدیوی معرفی محصول
«یک ویدیوی عمودی کوتاه برای معرفی قمقمهٔ سفری به مخاطب ۲۰ تا ۳۵ سال بساز. قمقمهٔ مشکی روی میز سنگی است و قطرههای آب از سطح آن کنار میروند. نور صبح از پنجره وارد میشود و دوربین یک حرکت نزدیکشوندهٔ آرام دارد. شکل درپوش، رنگ بدنه، لوگو و نسبت اجزای قمقمه را مطابق تصویر مرجع حفظ کن. نوشتهٔ جدید روی محصول نساز. موسیقی بیکلام مینیمال و صدای ملایم بازشدن درپوش اضافه کن. برای شروع فقط یک شات پنجثانیهای بساز.» سپس اگر نتیجه مناسب بود، درخواست کنید: «فقط پسزمینه را از خاکستری به آبی تیره تغییر بده؛ محصول، قاب و صدا ثابت بماند.»
نمونهٔ دوم: ویدیوی آموزشی کوتاه
«یک انیمیشن آموزشی افقی برای توضیح چرخهٔ آب به نوجوانان بساز. ابر، قطرهٔ باران، رودخانه و بخار باید با ترتیب درست ظاهر شوند. حرکت ساده، رنگهای محدود و پسزمینهٔ خلوت باشد. روی تصویر متن ننویس؛ برچسب فارسی را بعداً در تدوین اضافه میکنیم. صدای آب و موسیقی آرام داشته باشد و هیچ ادعای علمی اضافی نساز. حرکت دوربین ثابت بماند تا نمودار قابل دنبالکردن باشد.» اگر ترتیب چرخه اشتباه است، فقط توالی را اصلاح کنید و بهجای درخواست دوبارهٔ همه چیز، همان نکته را محدود و روشن بنویسید.
نمونهٔ سوم: بازطراحی کلیپ موجود
«این کلیپ را به سبک استاپموشن خمیری تبدیل کن. مسیر حرکت شخصیت، تعداد اشیا و ترتیب رخدادها را حفظ کن. پسزمینه را فقط به کارگاه کوچک با نور گرم تغییر بده. هیچ شخصیت تازهای اضافه نکن و زاویهٔ دوربین را عوض نکن. صدای گفتار حذف شود و فقط صدای محیط کمحجم باقی بماند.» اگر خروجی، حرکت یا هویت را از دست داد، توضیح دهید کدام فریم یا ویژگی باید مرجع باشد و تغییر را به یک نقطهٔ زمانی مشخص محدود کنید.
نمونهٔ چهارم: ویدیوی برند در چند نما
ابتدا هویت بصری را تعریف کنید: پالت رنگ، شکل محصول، نور، زبان دوربین و فضای صحنه. سپس برای هر نما توضیح دهید چه چیزی تغییر کند و چه چیزی ثابت باشد. مثلاً: «همان کفش و همان رنگبندی در تمام نماها حفظ شود؛ نمای اول از بالا روی میز، نمای دوم در حال حرکت روی سطح روشن و نمای سوم نمای نزدیک از بافت باشد. انتقال بین نماها نرم باشد و لوگو تحریف نشود.» اگر ابزار امکان تعیین ابتدا و انتهای فریم دارد، آنها را بهعنوان لنگرهای بصری مشخص کنید.
این مثالها دستور رسمی یا تضمین یک خروجی معین نیستند؛ قالبهای آموزشیاند که باید با رابط و قابلیتهای فعلی محصول تطبیق داده شوند. صفحهٔ پرامپت رسمی گوگل پیشنهاد میکند هدف خلاق را به شکل توصیف صحنه، ورودی مرجع و جزئیات حرکت روشن کنید. هنگام استفادهٔ عملی، برای واژههای مبهمی مانند «لوکس»، «سینمایی» یا «مینیمال» نشانهٔ بصری بدهید: جنس نور، رنگ، سرعت حرکت، فاصلهٔ دوربین یا میزان شلوغی کادر.
مقایسهٔ سه روش ساخت ویدیو
| روش | مناسب برای | مزیت | محدودیت |
|---|---|---|---|
| تولید از متن | ایدهٔ اولیه و صحنهٔ تخیلی | شروع سریع بدون فایل تصویری | کنترل کمتر بر جزئیات محصول یا چهره |
| تولید با تصویر/کلیپ مرجع | حفظ سبک، حرکت یا هویت یک سوژه | جهت بصری روشنتر | کیفیت وابسته به مرجع و حقوق استفاده |
| ویرایشگر سنتی | تدوین دقیق و تحویل قطعی | کنترل زمانبندی، لایه و صدا | به زمان و مهارت تدوین نیاز دارد |
این روشها الزاماً رقیب یکدیگر نیستند. در تولید تجاری میتوانید با مدل یک شات آزمایشی یا چند گزینهٔ بصری بسازید و بعد خروجی منتخب را در نرمافزار تدوین به محصول نهایی تبدیل کنید. در یک پروژهٔ کوچک، ویرایش گفتوگویی ممکن است برای تغییر سریع حالوهوا کافی باشد. اما اگر فریم دقیق، هماهنگی با موسیقی، زیرنویس قابل دسترس یا کنترل پیکسلی لازم است، ویرایشگر سنتی همچنان نقش اصلی دارد.
ارزیابی عملکرد؛ اعداد را چگونه تفسیر کنیم؟
صفحهٔ مدل Gemini Omni از نتایج مقایسهٔ زوجی داخلی برای نسخهٔ ۱.۲ نسبت به ۱.۱ یاد میکند. در دستهٔ ویرایش، صفحه برای رعایت دستور و ویرایش دستوری به ترتیب نرخ برد ۵۷٪ در برابر ۴۳٪ و ۵۴٪ در برابر ۴۶٪ گزارش میکند. در تبدیل متن به ویدیو، اعداد منتشرشده برای پیروی از prompt، ثبات بصری و کیفیت بصری ۵۵٪، ۶۲٪ و ۵۴٪ در برابر ۴۵٪، ۳۸٪ و ۴۶٪ هستند.
این درصدها را باید با دقت خواند. آنها نتایج مقایسهٔ دو نسخه در ارزیابیهای گزارششده توسط خود گوگل هستند؛ نه نمرهٔ مطلق کیفیت، نه احتمال موفقیت تکتک promptها و نه مقایسه با تمام ابزارهای بازار. نرخ برد به نوع نمونه، دستور داور، معیار و شیوهٔ انتخاب خروجی وابسته است. برای تصمیم خرید یا استفادهٔ حرفهای، promptهای خودتان را با نمونههای ثابت آزمایش کنید و هزینهٔ اصلاح را نیز بسنجید.
یک آزمون ساده برای تیم تولید بسازید: ۱۰ prompt ثابت تهیه کنید، هر کدام را چند بار اجرا کنید، و برای هر نتیجه چهار معیار امتیاز دهید: رعایت بریف، ثبات سوژه، کیفیت تصویر و کیفیت صدا. دو یا سه داور که نام مدل را نمیدانند میتوانند خروجیها را بر اساس معیار یکسان رتبهبندی کنند. نسخهها، promptها و تاریخ تولید را ثبت کنید. این آزمون کوچک، از یک نمایش تبلیغاتی برای نیاز واقعی شما مفیدتر است.
نمودار آموزشی است و اعداد را از صفحهٔ رسمی گوگل بازنویسی میکند؛ نتایج آزمایش مستقل نیستند.
برای تیمی که زیاد ویدیو میسازد، هزینهٔ واقعی تنها نرخ API یا اشتراک نیست. زمان نوشتن prompt، تعداد تولیدهای ناموفق، زمان بازبینی، هزینهٔ تدوین دستی، حقوق محتوا و فرایند تأیید برند را هم محاسبه کنید. نسخهای که کلیپ چشمگیر میسازد اما در لوگو یا نوشتهٔ محصول خطا دارد ممکن است برای آگهی نهایی کارآمد نباشد؛ در مقابل، برای moodboard و پیشنمایش ایده بسیار مفید باشد.
چه چیزهایی ممکن است خراب شود؟
هویت سوژه تغییر میکند. در چند اصلاح متوالی، چهره یا ظاهر محصول ممکن است کمکم از مرجع فاصله بگیرد. در prompt ویژگیهای شناسایی را دقیق نام ببرید و پس از هر تغییر، بخشهای حساس را بررسی کنید. اگر consistency حیاتی است، از مرجع ثابت استفاده کنید و از تغییر همزمان چند مؤلفه بپرهیزید.
متن یا لوگو دچار اعوجاج میشود. مدلهای ویدیویی ممکن است نوشتههای بستهبندی، تابلو، رابط کاربری یا زیرنویس را بدشکل بسازند. برای محتوای فارسی، معمولاً امنتر است نوشتهٔ دقیق را در نرمافزار تدوین اضافه کنید. برند را با فایل لوگوی اصلی در مرحلهٔ تدوین لایهگذاری کنید و به خروجی مولد اکتفا نکنید.
صدا با تصویر هماهنگ نیست. صدای طبیعی ممکن است در زمان اشتباه شروع شود، لهجهٔ نامناسب داشته باشد یا شدت موسیقی روی گفتار بیفتد. صدا را هدفمند درخواست کنید و در خروجی جداگانه گوش دهید. اگر کیفیت صدای فارسی برای استفادهٔ حرفهای کافی نیست، صدای مجاز و ضبطشده را جایگزین کنید.
درخواست پیچیده ناقص اجرا میشود. هرچه دستور طولانیتر باشد، احتمال اینکه مدل جزئیات را نادیده بگیرد بیشتر میشود. بریف را به نسخههای کوتاه تقسیم کنید. اگر تغییری خلاف انتظار بود، آن را به یک بخش زمانی یا عنصر تصویری محدود کنید. «همه چیز را بهتر کن» هیچ معیار روشنی برای اصلاح نمیسازد.
فریم میانی مشکل دارد. یک تصویر ثابت ممکن است عالی به نظر برسد، ولی حرکت دست، سایه، شیء یا برش بین دو صحنه ناپیوسته باشد. کلیپ را از ابتدا تا انتها ببینید، روی نقاط برش مکث کنید و اگر لازم است از چند نمای کوتاه استفاده کنید. مدل خروجی را برای انتشار خودکار تأیید نکنید.
حقوق، ایمنی و شفافیت محتوای هوش مصنوعی
برای عکس، ویدیو، موسیقی، صدای پسزمینه، لوگو و چهرهٔ اشخاص حق استفاده داشته باشید. قراردادن یک تصویر در prompt به معنی انتقال حق مالکیت نیست. برای پروژهٔ مشتری قرارداد داراییها را مستند کنید و استفاده از محتوای دارای مجوز محدود را بررسی کنید. اگر به فرد واقعی ارجاع میدهید، رضایت و هدف استفاده را روشن کنید؛ جعل سخن، توصیه یا حضور او میتواند آسیبزا باشد.
کارت مدل اشاره میکند که ویرایش ویدیو میتواند شامل تغییر گفتار افراد باشد، اما این قابلیت فعلاً محدود شده است تا ایمنی آن بررسی شود. پس برای کار با گفتار واقعی، فرض نکنید تمام نوع ویرایش صدا در دسترس است. سیاست جاری محصول را مطالعه کنید و برای شبیهسازی یا بازسازی صدای شخص، رضایت روشن و مجوز لازم را دریافت کنید. در محتوای خبری یا تبلیغاتی، هرگز صدای ساختگی را به فرد واقعی نسبت ندهید.
گوگل میگوید محتوای ساخته یا ویرایششده با Omni در Gemini app، Google Flow یا YouTube دارای واترمارک دیجیتال نامحسوس SynthID و Content Credentials مبتنی بر C2PA است. این ابزارها برای شناسایی منشأ مفیدند، اما مخاطب نباید تصور کند همیشه امکان تشخیص صددرصدی یا حذف همهٔ سوءبرداشتها وجود دارد. برای انتشار مسئولانه، بهویژه در خبر، آموزش و تبلیغ، برچسبگذاری شفاف و توضیح فرایند تولید را در نظر بگیرید.
در پروژههایی که تصویر کارمند، دانشجو، کودک یا مشتری را پردازش میکنند، حریم خصوصی را پیش از آپلود بسنجید. نسخهٔ آزمایشی را با داراییهای ساختگی یا مجاز انجام دهید. دربارهٔ محل ذخیره، مدت نگهداری و استفاده از داده برای بهبود محصول، شرایط همان سرویس را بخوانید. برای اطلاعات محرمانهٔ کسبوکار یا اطلاعات حساس اشخاص، از فضای عمومی استفاده نکنید مگر سازمان مجوز و قراردادهای لازم را بررسی کرده باشد.
این ابزار برای چه پروژهای مناسب است؟
برای ایدهپردازی سریع، ساخت storyboard متحرک، تبدیل یک تصویر به شات آزمایشی یا نمایش چند سبک تصویری، مدل گفتوگومحور میتواند مفید باشد. مدرس میتواند یک نسخهٔ اولیه از نمایش مفهومی بسازد؛ بازاریاب چند حالوهوای تبلیغ را بررسی کند؛ طراح محصول تغییر رنگ محیط را پیشنمایش کند؛ و فیلمساز ایدهٔ انتقال دوربین را قبل از فیلمبرداری بسنجد. ارزش مشترک این موارد، هزینهٔ پایینتر آزمودن ایدههاست.
برای ویدیوی محصول با نوشتهٔ دقیق، گزارش خبری، مستند تاریخی، محتوای پزشکی یا آموزش مرحلهای، بازبینی تخصصی الزامی است. اگر مخاطب بر اساس تصویر تصمیم مالی یا ایمنی میگیرد، خطای جزئی هم میتواند مهم باشد. همهٔ ادعاهای علمی، متن روی تصویر، زمانبندی و جزئیات واقعی را با منبع مستقل تطبیق دهید. مدل مولد منبع اولیهٔ خبر یا سند محسوب نمیشود.
یک معیار شروع خوب این است: اگر بتوانید موفقیت شات را در یک جملهٔ قابل مشاهده تعریف کنید، احتمالاً آزمون مناسبی دارید. مثلاً «محصول باید در تمام فریمها شکل یکسان داشته باشد» یا «از نمای بالا به نمای نزدیک، بدون تغییر لباس شخصیت». اگر معیار فقط «خروجی خاص و جذاب باشد» است، ابتدا به بریف جهت بدهید. پس از اولین خروجی میتوانید گزینههای سبکی را گسترش دهید.
هزینه و دسترسی را چطور ارزیابی کنیم؟
منابع رسمی Google DeepMind کانالهایی از جمله Gemini app، Google Flow، AI Studio و Gemini API را برای خانوادهٔ مدل ذکر میکنند. برای کاربر عادی، محدودیت تولید و نوع امکانات ممکن است با طرح حساب تفاوت داشته باشد؛ برای توسعهدهنده، API نرخگذاری جداگانه و سهمیهٔ سرویس دارد. این مقاله عددی را بهعنوان قیمت اشتراک یا API نقل نمیکند، چون فهرست قیمت، منطقه، نرخ ارز و شرایط طرحها ممکن است تغییر کنند. صفحهٔ قیمتگذاری همان روز را پیش از خرید ببینید.
برای برآورد هزینه، بهجای شمردن صرفِ خروجیهای موفق، هزینهٔ کل یک ویدیوی قابل انتشار را اندازه بگیرید: چند prompt لازم شد؟ چه مقدار ویدیو تولید شد؟ چه سهمی حذف شد؟ چند دقیقه تدوین و بازبینی داشت؟ اگر یک شات ده بار تولید شود تا یک نسخهٔ مناسب به دست آید، قیمت مؤثر هر شات بسیار بالاتر از نرخ یک تولید خواهد بود. پروژهٔ کوچک آزمایشی این اعداد را بهصورت واقعی نشان میدهد.
دسترسی همچنین به معنای تناسب با زبان و بازار نیست. اگر مخاطب فارسیزبان است، تلفظ، صدا، زیرنویس، جهت نوشتار و فونت را جداگانه آزمایش کنید. وجود رابط فارسی تضمین نمیکند همهٔ قابلیتهای صوتی یا تولید متن فارسی دقیق باشند. نسخهٔ نهایی را با یک گویندهٔ بومی یا ویراستار فارسی بازبینی کنید.
چکلیست نهایی پیش از انتشار
- هدف، مخاطب، مدت و نسبت قاب در بریف ثبت شده است.
- هر مرجع تصویری یا صوتی مجوز استفادهٔ روشن دارد.
- سوژه و ویژگیهای ثابت در تمام نماها حفظ شدهاند.
- ویدیو از ابتدا تا انتها بازبینی شده و فریمهای میانی کنترل شدهاند.
- متن فارسی، عدد، لوگو و زیرنویس در تدوین بررسی شدهاند.
- موسیقی و گفتار با تصویر هماهنگ و قابل شنیدن هستند.
- ادعای علمی یا خبری با منبع معتبر تطبیق داده شده است.
- نسخهٔ مدل، prompt و فایل مرجع در پروژه ثبت شدهاند.
- محتوا برای مخاطب روشن میکند که تصویر یا صدا چگونه ساخته شده است.
- خروجی نهایی در دستگاه و پلتفرم مقصد پخش شده است.
پرسشهای متداول دربارهٔ Gemini Omni 1.2
Gemini Omni 1.2 چه تفاوتی با تولید سادهٔ متنبهویدیو دارد؟
کارت مدل و صفحهٔ محصول روی ورودیهای چندوجهی و امکان ویرایش مکالمهای تأکید دارند. یعنی میتوان از متن، تصویر، صوت یا ویدیو بهعنوان زمینه استفاده کرد و تغییرات را در چند نوبت پیش برد. جزئیات امکانات به کانال دسترسی و نسخهٔ جاری وابسته است.
آیا میتوانم یک ویدیوی واقعی را با فرمان متنی تغییر دهم؟
صفحهٔ Google DeepMind از ویرایش ویدیو با زبان طبیعی و استفاده از ویدیوی مرجع سخن میگوید. محدودیت نوع فایل، زمان و دسترسی را در رابطی که استفاده میکنید بررسی کنید و برای چهره، صدا و داراییهای دیگر رضایت و حق استفاده داشته باشید.
آیا Gemini Omni میتواند یک فیلم کامل بسازد؟
ابزار قابلیتهایی برای امتداد صحنه و ساخت خروجی ویدیویی دارد، اما تولید فیلم کامل با تدوین حرفهای، صدای دقیق، روایت و تداوم قطعی یک چیز نیست. برای کار طولانی، نماها را تقسیم کنید، تداوم را با مرجع کنترل کنید و تدوین انسانی انجام دهید.
آیا خروجی میتواند صدا داشته باشد؟
کارت مدل Gemini Omni 1.2 Flash خروجی ویدیوی دارای صدا را ذکر میکند. نوع صدا و کیفیت گفتار، موسیقی یا افکت را در پروژهٔ واقعی بررسی کنید؛ وضعیت قابلیت تغییر گفتار اشخاص نیز طبق کارت مدل محدود شده است.
چطور متن فارسی را بدون خطای تصویری اضافه کنم؟
اگر جمله یا قیمت باید دقیق باشد، متن را در نرمافزار تدوین یا طراحی به ویدیو اضافه کنید. در prompt از مدل بخواهید متن تصادفی روی تصویر ایجاد نکند و نوشتهٔ تولیدشده را از نظر املا و راستبهچپ بازبینی کنید.
آیا اعداد مقایسهٔ مدل از گوگل مستقل هستند؟
خیر، اعداد صفحهٔ رسمی از ارزیابیهای گزارششده توسط گوگل میآیند و مقایسهٔ زوجی نسخهٔ ۱.۲ و ۱.۱ را نشان میدهند. آنها را بهعنوان نتیجهٔ مستقل یا احتمال قطعی موفقیت prompt خودتان تفسیر نکنید.
برای استفاده در تبلیغ باید چه چیزی را کنترل کنم؟
هویت محصول، لوگو، رنگ، مجوز تصویر، دقت ادعاها، کیفیت صدا، مقررات پلتفرم و شفافیت محتوا را بررسی کنید. برای محصول واقعی، بستهبندی نهایی را در تدوین از فایل رسمی جایگذاری کنید تا تغییر ناخواستهٔ مدل وارد تبلیغ نشود.
آیا Gemini Plus به معنی دسترسی کامل به Omni است؟
نام طرحها و امکانات میتوانند تغییر کنند و دسترسی به مدل یا ظرفیت تولید در هر کشور متفاوت باشد. پیش از خرید، مشخصات همان محصول در زمان سفارش را بررسی کنید. اشتراک مصرفکننده را با دسترسی API یا سرویس ابری یکسان فرض نکنید.
چه زمانی بهتر است ویدیوی نهایی را با تدوینگر بسازم؟
وقتی زمانبندی فریم، زیرنویس دقیق، لوگوی ثابت، تدوین چندلایه، استاندارد پخش یا هماهنگی موسیقی اهمیت زیادی دارد، نرمافزار تدوین و بازبینی انسانی ضروریاند. مدل میتواند شات اولیه یا گزینهٔ بصری بسازد و بعد تولید را ادامه دهید.
جمعبندی: مدل را مثل همکار خلاق، نه دکمهٔ جادویی به کار بگیرید
Gemini Omni 1.2 Flash خبر مهمی در مسیر ترکیب مدل زبانی، تولید رسانه و ویرایش گفتوگویی است. خبر اصلی صرفاً تولید یک ویدیوی کوتاه نیست؛ شیوهٔ کار مرحلهای است: ورودیهای متفاوت میدهید، هدف را با زبان طبیعی تعریف میکنید، نتیجه را میبینید و یک متغیر را اصلاح میکنید. اگر مرجع روشن و بریف دقیق داشته باشید، مدل میتواند نمونهسازی بصری را سریعتر کند و رفتوبرگشت میان ایده و تصویر را کاهش دهد.
در عین حال، صفحههای رسمی کارنامهٔ دقیق خروجی شما را تضمین نمیکنند. نوشتهٔ فارسی، لوگو، صدای شخص، ثبات محصول، صحت علمی و حقوق انتشار باید جداگانه کنترل شوند. پیش از خرید یا ساخت workflow، یک آزمون کوچک با promptهای ثابت انجام دهید؛ کیفیت، زمان اصلاح و هزینه را کنار هم بگذارید. برای خروجی حساس، تدوینگر یا متخصص انسانی را در فرایند نگه دارید.
پیش از خرید، شرایط اشتراک، کشور پشتیبانیشده، سقف مصرف و امکانات جاری محصول را در صفحهٔ فروش بررسی کنید.
منابع رسمی و مسیر مطالعه
- صفحهٔ رسمی Gemini Omni در Google DeepMind؛ قابلیتها، نمونهها، ارزیابیهای منتشرشده، اطلاعات ایمنی و ارجاع به ابزارهای استفاده.
- کارت مدل Gemini Omni 1.2 Flash؛ تاریخ انتشار، ورودیها، خروجیها، کانالهای توزیع و محدودیتهای اعلامشده.
- راهنمای رسمی نوشتن prompt برای Gemini Omni.
- صفحهٔ جاری قیمت و شرایط Google AI Studio؛ قیمت و دسترسی ممکن است با تغییر محصول عوض شود.
- فهرست کارتهای مدل Google DeepMind برای مقایسهٔ اطلاعات فنی و یادداشتهای ایمنی.
یادداشت منبع: قابلیتهای محصول و اعداد مقایسهای در این مقاله بهعنوان اطلاعات اعلامشدهٔ گوگل معرفی میشوند. توصیههای prompt، بازبینی و مدیریت پروژه، پیشنهادهای اجرایی این راهنما هستند و نتایج تضمینشدهٔ آزمایش محسوب نمیشوند.
واژهنامهٔ کاربردی تولید ویدیو
Multimodal input: Input that combines different data types such as text, images, audio, and video.
Conversational editing: A creative workflow where the user revises media through successive natural-language instructions.
Reference image: A still image supplied to guide the appearance, identity, style, or composition of a generated scene.
Reference video: A video clip used to guide motion, camera movement, timing, or visual continuity in a new output.
Prompt adherence: How closely an output follows the explicit instructions included in the prompt.
Visual consistency: The degree to which subjects, objects, and environments remain coherent across frames or shots.
First and last frame: The specified opening and ending visual states that guide the transition in a generated shot.
Storyboard: A sequence of drawings or frames that plans the events and composition of a video before production.
Aspect ratio: The proportional relationship between the width and height of an image or video frame.
Upscaling: Increasing the output resolution, which does not automatically correct motion or content errors.
SynthID: Google’s technology for embedding and identifying watermarks in AI-generated media.
C2PA Content Credentials: A standard for attaching provenance information about how digital media was created or edited.
Pairwise evaluation: A method that compares two outputs side by side under a defined evaluation protocol.
Production-ready output: A media file that has passed quality, legal, accessibility, and delivery checks for its intended use.
مطالب مرتبط برای ادامهٔ مطالعه
برای بررسی موضوع از زاویههای نزدیک، این راهنماها را هم بخوانید: