الصوت والكلام
الدرس 7 من 22 في دورة «فيديو بالذكاء الاصطناعي بلا فشل». مجاني، مع رسوم متحركة واختبار.
أربع طبقات للصوت
الصوت نصف الواقعية. الفيديو المولَّد بلا صوت يبدو ميتًا حتى لو كانت الصورة مثالية. في السينما يُبنى الصوت من أربع طبقات: الكلام، والأجواء (ضجيج الشارع والريح وسكون الغرفة)، والمؤثرات والفولي (الخطوات والقماش والضربات)، والموسيقى. كان كل ذلك يُصنع منفصلًا، أما الآن فتولّد Veo 3.1 وKling 3.0 وSeedance 2.0 الصوت مع الصورة. هذا مريح، لكن الصوت أيضًا يحتاج إخراجًا بالكلمات، وإلا وضع النموذج شيئًا عشوائيًا. في هذا الدرس نمرّ على كل طبقة ونقرر ما نولّده وما نضيفه في المونتاج.
الفولي: صوت له وزن
سُمّي الفولي باسم جاك فولي، فني الصوت في Universal الذي بدأ منذ بدايات السينما الناطقة يؤدي أصوات الخطوات وحفيف الملابس متزامنة مع الصورة. السر في التزامن: يحدث الصوت لحظة التلامس بالضبط. القدم تلمس الخرسانة: صرير. الذراع ترتفع: حفيف الهودي. يربط الدماغ الصوت بالحركة، فيبدو الجسد في الكادر أثقل وأكثر واقعية فورًا. لذلك اكتب في البرومبت الصوت مع الحركة والمادة: لا «خطوات» بل «الحذاء الرياضي يصرّ على الخرسانة المبللة». المادة تخبر النموذج كيف يجب أن يكون الصوت.
الجملة بين علامتي تنصيص
تفهم النماذج الصوتية صيغة بسيطة: من يتكلم، وبأي نبرة، والجملة نفسها بين علامتي تنصيص. مثلًا: Mira says: “Drop’s live. Grab it before I do.” القاعدة الأهم هي الطول. يتكلم الإنسان نحو 2–3 كلمات في الثانية، أي أن لقطة من 8 ثوانٍ تتسع لحتى 20 كلمة، والمريح 10–15. الجملة الطويلة إما تُقطع وإما يبدأ النموذج بالكلام بسرعة مفرطة. جملة واحدة ومتكلم واحد لكل لقطة، والحوار يُبنى من عدة لقطات. وإن رسم النموذج ترجمة نصية داخل الكادر، أضف كلمة «subtitles» إلى negative prompt.
الموسيقى تُضاف في المونتاج
يستطيع النموذج تأليف موسيقى للقطة، لكنها في الإعلان فخ. ستأتي كل لقطة بلحنها، وستنقطع الموسيقى عند كل قطع. والمقطع المولَّد لا يُقطع جيدًا على الإيقاع، وحقوقه كثيرًا ما تكون غامضة. يفعل المحترفون هكذا: يصفون في البرومبت الأجواء والمؤثرات فقط، مثل «Audio: street ambience, footsteps, distant traffic»، ويضعون مقطعًا واحدًا فوق الكل في المونتاج. وللعلامات التجارية لدى TikTok مكتبة Commercial Music Library: موسيقى يمكن استخدامها قانونيًا في الإعلانات. وهناك أيضًا مقطعك الخاص أو موسيقى مرخّصة من المكتبات.
مزامنة الشفاه والترجمة
إن احتجت جملة دقيقة أو صوتك أنت، فهناك طريق أوثق من توليد الكلام: سجّل الصوت (أو ركّبه) وضعه على الفيديو عبر مزامنة الشفاه، فتتكيّف الشفاه مع الصوت. والحيلة نفسها تصنع الترجمات: يترجم Higgsfield Translate الفيديو إلى 18 لغة ويحرّك الشفاه وفق النص الجديد. هكذا يصبح فيديو واحد لميرا نسخًا للبرازيل والمكسيك وتركيا. قاعدتان: الأولى أن يراجع الترجمة متحدث أصلي، لأن العامية الآلية تبدو محرجة بسهولة. والثانية أننا لا نستنسخ صوت أحد إلا بموافقته المكتوبة. أما صوتك فلا مشكلة.
الصوت في آخر البرومبت
حين يختلط الضوء والكاميرا والأصوات في فقرة واحدة يرتبك النموذج: قد يتحول الضجيج إلى صورة والصورة إلى صوت. الترتيب الموثوق: أولًا اللقطة والحركة، ثم الكاميرا، ثم الضوء واللون، وفي السطر الأخير الصوت بعلامة «Audio:». وهكذا تفعل الأمثلة الرسمية لبرومبتات Veo: الصوت في جزء منفصل. وهذا الترتيب يفيدك أنت أيضًا: سطر الصوت سهل الإيجاد والتعديل دون لمس الصورة. انظر إلى برومبت ميرا في المخطط: أربع كتل، كل منها لشأنها.
ترجمة نصية لمن يشاهد بلا صوت
معظم التصفح يحدث في المترو وفي المحاضرة وفي الليل، أي بلا صوت. ففي عام 2016 ذكر موقع Digiday أن ما يصل إلى 85% من فيديوهات Facebook كانت تُشاهد بلا صوت. إذا كان معنى الفيديو قائمًا على جملة، فلن يفهمه أحد بلا ترجمة نصية. اصنع الترجمة في المونتاج لا بالتوليد، فالنموذج سيرسم خربشات. اجعلها كبيرة بسطر أو سطرين في منتصف الشاشة. ففي TikTok وReels يغطي الوصفُ والأزرارُ واسمُ الموسيقى الأسفلَ والحافة اليمنى، فيضيع النص هناك.
اختبر نفسك
- وضعت ميرا جملة من 40 كلمة في لقطة من 8 ثوانٍ، فأسرع النموذج في الكلام وقطع الجملة. ماذا تفعل؟
الإجابة الصحيحة: اختصارها إلى 10–15 كلمة أو تقسيمها على لقطتين. يتكلم الإنسان 2–3 كلمات في الثانية، فتتسع 8 ثوانٍ براحة لـ10–15 كلمة، والباقي للقطة التالية. - في إعلان من خمس لقطات ولّد النموذج موسيقى مختلفة لكل لقطة، فينقطع اللحن عند كل قطع. ما الصواب؟
الإجابة الصحيحة: إبقاء الأجواء والمؤثرات فقط في البرومبتات ووضع مقطع مرخّص واحد في المونتاج. مقطع واحد فوق الكل يربط الفيديو ويسمح بالقطع على الإيقاع، والترخيص يحسم مسألة الحقوق. - تريد ميرا نسخة إنجليزية بصوت صديقتها لينا، ولينا في إجازة. ماذا تفعل؟
الإجابة الصحيحة: مراسلة لينا والحصول على موافقة مكتوبة، وحتى ذلك الحين استخدام صوتها أو صوت مركّب. الصوت جزء من هوية الإنسان. واستنساخه لإعلان يتطلب موافقة صريحة من صاحبه، ويُفضَّل أن تكون مكتوبة. - الترجمة النصية في فيديو ميرا أسفل الشاشة، وفي Reels يغطيها وصف المنشور. ماذا نغيّر؟
الإجابة الصحيحة: رفع ترجمة كبيرة إلى منتصف الشاشة بعيدًا عن الحافة اليمنى. منتصف الشاشة خالٍ من الواجهة، والخط الكبير يُقرأ حتى أثناء التصفح السريع.