خلاصه: ساخت ویدیو با هوش مصنوعی یک دکمه‌ی جادویی نیست؛ زنجیره‌ای از چند ابزار است. سناریو را با یک چت‌بات می‌نویسید، برای هر صحنه تصویر مرجع می‌سازید، تصویر را با یک مدل ویدیوساز به حرکت درمی‌آورید، صدا و موسیقی اضافه می‌کنید و در آخر همه را تدوین می‌کنید. اگر این هفت قدم را به ترتیب بروید، اولین ویدیوی کوتاهتان را بدون دوربین و بدون تجربه‌ی قبلی می‌سازید.
پیش‌نیاز: یک چت‌بات مثل Claude یا ChatGPT، یک ابزار ساخت ویدیو و یک برنامه‌ی تدوین (حتی روی گوشی)
سطح: مقدماتی
ساخت ویدیو با هوش مصنوعی دقیقاً یعنی چه؟
ویدیویی که «با هوش مصنوعی ساخته شده» تقریباً هیچ‌وقت خروجی یک ابزار تنها نیست. هر ثانیه‌اش از چند مرحله گذشته است: یک نفر ایده و سناریو را نوشته، برای هر صحنه تصویری ساخته، آن تصویر را به یک مدل ویدیوساز داده تا حرکت کند، رویش صدا گذاشته و در آخر نماها را کنار هم چیده است.
این خبر خوبی است. مهارت اصلی، شناختن یک ابزار خاص نیست که هر چند ماه یک بار عوض می‌شود؛ مهارت اصلی این است که بدانید هر قدم چه می‌خواهد و خروجی هر قدم چطور ورودی قدم بعد می‌شود. با همین مسیر می‌شود ریلز اینستاگرام، انیمیشن کوتاه، تبلیغ محصول، ویدیوی روایی یا حتی ویدیوی چنددقیقه‌ای یوتیوب ساخت.
قدم ۱: ایده و قالب را قبل از هر ابزاری مشخص کنید
پیش از باز کردن هر ابزاری، سه چیز را روی کاغذ بنویسید:
- کجا منتشر می‌شود؟ ریلز و شورت عمودی‌اند (۹:۱۶) و یوتیوب معمولاً افقی (۱۶:۹). نسبت تصویر را از همان اول ثابت کنید؛ برش بعدی، ترکیب‌بندی را خراب می‌کند.
- چقدر طول می‌کشد؟ برای شروع، ۳۰ تا ۶۰ ثانیه. یک ویدیوی کوتاهِ تمام‌شده خیلی بیشتر از یک پروژه‌ی بلندِ نیمه‌کاره یادتان می‌دهد.
- چه سبکی دارد؟ سینمایی واقع‌گرا، انیمیشن سه‌بعدی، انیمه، مستند تاریخی یا مینیمال. یک سبک انتخاب کنید و تا آخر پروژه به آن وفادار بمانید.
یک قالب تکرارپذیر هم از ایده‌های پراکنده بهتر است؛ مثلاً «هر هفته یک داستان ۶۰ ثانیه‌ای از تاریخ ایران با صدای راوی». قالب ثابت یعنی پرامپت‌ها، شخصیت‌ها و تنظیمات قبلی را دوباره استفاده می‌کنید و هر ویدیو سریع‌تر از قبلی ساخته می‌شود.
قدم ۲: سناریو و فهرست نماها را با هوش مصنوعی بنویسید
مدل‌های زبانی مثل Claude و ChatGPT در این مرحله بیشترین کمک را می‌کنند. فقط «یک سناریو بنویس» نخواهید؛ خروجی را طوری بخواهید که مستقیم به قدم‌های بعد برسد. یک پرامپت نمونه:
یک سناریوی ۴۵ ثانیه‌ای برای ریلز اینستاگرام درباره‌ی [موضوع] بنویس.
مخاطب: [مخاطب]. لحن: [صمیمی / رازآلود / حماسی].
دو ثانیه‌ی اول باید یک سؤال یا تصویر غافلگیرکننده باشد.
خروجی را جدول کن با این ستون‌ها: شماره‌ی نما، مدت (ثانیه)، چه چیزی دیده می‌شود، حرکت دوربین، متن راوی.
هر نما بین ۳ تا ۶ ثانیه باشد.
دو نکته که کیفیت را بالا می‌برد:
- اول متن راوی را نهایی کنید، بعد نماها را. زمان‌بندی ویدیو از صدا می‌آید؛ اگر متن بعداً عوض شود، باید نماها را دوباره بسازید.
- نماهای کوتاه بخواهید. مدل‌های ویدیوساز در کلیپ‌های چندثانیه‌ای بهترین نتیجه را می‌دهند. یک صحنه‌ی ۲۰ ثانیه‌ای را به چند نمای کوتاه بشکنید.
برای نوشتن هوک و تیتری که وعده‌ی بی‌پشتوانه نمی‌دهد، راهنمای تیتر و هوک یوتیوب با AI را هم ببینید.
قدم ۳: تصویر مرجع و شخصیت ثابت بسازید
بزرگ‌ترین مشکل تازه‌کارها این است که شخصیت اصلی در هر نما چهره و لباس دیگری دارد. راه‌حل این است که به‌جای ساخت مستقیم ویدیو از متن، اول برای هر نما یک تصویر مرجع بسازید و بعد همان تصویر را به حرکت درآورید.
- با یک تصویرساز (مثل تصویرساز ChatGPT، Gemini یا Midjourney) یک «برگه‌ی شخصیت» بسازید: همان کاراکتر از روبه‌رو، نیم‌رخ و تمام‌قد، با لباس و رنگ ثابت.
- تصویر هر نمای جدول قدم ۲ را با ارجاع به همین برگه‌ی شخصیت بسازید.
- سبک را در همه‌ی تصویرها یکسان نگه دارید: نور، پالت رنگ و نوع لنز را در پرامپت تکرار کنید.
دو راهنمای عملی برای همین قدم: حفظ شخصیت در سه صحنه با Flow و تغییر پس‌زمینه‌ی تصویر در ChatGPT با کنترل جزئیات.
قدم ۴: تصویر را به ویدیو تبدیل کنید
حالا نوبت مدل‌های ویدیوساز است؛ ابزارهایی مثل Seedance، Kling، Veo (داخل Google Flow) و Runway. بیشترشان دو حالت دارند: ساخت ویدیو از متن و ساخت ویدیو از تصویر. برای نتیجه‌ای که کنترلش دست شما باشد، حالت تصویر به ویدیو را با همان تصویر مرجع قدم ۳ شروع کنید.
پرامپت ویدیو با پرامپت تصویر فرق دارد. لازم نیست ظاهر صحنه را دوباره توصیف کنید، چون تصویر این کار را کرده است؛ باید حرکت را بنویسید. یک قالب ساده:
[سوژه] + [چه کاری می‌کند] + [حرکت دوربین] + [نور و حال‌وهوا] + [مدت]
مثال:
The old king slowly raises his sword,
wind moves his cape, slow dolly-in,
golden dawn light through mist,
cinematic, 5 seconds
- پرامپت را انگلیسی بنویسید. بیشتر مدل‌ها با پرامپت انگلیسی دقیق‌تر کار می‌کنند؛ متن فارسی را با یک چت‌بات به پرامپت انگلیسی تبدیل کنید.
- از هر نما دو یا سه نسخه بگیرید و بهترین را انتخاب کنید؛ هیچ مدلی همیشه بار اول درست نمی‌زند.
- حرکت ساده بهتر جواب می‌دهد. در هر نما یک حرکت دوربین و یک کنش. حرکت‌های شلوغ معمولاً به دست‌های عجیب و چهره‌های لرزان می‌رسند.
- برای ترنزیشن از فریم شروع و پایان استفاده کنید. این راهنمای Flow قدم‌به‌قدم نشانش می‌دهد.
برای جزئیات بیشتر پرامپت، قالب پرامپت ویدیو برای Veo و تبدیل عکس محصول به ویدیو در Runway را بخوانید.
قدم ۵: صدا، راوی و موسیقی
صدا نصف ویدیوست. تصویر معمولی با صدای خوب دیده می‌شود؛ تصویر عالی با صدای بد، نه.
- راوی: ساده‌ترین و طبیعی‌ترین گزینه برای فارسی هنوز صدای خود شماست؛ با یک هندزفری خوب در اتاقی ساکت ضبط کنید. اگر صدای هوش مصنوعی می‌خواهید، قبل از پروژه‌ی بلند یک پاراگراف آزمایشی بسازید و تلفظ نام‌ها و عددها را چک کنید. این راهنما نشان می‌دهد متن را چطور برای شنیدن بنویسید؛ یک گزینه‌ی متن‌باز هم Chatterbox است.
- موسیقی: ابزارهای ساخت موسیقی با هوش مصنوعی (مثل Suno) سریع‌اند، اما قبل از انتشار تجاری، شرایط استفاده‌ی هر سرویس را بخوانید. کتابخانه‌های موسیقی بدون حق‌نشر هم گزینه‌ی امنی‌اند.
- افکت صوتی: صدای قدم، باد یا بسته شدن در، نمای هوش مصنوعی را از «کلیپ» به «صحنه» تبدیل می‌کند.
- زیرنویس: بخش بزرگی از مخاطبان ریلز بی‌صدا تماشا می‌کنند. زیرنویس فارسی را می‌شود خودکار ساخت؛ مسیر faster-whisper را ببینید.
قدم ۶: تدوین؛ جایی که ویدیو واقعاً ساخته می‌شود
نماها را روی تایم‌لاین بچینید و ریتم را با صدای راوی تنظیم کنید. برای شروع، CapCut روی گوشی یا کامپیوتر کافی است؛ برای کار حرفه‌ای‌تر، Premiere یا DaVinci Resolve.
- روی مکث‌های راوی کات بزنید، نه وسط جمله.
- ایرادها را ببُرید. هر جا دست، نوشته یا چهره به هم ریخت، همان چند فریم را حذف کنید یا نمای دیگری جایش بگذارید.
- نوشته‌ی فارسی را در تدوین اضافه کنید. مدل‌های ویدیوساز نوشته‌ی فارسی را معمولاً به‌هم‌ریخته می‌سازند؛ تیتر و زیرنویس را در برنامه‌ی تدوین بنویسید.
- رنگ را یکدست کنید. یک اصلاح رنگ ملایم روی همه‌ی نماها، تفاوت خروجی‌های مختلف را می‌پوشاند.
قدم ۷: انتشار و یاد گرفتن از آمار
- خروجی درست بگیرید: برای ریلز و شورت ۱۰۸۰ در ۱۹۲۰ و برای یوتیوب دست‌کم ۱۰۸۰p افقی.
- کاور و جمله‌ی اول کپشن را جدی بگیرید؛ تصمیم دیدن یا رد شدن همان‌جا گرفته می‌شود.
- برچسب هوش مصنوعی را رعایت کنید. اینستاگرام و یوتیوب برای محتوای واقع‌نمای ساخته‌شده با هوش مصنوعی برچسب دارند. از چهره یا صدای آدم‌های واقعی بدون اجازه استفاده نکنید.
- آمار را بخوانید: ببینید مخاطب در کدام ثانیه می‌رود و ویدیوی بعدی را از همان نقطه بهتر کنید. ثبات در انتشار از یک ویدیوی بی‌نقص مهم‌تر است.
ویدیوی طولانی با هوش مصنوعی چطور ساخته می‌شود؟
ویدیوی چنددقیقه‌ای یوتیوب هم با همین هفت قدم ساخته می‌شود؛ فقط تعداد نماها بیشتر است. یک ویدیوی پنج‌دقیقه‌ای ممکن است ۶۰ نما یا بیشتر داشته باشد، پس دو چیز حیاتی می‌شود:
- جدول نما و پوشه‌بندی منظم: هر نما شماره، تصویر مرجع، پرامپت و نسخه‌ی نهایی خودش را دارد.
- ثبات شخصیت و صدا در طول ویدیو: برگه‌ی شخصیت و تنظیمات صدا را یک بار بسازید و تا آخر از همان‌ها استفاده کنید.
هرچه کارهای تکراری کمتر دستی باشد، وقت بیشتری برای خود داستان می‌ماند. برای یک ابزار خودکار رایگان MoneyPrinterTurbo را ببینید، و اگر ویدیوی بلندی دارید که می‌خواهید از آن شورت دربیاورید، این روش با Claude کمک می‌کند.
اشتباه‌های رایج که وقت و اعتبار هدر می‌دهند
- شروع با ساخت ویدیو از متن، بدون تصویر مرجع؛ نتیجه شخصیتی است که در هر نما عوض می‌شود.
- ساختن ده‌ها کلیپ پیش از نهایی شدن سناریو.
- کلیپ‌های بلند و حرکت‌های شلوغ که به ایرادهای تصویری می‌رسند.
- بی‌توجهی به صدا؛ مخاطب تصویر متوسط را می‌بخشد، صدای بد را نه.
- خواستن نوشته‌ی فارسی از مدل ویدیوساز، به‌جای اضافه کردنش در تدوین.
- استفاده از چهره، صدا یا شخصیت‌های دارای حق‌نشر بدون اجازه.
هزینه و زمان؛ واقع‌بینانه
بیشتر ابزارها نسخه‌ی رایگان محدودی دارند که برای تمرین کافی است. برای کار جدی معمولاً به اشتراک پولی یک مدل ویدیوساز نیاز دارید که با اعتبار (کردیت) کار می‌کند؛ هر ثانیه ویدیو اعتبار مصرف می‌کند و نسخه‌های اضافه هم حساب می‌شوند. برای کنترل هزینه، با یک ابزار شروع کنید، پیش‌نویس‌ها را با کیفیت پایین‌تر بسازید و فقط نماهای نهایی را با کیفیت کامل خروجی بگیرید.
اولین ویدیو بیشتر از ویدیوهای بعدی طول می‌کشد، چون هم‌زمان ابزارها و مسیر را یاد می‌گیرید. وقتی قالب، برگه‌ی شخصیت و پرامپت‌های پایه‌تان آماده شد، ویدیوهای بعدی خیلی سریع‌تر ساخته می‌شوند.
از همین هفته شروع کنید
یک ویدیوی ۳۰ ثانیه‌ای با پنج یا شش نما انتخاب کنید و هفت قدم بالا را به ترتیب بروید. هدف اولین ویدیو بی‌نقص بودن نیست؛ تمام کردن است.
اگر می‌خواهید این مسیر را قدم‌به‌قدم و با پروژه‌ی واقعی یاد بگیرید، دوره‌ی جامع ساخت ویدیو با هوش مصنوعی آلوانا از صفر شروع می‌کند: روش اختصاصی NFP برای ساخت ویدیوی کامل با صدا و ادیت فقط با Claude، ساخت ویدیوی سینمایی و انیمیشنی با Seedance و Omni، سناریونویسی و ساخت ویدیوهای بلند یوتیوب. دانشجوهای همین دوره ریلزهایی ساخته‌اند که میلیون‌ها بار دیده شده‌اند.
سؤالات متداول
آیا ساخت فیلم و ویدئو با هوش مصنوعی رایگان است؟
برای تمرین بله؛ بیشتر ابزارها اعتبار رایگان محدودی می‌دهند و ابزارهای متن‌باز هم هستند. برای تولید منظم و باکیفیت معمولاً به اشتراک پولی دست‌کم یک مدل ویدیوساز نیاز دارید.
برای ساخت ویدیو با هوش مصنوعی کامپیوتر قوی لازم است؟
نه. بیشتر ابزارهای ساخت ویدیو آنلاین‌اند و روی سرور خودشان اجرا می‌شوند؛ یک مرورگر و اینترنت پایدار کافی است. فقط اگر بخواهید مدل‌ها را روی کامپیوتر خودتان اجرا کنید، مثلاً با ComfyUI، به کارت گرافیک قوی نیاز دارید.
بهترین هوش مصنوعی برای ساخت ویدیو کدام است؟
یک «بهترین» برای همه‌چیز وجود ندارد و رتبه‌ها هر چند ماه عوض می‌شوند. بعضی مدل‌ها در حرکت سینمایی قوی‌ترند، بعضی در انیمیشن یا ثبات شخصیت. به‌جای دنبال کردن هر مدل تازه، مسیر هفت‌قدمی را یاد بگیرید؛ ابزار را هر وقت لازم شد عوض می‌کنید.
با گوشی هم می‌شود ویدیوی هوش مصنوعی ساخت؟
بله. بیشتر ابزارهای ساخت تصویر و ویدیو نسخه‌ی وب یا اپلیکیشن دارند و تدوین را هم می‌شود با CapCut روی گوشی انجام داد. کامپیوتر فقط کار با فایل‌های زیاد و پروژه‌های بلند را راحت‌تر می‌کند.
ویدیوهای هوش مصنوعی در اینستاگرام و یوتیوب درآمد دارند؟
بله، به شرطی که اصیل باشند و برای مخاطب ارزش داشته باشند. یوتیوب محتوای انبوه و تکراری را مشمول درآمد نمی‌داند؛ اما ویدیویی که داستان، ایده و تدوین خود شما را دارد، با هر ابزاری که ساخته شده باشد، همان قواعد ویدیوهای دیگر را دارد.
