راهنمای جامع ساخت ویدیو با هوش مصنوعی؛ آنلاین و لوکال [آپدیت مهر ۱۴۰۵]

برای ساخت ویدیو با هوش مصنوعی یک انتخاب ثابت برای همه وجود ندارد. برای یک تبلیغ واقع‌گرایانه همراه صدا، Veo 3.1، Kling 3.0 و Seedance 2.5 در فهرست بررسی قرار می‌گیرند. برای اجرای لوکال، خانواده LTX و Wan گزینه‌های مهمی‌اند. اگر هم خروجی فارسی می‌خواهید، بهتر است کیفیت تصویر، تلفظ و لب‌خوانی را جدا بسنجید؛ مدلی که تصویر خوبی می‌سازد، الزاماً فارسی را روان نمی‌گوید.

در این راهنما از انتخاب مدل شروع می‌کنیم، ابزارهای آنلاین مثل هیگزفیلد را می‌شناسیم و بعد سراغ مدل‌های قابل دانلود از هاجینگ فیس، راه‌اندازی لوکال و انتخاب سیستم می‌رویم. هدف این است که با چند انتخاب روشن به نتیجه برسید، بدون اینکه بین ده‌ها اسم و اشتراک سردرگم شوید.

این جدول پیشنهاد نقطه شروع است، نه رتبه‌بندی قطعی کیفیت. نور، عکس ورودی، پیچیدگی حرکت و تعداد دفعات تلاش می‌توانند نتیجه را کاملاً عوض کنند. برای انتخاب نهایی، نمونه‌ای از پروژه خودتان بسازید؛ نمایش تبلیغاتی سایت سازنده به‌تنهایی کافی نیست.

مدل موتور تولید است؛ مثل Veo، Kling یا Wan. پلتفرم محیطی است که آن موتور را در اختیار شما می‌گذارد؛ مثل Higgsfield یا Runway. بنابراین همه مدل‌های داخل هیگزفیلد، ساخته خود هیگزفیلد نیستند. دو سایت هم ممکن است یک مدل را ارائه دهند، ولی محدودیت زمان، کیفیت خروجی، تعداد مرجع و هزینه متفاوتی داشته باشند.

هاجینگ فیس یا Hugging Face هم یک مدل واحد نیست؛ محل انتشار مدل‌ها و دموهاست. وجود یک Space آنلاین به معنی اجرای آفلاین نیست. برای کار لوکال باید وزن مدل، کد اجرا و اجزای لازم قابل دریافت باشند. بعد از نصب و دانلود کامل می‌توانید بدون ارسال فایل به سرویس ابری کار کنید؛ به شرطی که قالب انتخابی از API، نود ابری یا بهبوددهنده پرامپت آنلاین استفاده نکند.

در جدول زیر «صدای هم‌زمان» یعنی مدل در روند تولید ویدیو، صدا هم می‌سازد. اضافه‌کردن موسیقی یا افکت به ویدیوی آماده، قابلیت متفاوتی است. در سرویس‌های چندمدلی حتماً نام مدل و گزینه Audio را در همان صفحه تولید بررسی کنید.

Veo 3.1 در مستندات گوگل، ویدیو را همراه صدای تولیدشده ارائه می‌کند. برای صحنه‌ای مثل قدم‌زدن در خیابان بارانی، هم تصویر و هم صدای باران و محیط را در توضیح بنویسید. برای دیالوگ، گوینده و جمله را روشن مشخص کنید و شات را شلوغ نکنید. گزینه خوبی برای ورود به مقایسه ویدیوهای واقع‌گرایانه است، اما جزئیات دست، برخورد اشیا و تلفظ همچنان نیاز به بازبینی دارند. امکانات نسخه Fast، حالت‌های مرجع و خروجی در هر رابط یکسان نیست. راهنمای رسمی Veo مرجع بررسی نسخه و محدودیت‌هاست.

اگر مسئله شما حرکت بدن، حرکت دوربین یا ساخت چند شات است، Kling 3.0 را در کنار گزینه‌های دیگر امتحان کنید. عکس مرجع مناسب کمک می‌کند ظاهر محصول یا شخصیت را بهتر کنترل کنید. راهنمای رسمی VIDEO 3.0 تولید صدا و زبان‌های چینی، انگلیسی، ژاپنی، کره‌ای و اسپانیایی را توضیح می‌دهد؛ فارسی در این فهرست نیست. بنابراین برای تیزر فارسی، انتخاب تصویر با Kling و ساخت صدای جداگانه مسیر قابل‌کنترل‌تری است. پشتیبانی از صدا را به نسخه‌های قدیمی‌تر تعمیم ندهید. راهنمای VIDEO 3.0

Seedance 2.5 نسل جدیدتر این خانواده است و سازنده برای آن تولید کلیپ‌های صوتی‌تصویری تا ۳۰ ثانیه و امکان ادامه‌دادن را معرفی کرده است. نسخه 2.0 هم ورودی متن، عکس، صدا و ویدیو را می‌پذیرد. این خانواده برای داستان کوتاه، چند شات مرتبط و استفاده از مرجع ارزش بررسی دارد. بااین‌حال برای شروع، یک کلیپ کوتاه بسازید؛ خطای شخصیت یا حرکت را در شات کوتاه راحت‌تر اصلاح می‌کنید. کیفیت گفتار فارسی باید جدا ارزیابی شود و از عبارت «چندزبانه» نمی‌توان لهجه طبیعی فارسی را نتیجه گرفت. صفحه رسمی Seedance 2.5

Runway Gen-4.5 برای تولید با متن و عکس و توصیف حرکت دوربین قابل بررسی است. ابزارهای دیگری مثل Act-Two یا مدل‌های صوتی داخل Runway را با قابلیت خود Gen-4.5 یکی نگیرید. اگر اجرای چهره اهمیت دارد، روند انتقال اجرا را هم جدا بررسی کنید.

Luma Ray3.14 برای حفظ استایل‌های دوبعدی، کارتونی و انیمه و تغییر ویدیوی ورودی جالب است؛ صدای آن از مسیر Add Audio اضافه می‌شود. Firefly هم می‌تواند در روند کاری Adobe مفید باشد؛ تولید افکت صوتی آن گفتار یا موسیقی تولید نمی‌کند. در Pika جدید، مدل‌ها و اپ‌های مختلف تصویر، ویدیو و صدا کنار هم قرار گرفته‌اند؛ اسم پلتفرم را جای اسم مدل انتخاب‌شده ننویسید.

Grok Imagine Video 1.5 در مستندات رسمی، تولید ویدیو همراه صدا و گفتار هماهنگ با لب را دارد و برای مقایسه سرعت و نتیجه کوتاه مناسب بررسی است. پشتیبانی از مرجع صوتی هم به معنی تضمین فارسی روان نیست.

Sora 2 از مدل‌های شناخته‌شده تولید ویدیو و صدا بود، اما برای شروع پروژه جدید، آن را گزینه فعال فرض نکنید. طبق اطلاعیه رسمی OpenAI، وب و اپ Sora در ۲۶ آوریل ۲۰۲۶ متوقف شده‌اند و پایان API برای ۲۴ سپتامبر ۲۰۲۶ اعلام شده است. باقی‌ماندن صفحه معرفی یا نام Sora در یک پلتفرم واسط، تأیید دسترسی عملی امروز نیست.

Higgsfield یا هیگزفیلد یک محیط چندمدلی است. مزیتش این است که می‌توانید برای یک پروژه، چند موتور تولید را در یک محیط بررسی کنید. بخش Cinema Studio هم انتخاب دوربین و لنز مجازی و کنترل حرکت را در اختیار کاربر می‌گذارد. این کنترل‌ها کمک به هدایت ظاهر تصویرند؛ جای تضمین فیزیک واقعی یا اجرای بی‌خطای هر حرکت را نمی‌گیرند.

برای تبلیغ همراه صدا، Veo یا Seedance را بررسی کنید؛ برای حرکت و عکس محصول Kling را هم وارد مقایسه کنید. افکت‌های آماده و حرکت‌های نمایشی برای ریلز مفیدند، ولی برای نمایش دقیق محصول، حرکت ساده‌تر معمولاً بررسی و اصلاح آسان‌تری دارد. فهرست مدل‌ها و دسترسی هر پلن تغییر می‌کند؛ پیش از خرید، همان مدل و کیفیتی را که نیاز دارید در حساب بررسی کنید.

برای دانلود، از حساب رسمی سازنده شروع کنید. فایل سبک‌شده یا مدل تغییرکرده جامعه کاربری ممکن است مفید باشد، اما نتیجه و نیاز سخت‌افزاری آن لزوماً با نسخه اصلی یکی نیست. «وزن قابل دانلود» هم همیشه به معنی مجوز آزاد و بدون شرط برای هر کاربرد تجاری نیست.

LTX-2.5 وزن قابل دانلود، تولید صدای هماهنگ با تصویر و امکان ساخت چند شات مرتبط را ارائه می‌کند. LTX-2.3 هم برای قالب‌ها و پروژه‌های موجود همچنان مهم است. نسخه distilled برای روند سریع‌تر طراحی شده؛ نسخه dev برای کنترل و آموزش بیشتر کاربرد دارد. این تفاوت به معنی یکسان‌بودن نتیجه آن‌ها نیست.

برای شروع از قالب رسمی سازگار استفاده کنید. فایل‌های text encoder، مدل ویدیویی و بخش صوت را از دو نسخه مختلف ترکیب نکنید. مجوز LTX شرایط تجاری مشخص دارد؛ قبل از استفاده سازمانی متن همان نسخه را بخوانید. برای گفتار فارسی هم پشتیبانی تولید صدا را معادل تلفظ تضمین‌شده ندانید.

برای دریافت فایل‌های LTX-2.5 از هاجینگ فیس، ابتدا وارد حساب شوید و شرایط دسترسی را بخوانید. صفحه رسمی هنگام این بررسی، پذیرش اشتراک اطلاعات تماس را هم پیش از دسترسی به مدل درخواست می‌کند. این مرحله با نصب مدل و اجرای لوکال متفاوت است.

Wan2.2 TI2V-5B هم متن و هم عکس را به ویدیو تبدیل می‌کند. نسخه‌های A14B برای متن یا تصویر، فایل‌ها و روند متفاوتی دارند. مدل 5B در اجرای مرجع با offload روی GPU دارای حداقل ۲۴GB VRAM معرفی شده؛ مستندات ComfyUI برای قالب بومی و offload، امکان جاگرفتن آن در ۸GB را هم ذکر می‌کنند. این دو عدد مربوط به دو روش اجرا هستند و تناقضی ندارند. offload یعنی بخشی از داده بین RAM و GPU جابه‌جا می‌شود؛ حافظه کمتر مصرف می‌شود، ولی زمان تولید می‌تواند بیشتر شود.

این مدل ۸.۳ میلیارد پارامتری، مسیرهای متن به ویدیو و تصویر به ویدیو دارد. سازنده حداقل ۱۴GB حافظه GPU را با فعال‌بودن offload اعلام کرده است. این عدد را حداقل شرایط آن روش اجرا بدانید، نه قول تولید سریع در هر وضوح و طول ویدیو. برای تصمیم، یک عکس و یک حرکت یکسان را با Wan و Hunyuan امتحان کنید و زمان، ثبات چهره و جزئیات را کنار هم بگذارید.

MiniMax H3 مدل تولید ویدیو با صدای استریو و ورودی‌های چندرسانه‌ای است. بخش H3-Base برای اجرای محلی ارائه شده، اما در مستندات فعلی، بخش Context-IR و مرحله Regenerate-2K کامل به‌صورت محلی منتشر نشده‌اند. پس دریافت وزن پایه به معنی بازسازی آفلاین تمام امکانات سرویس آنلاین نیست. برای استودیوی فنی ارزش بررسی دارد؛ برای اولین تجربه لوکال، مسیر ساده‌تری انتخاب کنید. فارسی در فهرست ۱۱ زبان با پشتیبانی پایدار اعلام‌شده آن نیست و مجوز جامعه H3 هم شرایط خاص خود را دارد.

برای فارسی، مسیر پیشنهادی ما ساخت صدای تأییدشده و سپس هماهنگ‌کردن تصویر با آن است. بدون آزمون یکسان و شنیدن خروجی‌ها نمی‌شود یک مدل ویدیویی را «طبیعی‌ترین گوینده فارسی» نامید. کیفیت به خود جمله، صدا، لهجه، سرعت حرف‌زدن و حتی اسم برند بستگی دارد.

سه موضوع را جدا کنید: مدل ممکن است پرامپت فارسی را بفهمد، ممکن است فارسی حرف بزند و ممکن است حرکت لب مناسبی بسازد. موفقیت در یکی، دو مورد دیگر را تضمین نمی‌کند. برای کلیپ بدون شخصیت سخنگو، صداگذاری فارسی روی تصویر ساده‌ترین راه است. برای مجری رو به دوربین، از ابزار صوت‌محور یا لب‌خوانی استفاده کنید.

ElevenLabs در فهرست رسمی Eleven v3، فارسی را ذکر کرده است؛ بنابراین گزینه‌ای برای آزمون TTS فارسی است، نه تضمین بهترین لهجه در تمام جمله‌ها. مدل صوتی انتخاب‌شده مهم است و قابلیت یک نسخه را به همه نسخه‌ها تعمیم ندهید. برای مسیر لوکال، Wan2.2-S2V-14B تصویر و صدای آماده را مبنای ساخت ویدیو قرار می‌دهد؛ خودش متن فارسی را به گفتار تبدیل نمی‌کند.

این جمله را با صداهای مختلف امتحان کنید: «سلام! امروز می‌خوایم ببینیم چطور می‌شه با هوش مصنوعی، یه ویدیوی طبیعی ساخت. مدل مناسب رو انتخاب کن و قبل از خروجی نهایی، صدا رو یک بار گوش بده.» بعد یک جمله واقعی شامل نام برند، عدد و واژه تخصصی خودتان اضافه کنید.

به تلفظ «خ» و «ق»، آهنگ سؤال، مکث میان جمله‌ها، خواندن عدد و اسم انگلیسی گوش کنید. متن محاوره‌ای را همان‌طور بنویسید که باید شنیده شود؛ اگر جمله باید «می‌خوایم» خوانده شود، نوشتن «می‌خواهیم» لحن را عوض می‌کند. برای لب‌خوانی، نمای روبه‌رو یا سه‌رخ ملایم و دهان واضح معمولاً نقطه شروع قابل‌کنترل‌تری است. ضبط صدا را تمیز و بدون موسیقی زمینه انجام دهید و موسیقی را بعداً اضافه کنید.

به‌جای فهرست طولانی صفت‌ها، سوژه، حرکت، دوربین، نور و صدا را مشخص کنید. نمونه زیر برای یک شات تبلیغاتی آرام است؛ در مدل بدون صدا، بخش صوت را در تدوین انجام دهید.

اول تصویر شخصیت را بسازید و تأیید کنید؛ سپس از همان عکس برای image-to-video استفاده کنید. در پرامپت بیشتر روی حرکت تمرکز کنید. برای انیمیشن دقیق با ریگ، کنترل فریم‌به‌فریم و زمان‌بندی ثابت، نرم‌افزار انیمیشن هنوز ابزار اصلی است؛ مدل مولد بیشتر برای شات، ایده و تولید سریع کاربرد دارد.

ComfyUI محیطی است که مراحل تولید را به شکل بخش‌های متصل نشان می‌دهد. برای شروع، قالب رسمی Wan2.2 را دنبال کنید؛ لازم نیست اولین روز یک روند پیچیده از صفر بسازید.

در آموزش رسمی Wan2.2 در ComfyUI فایل‌ها و مراحل همان قالب را بررسی کنید. برای نسخه 5B، مدل ویدیویی، text encoder و VAE لازم‌اند؛ فایل مدل به‌تنهایی کافی نیست.

برای LTX هم از قالب رسمی همان نسخه شروع کنید. بخش صوت و فایل‌های لازم را مطابق قالب بارگذاری کنید؛ صرفِ تولید فایل MP4 ثابت نمی‌کند که خروجی ترک صوتی دارد. خروجی را با صدا پخش کنید. نام مدل، نسخه نرم‌افزار، seed، ابعاد، تعداد فریم و زمان تولید را ذخیره کنید تا شات قابل تکرار باشد.

اول GPU و VRAM را انتخاب کنید، بعد CPU و RAM را. حافظه گرافیکی فضای کار مدل است؛ RAM بیشتر می‌تواند به offload کمک کند، ولی جای VRAM سریع را نمی‌گیرد. تعداد هسته CPU یا عدد TOPS روی NPU هم به‌تنهایی نشان نمی‌دهد مدل ویدیویی شما چقدر سریع اجرا می‌شود. بسیاری از روندهای رایج برای NVIDIA و CUDA مستند شده‌اند؛ روی AMD و Intel باید پشتیبانی همان مدل و نرم‌افزار را جدا بررسی کنید.

برای ایستگاه کاری، ۶۴ تا ۱۲۸GB RAM و SSD یک یا دو ترابایتی می‌تواند نقطه شروع پیشنهادی برای فضای کار راحت‌تر باشد؛ این توصیه خرید است، نه حداقل رسمی همه مدل‌ها. ظرفیت بیشتر به حجم مدل‌ها، تعداد کارهای هم‌زمان و نگهداری خروجی‌ها بستگی دارد. چند GPU هم خودبه‌خود حافظه را یکپارچه نمی‌کند؛ روند اجرا باید از تقسیم مدل یا پردازش توزیع‌شده پشتیبانی کند.

اگر می‌خواهید مدل لوکال را برای تولید حرفه‌ای به کار بگیرید، می‌توانید سرورهای قابل‌پیکربندی زیر را با GPU و حافظه مناسب پروژه انتخاب و خریداری کنید. برای هدف «خیلی سریع»، قبل از نهایی‌کردن کانفیگ، زمان تولید همان مدل و همان کیفیت را اندازه بگیرید؛ نام سرور یا تعداد CPU به‌تنهایی تضمین سرعت نیست.

چهار گزینه زیر در یک مجموعه آمده‌اند: دو لپ‌تاپ برای مدیریت پروژه، کار با ابزارهای آنلاین و اتصال به سرور، و دو سرور برای پردازش محلی. OmniBook X Flip 14 و EliteBook 8 G1i موجود، گرافیک مجزای NVIDIA ندارند؛ بنابراین آن‌ها را برای اجرای سریع مدل‌های سنگین CUDA پیشنهاد نمی‌کنیم. برای تولید سنگین، نقش پردازش را به سرور بدهید.

Atlas R1 در کاتالوگ با دو Xeon Platinum 8582C و حافظه DDR5 ECC، و Atlas R4 با دو Xeon Platinum 8383C و DDR4 ECC معرفی شده‌اند. هر دو گزینه‌های انتخاب RAM، ذخیره‌سازی و GPU دارند. برای ویدیو، انتخاب GPU با VRAM کافی از تفاوت CPUها مهم‌تر است. گزینه‌های ۳۲GB یا بالاتر را متناسب با مدل بررسی کنید؛ برخی انتخاب‌ها پیش‌سفارش‌اند و کانفیگ پایه را نباید معادل سیستم آماده تولید ویدیو فرض کرد. سازگاری ابعاد کارت، برق، خنک‌کاری و نرم‌افزار باید هنگام سفارش تأیید شود.

اگر ماهی چند کلیپ می‌سازید، آنلاین معمولاً شروع کم‌هزینه‌تری دارد. اگر هر روز خروجی می‌گیرید، فایل خصوصی دارید یا به نسخه ثابت و روند سفارشی نیاز دارید، لوکال ارزش محاسبه دارد. قیمت اشتراک به‌تنهایی معیار کافی نیست؛ تعداد شات‌های خراب، افزایش کیفیت، لب‌خوانی و صدا هم هزینه دارند.

هزینه هر خروجی قابل استفاده را این‌طور حساب کنید: مجموع هزینه تولید، تکرار، صدا و افزایش کیفیت، تقسیم بر تعداد کلیپ‌هایی که واقعاً تحویل می‌دهید. برای لوکال هم هزینه خرید و استهلاک، برق، نگهداری و زمان اپراتور را وارد کنید. روی پروژه واقعی یک آزمون کوچک بگیرید، بعد برای خرید سیستم یا اشتراک بلندمدت تصمیم بگیرید. پیش از پرداخت، دسترسی کشور، روش پرداخت، واترمارک و حق استفاده تجاری همان سرویس را بررسی کنید.

برای جزئیات بیشتر، راهنمای Gen-4.5، پرسش‌های Ray3.14، مستندات Grok Video، زبان‌های ElevenLabs و نیازمندی‌های LTX را ببینید. لینک دریافت مدل‌ها در بخش مربوط به هر مدل قرار دارد. امکانات، هزینه و دسترسی ممکن است پس از آپدیت مهر ۱۴۰۵ تغییر کنند.

همچنین توضیح Adobe درباره افکت صوتی، معرفی Pika و مجوز فعلی H3 مبنای تفکیک قابلیت‌ها و شرایط استفاده‌اند.