V-GEN: مولّد تلقائي لنشرات الأخبار التلفزيونية يعتمد على Google Gemini و FFmpeg

واجهت قناة تلفزيونية إقليمية مشكلة حادة في الموارد البشرية: استقال المحرر والمصوّر. ولتجنب فقدان الترخيص، تعيّن أتمتة البث وإعداد المحتوى. في السنة الأولى، كان مسؤول الدعم التقني يجمع بين القطع الخبرية المباشرة والعروض التقديمية بالفيديو وعروض الشرائح من المصادر المحلية. لكن حتى جمع المعلومات ومعالجتها واختيار المادة المرئية والمونتاج النهائي كان يستغرق 20 إلى 30 دقيقة لكل قطعة خبرية. وكان الأمر يتطلب حلاً.

البنية: سبع مراحل للأتمتة؟

يجمع V-GEN بين عدة تقنيات حديثة في سلسلة إنتاج واحدة.

1. البحث الذكي عن الأخبار تتعطل محللات RSS التقليدية سريعاً عند تغيير تصميم الموقع. يستخدم V-GEN نموذج Google Gemini (الإصدار gemini-3.8-flash) مع ميزة Grounding المدمجة: وصول مباشر إلى فهرس بحث Google في الوقت الفعلي. يفحص النظام المنشورات على مدى آخر 7 إلى 10 أيام ضمن جغرافيا محددة، ويقارن الحقائق الواردة من وسائل الإعلام الإقليمية وبيانات وزارة الطوارئ ومنشورات الإدارات المحلية، ويستخرج الأحداث المؤكدة.

2. إعادة الصياغة التحريرية وهندسة الأوامر (Prompt Engineering) يحتوي الأمر (prompt) المستخدم في V-GEN على متطلبات صارمة للصيغة التلفزيونية:

الحجم: 800 إلى 1000 حرف بالضبط مع المسافات (حوالي 45 إلى 60 ثانية من القراءة). التركيب: جملة استهلالية جاذبة في الجملة الأولى، تليها الحقائق والتفاصيل، وتنتهي بحالة الموضوع أو تاريخ الحدث القادم. اللغة: كلام منطوق خالٍ من التعبيرات الرسمية الجافة (يُمنع استخدام عبارات مثل "بغرض التنفيذ")، وخالٍ من عبارات الترحيب ("مرحباً" غير مسموح بها)، مع كتابة الأرقام بالحروف ("السابع من أكتوبر"، "ثلاثون مليون روبل").

تشمل الفلاتر الجغرافية والموضوعية الأحداث في المدينة والمنطقة، والقرارات الإقليمية للحاكم، وتفتيشات وزارة الطوارئ، وتعريفات المرافق العامة. ويوجد حظر صارم: لا يجوز تناول الأشياء المفقودة، والكراجات، والإعلانات الشخصية.

تشمل المحاور الموضوعية الحوادث والأمان (وزارة الطوارئ، شرطة المرور، المحاكم)، والمرافق العامة والبيئة الحضرية (التدفئة، الطرق، التحسين العمراني)، والقطاع الاجتماعي (المستشفيات، المدارس)، والثقافة، والرياضة، والبرامج الترفيهية.

3. توليد الكلام: Google Gemini TTS يتم التصويت بصوت Callirrhoe — وهو نموذج مرجعي لمذيع تلفزيوني محترف: نشيط، دافئ، وخالٍ من التوقفات الآلية. وتتوفر أصوات بديلة: Puck و Charon و Kore و Fenrir و Aoede و Leda و Orpheus و Zephyr. والنظام محمي من هجمات حقن الأوامر (prompt injection): لا يُرسل إلى محرك TTS إلا نص الخبر المنقّى من دون أي تعليمات. ويُسوّى تدفق الصوت وفق معايير البث: 48 كيلوهرتز، وصوت ستيريو بعمق 16 بت.

4. السلسلة المرئية: Smart UNCROP وتأثير Ken Burns تُحوّل خوارزمية Smart UNCROP تلقائياً أي صورة إلى دقة Full HD بأبعاد 1920×1080. فإذا كانت النسب قريبة من 16:9، يتم التحجيم والتوسيط. وإذا كانت الصورة عمودية أو مربعة: يُنشأ خلفية مموّهة (تُمدد الصورة الأصلية، وتُموّه بتمويه غاوسي بنصف قطر 28 بكسل، وتُعتّم بنسبة 30%)، ثم تُوضع الصورة الأصلية الواضحة فوقها في المنتصف.

ويُنفَّذ تأثير Ken Burns عبر تكبير دون بكسلي: تُمرَّر الإحداثيات كأعداد عشرية (float)، ويُنفَّذ التحجيم بالاستيفاء الخطي الثنائي (bilinear interpolation). ويتراوح مستوى التكبير بين 1.0 (100%) و1.15 (115%)، مع تبادل اللقطات بين التقريب والتباعد، على أن تُعرض اللقطة الأخيرة دوماً بوضع التباعد (Zoom Out).

5. حسابات دقيقة للتوقيتات صوت المذيع هو الحاكم المطلق للتوقيت الزمني. والمعادلة هي: Lead-In (ثانية واحدة) + مدة الصوت (تُقاس بدقة ما دون الثانية) + Lead-Out (3 ثوانٍ). فإذا تضمّن الفيديو 7 لقطات، فإن مدة كل لقطة تساوي (الوقت الإجمالي – 4 ثوانٍ) ÷ 7. وتُكرَّر مقاطع فيديو B-Roll، وتُقصّ إلى دقة 1920×1080، وتُسوّى (نسبة SAR 1:1، 30 إطاراً في الثانية، صيغة yuv420p).

6. المونتاج النهائي عبر FFmpeg تُحدَّد للنظام مستويات مثل مستوى صوت الموسيقى الخلفية (−5.4 ديسيبل)، والتلاشي المتزامن (Fade Out) لمدة 1.5 ثانية في الفيديو والصوت معاً، ودمج الفيديو بالفاصل التعريفي للقناة، ووضع شعار القناة بدرجة شفافية محددة.

والنتيجة ملف فيديو جاهز بصيغة MP4 يحمل اسماً بالروسية ("إصلاح شبكات التدفئة في توتاييف.mp4") جاهز للبث المباشر.