DirCast يخرج بث الرياضات الإلكترونية ويعلّق عليه بنفسه، ويتفوق على GPT-5

يقوم البث المباشر للرياضات الإلكترونية على شخصين: مخرج يقرر في كل ثانية شاشة أي لاعب ستظهر على الهواء، ومعلّق يتحدث فوق هذا الاختيار دون أن يعرف ما سيحدث بعد ذلك. يحاول DirCast أن يحلّ محل الاثنين بنموذج فيديو-لغوي واحد يعمل بنمط البث المباشر. يتلقى النموذج الكاميرات الخام لكل لاعب، ويختار الزاوية بنفسه، ويعلّق على ما يجري بنفسه، معتمداً على الماضي فقط. وفي اختبارات على مباريات Dota 2 الاحترافية، يتفوق النموذج في الإخراج على الأساليب القائمة على القواعد (rule-based) ونماذج zero-shot، بما فيها GPT-5، وتفوز تعليقاته على تعليقات GPT-4o في 29,2% من المقارنات.

مخرج يرى كل شيء دفعة واحدة

تعلّمت النماذج الفيديو-لغوية حتى الآن التعليق على المباريات، لكنها تفعل ذلك في الغالب فوق بثّ سبق أن montّجه إنسان. أما عمل المخرج فيبقى خارج الصورة: هناك من اختار الكاميرا المناسبة مسبقاً، وما على النموذج سوى وصف ما يراه. أزال مؤلفو DirCast هذه الدعامة. وصاغوا المهمة بصرامة أكبر: المدخلات هي كاميرات جميع اللاعبين، والمخرجات بثّ جاهز بصوت معلّق، وكل ذلك في الزمن الحقيقي ودون الوصول إلى الإطارات المستقبلية.

تكتسب هذه الصياغة أهميتها لأن قراري المخرج والمعلّق مترابطان. فما يظهر على الهواء هو ما يجري الحديث عنه. وإذا فُصل الدوران في نظامين منفصلين، فقد يتباعد التعليق عن الصورة. أما في DirCast فهما حلقة واحدة، واختيار الكاميرا يحدد مباشرة ما سيراه النموذج وما سيقوله.

نظرة شاملة رخيصة وقراءة دقيقة مكلفة

تكمن الفكرة الهندسية الرئيسية في طريقة توزيع النموذج للحوسبة. فهو يستعرض كل ثانية جميع الكاميرات بدقة منخفضة، وهذا كافٍ لملاحظة مكان وقوع حدث ما. ثم يقرر ما إذا كان عليه التبديل، وإلى أي زاوية. ولا يقرأ بدقة عالية إلا الكاميرا المختارة، وذلك قبل أن يبدأ الحديث.

يتعلق الجزء الثاني من التصميم بالذاكرة. يحتفظ السياق بما ذهب إلى البث وبما قيل، أما بقية الزوايا فتسقط منه. وبفضل ذلك تبقى تكلفة المعالجة محدودة، ويمكن للبث أن يستمر مهما طال، إذ لا يتضخم السياق مع مرور زمن المباراة. وهذا شرط جوهري للبث المباشر، لأن بطولات Dota 2 تستمر ساعات.

البيانات والنتائج

لأغراض التدريب والتحقق، جمع المؤلفون مجموعة بيانات من 27 مباراة احترافية في Dota 2. تضم المجموعة كاميرا لكل بطل، والقرارات الفعلية للمخرج البشري، وتعليقات المعلّقين. وهذه مادة نادرة، إذ يتوافر عادةً في المتناول المفتوح البث النهائي فقط، لا جميع الزوايا «الخام».

أبرز المؤشرات الواردة في الورقة:

• المهمة: الإخراج والتعليق على البث في آنٍ واحد، باستخدام السياق السابق فقط
• البيانات: 27 مباراة احترافية في Dota 2، بكاميرا لكل بطل، إضافةً إلى اختيارات المخرج البشري وكلام المعلّقين
• نمط العمل: استعراض كل ثانية لجميع الكاميرات بدقة منخفضة، ثم قرار التبديل، ثم قراءة الزاوية المختارة بدقة عالية
• الذاكرة: يُحفظ ما بُثّ وما قيل وتُستبعد بقية الزوايا، ولذلك تبقى التكلفة محدودة لبث بأي طول
• الإخراج: يتفوق DirCast على الأساليب القائمة على القواعد (rule-based) ونماذج zero-shot، بما فيها GPT-5
• التعليق: 29,2% من المقارنات فاز بها أمام GPT-4o
• خط الأساس: أقوى المعلّقين الأحد عشر العاملين بنمط البث المباشر، ممن شاهدوا البث البشري، حقق 19,4%

وتبدو المقارنة الأخيرة لافتة. فقد شاهد المنافسون بثاً أعدّه مخرج محترف مسبقاً، أي أنهم حصلوا على تلميح جاهز بما هو مهم. أما DirCast فلم يتوافر له هذا التلميح، ومع ذلك جاء في المقدمة بفارق عشر نقاط مئوية.

أين يفيد هذا

يكمن التطبيق المباشر في البثوث المتخصصة. فمعظم مجالات الرياضات الإلكترونية والبطولات الهاوية لا تملك ميزانية لمخرج ومعلّقين، وغالباً ما يجري البث من لاعب واحد أو دون تعليق أصلاً. ويخفض النموذج الذي يتلقى كاميرات المشاركين ويُخرج بثاً متكاملاً عتبة الدخول إلى مثل هذه الفعاليات. وبالنسبة إلى المنظمين الكبار، يمثل ذلك مصدراً محتملاً لتدفقات إضافية: بثوث بديلة بتعليق آلي بلغات مختلفة أو مخصصة للاعب بعينه.

وبالنسبة إلى المطورين، فإن المبدأ نفسه مفيد. فالنظرة الشاملة الرخيصة على جميع المدخلات، والقراءة المكلفة لمدخل واحد مختار، والسياق الذي ينسى الزائد، تصلح لأي مهام متعددة الكاميرات: البث الرياضي، والمراقبة بالفيديو، والروبوتات المزودة بمجموعة من المستشعرات. والتحفظ واضح: جرى الاختبار على لعبة واحدة هي Dota 2، وبالمقارنة مع نماذج، لا مع مشاهدين حقيقيين. والسؤال التالي هو ما إذا كان النهج سينتقل إلى ألعاب ذات ديناميكية مختلفة، وما إذا كان مثل هذا البث سيرضي جمهوراً حقيقياً.