مسلسل رسوم متحركة بالذكاء الاصطناعي: حلقة مدتها 24 ثانية أُنجزت بعشر طرق، وأفضلها كلّف 162 رصيدًا

نشر الفريق الذي يصنع المسلسل الكرتوني العمودي «شارع الغابة» بالكامل بالاعتماد على نماذج سحابية تحليلًا لعملية الإنتاج. أعاد الفريق بين 29 و31 أكتوبر 2026 بناء حلقة واحدة هي «الدعاية ممنوعة» بنحو عشر طرق، باستخدام Wan وKling وVeo وSeedance وGPT Image وNano Banana Pro. مدة الحلقة 24 ثانية، وشخصياتها ثابتة، والكلام فيها بالروسية. التكاليف مذكورة بأرصدة Higgsfield (العملة الداخلية للخدمة التي يُشغَّل عبرها Kling) وببونصات Flow (وهي وحدة احتساب Veo). ولا يمكن جمع الوحدتين معًا. ولا توجد حتى الآن أرقام مشاهدة لأي من الطرق، وكل تجربة أُجريت مرة واحدة فقط، لذلك لا يصح اعتبار هذا التحليل تصنيفًا للنماذج.

ترتيب الخطوات: مسودة رخيصة أولًا ثم الرسوم المتحركة

المخطط كالتالي: دليل الشخصيات، ثم سيناريو بالثانية، ثم موافقة الإنسان، ثم أوراق مرجعية للشخصيات، ثم لقطات في GPT Image، ثم أصوات ElevenLabs، ثم تجميع مع حركة كاميرا، ثم فحص، ثم معاينة المسودة بواسطة الإنسان. وبعد ذلك فقط يُسلَّم المشهد إلى Kling 4.0: لقطة واحدة متصلة، مع لقطتين أو ثلاث. وبهذه الطريقة لا يُنفق مال الرسوم المتحركة إلا على قصة نالت الاستحسان فعلًا.

وأهم استنتاج للمؤلفين أن نقطة الضعف كانت الطلبات الغامضة، لا النماذج نفسها. فالسيناريو يُكتب بالثانية: من يتكلم، وبأي نبرة، وماذا يفعل المستمع، وأين تقع الوقفة، ومتى يُكشف الغرض. وفي الطلب الثالث إلى Kling أُضيف منع الصدى، وفواصل زمنية دقيقة بين الجمل، وعلامة «ZINA ONLY». وتم التعرف على الجمل الخمس كلها دون تكرار. وقبل الإصدار، يعيد مساعد ذكاء اصطناعي جديد رواية المشهد لقطة بلقطة دون صوت. وإذا لم يتطابق المعنى مع الفكرة المقصودة، لا تُنشر الحلقة.

عشر تجارب على قصة واحدة

جميع التجارب أُجريت في 30 أكتوبر على قصة «الدعاية ممنوعة» بمدة نحو 24 ثانية:

• Wan 3.0 Prime + Speak 2.0، لقطة بلقطة: 116 رصيدًا، نحو 47 دقيقة.

المشبك في اليد منذ البداية، والحروف أُكملت من تلقاء النموذج. استبعده الإنسان. • Kling 4.

0 + Avatars 2.0، لقطة بلقطة: 61,75 رصيد، نحو 17 دقيقة. حروف زائدة على القميص، وزينا تطرف بعينيها بدل أن تُضيّق جفنيها.

استُبعد. • Veo 3.1 Fast، لقطة بلقطة: 180 بونصًا، نحو 29 دقيقة.

تحرّكت ورقة الشخصية بدل المشبك. استُبعد. • صور مع كاميرا («كوميكس»): لا تكاليف جديدة.

تبدّلات واضحة في اللقطات، واستُبعد. • Kling 4.0 دفعة واحدة: 54 رصيدًا، نحو 6 دقائق.

الفاتروشكا ظاهرة مسبقًا، ونص زائف على اللوح، والغرفة تتغير. استبعده الفحص الآلي. • Seedance 2.

5 دفعة واحدة: 168 رصيدًا، نحو 8 دقائق. شخصيتان باسم زينا، ونصوص خاطئة، ولا صوت. استُبعد.

• Veo 3.1 Fast، ثلاثة أجزاء: 80 بونصًا، نحو 10 دقائق. اختلطت الشخصيات، ولم تُكشف الفاتروشكا، ومستوى الصوت −18,3 LUFS.

استُبعد. • Kling 4.0 مع أداء مكتوب بالثانية، 3 لقطات: 162 رصيدًا، نحو 16 دقيقة.

لقطة واحدة، وخمس جمل، وكُشفت الفاتروشكا في النهاية. قُبل. • GPT Image + كاميرا، 10 لقطات: 12 عملية توليد، و373 حرفًا من التعليق الصوتي.

الوضعيات تتغير بقفزات، والنص بلا أخطاء. قُبل بوصفه النسخة الرخيصة. • Nano Banana Pro 2K + كاميرا (بلا حد): الوضعيات تتغير فورًا، والحمامة ليست في مكانها.

لا تقييم.

في اختبار أعمى على ست مقاطع (162,5 رصيد)، كان Wan 3.0 Prime أكثر ما أعجب المقيّم البشري. لكن Kling كان أفضل في مشهد فيه جمل وانفعالات، ولم يصمد هذا الاختيار. واستُبعد Seedance من الإنتاج بسبب الجودة، مع أن الاستخدام غير المحدود كان مفعّلًا عليه. وتُفسد نماذج الفيديو الحروف، لذلك صارت جميع الأوراق والألواح داخل الفيديو خالية من الكتابة، وتُرسم النقوش في صور GPT Image وNano Banana. ويُولَّد الفيديو بدقة 720p ثم يُمدَّد إلى 1080×1920. وكلّف توليد Kling بدقة 1080p ما مقداره 96 رصيدًا مقابل 54.

الصوت والفحص: ما لا تسمعه الأتمتة

يتولى ElevenLabs eleven_v4 التعليق الصوتي مع علامات الانفعال. وأُجري اختيار أصوات لثماني شخصيات من بين 24 مرشحًا (2 992 رصيدًا). أُلغي أول صوت لزينا، Nadia، لأنه موسوم بأنه شاب، بينما عمر الشخصية 74 عامًا. واختير Babushka Valya، لكن بحسب الوصف لا بالسماع. وتُسرَّع التسجيلات البطيئة حتى ×1,30 دون تغيير درجة الصوت.

يتكلم Kling بأصوات خاصة به، لذلك يُستبدل الكلام. يفصل Audio Isolation الصوت، وتُقطَّع الجمل إلى نوافذ، وتمر كل جملة عبر Voice Changer (eleven_multilingual_sts_v2) وتوضع فوق خلفية هادئة. أما مسار الفيديو فلا يتغير، وتتطابق قيمة SHA-256 له قبل المعالجة وبعدها. وانزاحت حدود الكلمات بحد أقصى 0,06–0,08 ثانية بحسب تقدير Scribe، خدمة التعرف على الكلام من ElevenLabs. وهذا لا يثبت تطابق حركة الشفاه.

الفحص منفصل عن التجميع. تُلتقط اللقطات كل 0,25 ثانية، أي نحو 100 لقطة لكل مقطع، ويراجعها مساعد ذكاء اصطناعي. ويتعرف faster-whisper small المحلي على الكلام. ويُقاس مستوى الصوت عبر ffmpeg ويُضبط عند −14 LUFS. وكان المسار الأصلي متذبذبًا: نحو −11,7 في Kling، و−18,3 في Veo مع هبوط إلى −23,3 في الجزء الثالث. ولا يسمع أي مساعد ذكاء اصطناعي الصوت: فقد أعاد رفع ملف WAV الرسالة «audio input not supported». ويعيد التعرف على الكلام الكلمات لا المقاطع المنبورة، لذلك لا يمكن التحقق به من موضع النبر. ولم ينجح ربط قاموس من 31 كلمة، لأن مفتاح API لم يملك الصلاحية pronunciation_dictionaries_write.

ما بقي دون حل

نقل صورة ناجحة إلى الفيديو غير موثوق. ففي «А телефон куда?» يحجب الصندوق الدرج، وينزاح المصباح دون فعل مرئي، ويرتفع الهاتف قبل الوقفة. وتبدو ورقة تيوما أصغر من 16 عامًا، وترثها جميع اللقطات. وتُظهر النسخ المبنية من الصور ازدواجًا في الظلال على الانتقالات ذات الخمس لقطات. ولا توجد تأكيدات سمعية للأصوات. وأهم ما يجهله المؤلفون: كم تكلّف حلقة جيدة تتكرر بانتظام، لا محاولة واحدة ناجحة، من الروبلات وساعات عمل الإنسان. والخلاصة العملية لمن يصنع فيديو بالذكاء الاصطناعي: اكتب المشهد بالثانية، واختبره على لقطات رخيصة، ولا تثق بتقرير الفحص الآلي دون أذنيك.