فريق ينجز رسوما متحركة بالذكاء الاصطناعي خلال أسبوع ونصف مقابل نحو 15 ألف روبل

في فيديوهات الذكاء الاصطناعي، لا تكون عملية التوليد الأولى هي المكلفة، بل التعديل الأخير. اختبر فريق مشروع «Hooligans in the Club» ذلك عمليا: أنجز الصور الثابتة خلال أقل من أسبوع مقابل 3 آلاف إلى 5 آلاف روبل، ثم استغرق التحريك أسبوعا ونصف إضافيا وكلف نحو 15 ألف روبل. وبعد ذلك، تطلب المونتاج والمؤثرات ثنائية الأبعاد والصوت نحو أسبوع من العمل اليدوي. أما الاستبدالات النهائية فأضافت أسبوعا أو أسبوعين آخرين.

قدمت التجربة تحليلا مفيدا للإنتاج الهجين: لم تحل الشبكات العصبية هنا محل الفنانين والمونتيرين، بل سرعت البحث عن اللقطات والحركة بين المشاهد الرئيسية. وفر Blender هندسة قابلة للتحكم، وساعد Photoshop على إصلاح التفاصيل من دون إعادة التوليد بالكامل، فيما ربطت المؤثرات اليدوية المواد في فيديو متماسك.

تثبيت المظهر أولا

بدأ العمل بلوحة مزاجية في Soul 2.0. وبناء عليها، أعد الفريق المواقع والمشاهد وبطاقات الشخصيات. كما جرى تحسين بعض اللقطات باستخدام Seedream 5 Pro وNano Banana Pro وPhotoshop.

هذا التسلسل مهم. فإذا لم تثبت الشخصية والملابس والبيئة والتكوين قبل التحريك، فإن كل تغيير لاحق يمر عبر السلسلة بأكملها: يجب إعادة إعداد الإطار الأصلي، وتوليد الحركة من جديد، ومراجعة المونتاج، وإعادة تنفيذ المؤثرات. وهذا بالضبط ما واجهه مؤلفو المشروع، إذ استغرقت التعديلات النهائية أسبوعا أو أسبوعين إضافيين، رغم انتهاء التوليد الأساسي بالفعل.

الاستنتاج العملي للمنتج بسيط: ينبغي اعتماد حزمة متكاملة من المواد المرجعية، لا مجموعة من الصور الجميلة المنفصلة. وتشمل هذه الحزمة مظهر الشخصيات، والزوايا الرئيسية، ولوحة الألوان، والإكسسوارات، وعدة مشاهد مرجعية. وتعمل الحزمة بعد ذلك كمواصفات للفريق بأكمله.

المسودة تختبر الموجه لا جودة الحركة

استخدم الفريق وضع المسودة في Seedance 2.5 للتحريك. وكان ينشئ الفيديو أولا بدقة 480p، ما أتاح اختبار الفكرة وصياغة الموجه بتكلفة أقل. لكن محاولة أخذ مسودة ناجحة وتحسينها مباشرة كانت تنتج عيوبا في كثير من الأحيان.

لم تقتصر المشكلة على ضعف تفاصيل الخامات. فقد رافقت الدقة المنخفضة أخطاء في الفيزياء ومسارات الأجسام وحركة الكاميرا. وعند التحسين اللاحق، كان النموذج يحتفظ بمنطق الفيديو الأصلي نفسه، بما في ذلك الحركات غير الموفقة. أصبحت الصورة أكثر حدة، لكن الخطأ لم يختف.

لذلك غير الفريق سير العمل: أبقى وضع المسودة لاختبار الموجهات، ثم أعاد تشغيل الصياغات المناسبة من البداية بدقة 1080p. هذه الطريقة أغلى من الضغط على زر «تحسين» مرة واحدة، لكنها تقلل خطر الحصول على فيديو نظيف تقنيا بكاميرا خاطئة أو فيزياء تنهار.

يتطلب سير الإنتاج هنا معيار قبول منفصلا. ففي المسودة، لا ينبغي تقييم مستوى التفاصيل، بل التكوين واتجاه الحركة وسلوك الأجسام والإيقاع وعمل الكاميرا. وإذا تعلق الخطأ بهذه المعايير، فلن يؤدي رفع الدقة إلى إصلاحه.

من الأفضل بناء المشاهد المرجعية يدويا

في المقاطع المعقدة، كان الفريق يجمع نماذج أولية بسيطة منخفضة المضلعات في Blender، ثم يمررها إلى النموذج كأساس بصري. حدد هذا الهيكل وضعيات العناصر ومواقعها النسبية، بينما أضاف النموذج التوليدي المظهر والحركة. وقد وفر ذلك قدرا أكبر من التحكم في المشاهد التي لم يكن الوصف النصي وحده كافيا لها.

جرى توليد الأداء الصوتي لعدة جمل في ElevenLabs. أما المونتاج والصوت والمؤثرات البصرية ثنائية الأبعاد فنفذت يدويا. وهذا المزيج هو ما حدد النتيجة: سرع الذكاء الاصطناعي إنتاج المواد الأولية، لكن تحقيق الترابط النهائي ظل مهمة بشرية.

يتمثل القيد الرئيسي لهذا النهج في التكلفة المرتفعة للقرارات المتأخرة. تبدو اللقطات التوليدية مستقلة، لكنها ترتبط في الفيديو النهائي بالشخصيات والمونتاج والصوت والمؤثرات. وقد يستلزم استبدال مشهد أساسي واحد إعادة عمل عدة متخصصين.

بالنسبة إلى الفريق، يبدو سير العمل المعقول كالتالي: اعتماد المراجع البصرية أولا، ثم اختبار الحركة بمسودات رخيصة، وبعد ذلك إنشاء اللقطات النهائية من جديد بالجودة المطلوبة، والانتقال إلى المؤثرات والصوت في النهاية فقط. وبذلك تظل ميزانية التوليد محدودة نسبيا، لكن الوفورات لا تتحقق إلا عندما تستبعد التعديلات المكلفة قبل المونتاج.