FusionCow يطرح Sulphur-3: ضبط دقيق لـ MiniMax H3 لتوليد فيديو بالصوت بحجم يبدأ من 11.4 غيغابايت

عانت نماذج الفيديو المفتوحة لسنوات من آلية العمل المزعجة نفسها: شبكة عصبية تولد الصورة، وأخرى تضيف الصوت، ثم يجري دمج كل ذلك يدويًا، وغالبًا ما يختل التزامن. لذلك يستحق أي إصدار مبني على نموذج ينتج الفيديو والصوت في تمريرة واحدة الاهتمام. وهذا بالضبط ما قدمه FusionCow: فالنسخة الثالثة من ضبطه الدقيق Sulphur مبنية على MiniMax H3.

ما الذي نُشر تحديدًا

اشتهر Sulphur-2 بوصفه خيارًا لتوليد الفيديو من دون رقابة مدمجة. وفي الإصدار الثالث، غيّر المطور النموذج الأساسي إلى MiniMax H3، الذي ينشئ مقطعًا مصحوبًا بالصوت مباشرة. تتوفر الأوزان الأساسية بثلاث صيغ: BF16 بحجم 40.2 غيغابايت، وINT8 بحجم 20.9 غيغابايت، وW4A8 بحجم 11.4 غيغابايت. وهذا هو السلم المعتاد للتكميم: كلما صغر حجم الملف، انخفضت متطلبات الذاكرة، لكن ارتفع احتمال فقدان الجودة.

تتوفر أيضًا نسخة Ref2VA تدعم الصور المرجعية. ببساطة، تزود النموذج بصورة فوتوغرافية أو رسم للشخصية، ويحاول الحفاظ على مظهرها طوال المقطع. وهذه واحدة من أكثر مشكلات توليد الفيديو إزعاجًا: فمن دون مرجع، يميل الوجه والملبس إلى «الانجراف» من إطار إلى آخر. طُرح Ref2VA بصيغتي BF16 وINT8، ويبلغ حجم الأخيرة 22.1 غيغابايت.

إضافة إلى ذلك، نشر المطور ملف LoRA بحجم 2.4 غيغابايت مستخرجًا من Sulphur-3. ويسهل اختباره لمن لا يريد تنزيل النموذج الكامل ويرغب في تطبيق التغييرات على قاعدة H3 متوفرة لديه بالفعل.

التشغيل والعتاد

يحتوي المستودع على الأرشيف S3_ComfyUI.zip، بينما تعمل النسخة الداعمة للمراجع عبر عقدة Ref2VA مخصصة. وهناك ملاحظة مهمة: يجب تنزيل المشفر وVAE الخاص بالفيديو والصوت من H3 بصورة منفصلة. وهذا يعني أن المساحة الفعلية المطلوبة على القرص ستكون أكبر من مجموع الملفات المذكورة أعلاه. فإذا كنت تخطط لنشر المجموعة كاملة على جهازك أو على خادم مستأجر، فاحسب هامشًا إضافيًا.

تتوفر نتيجة رقمية واحدة من اختبار أجراه مستخدم. فقد ولدت نسخة Ref2VA بصيغة INT8، على بطاقة بذاكرة VRAM سعتها 32 غيغابايت، 124 إطارًا بدقة 672×384 خلال نحو 50 ثانية، باستخدام 20 خطوة ومن دون مصحح. ولم يحدد صاحب الاختبار طراز بطاقة الرسوميات المستخدمة، لذا تمثل النتيجة تقديرًا تقريبيًا لتكوين واحد، وليست معيار أداء. كما أن الدقة متواضعة: تكفي للمعاينات والمسودات، لكن الإنتاج النهائي سيحتاج إلى رفع الدقة.

القيود والخلاصة العملية

القيد الأول هو أن الوصول إلى الملفات على Hugging Face يُمنح حاليًا بعد تقديم طلب والحصول على موافقة يدوية، ولم يعلن المطور موعد إتاحتها للجميع. أما القيد الثاني فهو أن هذا ضبط دقيق من طرف ثالث ومن دون رقابة. وإذا كنت تبني منتجًا للجمهور، فسيتعين عليك تحمل مسؤولية الإشراف على المدخلات والمخرجات، وفرض القيود العمرية، وإدارة المخاطر القانونية المتعلقة بالمحتوى المولد، بما في ذلك استخدام وجوه أشخاص حقيقيين عند العمل بالصور المرجعية.

ما الذي يعنيه ذلك للفرق العملية؟ أولًا، تعاملوا مع الإصدار بوصفه إشارة: فقد وصلت منظومة «الفيديو مع الصوت في نموذج واحد»، إلى جانب الأوزان المفتوحة، بالفعل إلى عمليات الضبط الدقيق التي ينفذها المجتمع، ما يعني أن خيارات أكثر حيادًا ستظهر قريبًا على الأرجح. ثانيًا، إذا كنتم تختبرون H3 في ComfyUI، فانظروا إلى W4A8 وINT8 كوسيلة لتشغيل النموذج ضمن ذاكرة تتراوح بين 12 و24 غيغابايت، مع ضرورة اختبار جودة الصوت والوجوه في سيناريوهاتكم الخاصة. ثالثًا، في المهام التي تتطلب شخصية ثابتة، يجدر النظر في نهج Ref2VA؛ إذ يمكن أن تفيد فكرة الصورة المرجعية في مسارات عمل الإعلانات والألعاب على حد سواء.

الخلاصة: يكتسب الإصدار أهميته أساسًا من الناحية التقنية، بوصفه مثالًا حديثًا على قاعدة مفتوحة تدعم الصوت والصور المرجعية. لكن إلى أن يتوفر الوصول المفتوح وتظهر قياسات مستقلة، ينبغي التعامل معه كتجربة لا كأداة جاهزة للإنتاج.