سبير تفتح Kandinsky Avatar: صور رمزية ناطقة حتى 60 ثانية وبمعدل 24 إطارًا في الثانية

يبدو الأفاتار الناطق ميزة بسيطة إلى أن تحاول دمجه في منتج. فعليك مزامنة الشفاه مع الكلام، والحفاظ على ملامح الوجه، وإضافة تعابير وحركات طبيعية، ثم الإبقاء على ذلك كله دون عيوب ظاهرة لدقيقة على الأقل. وقد فتحت سبير الشيفرة المصدرية وأوزان Kandinsky Avatar 1.0، وهو نموذج يحل هذه المهمة انطلاقًا من صورة وتسجيل صوتي ووصف نصي للمشهد.

والناتج مقطع تصل مدته إلى 60 ثانية بمعدل 24 إطارًا في الثانية. يحرّك النموذج النطق وتعابير الوجه وحركات الرأس والإيماءات. وهذا لم يعد مجرد «إحياء صورة» قصير لبضع ثوانٍ، بل أساس لمستشار افتراضي أو شرح تعليمي أو فيديو مترجَم ومحلَّي.

كيف يبدو الأمر عمليًا

لنفترض أن خدمة تعليمية تحتاج إلى إصدار شروحات قصيرة بعدة لغات. يأخذ الفريق صورة المقدّم، ويسجّل الجملة المطلوبة أو يولّدها صوتيًا، ويحدد المشهد بنص. يجمع Kandinsky Avatar الفيديو مطابقًا حركة الشفاه مع الصوت وماضيفًا حركات غير لفظية.

يُقدَّم للمطورين إصداران. تولّد نسخة Pro فيديو HD وتستهدف جودة أعلى. وتؤكد سبير أن النتيجة قابلة للمقارنة مع HeyGen IV، لكنها مقارنة أجراها المطوّر نفسه: وبدون اختبارات مستقلة ينبغي اعتبارها مؤشرًا إرشاديًا لا تكافؤًا مثبتًا. أما Lite فتنتج فيديو SD ويمكنها، بحسب الفريق، العمل على بطاقة رسومات منزلية. وLite هي الأكثر إثارة للاهتمام للنماذج الأولية والتثبيتات المحلية والسيناريوهات التي لا يجوز فيها إرسال وجوه المستخدمين أو أصواتهم إلى خدمة خارجية.

تم تدريب النموذج على أكثر من مليون مقطع فيديو يتضمن كلامًا بـ95 لغة. يدل ذلك على اتساع التغطية اللغوية لبيانات التدريب، لكنه لا يضمن جودة متماثلة لكل لغة ولهجة ونوع وجه. وقبل الاعتماد سيتعين اختبار أصواتكم وإيقاع الكلام وحركات الرأس والفونيمات المعقدة.

ماذا يحصل عليه فريق المنتج

الأهم هنا ليس عرضًا مبهرًا آخر للأفاتار، بل إمكانية دمج التوليد في خط الإنتاج الخاص. النماذج المفتوحة مسموح باستخدامها تجاريًا، لذا يمكن بناء مستشارين افتراضيين وخدمات توطين ومنتجات تعليمية وأدوات لإنشاء محتوى الفيديو.

كما يغيّر التشغيل المحلي الاقتصاديات والتحكم في البيانات. يمكن للفريق اختيار البنية التحتية بنفسه، وحفظ الصور والصوت الأصلي داخل نطاقه، وإنتاج المقاطع دفعات، وعدم الاعتماد على تعرفة واجهة برمجية خارجية. لكن الشيفرة المفتوحة لا تعني تشغيلًا مجانيًا: تبقى تكاليف بطاقات الرسومات والتخزين وطابور المهام والإشراف ومراقبة الجودة.

ما الذي يجب فحصه قبل الاعتماد

لا يحتوي الوصف المنشور على بيانات كافية عن سرعة التوليد وحجم ذاكرة الفيديو وزمن الاستجابة واستقرار المقاطع الطويلة والجودة في لغات مختلفة. كما لم تُعلن نتائج مقارنة مستقلة مع المنافسين التجاريين. لذلك لا ينبغي البدء بالدمج في المنتج الرئيسي، بل بمجموعة صغيرة من السيناريوهات الواقعية.

اجمعوا 20–30 جملة نموذجية، وأضيفوا أصواتًا ووجوهًا ولغات مختلفة، ثم قيسوا زمن التوليد وتكلفة دقيقة الفيديو ونسبة المقاطع التي تجتاز المراجعة اليدوية دون إعادة. وتحققوا بشكل منفصل من موافقة الشخص على استخدام مظهره وصوته، ووسم الفيديو الاصطناعي، والحماية من إنشاء مقاطع دون إذن.

الخلاصة العملية بسيطة: يمنح Kandinsky Avatar 1.0 الفرق أساسًا مفتوحًا للأفاتار الناطقة، وهو ذو قيمة خاصة عند النشر المحلي. لكن وعد الجودة بمستوى HeyGen IV لا يزال بحاجة إلى تأكيد على بياناتكم ومعداتكم.