Kling

Kling 2.6: أبعد من الأفلام الصامتة

في السابق، كان مجال توليد الفيديو يعاني من فجوة واضحة. فبالرغم من أننا كنا ننبهر بجودة صور Kling العالية، إلا أنها في النهاية لم تكن سوى صور متحركة مثل GIF.

إذا أردت تجربة غامرة، كنت مضطراً لتجميع عملك من عدة مصادر: توليد الفيديو هنا، وتوليد الصوت النصي هناك، والبحث عن مؤثرات صوتية في مكان آخر، ثم جمع كل ذلك معاً. كان الأمر معقداً وتجربة المشاهدة ضعيفة. مع إصدار Kling 2.6، لم يتم تخفيض هذا العائق فقط

نهاية طريقة "تجميع الأجزاء" المرهقة

الميزة الأبرز في Kling 2.6 هي الصوت الأصلي. فهذه ليست مجرد طبقة صوتية تُضاف بعدياً لملف الفيديو، بل النموذج نفسه يقوم بتوليد شامل يجمع الصورة والحوار والمؤثرات الصوتية وأجواء المشهد في عملية واحدة.

من الناحية التقنية، هذا يعالج مشكلة "التزامن" التي تزعج عمليات التعديل اليدوي. في الطرق السابقة، كان توافق صوت الخطوات مع حركة القدم في الصورة مهمة مرهقة للغاية. يركز Kling 2.6 على تنسيق الصوت والصورة، وهذا يعني أن النظام يفهم أنه عند كسر زجاج في المشهد بصرياً، يجب سماع صوت تحطم حاد في نفس إطار الحدث.

دمج "المشهد + الحدث + الصوت" في فهم واحد هو ما يجعل الأداة مناسبة للاستخدام الاحترافي وليس مجرد التجارب البسيطة.

دليل المستخدم المحترف للـPrompt

لكل المهتمين بهذا المجال، أنتم تعلمون أن جودة المخرجات تعتمد على جودة الإيعازات التي تضعها للنموذج. Kling 2.6 يتطلب تغييراً في طريقة إعداد prompt؛ لم يعد يكفي وصف الصورة فقط، بل عليك أيضاً وصف المشهد الصوتي.

استناداً إلى بنية النموذج، هذه هي الصيغة التي عليك اتباعها:

Prompt = مشهد + عنصر (موضوع) + حركة + صوت + أسلوب

تقنية "الربط البصري"

من الأخطاء الشائعة في فيديوهات الذكاء الاصطناعي ظهور "إسناد خاطئ"—حيث لا يعرف النموذج من يتحدث. توصي الوثائق باستخدام تقنية أسميها الربط البصري.

لا تكتب فقط: "[العميل] يقول 'توقف!'"
بل اكتب: "[عميل يرتدي بدلة سوداء] يضرب يده على الطاولة. [عميل يرتدي بدلة سوداء، يصرخ بغضب]: 'أين الحقيقة؟'"

عندما تربط الحوار بالفعل الجسدي (كالضرب على الطاولة)، فإنك تجبر النموذج على ربط مصدر الصوت بالشخص الموجود في الصورة. وهذا مهم جداً في المشاهد التي تشمل أكثر من شخصية.

القيود والحدود المنطقية

بالرغم من أن Video 2.6 يمثل نقلة كبيرة للأمام، يجب أن نبقى موضوعيين حيال حدوده الحالية.

أولاً، حاجز اللغة. حالياً يدعم النموذج الصوتي الأصلي باللغتين الصينية والإنجليزية فقط. إذا أدخلت نصاً بالفرنسية أو الإسبانية سيتم تحويله تلقائياً للإنجليزية. وهذا يشكل عقبة أمام صناع المحتوى العالميين، لكنها على الأغلب مؤقتة.

ثانياً، اعتماد الجودة على الدقة. في العمل من صورة إلى فيديو صوتي بصري، جودة الفيديو الناتج تعتمد تماماً على دقة الصورة المدخلة. لا يستطيع النموذج أن يحوّل صورة غير واضحة إلى فيديو سينمائي بدقة 4K. المدخلات الرديئة تعطي مخرجات رديئة، وهذه قاعدة ذهبية.