ارتقای سطح تولید ویدیو با هوش مصنوعی: راهنمای تخصصی پرامپت‌نویسی با JSON

امید فرهادی

5 آبان 1404

مقدمه: فراتر از پرامپت‌های متنی ساده

در سال‌های اخیر، ابزارهای هوش مصنوعی مولد، به‌ویژه در حوزه تصویر و ویدیو، پیشرفت‌های چشمگیری داشته‌اند. مدل‌هایی مانند Sora 2 Pro این قابلیت را فراهم کرده‌اند که تنها با چند خط متن، ویدیوهایی خلق شوند که تا پیش از این نیازمند تیم‌های بزرگ تولید، تجهیزات گران‌قیمت و ساعت‌ها کار بودند. با این حال، بسیاری از کاربران حرفه‌ای و علاقه‌مندان به فناوری، پس از تجربه اولیه، با یک چالش اساسی روبرو می‌شوند: عدم کنترل دقیق بر خروجی نهایی. پرامپت‌های متنی ساده، هرچقدر هم که با جزئیات نوشته شوند، اغلب بخشی از کار را به “حدس” و تفسیر مدل واگذار می‌کنند. اما راهکاری قدرتمند برای عبور از این محدودیت وجود دارد: استفاده از پرامپت‌های ساختاریافته JSON.

این مقاله به بررسی عمیق این موضوع می‌پردازد که چگونه می‌توان با بهره‌گیری از پرامپت‌های JSON، فرایند تولید ویدیو با هوش مصنوعی را از یک فعالیت مبتنی بر شانس، به یک فرایند مهندسی‌شده و خلاقانه با کنترل کامل بر جزئیات تبدیل کرد. در اینجا، مدل هوش مصنوعی دیگر فقط یک ابزار تولید نیست، بلکه به یک “موتور سینماتیک” (Cinematic Engine) تبدیل می‌شود که شما به عنوان کارگردان، آن را هدایت می‌کنید.

چرا پرامپت‌های ساده برای نتایج حرفه‌ای کافی نیستند؟

تصور کنید می‌خواهید یک صحنه کوتاه از یک خودروی اسپرت که در جاده‌ای کوهستانی حرکت می‌کند، بسازید. یک پرامپت متنی ساده ممکن است این‌گونه باشد: “یک خودروی اسپرت قرمز در حال رانندگی سریع در یک جاده کوهستانی در غروب آفتاب، سبک سینمایی”.

مدل هوش مصنوعی با دریافت این دستور، یک ویدیو تولید می‌کند. اما سوالات زیادی بی‌پاسخ می‌مانند: زاویه دوربین چیست؟ آیا دوربین ثابت است یا خودرو را دنبال می‌کند؟ نوع نورپردازی چگونه است؟ آیا نور گرم و طلایی غروب است یا سرد و دراماتیک؟ حالت کلی صحنه هیجان‌انگیز است یا آرام و لوکس؟ مدل AI برای پاسخ به این سوالات، بر اساس داده‌های آموزشی خود “حدس” می‌زند. نتیجه ممکن است خوب باشد، اما به ندرت دقیقاً همان چیزی است که در ذهن داشتید.

تفاوت کلیدی میان یک “کلیپ” تصادفی و یک “تبلیغ” یا “سکانس سینمایی” هدفمند، در میزان کنترل شما بر جزئیات نهفته است. پرامپت‌های ساده شما را در سطح “حدس زدن” نگه می‌دارند، در حالی که پرامپت‌های ساختاریافته به شما قدرت “کنترل” می‌دهند.

اینجاست که محدودیت اصلی پرامپت‌های متنی آشکار می‌شود. برای متخصصان، برندها و فیلم‌سازانی که به دنبال خروجی‌های دقیق، باکیفیت و مطابق با یک سناریوی مشخص هستند، این سطح از عدم قطعیت پذیرفتنی نیست. فرایند تولید ویدیو با هوش مصنوعی باید قابل پیش‌بینی و تکرارپذیر باشد.

معرفی پرامپت‌های JSON: زبان مشترک با موتور سینماتیک AI

برای دستیابی به کنترل دقیق، باید با مدل هوش مصنوعی به زبانی صحبت کنیم که برای آن قابل فهم و ساختاریافته باشد. JSON (JavaScript Object Notation) این زبان مشترک را فراهم می‌کند. JSON یک فرمت سبک برای تبادل داده است که از ساختار “کلید-مقدار” (key-value) استفاده می‌کند. این ساختار به ما اجازه می‌دهد تا دستورالعمل‌های خود را به صورت دسته‌بندی‌شده و دقیق به مدل ارائه دهیم.

وقتی از JSON Prompts در پلتفرم‌هایی مانند Dzine که با مدل Sora 2 Pro کار می‌کنند استفاده می‌کنیم، در واقع در حال برنامه‌ریزی پارامترهای مختلف “موتور سینماتیک” هستیم. هر “کلید” در فایل JSON، یک پارامتر مشخص (مانند حرکت دوربین، نورپردازی، یا عناصر صحنه) را کنترل می‌کند و “مقدار” آن، دستورالعمل دقیق شما برای آن پارامتر است. این رویکرد، تولید ویدیو با هوش مصنوعی را به سطح جدیدی از دقت و خلاقیت ارتقا می‌دهد.

کالبدشکافی یک پرامپت JSON حرفه‌ای

یک پرامپت JSON برای ساخت ویدیو می‌تواند شامل پارامترهای متعددی باشد. در ادامه، به بررسی ساختار یک نمونه پرامپت پیچیده و اجزای کلیدی آن می‌پردازیم. این ساختار به شما امکان می‌دهد تا تقریباً تمام جنبه‌های بصری و روایی صحنه را مدیریت کنید.

description: توصیف کلی و اصلی صحنه. این بخش شبیه به یک پرامپت متنی عادی است اما در چارچوب کلی قرار می‌گیرد.
style: سبک بصری و هنری ویدیو. مقادیری مانند “سینماتیک، ماجراجویی لوکس، واقع‌گرایانه، هایپررئال” در این بخش تعریف می‌شوند.
camera: یکی از مهم‌ترین بخش‌ها برای کنترل کارگردانی. در اینجا می‌توانید نوع حرکت (Dolly, Crane, Pan)، زاویه (Low Angle, High Angle) و نوع لنز را مشخص کنید.
lighting: تعریف دقیق نورپردازی صحنه. عباراتی مانند “نور طلایی غروب، نورپردازی دراماتیک، سایه‌های بلند، نور ملایم صبحگاهی” در این بخش قرار می‌گیرند.

location: توصیف دقیق محل وقوع صحنه، مانند “جاده‌ای آسفالته در کوه‌های آلپ سوئیس” یا “یک آپارتمان مدرن با پنجره‌های بزرگ رو به شهر”.
elements: عناصر و اشیاء خاصی که باید در صحنه حضور داشته باشند. برای مثال، “ساعت مچی روی داشبورد، قطرات باران روی شیشه”.
motion: توصیف حرکت‌های درون صحنه، جدا از حرکت دوربین. مثلاً “حرکت سریع ابرها، ریزش برگ‌ها از درختان”.
ending: نحوه پایان‌بندی صحنه. برای مثال، “پایان با یک نمای نزدیک از لوگوی محصول” یا “محو شدن تدریجی در سیاهی”.
audio: پیشنهاداتی برای طراحی صدا، هرچند مدل‌های فعلی مستقیماً صدا تولید نمی‌کنند، اما این بخش می‌تواند به مدل در ایجاد اتمسفر مناسب کمک کند. مانند “صدای باد، غرش موتور، موسیقی حماسی”.
keywords: مجموعه‌ای از کلمات کلیدی برای تقویت مفاهیم اصلی و سبک بصری.

در زیر یک نمونه ساختار ساده‌شده از چنین پرامپتی را مشاهده می‌کنید:

{
  "description": "A cinematic shot of a luxury watch resting on a rocky ledge overlooking a dramatic mountain landscape at sunrise.",
  "style": "Cinematic, luxury adventure, hyperrealistic, high-end commercial",
  "camera": "Slow dolly zoom in, starting wide and ending on a close-up of the watch face, low angle shot",
  "lighting": "Warm golden hour light, long shadows, lens flare as the sun rises",
  "location": "Swiss Alps, rocky outcrop, misty valleys below",
  "elements": "The watch is a Breitling Navitimer, condensation on the metal, small pebbles around the watch",
  "motion": "Mist slowly swirling in the valley, a subtle glint of light moves across the watch face",
  "ending": "Ends with the watch face filling the frame, logo clearly visible",
  "audio": "Atmospheric wind, subtle orchestral score building up",
  "keywords": "luxury, adventure, precision, nature, cinematic, 8K, photorealistic"
}

کاربرد عملی: ساخت یک تیزر تبلیغاتی لوکس

بیایید فرایند را با یک مثال واقعی مرور کنیم: ساخت یک تیزر تبلیغاتی برای یک ساعت لوکس (مانند Breitling). هدف، ایجاد یک ویدیوی کوتاه اما تأثیرگذار است که حس ماجراجویی و تجمل را القا کند.

۱. جمع‌آوری منابع: کار با چند تصویر مرجع از مدل ساعت مورد نظر آغاز می‌شود. این تصاویر به ابزاری مانند ChatGPT داده می‌شوند تا مدل، جزئیات ظاهری محصول را به خوبی درک کند.

۲. تولید پرامپت JSON با ChatGPT: سپس از ChatGPT خواسته می‌شود تا بر اساس تصاویر و ایده کلی (تبلیغ لوکس و ماجراجویانه)، یک پرامپت JSON دقیق و پیچیده با ساختاری که در بالا توضیح داده شد، تولید کند. ChatGPT با درک عمیق از زبان و ساختار، یک پرامپت کامل شامل جزئیات دوربین، نور، مکان و… ایجاد می‌کند.

۳. اجرا و تولید ویدیو: پرامپت JSON تولید شده در پلتفرم تولید ویدیو با هوش مصنوعی (در اینجا به جهت رایگان بودن از هوش مصنوعی MindVideo استفاده شده) وارد می‌شود. نکته فنی مهم در این مرحله، توجه به محدودیت‌های پلتفرم است. برای مثال، ممکن است محدودیت ۱۰۰۰ کاراکتری برای پرامپت وجود داشته باشد که می‌توان از ChatGPT خواست پرامپت را در همین محدوده بهینه‌سازی کند.

۴. نتیجه: خروجی، یک ویدیوی سینمایی باکیفیت است که در آن حرکت دوربین، نورپردازی و جزئیات صحنه دقیقاً مطابق با دستورالعمل‌های JSON پیاده‌سازی شده است. نتیجه دیگر یک “کلیپ” تصادفی نیست، بلکه یک قطعه تبلیغاتی هدفمند و حرفه‌ای است.

کاربرد عملی: کارگردانی یک تریلر سینمایی

قدرت پرامپت‌های JSON تنها به صحنه‌های کوتاه محدود نمی‌شود. می‌توان از این روش برای ساخت یک روایت کامل و چندبخشی، مانند یک تریلر سینمایی، استفاده کرد. فرض کنید داستانی درباره مردی دارید که در یک شهر متروکه از یک دشمن نامرئی فرار می‌کند.

برای این کار، به جای نوشتن یک پرامپت طولانی، روایت را به چند صحنه کلیدی تقسیم می‌کنیم:

صحنه ۱: نمای باز از شهر متروکه، مرد با احتیاط وارد کادر می‌شود. (پرامپت JSON برای ایجاد اتمسفر و معرفی مکان)

{
“description”: “A wide cinematic shot of a deserted city at dawn. Crumbling buildings, overgrown streets, and drifting fog create an atmosphere of haunting silence. A lone man slowly enters the frame, scanning his surroundings cautiously.”,
“style”: “cinematic, dystopian realism, atmospheric thriller”,
“camera”: “wide establishing shot, slow dolly-in with slight aerial movement, 35mm lens for depth”,
“lighting”: “soft bluish dawn light filtered through fog, diffused highlights on metal and glass debris”,
“location”: “abandoned urban district with decayed architecture, scattered vehicles, and cracked pavement”,
“elements”: [“fog moving gently”, “broken streetlights”, “birds flying away in distance”],
“motion”: “slow movement of fog, man stepping forward carefully, distant fabric fluttering in wind”,
“ending”: “camera pauses as the man stops, tension hanging in the silent air”,
“audio”: “low wind hum, faint metal creak, distant echo of dripping water”,
“keywords”: [“abandoned city”, “mystery”, “silence”, “isolation”, “tension”]
}

صحنه ۲: نمای نزدیک از چهره مضطرب مرد، او صدایی می‌شنود و به سرعت برمی‌گردد. (پرامپت JSON برای تمرکز بر احساسات و واکنش)

{
“description”: “Close-up on the man’s anxious face, eyes darting nervously. He hears a faint noise behind him, his pupils widen, and he quickly turns around. The air is thick with invisible danger.”,
“style”: “psychological thriller, hyperreal close-up, cinematic lighting”,
“camera”: “tight close-up, shallow depth of field, quick pan as he turns his head”,
“lighting”: “cool side light with flickering highlights, subtle reflections emphasizing sweat and fear”,
“location”: “dim, narrow alleyway with partial fog and scattered debris”,
“elements”: [“moist air around his face”, “dust floating in the beam of light”],
“motion”: “rapid head turn, shallow breathing, brief tremor in his expression”,
“ending”: “camera lingers on his widened eyes as the sound intensifies off-screen”,
“audio”: “muffled metallic echo, distant whisper, heartbeat sound layered beneath ambient hum”,
“keywords”: [“fear”, “reaction”, “close-up”, “suspense”, “tension”]
}

صحنه ۳: نمای متحرک از پشت سر مرد که در کوچه‌ای باریک می‌دود. (پرامپت JSON برای ایجاد حس تعقیب و هیجان)

{
“description”: “Tracking shot from behind the man as he sprints through a narrow, debris-filled alley. The camera follows his frantic movement as dust rises and the echo of his footsteps bounces off the walls.”,
“style”: “cinematic thriller, gritty realism, fast-paced energy”,
“camera”: “over-the-shoulder tracking shot with handheld shake, 24mm wide lens for dynamic motion”,
“lighting”: “strong contrast between shadowy alley and bright exit light at the end, flickering neon reflections”,
“location”: “tight urban alley cluttered with trash bins, broken pipes, and dripping walls”,
“elements”: [“flying dust”, “falling debris”, “reflections of movement on wet pavement”],
“motion”: “fast running, camera shake synchronized with footsteps, slight slow motion on sudden turns”,
“ending”: “man disappears into light as the camera slows, leaving the echo of pursuit behind”,
“audio”: “rapid breathing, echoing footsteps, metallic clangs, distant roar of unseen pursuer”,
“keywords”: [“chase”, “adrenaline”, “escape”, “dark alley”, “thriller”]
}

با تولید هر یک از این صحنه‌ها از طریق پرامپت‌های JSON مجزا، شما کنترل کاملی بر هر بخش از داستان دارید. سپس می‌توانید این کلیپ‌ها را در یک نرم‌افزار تدوین ویدیو کنار هم قرار دهید تا یک تریلر منسجم و روایی بسازید. این رویکرد ماژولار در تولید ویدیو با هوش مصنوعی، امکان داستان‌سرایی پیچیده را فراهم می‌کند.

تکنیک پیشرفته: شخصی‌سازی ChatGPT برای تولید پرامپت‌های JSON

برای متخصصان هوش مصنوعی و زبان‌شناسی که به طور مداوم با پرامپت‌نویسی سروکار دارند، یک تکنیک پیشرفته و بسیار کارآمد وجود دارد: آموزش ChatGPT برای تولید پرامپت‌های سفارشی. بسیاری از کاربران نمی‌دانند که می‌توان در نسخه‌های جدیدتر ChatGPT، “پروژه” یا محیط کاری سفارشی ایجاد کرد.

فرایند به این صورت است:

یک پروژه جدید در ChatGPT ایجاد کنید.
یک فایل مرجع (مانند یک PDF) که حاوی مجموعه‌ای از پرامپت‌های JSON موفق و باکیفیت است، در این پروژه آپلود کنید. این فایل به عنوان “دانش پایه” برای ChatGPT عمل می‌کند.
به ChatGPT دستور دهید که از این پس، تمام پرامپت‌های JSON درخواستی شما را بر اساس ساختار، سبک و جزئیات موجود در فایل مرجع تولید کند.

این کار باعث می‌شود ChatGPT به یک دستیار تخصصی برای تولید ویدیو با هوش مصنوعی تبدیل شود. مدل یاد می‌گیرد که چه نوع جزئیاتی برای شما مهم است و چگونه پرامپت‌هایی بنویسد که بهترین نتیجه را از موتور سینماتیک Sora 2 Pro بگیرد. این روش، فرایند خلاقیت را به شدت بهینه کرده و به شما امکان می‌دهد تا به جای تمرکز بر ساختار فنی پرامپت، بیشتر بر روی ایده‌پردازی و داستان‌سرایی متمرکز شوید.

نکات کلیدی و جمع‌بندی

گذار از پرامپت‌های متنی ساده به پرامپت‌های ساختاریافته JSON، یک تغییر پارادایم در نحوه تعامل ما با هوش مصنوعی مولد است. این رویکرد، کنترل، دقت و قابلیت پیش‌بینی را به فرایند خلاقیت اضافه می‌کند و به کاربران حرفه‌ای اجازه می‌دهد تا دیدگاه هنری خود را با کمترین خطا پیاده‌سازی کنند.

مزایای اصلی این روش عبارتند از:

کنترل دقیق سینمایی: مدیریت کامل بر حرکت دوربین، نور، ترکیب‌بندی و اتمسفر.
نتایج باکیفیت و ثابت: کاهش عنصر تصادف و دستیابی به خروجی‌های قابل تکرار.
کارایی در تولید محتوا: امکان ساخت سریع تیزرهای تبلیغاتی، سکانس‌های فیلم و محتوای بصری پیچیده.
بهینه‌سازی فرایند خلاق: استفاده از ابزارهایی مانند ChatGPT برای خودکارسازی و بهبود فرایند پرامپت‌نویسی.

آینده تولید ویدیو با هوش مصنوعی نه تنها در قدرت مدل‌های پایه، بلکه در توسعه رابط‌ها و زبان‌های تعاملی نهفته است که به انسان اجازه می‌دهد خلاقیت خود را به شکلی دقیق و هنرمندانه به ماشین منتقل کند. پرامپت‌های JSON گامی مهم و اساسی در این مسیر هستند و تسلط بر آن‌ها برای هر متخصص و علاقه‌مند به این حوزه، یک مزیت رقابتی بزرگ محسوب می‌شود.