«ویدیوی بغل کردن با هوش مصنوعی» یکی از پرجست‌وجوترین ایده‌های ویدیوی هوش مصنوعی است، و معمولاً به یک دلیل: دو نفر که دیگر در یک جا نیستند، و یک عکس که در آن کنار هم‌اند.
این‌جا توضیح می‌دهیم این کلیپ‌ها واقعاً چطور ساخته می‌شوند، بی‌آنکه وانمود کنیم اپ قابلیتی دارد که ندارد.
Rigel چه چیزی به شما می‌دهد
Rigel از یک عکس ثابت به‌همراه توصیف صحنه ویدیو می‌سازد. هیچ پیش‌تنظیم بغل کردنی وجود ندارد، و هیچ قالبی در گالری به اسم «بغل». آنچه دارید یک فیلد پرامپت است و توانایی مدل در ساختن حرکت باورپذیر انسانی از عکسی که می‌دهید. همین کافی است — اما فقط اگر عکس منبع و پرامپت کارشان را درست انجام دهند.
با عکس درست شروع کنید
بیشتر تلاش‌ها همین‌جا موفق می‌شوند یا شکست می‌خورند.
- از یک عکس که هر دو نفر در آن هستند استفاده کنید. عکسی که در آن از قبل کنار هم ایستاده‌اند یا نشسته‌اند، بسیار مطمئن‌تر از تلاش برای احضار نفر دوم است.
- دورشان فضا بگذارید. کادرهای بسته‌ی سر و شانه جایی برای حرکت بازوها باقی نمی‌گذارند. نیم‌تنه یا بازتر خیلی بهتر جواب می‌دهد.
- نور روشن و یکنواخت را ترجیح دهید. منابع نور مختلط، نقطه‌ی تماس دو بدن را از هم می‌پاشد.
- دست‌ها را پیدا و ساده نگه دارید. دست‌ها هنوز ضعیف‌ترین نقطه‌ی این نسل از مدل‌ها هستند.
پرامپت‌هایی که جواب می‌دهند
حرکت، دوربین و نور را توصیف کنید — به همین ترتیب. کنش را کوچک و فیزیکی نگه دارید.
- «به سمت هم می‌چرخند و آرام همدیگر را بغل می‌کنند، دست‌ها دور شانه‌ها، حرکت طبیعی و آهسته، دوربین ثابت، نور گرم و نرم داخلی.»
- «مرد جلو می‌آید و زن را بغل می‌کند، زن چشم‌هایش را می‌بندد و لبخند می‌زند، حرکت آهسته، لرزش ملایم دوربین روی دست، نور از پشت در عصر.»
- «نزدیک شدن آهسته‌ی دوربین در حالی که آن دو به هم متمایل می‌شوند و در آغوش هم فرو می‌روند، حرکت ظریف سر، عمق میدان کم، نور پنجره در غروب.»
از چه چیزهایی پرهیز کنید: «دیدار احساسی»، «لحظه‌ی از ته دل» و دیگر کلمات حسی که محتوای فیزیکی ندارند. مدل نمی‌تواند یک احساس را تصویر کند؛ اما می‌تواند بازویی را تصویر کند که باورپذیر حرکت می‌کند.
وقتی عکس قدیمی است
بیشتر این کلیپ‌ها از یک عکس چاپی قدیمی شروع می‌شوند. آماده‌سازی مهم است: عکس‌برداری صاف با نور یکنواخت، برش روی آدم‌ها، و بهترین نسخه‌ی موجود. فهرست کامل در صفحه‌ی متحرک کردن عکس‌های قدیمی آمده، و روند پایه‌ی تولید در صفحه‌ی تبدیل عکس به ویدیو توضیح داده شده است.
اگر می‌خواهید سوژه علاوه بر حرکت، حرف هم بزند، عکس سخنگو همگام‌سازی لب از روی متن را پوشش می‌دهد.
انتظاراتتان را صادقانه تنظیم کنید
تماس دو نفر یکی از سخت‌ترین چیزها برای تولید است. انتظار داشته باشید بیش از یک بار امتحان کنید، کادرهای باز بهتر از بسته جواب دهند، و بعضی عکس‌ها اصلاً آغوش باورپذیری نسازند. وقتی جواب می‌دهد، به این خاطر است که عکس منبع از قبل بیشتر جواب را در خود داشته.
و قاعده‌ای که از هر پرامپتی مهم‌تر است: فقط از عکس کسانی استفاده کنید که موافقت کرده‌اند، یا از عکس خانواده‌ی خودتان. ساختن تصاویر صمیمی از کسی که هرگز رضایت نداده، یک مسئله‌ی فنی نیست.
امتحانش کنید
دانلود Rigel روی iOS 16.6+ و Android رایگان است و اعتبار اولیه دارد، پس اولین تلاش هزینه‌ای ندارد. بسته‌های اعتباری و اشتراک داخل اپ در دسترس‌اند، و هر تولید پیش از تأیید، هزینه‌ی اعتباری‌اش را نشان می‌دهد.