Module: ماژول ۰۷ — بررسی عمیق تولید تصویر و ویدیو با هوش مصنوعی (Image & Video Generation)

Part 1: Video Scenario & Screen Actions

[Camera on Host] Hook and intro: Joke about early AI images with 7-fingered hands eating spaghetti sideways vs. today’s cinema-grade photorealism; tease the visual prompt engineering formula, Midjourney parameters, brand consistency (--sref), and AI video generation workflows.
[Show Slide 1 / Diffusion Process] Display the module title “ماژول ۰۷: بررسی عمیق تولید تصویر و ویدیو با هوش مصنوعی” and the Image Diffusion diagram showing forward noise injection and reverse denoising.
[Show Slide 2 / Top Image Generation Tools] Compare the major image engines:
Midjourney (v6 & v7): Discord/Web workflow and the 4 essential parameters (--ar 16:9, --stylize 0-1000, --cref <url>, --sref <url>).
DALL-E 3 (ChatGPT / Bing): Complex spatial obedience vs. plastic look & strict filters.
Stable Diffusion (SDXL/SD3) & Flux: Local ComfyUI workflows, uncensored control with ControlNet, and Flux’s realism/text rendering.
Ideogram & Leonardo AI: Ideogram for typography/logos; Leonardo AI for game assets and Realtime Canvas.
[Show Slide 3 / Anatomy of a Perfect Visual Prompt] Display the visual prompt formula: [موضوع] + [محیط/اکشن] + [زاویه دوربین و لنز] + [نورپردازی] + [سبک هنری] + [پارامترها], alongside the Depth of Field (Bokeh) and 3-Point Lighting diagrams.
[Show Slide 4 / Visual Prompting Vocabulary] Walk through the director’s vocabulary:
Camera Angles: Extreme Close-Up (ECU), Medium Shot (MS), Wide Shot (WS), Drone Shot / Aerial View, Low Angle.
Lighting: Cinematic Lighting, Volumetric Lighting / God Rays, Golden Hour, Neon / Cyberpunk.
Styles & Mediums: 35mm lens, RAW photo, Kodak Portra 400, film grain, Oil painting, watercolor, Vector illustration, 3D isometric, Unreal Engine 5.
[Screen Record] Showcase of the 20 Pro Prompts Across 4 Categories: Scroll through and demo selected prompts from the README:
Photography/Realism (1–4): Weathered fisherman in yellow raincoat (Kodak Portra 400, 85mm lens), macro double cheeseburger, jumping spider with morning dew, Tokyo neon alley.
Commercial & Design (5–8): Fitness app UI/UX dark mode, minimalist geometric fox logo (--no text), skincare bottle mockup on marble, 3D isometric hacker bedroom.
Art & Illustration (9–12): Studio Ghibli watercolor bear, dark fantasy gothic castle, Makoto Shinkai anime train scene, flat vector office illustration.
Text & Typography in Ideogram (13–16): 1950s "VISIT MARS" poster, "OPEN LATE" neon sign, "NOT MORNING PERSON" grim reaper t-shirt, 3D bubble "OXYGEN" typography.
[Screen Record] Step-by-Step Brand Consistency Tutorial (“Aura” Eco-Skincare Brand):
Step 1: Define brand palette (earthy tones, sage green, soft morning sunlight).
Step 2: Generate the Anchor Image (Commercial photography of a blank sage green skincare bottle on a sandstone rock... --ar 16:9).
Step 3: Copy the generated image URL and append --sref [URL] to lock the style.
Step 4: Generate variations (A beautiful female model applying face cream... --sref [URL] --ar 16:9) with matching aesthetics.
[Show Slide 5 / Video Generation Deep Dive] Compare Text-to-Video (T2V) vs. Image-to-Video (I2V), display the Motion Interpolation diagram, and review Sora, Runway Gen-3 (Motion Brush), Kling AI, and Minimax / Hailuo.
[Screen Record] Video Prompting & Camera Control Demo: Show how an anchor image from Midjourney is animated using camera motion prompts (Pan left / Pan right, Zoom in / Dolly out, Slow motion 120fps, and FPV drone shot flying rapidly through a dense neon-lit cyberpunk city...).
[Show Slide 6 / Fixing Common Visual Pitfalls] Highlight the 3 classic problems and their exact fixes: 1. Plastic/artificial skin -> add film grain, 35mm, candid photo, unedited; 2. Mangled hands/anatomy -> use --no extra fingers or ControlNet; 3. Video flickering -> generate short 3–5 second shots and avoid fast camera pans over complex backgrounds.
[Camera on Host] Outro and call to action: Recap the visual director mindset, invite viewers to test one of the 20 prompts and --sref workflow, remind them to like and subscribe, and tease Module 08 (Music & Audio Generation).

Part 2: Teleprompter Transcript (Persian)

[Action 1] سلام رفقا! یادتونه دو سال پیش وقتی به هوش مصنوعی می‌گفتیم عکس یه نفر در حال خوردن ماکارونی رو بکشه، یه موجود عجیب‌وغریب با چهارده تا انگشت تحویلمون می‌داد که داشت ماکارونی رو از توی گوشش رد می‌کرد؟! خب، اون دوران دیگه به تاریخ پیوست! امروز مدل‌های تصویر و ویدیو به جایی رسیدن که تشخیص عکس‌هاشون از دوربین‌های سینمایی واقعاً سخته. توی ماژول هفتم می‌خوایم فرمول مهندسی پرامپت بصری، ترفند قفل کردن سبک و چهره برای یک برند، و کارگردانی ویدیوهای هوش مصنوعی رو قدم‌به‌قدم یاد بگیریم.

[Action 2] اول از همه بیاین توی اسلاید اول ببینیم این مدل‌های تصویری چطوری کار می‌کنن: معماری تقریباً همه‌شون بر پایه مدل‌های دیفیوژن (Diffusion)ئه. یعنی مدل اول کارش رو با یه صفحه پر از برفک و نویز رنگی شروع می‌کنه، و بعد قدم‌به‌قدم بر اساس توصیف متنی شما اون نویزها رو پاک می‌کنه (Denoising) تا تصویر نهایی مثل عکس‌های ظهور فیلم عکاسی قدیمی کم‌کم واضح بشه.

[Action 3] توی اسلاید دوم، غول‌های تصویرسازی بازار رو مقایسه می‌کنیم:
شماره یک، Midjourney (نسخه‌های v6 و v7)ئه که هنوز استاندارد طلایی برای نورپردازی سینمایی و بافت واقعی پوست و پارچه‌ست. برای اینکه توی میدجرنی حرفه‌ای بشین، این ۴ تا پارامتر آخر خط رو حتماً حفظ کنین:
--ar 16:9 برای تنظیم نسبت تصویر عریض؛
--stylize (از ۰ تا ۱۰۰۰) برای تعیین میزان دخالت سلیقه هنری خود میدجرنی؛
--cref به همراه لینک عکس، که چهره یک کاراکتر رو توی ده تا صحنه مختلف ثابت نگه می‌داره؛
و --sref که استایل و رنگ‌بندی یک عکس مرجع رو کپی می‌کنه!
در کنارش DALL-E 3 (داخل چت‌جی‌پی‌تی و بینگ) رو داریم که دستورات پیچیده مثل «گربه‌ای که داره کتاب می‌خونه در حالی که یه سگ براش قهوه می‌آره» رو مو‌به‌مو می‌فهمه؛ Stable Diffusion و مدل فوق‌العاده Flux که توی دنیای متن‌باز و بدون سانسور با ابزار ControlNet بهتون اجازه می‌دن حتی زاویه انگشت‌های دست رو دقیق دیکته کنین؛ Ideogram که سلطان بی‌رقیب نوشتن متن و تایپوگرافی روی عکسه؛ و Leonardo AI که بوم نقاشی زنده (Realtime Canvas) داره و خوراک بازی‌سازهاست.

[Action 4] اما چطوری یه پرامپت بصری بی‌نقص بنویسیم؟ توی اسلاید سوم فرمول طلایی کارگردانی رو می‌بینین:
«[موضوع] + [محیط و اکشن] + [زاویه دوربین و لنز] + [نورپردازی] + [سبک هنری] + [پارامترها]»
وقتی پرامپت تصویری می‌نویسین، شما دیگه نویسنده نیستین؛ شما مدیر فیلم‌برداری هستین! باید عمق میدان (Depth of Field / Bokeh) برای تار کردن پس‌زمینه و نورپردازی سه‌نقطه‌ای (3-Point Lighting) رو با کلماتتون به مدل بدین.

[Action 5] توی اسلاید چهارم، دیکشنری کلمات کلیدی کارگردانی رو براتون آوردیم که باید توی پرامپت‌های انگلیسی‌تون بذارین:
برای زاویه دوربین: نمای خیلی نزدیک روی جزئیات مثل چشم می‌شه Extreme Close-Up (ECU)؛ نمای کمر به بالا Medium Shot؛ نمای باز محیط Wide Shot؛ نمای هوایی پهپاد Drone Shot؛ و نمای از پایین به بالا برای باشکوه نشون دادن سوژه می‌شه Low Angle.
برای نورپردازی: نورپردازی دراماتیک سینمایی (Cinematic Lighting)، پرتوهای نور وسط مه و غبار (Volumetric Lighting / God Rays)، نور گرم قبل از غروب (Golden Hour) و نورهای صورتی و آبی سایبرپانک (Neon).
و برای رسانه و سبک: از لنزهای عکاسی (35mm lens, RAW photo, film grain) تا نقاشی آبرنگ (Watercolor) و رندر سه‌بعدی (3D isometric, Unreal Engine 5).

[Action 6] حالا بریم روی صفحه و ۲۰ پرامپت حرفه‌ای آماده رو که توی ۴ دسته توی فایل README براتون گذاشتیم مرور کنیم:
دسته اول، عکاسی و واقع‌گرایی: مثلاً پرامپت شماره ۱ رو ببینین؛ به جای «پیرمرد ماهیگیر»، نوشتیم: Medium shot of a weathered fisherman in a yellow raincoat on a stormy dock, rain hitting his face, cinematic lighting, Kodak Portra 400, 85mm lens, photorealistic, 8k --ar 16:9. یا عکاسی ماکرو از چیزبرگر با بخار گرم و قطره شبنم روی عنکبوت!
دسته دوم، تجاری و طراحی: شامل طراحی رابط کاربری دارک‌مود اپلیکیشن ورزشی، لوگوی وکتور مینیمال روباه با پارامتر منفی --no text، موکاپ بطری محصول روی سنگ مرمر، و اتاق خواب ایزومتریک سه‌بعدی یک هکر.
دسته سوم، هنر و تصویرسازی: از خرس با شال‌گردن قرمز به سبک Studio Ghibli تا قلعه گوتیک فانتزی و انیمه به سبک ماکوتو شینکای.
و دسته چهارم، متن و تایپوگرافی مخصوص Ideogram: مثل پوستر سفر به مریخ دهه ۱۹۵۰ با نوشته درشت "VISIT MARS"، تابلوی نئون "OPEN LATE" روی دیوار آجری، و کلمه "OXYGEN" ساخته‌شده از حباب‌های معلق آب!

[Action 7] حالا بیاین یه چالش واقعی بازار کار رو حل کنیم: چطور برای یک برند، ده‌ها عکس با هویت بصری کاملاً یکپارچه بسازیم؟
فرض کنین می‌خوایم برای برند خیالی مراقبت از پوست Aura تولید محتوا کنیم:
گام اول: عناصر بصری برند رو تعریف می‌کنیم—رنگ سبز مریم‌گلی (Sage Green)، رنگ‌های خاکی و نور ملایم صبحگاهی.
گام دوم: یه عکس پایه (Anchor Image) از بطری محصول روی سنگ شنی زیر نور صبحگاهی با سایه برگ‌های نخل می‌سازیم.
گام سوم: لینک (URL) همین عکس تولیدشده رو کپی می‌کنیم.
و گام چهارم: حالا وقتی می‌خوایم عکس یه مدل خانم در حال استفاده از کرم رو بسازیم، تهِ پرامپت جدید می‌نویسیم --sref [URL]. نتیجه رو ببینین! میدجرنی دقیقاً همون پالت رنگی، همون جنس نور و همون اتمسفر مینیمال رو قفل می‌کنه روی تمام عکس‌های بعدی کمپین شما!

[Action 8] بریم سراغ اسلاید پنجم و دنیای جذاب تولید ویدیو با هوش مصنوعی!
توی ویدیو ما دو تا روش داریم: متن به ویدیو (T2V) و تصویر به ویدیو (I2V). یه راز حرفه‌ای رو از من داشته باشین: همیشه به جای اینکه مستقیم متن بدین به ابزار ویدیویی، اول تصویرتون رو توی Midjourney یا Flux با بالاترین کیفیت بسازین، و بعد اون عکس رو بدین به ابزار ویدیویی تا متحرکش کنه (I2V)! کیفیت خروجیش زمین تا آسمون بهتر می‌شه!
توی ابزارها هم Sora از OpenAI، Runway Gen-3 (که با قلم‌موی حرکتی یا Motion Brush می‌تونین مشخص کنین فقط ابرها یا آبشار داخل عکس حرکت کنه)، Kling AI (که توی حرکات طبیعی صورت و دست عالیه) و Minimax / Hailuo (که کارگردانی چندمرحله‌ای رو دقیق اجرا می‌کنه) پیشتازن.

[Action 9] موقع نوشتن پرامپت برای ویدیو، تمرکزتون رو بذارین روی حرکت دوربین و سوژه: عباراتی مثل Pan left / Pan right (چرخش به چپ و راست)، Zoom in / Dolly out (نزدیک و دور شدن دوربین)، Slow motion 120fps و مثلاً FPV drone shot flying rapidly through a dense neon-lit cyberpunk city به مدل می‌گه دوربین رو چطور وسط صحنه پرواز بده!

[Action 10] و در اسلاید ششم، راه‌حل ۳ تا از اعصاب‌خردکن‌ترین مشکلات تصویر و ویدیوی هوش مصنوعی رو مرور کنیم:
۱. اگه پوست چهره‌ها پلاستیکی و مصنوعی می‌شه، حتماً کلمات film grain, 35mm, candid photo, unedited رو به پرامپت اضافه کنین تا بافت واقعی فیلم عکاسی بگیره.
۲. اگه دست‌ها و انگشت‌ها هنوز گاهی قاطی می‌کنن، از پارامتر منفی --no extra fingers یا ابزار ControlNet توی استیبل دیفیوژن استفاده کنین.
۳. و برای جلوگیری از سوسو زدن و پرش بافت‌ها در ویدیو (Flickering)، همیشه شات‌های کوتاه ۳ تا ۵ ثانیه‌ای بگیرین و توی پس‌زمینه‌های خیلی شلوغ حرکت سریع به دوربین ندین.

[Action 11] دمتون گرم که تا پایان ماژول هفتم همراه من بودین! حتماً یکی از این ۲۰ پرامپت آماده رو به همراه تکنیک --sref تست کنین و توی کامنت‌ها بگین کدوم ابزار تصویرساز (Midjourney، Flux یا Ideogram) بیشتر به کارتون اومد. لایک و سابسکرایب فراموش نشه، و بپرین ماژول هشتم که می‌خوایم به این تصویرها و ویدیوهای خفن، موسیقی استودیویی و صدای انسانی اضافه کنیم!