ماژول ۰۷: بررسی عمیق تولید تصویر و ویدیو با هوش مصنوعی

← قبلی | 🏠 خانه | بعدی →

۱. مرور کلی بر تولید محتوای بصری با هوش مصنوعی

به ماژول ۰۷ خوش آمدید! حرکت از مدل‌های متنی به سمت هوش مصنوعی مولد بصری، جهشی عظیم در پتانسیل‌های خلاقانه است. مدل‌های بصری (که عمدتاً مبتنی بر معماری‌های Diffusion هستند) با تشخیص الگوهایی که از میلیاردها تصویر یاد گرفته‌اند، توصیفات متنی شما را به پیکسل تبدیل می‌کنند. چه در حال تولید کانسپت آرت (Concept Art) باشید، چه طراحی رابط کاربری (UI/UX)، دارایی‌های بازاریابی، یا فیلم‌های کوتاه سینمایی، تسلط بر این ابزارها نیازمند مهارتی تخصصی به نام «مهندسی پرامپت بصری» است.

در این ماژول، قابلیت‌های عمیق مدرن‌ترین ابزارهای تولید تصویر و ویدیو را بررسی کرده و یاد می‌گیریم چگونه کنترل دقیقی روی خروجی آن‌ها داشته باشیم.

۲. راهنمای جامع ابزارهای تولید تصویر

Midjourney (نسخه‌های v6 و v7)

میدجرنی همچنان استاندارد طلایی برای تصاویر هنری، با جزئیات بالا و فوتورئال (واقع‌گرایانه) است.

• جریان کاری (Workflow): عمدتاً از طریق بات در پلتفرم Discord کار می‌کند، اگرچه رابط وب آن برای کاربران حرفه‌ای در دسترس قرار گرفته است.
• نقاط قوت: نورپردازی سینمایی بی‌نظیر، درک بافت‌ها (پوست، پارچه) و تفسیر هنری.
• پارامترهای کلیدی:
• --ar 16:9 (نسبت تصویر عریض)
• --stylize 0-1000 (میزان اعمال استایل پیش‌فرض میدجرنی)
• --cref <url> (Character Reference برای حفظ ثبات چهره یک شخص در تصاویر مختلف)
• --sref <url> (Style Reference برای شبیه‌سازی فضای بصری و رنگ‌بندی یک تصویر دیگر)

DALL-E 3 (از طریق ChatGPT / Bing)

مدل قدرتمند OpenAI که برای درک دقیق پرامپت‌ها و تصویرسازی روایی ساخته شده است.

• نقاط قوت: درک دستورات پیچیده (مثلاً «گربه‌ای در حال خواندن کتاب در حالی که یک سگ برایش قهوه می‌آورد»)، توانایی عالی در نوشتن متن داخل تصویر، و عدم نیاز به پرامپت‌نویسی پیچیده (ChatGPT بهینه‌سازی را برای شما انجام می‌دهد).
• نقاط ضعف: ظاهر پلاستیکی و اغراق‌آمیز در برخی موارد، سانسور شدید کپی‌رایت و چهره‌های عمومی.

Stable Diffusion (SDXL, SD3) و Flux

غول‌های دنیای متن‌باز (Open-source) که کنترل بی‌نهایتی را برای کاربران حرفه‌ای فراهم می‌کنند.

• جریان کاری: اجرای محلی روی گرافیک کامپیوتر شما (با رابط‌هایی مثل ComfyUI) یا پلتفرم‌های ابری.
• نقاط قوت: بدون سانسور، رایگان، و پشتیبانی از ControlNet (که به شما اجازه می‌دهد ژست افراد، نقشه‌های عمق و خطوط را دقیقاً دیکته کنید).
• Flux: مدل متن‌باز جدیدی که از نظر واقع‌گرایی با Midjourney رقابت می‌کند و در رندر متن حتی از DALL-E 3 هم بهتر عمل می‌کند.

Ideogram و Leonardo AI

• Ideogram: پادشاه بلامنازع تایپوگرافی. اگر به لوگو، طرح تیشرت، یا پوستری با متن دقیق نیاز دارید، این ابزار بهترین انتخاب است.
• Leonardo AI: ابزاری عالی برای توسعه‌دهندگان بازی که به دارایی‌های ایزومتریک، اسپارایت‌ها و کانسپت‌های سریع نیاز دارند. دارای بوم زنده (Realtime Canvas) برای تبدیل نقاشی ساده به تصویر حرفه‌ای.

۳. آناتومی یک پرامپت بصری بی‌نقص

پرامپت‌نویسی بصری شبیه به کارگردانی یک فیلم است. شما باید به هوش مصنوعی در مورد سوژه، دوربین، نور و سبک فیلم‌برداری توضیح دهید.

ساختار ایده‌آل: [موضوع] + [محیط/اکشن] + [زاویه دوربین و لنز] + [نورپردازی] + [سبک هنری] + [پارامترها]

واژه‌نامه مهندسی پرامپت بصری

زوایای دوربین (Camera Angles):

• Extreme Close-Up (ECU): تمرکز روی یک جزئیات کوچک (مثل چشم).
• Medium Shot (MS): نمای از کمر به بالا.
• Wide Shot (WS) / Establishing Shot: نمایش کامل محیط و منظره.
• Drone Shot / Aerial View: نمای هوایی از بالا به پایین.
• Low Angle: نمای از پایین به بالا (برای قدرتمند نشان دادن سوژه).

کلمات کلیدی نورپردازی (Lighting):

• Cinematic Lighting: نورپردازی سینمایی، کنتراست دراماتیک.
• Volumetric Lighting / God Rays: پرتوهای نوری که از میان غبار یا مه عبور می‌کنند.
• Golden Hour: نور نرم و گرمِ ساعتِ طلایی (کمی قبل از غروب).
• Neon / Cyberpunk: نورهای نئونی، درخشش صورتی و آبی.

سبک‌ها و رسانه‌ها (Styles & Mediums):

• عکاسی: 35mm lens, RAW photo, polaroid, DSLR, film grain.
• هنر سنتی: Oil painting, watercolor, charcoal sketch.
• دیجیتال: Vector illustration, 3D render, Unreal Engine 5, isometric 3D.

۴. معرفی ۲۰ پرامپت حرفه‌ای برای کاربردهای مختلف

عکاسی و واقع‌گرایی

1. پرتره سینمایی: 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
2. عکاسی از غذا: Macro shot of a gourmet double cheeseburger on a rustic wooden board, melting cheese, steam rising, dark background, studio food photography, crisp focus --ar 4:5
3. طبیعت (ماکرو): Extreme close-up of a jumping spider with water droplets on its head, resting on a bright green leaf, morning dew, macro lens --ar 3:2
4. عکاسی خیابانی: Candid street photography of a bustling Tokyo alleyway at night, neon signs reflecting in puddles, cyberpunk vibe, Fujifilm XT4 --ar 16:9

تجاری و طراحی

1. طراحی UI/UX: UI/UX design for a modern fitness tracking mobile app, sleek interface, dark mode with neon green accents, dashboard with charts, dribbble style, 3d isometric presentation --ar 16:9
2. لوگوی مینیمال: A minimalist vector logo of a geometric fox head, gradient orange and purple, flat design, white background, corporate identity --no text --ar 1:1
3. موکاپ محصول: A blank white skincare pump bottle sitting on a marble podium, surrounded by monstera leaves, soft natural lighting, commercial product photography --ar 4:5
4. اتاق ایزومتریک: 3D isometric view of a cozy hacker bedroom, multiple monitors glowing, empty pizza boxes, messy bed, synthwave color palette, octane render --ar 1:1

هنر و تصویرسازی

1. کتاب کودک: A cute watercolor illustration of a bear wearing a red scarf, drinking tea in a forest, pastel colors, soft edges, whimsical, Studio Ghibli style --ar 3:2
2. فانتزی تاریک: Epic concept art of a towering gothic castle surrounded by a moat of lava, flying dragons in the sky, dark fantasy, highly detailed --ar 16:9
3. سبک انیمه: Anime style illustration of a high school girl looking out of a train window at a futuristic city, sunset, Makoto Shinkai style --ar 16:9
4. هنر وکتور: Flat vector illustration of people working in a modern office, minimal details, corporate memphis style, blue and yellow color palette --ar 16:9

متن و تایپوگرافی (مناسب برای Ideogram)

1. پوستر وینتج: A vintage 1950s travel poster. Large bold text that says "VISIT MARS". Illustration of a retro rocket landing on a red planet.
2. تابلو نئون: A glowing neon sign attached to a brick wall. The sign clearly reads "OPEN LATE". Deep blue night time lighting.
3. طرح تیشرت: A trendy streetwear t-shirt design featuring a grim reaper drinking coffee. Bold typography that says "NOT MORNING PERSON". Vector, flat colors, white background.
4. تایپوگرافی سه‌بعدی: The word "OXYGEN" made out of floating, transparent water bubbles. Bright, airy lighting, photorealistic 3D render.

۵. آموزش گام‌به‌گام: ساخت تصاویر یکپارچه برای برند

فرض کنید می‌خواهیم برای یک برند محصولات مراقبت از پوست دوستدار محیط زیست به نام “Aura” محتوا تولید کنیم.

گام ۱: تعریف عناصر برند
رنگ‌های خاکی، سبز مریم‌گلی (Sage Green)، نور ملایم صبحگاهی و ظاهر مینیمال.

گام ۲: ساخت تصویر پایه (Anchor Image)
پرامپت: Commercial photography of a blank sage green skincare bottle on a sandstone rock, soft morning sunlight, shadows of palm leaves, minimalist, earthy tones --ar 16:9

گام ۳: استفاده از Style Reference
URL تصویر به دست آمده را کپی کنید. در پرامپت‌های بعدی به آخر دستور --sref [URL] اضافه کنید تا سبک تصویر قفل شود.

گام ۴: ایجاد تنوع
پرامپت جدید: A beautiful female model applying face cream, smiling gently, minimalist, earthy tones --sref [URL] --ar 16:9

۶. بررسی عمیق تولید ویدیو

ابزارهای ویدیویی از دو روش اصلی استفاده می‌کنند:
۱. متن به ویدیو (T2V): نوشتن متن و دریافت ویدیو.
۲. تصویر به ویدیو (I2V): آپلود یک تصویر خلق شده در Midjourney و انیمیت کردن آن. (این روش خروجی‌های بسیار بهتری می‌دهد).

ابزارهای اصلی تولید ویدیو

• Sora (OpenAI): توانایی تولید ویدیوهای ۶۰ ثانیه‌ای با فیزیک خیره‌کننده. (دسترسی محدود)
• Runway Gen-3: استاندارد فعلی برای تولیدکنندگان محتوا. ویژگی Motion Brush اجازه می‌دهد فقط بخش خاصی از تصویر را حرکت دهید.
• Kling AI: مدل چینی رقیب Sora. فوق‌العاده در حرکات انسانی، حالات چهره و کارهای پیچیده مثل خوردن غذا.
• Minimax / Hailuo: بهترین ابزار در درک پرامپت. اگر توالی از اتفاقات را بنویسید (اول این اتفاق می‌افتد، سپس آن اتفاق)، دقیقاً اجرا می‌کند.

تکنیک‌ها و پرامپت‌های ویدیویی

در پرامپت ویدیو، تمرکز روی حرکت (Motion) و دوربین است.

• Pan left / Pan right (چرخش دوربین به چپ/راست)
• Zoom in / Dolly out (نزدیک شدن/دور شدن دوربین)
• Slow motion 120fps (حرکت آهسته)

مثال ویدیویی: FPV drone shot flying rapidly through a dense neon-lit cyberpunk city, weaving between flying cars, rain hitting the lens, highly dynamic motion.

۷. چالش‌ها و روش‌های حل آن‌ها (Pitfalls)

• ظاهر پلاستیکی و مصنوعی: برای رفع این مشکل کلماتی مثل film grain, 35mm, candid photo, unedited را به پرامپت اضافه کنید.
• دست‌ها و آناتومی به هم ریخته: از پرامپت‌های منفی استفاده کنید (--no extra fingers). در صورت استفاده از Stable Diffusion، ویژگی ControlNet می‌تواند ژست دقیق دست را اعمال کند.
• سوسو زدن ویدیوها (Flickering): هوش مصنوعی ویدیویی در شبیه‌سازی بافت‌ها در طول زمان دچار خطا می‌شود. برای کاهش این مشکل، شات‌های کوتاه (۳ تا ۵ ثانیه) بگیرید و از حرکت سریع دوربین در پس‌زمینه‌های پیچیده خودداری کنید.

۸. منابع مفید

• راهنمای جامع Midjourney
• پلتفرم Civitai برای مدل‌های متن‌باز
• آکادمی آموزش RunwayML