ویدیوی بدون چهره با هوش مصنوعی

ویدیوی بدون چهره، داستانی را روایت یا موضوعی را توضیح می‌دهد، بدون مجری مقابل دوربین. یک گوینده روی تصویرسازی، انیمیشن یا فیلم صحبت می‌کند، پس کانال به‌جای یک چهره، بر پایه‌ی فیلمنامه و ظاهر کار می‌چرخد. این فرمتِ پشت بسیاری از کانال‌های آموزشی، تاریخی، علمی و داستانی در یوتیوب، تیک‌تاک و ریلز است.

Mage ویدیوهای بدون چهره را با مهارت رایگان Faceless Video می‌سازد که در Claude، Cursor و دستیارهای دیگرِ متصل به Mage اجرا می‌شود. تو موضوع، سبک و مدت را می‌دهی. مهارت برای موضوع‌های واقعی با ابزارهای جست‌وجوی دستیارت تحقیق می‌کند و منابعش را فهرست می‌کند، متن روایت را می‌نویسد، با Mango 3 یک تصویر سبک می‌سازد که همه‌ی صحنه‌ها از آن پیروی می‌کنند، و صحنه‌ها را با صدای گوینده و صداگذاری روی Cherry 2 Pro رندر می‌کند. پیش از پرداخت هزینه‌ی هر ویدیو، فیلمنامه و سبک را تأیید می‌کنی.

می‌توانی آن را دستی هم در اپ Mage بسازی: تصویر سبک در Mango 3، گوینده در Eleven Speech یا Seed Audio، کلیپ‌های صحنه روی Cherry 2 Pro یا Lemon، و Storyboard برای وصل کردن آن‌ها. هیچ‌کدام از این دو روش زیرنویس یا متن روی تصویر اضافه نمی‌کنند. مهارت عمداً متن را از صفحه دور نگه می‌دارد، پس زیرنویس‌ها را در ویرایشگرت اضافه کن.

روایت مدت ویدیو را تعیین می‌کند. آدم‌ها حدود دو کلمه و نیم در ثانیه حرف می‌زنند؛ پس ۱۰ ثانیه حدود ۲۵ کلمه و ۱۵ ثانیه حدود ۳۵ کلمه جا دارد. مهارت بر همین اساس برنامه می‌ریزد: ویدیوی تا ۱۵ ثانیه یک کلیپ است، ۱۵ تا ۳۰ ثانیه یک کلیپ بلند یا دو کلیپ ۱۵ ثانیه‌ای، و ویدیوهای بلندتر در بلوک‌های ۱۰ تا ۱۵ ثانیه‌ای ساخته می‌شوند، هر بلوک یک صحنه، و در پایان به هم وصل می‌شوند.

هر بلوک ساختار یکسانی دارد: توصیف سبک، کلمه به کلمه؛ صحنه‌ای که همین جمله را نشان می‌دهد؛ حرکت، مثل نزدیک شدن آهسته دوربین یا لغزیدن لایه‌های کاغذ؛ جمله دقیق روایت؛ و صدا، یعنی صدای محیط یا موسیقی ملایم پس‌زمینه بدون هیچ صدای دیگری. یکسان ماندن توصیف سبک در همه بلوک‌ها همان چیزی است که ظاهر یک ویدیوی دو دقیقه‌ای را یکدست نگه می‌دارد.

فیلمنامه هم از همین انضباط پیروی می‌کند: یک قلاب در جمله اول، یک ایده در هر بلوک، یک نتیجه در پایان، و عددها همان‌طور که گفته می‌شوند نوشته می‌شوند. برای موضوع واقعی، هر واقعیت از منبعی می‌آید که مهارت هنگام تحویل ویدیو فهرست می‌کند. برای یک داستان شخصی فقط از چیزهایی استفاده می‌کند که شما بگویید.

• برای هر ۱۰ ثانیه حدود ۲۵ کلمه در نظر بگیرید.
• در هر بلوک یک ایده و یک صحنه.
• عددها را همان‌طور که گوینده می‌خواند بنویسید.
• توصیف سبک را در همه بلوک‌ها یکسان نگه دارید.

مهارت ده سبک تصویرسازی‌شده دارد. کارتون آدمک چوبی به تاریخ، داستان و طنز می‌خورد. دیوراما کاغذی، یعنی کاغذ برش‌خورده لایه‌لایه زیر نور گرم، برای تاریخ، طبیعت و سفر مناسب است. دوبعدی تخت پاستلی برای ویدیوهای آموزشی توضیحی، پیشرفت فردی و فناوری. جوهر دست‌کشیده برای فلسفه، زندگی‌نامه و مقاله. خمیربازی برای موضوعات کودکان، داستان و علم.

وایت‌بورد، با طراحی‌های ماژیکی و فلش، برای کسب‌وکار، آموزش گام‌به‌گام و آموزش عمومی مناسب است. آبرنگ برای داستان، شعر و طبیعت. پیکسل‌آرت برای بازی، تاریخ اینترنت و فناوری. سه‌بعدی لو‌پلی برای علم، فضا و جغرافیا. خبرنامه سینمایی قدیمی، سیاه‌وسفید و با دانه‌های فیلم، برای جنگ‌ها، اختراعات و دیگر موضوعات تاریخی. می‌توانید سبک خودتان را هم توصیف کنید یا تصویرهایی از سبک موردنظرتان بدهید تا مهارت مشابهش را بسازد.

همه سبک‌ها عمداً غیرفوتورئالیستی هستند. مهارت چهره‌های واقعی انسان و فیلم زنده را کنار می‌گذارد؛ این کار ویدیو را آشکارا تصویرسازی‌شده نگه می‌دارد و شباهت افراد واقعی را از آن دور می‌کند.

از ظاهر شروع کنید. در Mango 3 یک تصویر سبک بسازید: نمادین‌ترین لحظه موضوع، در سبک انتخابی شما، با عبارت «no text, no captions» در پایان پرامپت. این تصویر مرجع همه صحنه‌هاست. بعد گوینده را بسازید. Eleven Speech متن را در بیش از ۹۰ زبان با ۱۶ صدای آماده می‌خواند و خروجی را به صورت MP3 هم‌طول متن می‌دهد، و Seed Audio صدا را از روی پرامپت توصیف می‌کند. یک نمونه صدای کوتاه را در صفحه صدا آپلود کنید تا در تولید ویدیو به‌عنوان مرجع استفاده شود.

هر صحنه را با Cherry 2 Pro بسازید؛ تصویر سبک را به‌عنوان مرجع بدهید، جمله روایت را داخل گیومه به‌عنوان گوینده خارج از کادر بنویسید و صدای ذخیره‌شده‌تان را با @handle آن نام ببرید. Cherry Mini و Lemon پیش‌نویس‌های ارزان‌تری می‌سازند. اگر می‌خواهید روایت جدا بماند، صحنه‌ها را با صدای خاموش Lemon بسازید و آهنگ Eleven Speech را در ویرایشگرتان روی آن‌ها بگذارید.

تا شش کلیپ را در Storyboard به هم وصل کنید؛ خروجی یک MP4 با صدای کلیپ‌هاست. برای داستانی که شخصیت‌های تکرارشونده روایت می‌کنند و نه یک گوینده، سازنده فیلم با هوش مصنوعی را ببینید.

زیرنویس. Mage زیرنویس یا متن حک‌شده اضافه نمی‌کند و مهارت به هر صحنه می‌گوید بدون متن باشد تا برای زیرنویس جا بماند. زیرنویس را در ویرایشگرتان و هماهنگ با روایت اضافه کنید و املای نام‌ها و عددها را بررسی کنید.

تصویر بندانگشتی. در یوتیوب، تصویر بندانگشتی و عنوان تعیین می‌کنند مردم روی چه ویدیویی کلیک کنند. سازنده تصویر بندانگشتی با هوش مصنوعی این نیاز را پوشش می‌دهد و مهارت YouTube Thumbnail در همان دستیاری که ویدیو را ساخته، چند نسخه می‌سازد.

اصالت. سیاست‌های کسب درآمد یوتیوب محتوای غیراصیل را مستثنا می‌کند؛ یوتیوب می‌گوید این شامل ویدیوهای انبوه یا تکراری و محتوای تولیدشده با هوش مصنوعی از روی قالب‌های عمومی است. فیلمنامه‌ای تحقیق‌شده، دیدگاه شخصی و سبک خودتان چیزی است که یک کانال را دنبال‌کردنی می‌کند؛ پس مهارت را ابزار تولید بدانید، نه راهی برای انتشار محتوای بی‌ارزش.