تصور کنید یک برنامهنویس تنها با یک دستور در ترمینال، تمام مراحل تولید یک ویدیو از سناریو تا تدوین نهایی را مدیریت کند. این دیگر یک رؤیا نیست؛ OpenMontage حالا دستیار کدنویسی شما را به یک تهیهکننده و کارگردان تبدیل کرده است. در حالی که بسیاری از ابزارهای فعلی صرفاً یک پوشه گرافیکی برای APIهای تبدیل متن به ویدیو هستند، OpenMontage رویکرد متفاوتی دارد: تبدیل دستیار کدنویسی هوش مصنوعی که هماکنون در ترمینال شما حضور دارد به یک کارگردان، تدوینگر و تهیهکننده کامل. این پروژه که تحت لیسانس AGPL-3.0 به صورت متنباز منتشر شده است، اجازه میدهد تنها با یک پرامپت در ترمینال، یک جریان کاری تولید در مقیاس کامل فعال شود. با این روش، دستیارهای کدنویسی عمومی — از جمله Claude Code, Cursor, Copilot, Windsurf و Codex — به استودیوهای تولید ویدیو سرتاسری تبدیل میشوند.
اکثر ابزارهای تولید ویدیو با هوش مصنوعی امروزه مانند جعبههای سیاهی هستند که با یک پرامپت ساده، تنها چند ثانیه تصویر خروجی میدهند. اما این رویکرد پاسخگوی نیازهای تولیدات حرفهای نیست؛ چرا که تولید حرفهای نیازمند کنترل دقیق روی پژوهش، نوشتن فیلمنامه، صدای گوینده، تامین منابع بصری (Asset sourcing)، ریتم تدوین، اصلاح رنگ و سرعت اجراست. OpenMontage با متوقف کردن مدل «یک درخواست بزرگ به جعبه سیاه» و برخورد با ویدیو به عنوان یک گردشکار ساختارمند و چندمرحلهای، این مشکل را حل میکند. این تلاش برای دستیابی به کنترل بیشتر بر خروجیهای بصری، یادآور رویکردهایی است که در بهکارگیری مدلهای LoRA برای افزایش پایداری بصری در رندرینگ ویدیوها دیدهایم.
فلسفه تولید
سیستم یک «کتابچه راهنمای دامنه» (Domain Playbook) را در اختیار هوش مصنوعی قرار میدهد؛ مجموعهای از مهارتها و خط لولههایی که دیکته میکنند یک تدوینگر حرفهای در واقعیت چگونه کار میکند. در اینجا، هوشمندی سیستم در کدهای پیچیده نهفته نیست، بلکه در خودِ این مهارتها تعبیه شده است. پیش از آنکه عامل (Agent) دست به هر ابزاری بزند، باید ابتدا فایل مهارت «کارگردان مرحله» را مطالعه کند. این فایل توضیح میدهد که یک تدوینگر kompetent چگونه به آن مرحله خاص از تولید نزدیک میشود و بدین ترتیب، جلوی بداههپردازیهای عامل با پرامپتهای عمومی و کلی را میگیرد.
جزئیات فنی
این چارچوب بر پایه کتابخانه عظیمی از داراییهای عملیاتی بنا شده است تا اطمینان حاصل شود که چیزی فراتر از یک «پروژه سرگرمی آخر هفته» است:
- ۱۲ خط لوله (Pipeline): گردشهای کاری ساختارمند که برای فرمتهای مختلف ویدیو و اهداف خاص طراحی شدهاند.
- ۵۲ ابزار: بلوکهای سازنده بنیادی که خط لولهها برای پژوهش، تولید و تدوین آنها را فراخوانی میکنند.
- بیش از ۵۰۰ مهارت عامل: مجموعههای دستورالعمل دقیق که به هوش مصنوعی میآموزند چگونه از آن ابزارها به طور مؤثر استفاده کند.
یک تمایز کلیدی در نحوه مدیریت فوتیجها (Footage) در این پروژه است. در حالی که OpenMontage از ارائهدهندگان رسانههای مولد (Generative Media) پشتیبانی میکند، اما بازیابی تصاویر متحرک واقعی از آرشیوهای رایگان و متنباز را به عنوان یک عملیات درجه اول (First-class operation) میشناسد. عامل ابتدا مجموعهای از کلیپهای واقعی و مرتبط با فیلمنامه را جمعآوری کرده و سپس آنها را در یک خط زمانی (Timeline) تدوین میکند. این رویکرد دقیقاً آینهی جریان کاری یک تدوینگر مستند است، نه صرفاً ایجاد تصاویر AI و اعمال افکتهای سادهای مانند Ken Burns pan روی آنها.
گردشکار عاملمحور (Agentic Workflow)
برای تضمین کیفیت، سیستم از یک قرارداد سختگیرانه پیروی میکند که در فایل AGENT_GUIDE.md ترسیم شده است. این سند بیشتر شبیه به دستورالعملهای استاندارد عملیاتی (SOP) یک استودیوست تا یک مستند API. جریان کار به شرح زیر است:
۱. شناسایی خط لوله: تطبیق درخواست کاربر با تعاریف موجود (و پرسش از کاربر در صورت ابهام).
۲. مطالعه مانیفست خط لوله: درک مراحل، ابزارها و گیتهای (درگاههای) کنترل کیفیت.
۳. اجرای پیشپرواز (Preflight): تأیید اینکه کدام ابزارها و ارائهدهندگان در حال حاضر در دسترس هستند.
۴. ارائه منوی قابلیتها: اطلاعرسانی به کاربر درباره آنچه با توجه به تنظیمات فعلی او امکانپذیر است.
۵. اجرای مرحلهبهمرحله: مطالعه مهارت کارگردانی مربوطه پیش از فراخوانی هر ابزار.
هدف اعلام شده توسط توسعهدهندگان صریح است: انتقال کاربر از حالت «کنجکاو» به «تولید ویدیو» در کمتر از ۶۰ ثانیه برای درخواستهای خاص، در حالی که گیتهای کیفی را اجرا کرده و به جای ارسال اولین خروجی تولید شده، کیفیت را بازرسی میکند.
این تغییر نشاندهنده یک روند گستردهتر در ابزارهای عاملمحور است. توسعهدهندگان در حال فاصله گرفتن از اپلیکیشنهای محدود و تکمنظوره و حرکت به سمت کتابخانههای مشترک مهارت و لایههای ارکستراسیون هستند. در این مدل، عامل عمومی (General-purpose agent) تبدیل به محیط اجرا (Runtime) میشود و فایلهای مهارت، نقش تخصص را ایفا میکنند. این الگوی طراحی در حال حاضر در درخواستهای شغلی کمکگرفته از AI، سرورهای هوشمندی کد و ابزارهای بررسی طراحی (Design-review) نیز ظاهر شده است.
برای متخصصان، مانع رسیدن به تولیدات باکیفیت اکنون تنها به سطح یک git clone کاهش یافته است. تمامی مستندات مربوط به راهاندازی و ارائهدهندگان — شامل گزینههای رایگان — در فایلهای docs/PROVIDERS.md و docs/ARCHITECTURE.md پوشش داده شده است. کاربران همچنین میتوانند پرامپتها و نتایج نهایی خود را در بخش GitHub Discussions پروژه به اشتراک بگذارند تا انتظارات از خروجیها کالیبره شود.
Repo: github.com/calesthio/OpenMontage
گام بعدی شما
- مخزن گیتهاب پروژه را کلون کرده و مستندات
PROVIDERS.mdرا برای اتصال به APIهای رایگان مطالعه کنید. - سعی کنید یک خط لوله سفارشی برای حوزه تخصصی خود (خارج از کدنویسی) طراحی کنید. آیا تا به حال ابزاری عاملمحور برای یک دامنه خلاقانه ساختهاید؟
- خروجیهای تولید شده توسط OpenMontage را با ویدیوهای ساخته شده توسط ابزارهای تک-پرامپت مقایسه کنید تا تفاوت ریتم تدوین و دقت پژوهشی را ببینید.
اما لایه زیربنایی این تحول، یعنی نحوه تعامل مدلها با سیستمعامل، داستان پیچیدهتری دارد — به بررسی ما درباره پروتکل MCP مراجعه کنید.
گفتگو