اگر همین حالا از مدل‌های تبدیل تصویر به ویدیو برای ساخت ویدیوهای کوتاه استفاده می‌کنید، احتمالاً با مشکل «تاری» یا تغییر شکل عجیب چهره‌ها در حالت عمودی مواجه شده‌اید. این مشکل به دلیل تلاش هم‌زمان مدل برای تغییر کادربندی و ایجاد حرکت رخ می‌دهد.
بر اساس راهنمای کاربردی منتشرشده در ۳ آگوست ۲۰۲۶، تکیه بر ابزارهای هوش مصنوعی برای تغییر کادربندی عکس‌های افقی به عمودی، اغلب منجر به چهره‌های ناخوانا و تناسبات بدین‌گونی می‌شود. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی محدودیت‌های مدل‌های مولد بصری اشاره کردیم، مدل‌ها در مدیریت متناقض دستورات ساختاری و حرکتی دچار چالش می‌شوند. تولید محتوای عمودی مانند نقاشی روی بومی است که کسی مدام آن را تکان می‌دهد؛ نتیجه‌ای جز تاری نخواهد داشت.
برای حل این مشکل، باید از برش دستی (Manual Crop) — شبیه به بریدن دقیق یک قطعه کاغذ برای جا شدن در قاب عکس — پیش از آپلود استفاده کرد. با این کار، کاربر حدس و گمان ساختاری را از مدل حذف می‌کند. این رویکرد دقیق در ترکیب‌بندی، یادآور استانداردهایی است که در تحلیل‌های حرفه‌ای عکاسی برای بهبود خروجی‌های بصری مورد تأکید قرار می‌گیرند. طبق این مستندات، برای نرخ موفقیت بالا باید فیلتر رد سخت‌گیرانه‌ای اعمال کنید: اگر چهره برای صفحه گوشی کوچک است، دست‌ها بیش از حد در کادر هستند یا دو سوژه برای جلب توجه رقابت می‌کنند، تصویر را رد کنید. بهترین حالت این است که چهره در یک‌سوم بالایی قرار گیرد و نوار پایینی برای کپشن‌ها خالی بماند.
عملکرد مدل‌ها و هزینه‌ها
مدل‌های مختلف هزینه‌های متفاوتی برای این پردازش‌های ۹:۱۶ دارند:
- Seedance-v1.5-pro-i2v-720p: ۷۵ اعتبار (۵ ثانیه، بدون صدا) یا ۱۵۰ اعتبار (با صدا).
- Hailuo-02-i2v: ۲۰۰ اعتبار (۷۶۸p) تا ۳۰۰ اعتبار (۱۰۸۰p).
- Wan-2-5-i2v: ۱۴۰ اعتبار (۴۸۰p) تا ۲۶۰ اعتبار (۷۲۰p).
به نقل از این راهنما، مدل Seedance-2-i2v برای انیمه و شخصیت‌های مجازی بهینه شده است و برای عکس‌های واقعی، Seedance v1.5 Pro انتخاب برتری است. در این میان، ابزارهایی مانند Hailuo AI نیز با تبدیل سریع ایده‌های بصری به پیش‌نویس‌های ویدئویی، سرعت تولید محتوا را افزایش داده‌اند.
این تغییر در گردش‌کار، بار ترکیب‌بندی را از دوش پرامپت به دوش دارایی (Asset) منتقل می‌کند. وقتی عکس ورودی، لباس، نورپردازی و مکان را تعیین کرده باشد، پرامپت فقط باید یک حرکت دوربین و یک عمل سوژه را توصیف کند. این کار مانع از مواجهه مدل با «دستورات متضاد» می‌شود که معمولاً منجر به ایجاد دستان‌های تغییرشکل‌یافته یا آرتیفکت‌های بصری می‌گردد. این بهینه‌سازی در ورودی‌های تصویری، مشابه تلاش‌های اخیر برای بهبود همگام‌سازی لب‌ها از طریق حذف داده‌های پیچیده است تا خروجی نهایی طبیعی‌تر به نظر برسد.
گام بعدی شما
- پیش از صرف هر اعتبار، عکس‌های خود را با قوانین برش ذکرشده تست کنید.
- برای دسترسی به جدول کامل شکست‌ها و پرامپت‌های آماده، به وب‌سایت openvideos.ai مراجعه کنید.
- تفاوت خروجی مدل‌های مختلف را در رزولوشن‌های ۷۲۰p و ۱۰۸۰p مقایسه کنید.
این تنها بخشی از بهینه‌سازی‌های بصری است؛ تأثیر این تغییرات بر نرخ تبدیل در شبکه‌های اجتماعی را در گزارش بعدی بررسی خواهیم کرد.
گفتگو