‏از یه پرامپت تا ویدیوی آمادهٔ یوتیوب

نویسنده می‌گه ساختن یه ویدیوی یوتیوب قبلاً یعنی نوشتن فیلم‌نامه، پیدا کردن گوینده، تهیهٔ تصویر و مونتاژ؛ ساعت‌ها کار. تو این مقاله اومده که یه خط لولهٔ چندایجنتی می‌تونه همین مسیر رو از یه پرامپت متنی تا فایل نهایی ببره، بدون اینکه دست به نرم‌افزار تدوین بزنی.

چرا چندایجنتی و نه یه پرامپت غول‌پیکر؟ چون مرحله‌های تولید ویدیو ذاتاً متفاوتن: مدلی که فیلم‌نامهٔ منسجم بلندبالا می‌نویسه همون مدلی نیست که پرامپت تصویری سینمایی می‌سازه، و هیچ‌کدوم کار چیدن تایم‌لاین رو انجام نمی‌دن. پس کار به پنج ایجنت تقسیم می‌شه: فیلم‌نامه، استوری‌بورد، تولید تصویر یا ویدیو، صدا و مونتاژ.

ایجنت فیلم‌نامه باید خروجی ساختاریافته بده: عنوان، قلاب ۱۵ ثانیهٔ اول، بخش‌های برچسب‌خورده، زبان گفتاری (نه نثر رسمی، چون قراره خونده شه)، زمان تقریبی هر بخش و پایان‌بندی. نویسنده تأکید می‌کنه خروجی JSON باشه تا ایجنت بعدی راحت بخش‌به‌بخش پارسش کنه، و برای این مرحله سراغ مدل‌های قوی‌تر تو انسجام بلندمتن بری.

ایجنت استوری‌بورد همون حلقه‌ایه که بیشتر آدم‌ها ازش رد می‌شن و بعد گله می‌کنن تصویرها بی‌ربطن. کارش ترجمهٔ روایت به زبان تصویره: «تو این بخش توضیح می‌دیم رمبش گرانشی چطور شروع می‌شه» تبدیل می‌شه به «نمای باز از یه ابرغول آبی عظیم، فضای عمیق، درخشش پلاسما، فوتورئالیستیک، نورپردازی دراماتیک». برای یکدستی هم یه راهنمای سبک ثابت تو پرامپت سیستمی گذاشته می‌شه.

برای تصویرها مدل‌هایی مثل FLUX 1.1 Pro، Stable Diffusion XL، Ideogram و Midjourney معرفی شدن و برای کلیپ متحرک هم Veo 2، Sora، Kling و Runway Gen-3. تولید ویدیو کندتر و گرون‌تره، پس پیشنهاد عملی نویسنده حالت ترکیبیه: کلیپ ویدیویی فقط برای صحنه‌های کلیدی و برای بقیه تصویر ثابت با افکت حرکت آروم دوربین.

تو مرحلهٔ صدا، متن گفتاری باید از ساختار JSON و راهنمای صحنه جدا شه تا فقط روایت به مدل TTS برسه، و صدا به‌جای یه فایل یکپارچه، بخش‌به‌بخش و هم‌نام با صحنه‌ها تولید شه تا بعداً همگام‌سازی راحت باشه. ElevenLabs، OpenAI TTS، PlayHT، Cartesia و Google Cloud TTS گزینه‌های معرفی‌شده‌ان.

مرحلهٔ آخر مونتاژه: تطبیق هر تصویر با کلیپ صوتی‌اش، ست کردن مدت هر نما روی طول صدا، انیمیشن پن و زوم، موسیقی پس‌زمینهٔ کم‌صدا، زیرنویس و ترنزیشن. سرویس‌هایی مثل Creatomate و Shotstack چون درخواست JSON با آدرس دارایی‌ها و زمان‌بندی می‌گیرن، دقیقاً با خروجی ایجنت‌های بالادستی جور درمیان:

{
  "template_id": "your-template-id",
  "modifications": [
    { "name": "scene_01", "source": "https://your-storage/scene_01.jpg", "duration": 8 },
    { "name": "narration_01", "source": "https://your-storage/narration_01.mp3" }
  ]
}

اشتباه‌های رایج هم فهرست شدن: پریدن از روی استوری‌بورد، استفاده از یه مدل برای همهٔ مرحله‌ها، اعتبارسنجی نکردن خروجی میانی (اگه JSON خراب باشه بقیهٔ زنجیره بی‌صدا آشغال تولید می‌کنه)، بی‌توجهی به همگام‌سازی صوت و تصویر، و دست‌کم گرفتن زمان رندر که باید با وب‌هوک یا پولینگ به‌صورت ناهمگام مدیریت شه.

نکات کلیدی:

• خط لوله به پنج مرحلهٔ تخصصی می‌شکنه: فیلم‌نامه، استوری‌بورد، تصویر، صدا و مونتاژ.
• خروجی JSON بین ایجنت‌ها، پارس کردن و اعتبارسنجی مرحله‌به‌مرحله رو ممکن می‌کنه.
• استوری‌بورد حلقهٔ حیاتیه؛ حذفش یعنی تصویرهای کلیشه‌ای و بی‌ربط.
• برای هر مرحله مدل مناسب همون مرحله رو بردار، نه یه مدل برای همه‌چی.
• هزینهٔ تقریبی هر ویدیوی ۵ دقیقه‌ای ۲ تا ۷ دلار و زمانش با تصویر ثابت ۱۰ تا ۲۰ دقیقه‌ست.
• محتوای توضیحی، آموزشی و مستندگونه بهترین جواب رو می‌ده؛ ویدیوهای مبتنی بر حضور آدم جلوی دوربین هنوز جای مناسبی براش نیست.