یک عکس ثابت از محصول، یک پرتره یا حتی عکس قدیمی خانوادگی؛ حالا با چند کلیک می‌شود آن را به یک کلیپ چندثانیه‌ای تبدیل کرد که در آن موها در باد تکان می‌خورند، دوربین آرام جلو می‌رود و حتی صدای محیط هم شنیده می‌شود. به این کار تبدیل عکس به ویدیو با هوش مصنوعی (Image-to-Video) می‌گویند و برای محتوای اینستاگرام، تبلیغ محصول و زنده کردن خاطره‌ها خیلی محبوب شده است.
در این آموزش قدم‌به‌قدم می‌بینیم کدام ابزارها در این کار بهترند، چطور عکس مناسب انتخاب کنیم، چه پرامپتی بنویسیم و چطور از خطاهای رایج مثل صورت‌های کج‌ومعوج دوری کنیم. اگر دنبال مقایسهٔ کلی ابزارهای ساخت ویدیو (از متن) هستید، رتبه‌بندی بهترین هوش مصنوعی‌های ساخت ویدیو را ببینید.
آخرین به‌روزرسانی: ۱۴ آبان ۱۴۰۵ — رتبه‌ها و قیمت‌ها از جدول Image-to-Video سایت Artificial Analysis در ۱۴ آبان ۱۴۰۵ خوانده شده‌اند.
⚡ پاسخ کوتاه
برای تبدیل عکس به ویدیو، عکس واضح و باکیفیت را در ابزاری مثل Dreamina Seedance 2.5، MiniMax H3، Kling یا Gemini Omni (در اپ Gemini و Google Flow) بارگذاری کنید، در پرامپت فقط «حرکت» را توصیف کنید (چه چیزی تکان بخورد و دوربین چطور حرکت کند)، طول و نسبت تصویر را انتخاب کنید و چند نسخه بسازید. طبق جدول Image-to-Video سایت Artificial Analysis، Seedance 2.5 با امتیاز ۱۱۵۹ اول است و MiniMax H3 با ۴٫۸ دلار برای هر دقیقه، بهترین مدل وزن باز و یکی از ارزان‌ترین گزینه‌های سطح اول است.
📑 فهرست مطالب
در متن به ویدیو شما فقط توضیح می‌دهید و مدل همه چیز را از صفر می‌سازد: شخصیت، صحنه، نور و حرکت. در عکس به ویدیو عکس شما فریم اول (یا مرجع اصلی) است و مدل فقط باید حرکت را اضافه کند. نتیجه؟ کنترل خیلی بیشتری روی ظاهر نهایی دارید؛ چهرهٔ شخص، شکل محصول و رنگ‌ها همان می‌ماند که در عکس بوده.
همین ویژگی باعث شده عکس به ویدیو برای کارهای تجاری محبوب‌تر باشد: عکس محصول را که با دقت گرفته‌اید متحرک می‌کنید، بدون اینکه مدل شکل بسته‌بندی یا لوگو را عوض کند. برخی ابزارها امکان دادن فریم اول و آخر را هم دارند؛ یعنی دو عکس می‌دهید و مدل حرکت بین آن دو را می‌سازد.
Artificial Analysis یک جدول جداگانه برای تبدیل عکس به ویدیو دارد که مثل آرنای ویدیو کار می‌کند: کاربران دو ویدیو ساخته‌شده از یک عکس را بدون دانستن نام مدل‌ها می‌بینند و بهتر را انتخاب می‌کنند، و از این رأی‌ها امتیاز Elo ساخته می‌شود. روش این امتیازدهی را در رتبه‌بندی Elo توضیح داده‌ایم. وضعیت فعلی جدول (ویدیو همراه با صدا):
| رتبه | مدل | سازنده | امتیاز Elo | هزینهٔ هر دقیقه (API) |
|---|---|---|---|---|
| ۱ | Dreamina Seedance 2.5 | ByteDance | ۱۱۵۹ | ۳۴٫۱۲ دلار |
| ۲ | Utopai X | Utopai | ۱۱۴۷ | API عمومی ندارد |
| ۳ | Dreamina Seedance 2.0 | ByteDance | ۱۱۳۵ | — |
| ۴ | MiniMax H3 (768p) | MiniMax | ۱۱۳۱ | ۴٫۸۰ دلار (وزن باز) |
| ۵ | HeyGen Video 1 | HeyGen | ۱۱۲۴ | — |
| ۹ | Wan 3.0 | Alibaba | ۱۱۱۲ | — |
| ۱۴ | Grok Imagine Video 1.5 | SpaceXAI | ۱۰۵۰ | — |
| ۱۵ | Gemini Omni Flash 1.1 | ۱۰۴۴ | — | |
| ۱۹ | Kling 3.0 1080p (Pro) | Kuaishou | ۱۰۰۰ (مرجع جدول) | — |
| ۲۳ | Veo 3.1 | ۹۵۴ | ۲۴ دلار |
در جدول ویدیوی بدون صدا ترتیب کمی فرق می‌کند: Utopai X با ۱۱۵۶ اول است و Seedance 2.5 (۱۱۳۰) و MiniMax H3 Max (۱۱۲۳) بعد از آن هستند. یادتان باشد فاصلهٔ چند مدل اول کم است و با رأی‌های تازه جابه‌جا می‌شوند؛ پس این جدول برای انتخاب «دستهٔ اول» است، نه برندهٔ قطعی.
Seedance محصول بایت‌دنس (سازندهٔ تیک‌تاک) است و از طریق پلتفرم Dreamina در دسترس است. نسخهٔ 2.5 در هر دو جدول با صدا و بدون صدا جزو دو مدل اول است، اما با ۳۴٫۱۲ دلار برای هر دقیقه در API، گران‌ترین گزینهٔ این فهرست هم هست. برای کار تجاری که کیفیت حرف اول را می‌زند، انتخاب خوبی است.
MiniMax H3 در تبدیل عکس به ویدیو چهارم است، اما هزینهٔ هر دقیقه‌اش ۴٫۸ دلار است؛ یعنی حدود یک‌هفتم Seedance 2.5. وزن‌های آن هم باز است و بهترین مدل وزن باز این جدول به حساب می‌آید. اگر قرار است تعداد زیادی کلیپ بسازید، از این مدل شروع کنید.
Kling از شرکت Kuaishou سال‌هاست یکی از ابزارهای محبوب عکس به ویدیو است و Kling 3.0 در این جدول نقش مرجع (امتیاز ۱۰۰۰) را دارد. نسخهٔ 4.0 هنوز در جدول Artificial Analysis نیامده است. آشنایی اولیه با این ابزار را در معرفی هوش مصنوعی Kling و مقایسه‌اش با رقبا را در مقایسه Sora، Kling و Veo ببینید.
گوگل ساخت ویدیو در اپ Gemini را به Gemini Omni سپرده و Veo 3.1 را هم در Google Flow نگه داشته است. هر دو عکس را به‌عنوان ورودی می‌پذیرند. در جدول عکس به ویدیو، Gemini Omni Flash 1.1 پانزدهم و Veo 3.1 بیست‌وسوم است؛ یعنی در این کار خاص از رقبای چینی عقب‌ترند. جزئیات دسترسی و اشتراک را در راهنمای Veo و Gemini Omni نوشته‌ایم.
Pika از اولین ابزارهایی بود که متحرک کردن عکس را برای کاربران عادی ساده کرد و افکت‌های آمادهٔ سرگرم‌کننده دارد. اگر بیشتر دنبال افکت و شوخی هستید تا کیفیت سینمایی، آشنایی با Pika AI را بخوانید.
مراحل در همهٔ ابزارها تقریباً یکی است. ما مسیر کلی را می‌گوییم؛ نام دکمه‌ها ممکن است کمی فرق کند.
در ابزار، حالت Image to Video را انتخاب و عکس را بارگذاری کنید. اگر ابزار گزینهٔ فریم اول و آخر دارد و می‌خواهید سوژه از حالتی به حالت دیگر برود (مثلاً گل غنچه باز شود)، عکس دوم را هم به‌عنوان فریم آخر بدهید.
مهم‌ترین نکته: لازم نیست چیزی را که در عکس هست دوباره توصیف کنید. پرامپت را روی حرکت سوژه، حرکت دوربین و حس کلی بگذارید. بیشتر مدل‌ها پرامپت انگلیسی را دقیق‌تر می‌فهمند. اصول کلی پرامپت‌نویسی تصویری را در آموزش پرامپت‌نویسی تصویر گفته‌ایم.
پرامپت نمونه برای پرتره
The woman slowly turns her head toward the camera and smiles softly, her hair moves gently in the wind. Slow camera push-in, shallow depth of field, warm golden hour light, natural realistic motion.
پرامپت نمونه برای عکس محصول
The perfume bottle rotates slowly on the table, light reflections move across the glass, soft mist rises in the background. Static camera, clean studio look, smooth motion.
برای شروع، کلیپ کوتاه (حدود ۵ ثانیه) با کیفیت پایین‌تر بسازید تا اعتبار یا هزینه کمتری مصرف شود. وقتی حرکت درست درآمد، نسخهٔ نهایی را با کیفیت بالاتر بگیرید. اگر مدل صدای بومی دارد، می‌توانید صدای محیط یا موسیقی را هم در پرامپت توصیف کنید.
نتیجهٔ هوش مصنوعی هر بار کمی فرق می‌کند. معمولاً از هر عکس دو تا چهار نسخه بسازید و بهترین را نگه دارید. اگر حرکت زیادی عجیب شد، پرامپت را ساده‌تر کنید؛ یک حرکت اصلی بهتر از پنج حرکت هم‌زمان جواب می‌دهد.
یک فرمول ساده که در بیشتر ابزارها جواب می‌دهد: سوژه + حرکت سوژه + حرکت دوربین + نور و حس + سرعت. چند عبارت انگلیسی پرکاربرد برای حرکت دوربین:
| عبارت | معنی | کاربرد |
|---|---|---|
| slow push-in / dolly in | نزدیک شدن آرام دوربین | تأکید روی چهره یا محصول |
| pull back / dolly out | دور شدن دوربین | نمایش فضای اطراف |
| orbit around | چرخیدن دوربین دور سوژه | نمایش سه‌بعدی محصول |
| pan left / right | چرخش افقی دوربین | نمایش منظره |
| static camera | دوربین ثابت | وقتی فقط سوژه باید حرکت کند |
| handheld | حالت دوربین روی دست | حس طبیعی و مستند |
اگر صورت یا دست‌ها خراب می‌شوند، حرکت را کم کنید: به‌جای «می‌دود و می‌چرخد» بنویسید «آرام سر را می‌چرخاند». کلمه‌هایی مثل subtle، gentle و slow معمولاً نتیجه را طبیعی‌تر می‌کنند.
قیمت ابزارها دو جور است: اشتراک یا اعتبار ماهانه در سایت و اپ، و پرداخت به ازای ثانیه یا دقیقه در API. طبق Artificial Analysis، هزینهٔ هر دقیقه ویدیو در API برای MiniMax H3 حدود ۴٫۸ دلار، برای Veo 3.1 حدود ۲۴ دلار و برای Seedance 2.5 حدود ۳۴٫۱۲ دلار است. یک کلیپ ۵ ثانیه‌ای کسری از این مبلغ می‌شود.
بیشتر سایت‌ها نسخهٔ رایگان یا اعتبار آزمایشی محدود دارند، اما مقدار و شرایط آن مدام عوض می‌شود و گاهی فقط برای حساب‌های تازه است. در اپ Gemini هم سقف ساخت ویدیو به نوع اشتراک بستگی دارد. پیش از خرید اشتراک، با اعتبار رایگان چند عکس را امتحان کنید. کاربران ایرانی برای بیشتر این سرویس‌ها با محدودیت دسترسی و پرداخت روبه‌رو هستند.
اگر می‌خواهید کار با ابزارهای تصویری و ویدیویی هوش مصنوعی را اصولی یاد بگیرید، دورهٔ کپسول هوش مصنوعی رادینو نقطهٔ شروع خوبی است.
طبق جدول Image-to-Video سایت Artificial Analysis، Dreamina Seedance 2.5 با امتیاز ۱۱۵۹ اول است. برای نسبت کیفیت به قیمت، MiniMax H3 با ۴٫۸ دلار برای هر دقیقه گزینهٔ بهتری است.
بیشتر ابزارها اعتبار رایگان یا آزمایشی محدود دارند، اما ساخت ویدیوی باکیفیت و طولانی معمولاً به اشتراک یا پرداخت نیاز دارد.
معمولاً به‌خاطر عکس کم‌کیفیت، صورت کوچک در کادر یا حرکت زیاد. عکس واضح‌تر بدهید و حرکت را آرام و محدود توصیف کنید.
بیشتر مدل‌ها پرامپت انگلیسی را دقیق‌تر می‌فهمند. می‌توانید ایده را فارسی بنویسید و از یک چت‌بات بخواهید آن را به پرامپت انگلیسی حرکت تبدیل کند.
بسته به ابزار و نسخه فرق می‌کند؛ بیشتر ابزارها کلیپ‌های چندثانیه‌ای می‌سازند و برخی امکان ادامه دادن صحنه را دارند. برای شروع، کلیپ‌های کوتاه بهترین نتیجه را می‌دهند.
دیماه ۱۴۰۳ (ژانویهٔ ۲۰۲۵) یک شرکت چینی کمنام با مدلی به اسم DeepSeek-R1 بازار هوش مصنوعی را تکان داد: مدلی …
یک ویس دوازدهدقیقهای در تلگرام، ضبط جلسهٔ کاری، مصاحبه برای پایاننامه یا یک قسمت پادکست؛ تایپ کردن دستی هر کدام …
اگر برنامهنویس یا صاحب کسبوکار باشید، دیر یا زود می‌خواهید هوش مصنوعی را مستقیم به سایت، ربات یا اپلیکیشن خودتان …
ترجمهٔ ماشینی فارسی زمانی شوخی بود؛ جملههایی بیمعنی که فقط کلمهبهکلمه برگردانده شده بودند. امروز اما مدل‌های زبانی بزرگ متن …
نظرات 0
برای ارسال نظر وارد حساب کاربری شوید.
هنوز نظری ثبت نشده؛ اولین نفر باشید.