اجعلوا الصورة تتكلم: بطاقة عيد ميلاد تقولها الجدة بنفسها

«قياسي» أم «الأعلى»: كم يتحرك من الصورة

يحصل المحرّكان منا على الشيئين نفسيهما: البطاقة، والصوت مسجلًا ومقصوصًا على عدد الثواني التي دفعتم ثمنها. الفرق في مقدار ما يتحرك من الصورة. يعمل Kling AI Avatar v2 من Kuaishou على الوجه والرأس: يتبع الفم الكلمات، ويتحرك الرأس معها، ويبقى كل ما عدا ذلك على حاله، من الملابس إلى الغرفة في الخلفية. وللصورة الشخصية لشخص واحد هذا عادةً هو المطلوب بالضبط، والثانية فيه أرخص. والجدة في هذه الصفحة صُنعت بهذه الطريقة.

أما OmniHuman 1.5 من ByteDance فيرى في الصورة شخصًا كاملًا: يتحرك الرأس والوجه والكتفان على إيقاع الصوت، فالصورة من الخصر فما فوق، أو الكأس المرفوعة، تمنحه ما يحرّكه غير الفم. والجد الذي يهنّئ بالروسية بصوت Ari في المثال أعلاه صُنع به من صورة شخصية واحدة. وهو يحلّ أيضًا مشكلة الصورة الجماعية: حوّلوا الجودة إلى «الأعلى»، واضغطوا على وجه من يجب أن يتكلم - الجد الذي يشكر الجميع مثلًا - فيكون هو المتكلم، ويبقى الآخرون في الصورة يستمعون. ومن دون ضغطة يختار النموذج المتكلم بنفسه، وهذا مقبول في الصورة الشخصية ومجازفة في الجماعية، فلا تُطيلوا المائدة: الوجه الصغير في آخرها يصعب الضغط عليه. ولأن ثانية OmniHuman أغلى، يبقى Kling AI Avatar v2 الخيار اليومي.

الفم ظاهر والوجه نحو الكاميرا

الوجه الذي يتكلم هو الوجه الموجود على البطاقة، لذلك يبدأ الشبه من هناك. يقدّم GPT Image 2.5 Flare، وهو ما يختاره «تلقائي» للصور، أفضل شبه، والبطاقات التي تضم حتى أربعة أشخاص تحافظ على الوجوه بأعلى موثوقية. وللجزء الناطق تساعد أمور بسيطة: وجه متجه نحو الكاميرا، وفم ظاهر لا يخفيه كوب أو يد، وإضاءة متساوية، ووجه يشغل جزءًا جيدًا من الإطار. ويفضّل OmniHuman 1.5 أن يظهر الكتفان أيضًا. شخص واحد في صورة شخصية هو الحالة السهلة، ووجه صغير في منظر واسع هو الحالة الصعبة.

وإذا كانت صورتكم الوحيدة لقطة جماعية من الطرف البعيد للحديقة، فاصنعوا أولًا بطاقة جديدة أقرب، ودعوها هي تتكلم. و«الأشخاص» يوفّر عليكم خطوة: إن كانت الجدة محفوظة هناك مع صورة، فالصورة لدى الوكيل أصلًا ولن يطلبها مجددًا.

ما الذي يتسع في خمس عشرة ثانية من الكلام

خمس عشرة ثانية نخبٌ لا رسالة: الاسم، وتفصيل حقيقي واحد، وأمنية واحدة. جملة الجدة في هذه الصفحة تستغرق 7 ثوانٍ، فالحد يتسع لنحو جملتين مثلها. والصوت يتوقف عند النقاط، فالجملة التي تمتد ثلاثة أسطر تخرج نفَسًا واحدًا طويلًا. عبارة «عيد ميلاد سعيد لحفيدي الرائع، أتمنى لك كل الخير في يومك المميز، وأن تتحقق كل أحلامك» تقول أقل من «عيد ميلاد سعيد يا يوسف. ثماني سنوات، وما زلت مدينًا لي بمباراة إعادة في طاولة الزهر. سأحضر الكعكة يوم الجمعة».

استعملوا الأسماء التي تتنادى بها العائلة فعلًا: تيتا، جدّو، ستّي، سيدو. واجعلوا الجمل العربية والعبرية أقصر قليلًا، فالـ 15 ثانية تتسع فيهما لحروف أقل مما تتسع له بالإنجليزية. لا تكتبوا إرشادات أداء مثل [تضحك]: فالتطبيق يحذف كل ما بين قوسين مربعين قبل أن يقرأ الصوت الجملة. وأفضل الكلمات تأتي عادةً من صاحب الصورة نفسه: اتصلوا بالجدة، واسألوها ماذا كانت ستقول، واكتبوه بطريقتها. ثم اقرؤوا الجملة بصوت عالٍ مرة واحدة: إن تعثّرتم بها، فستبدو متكلّفة على لسان صاحب الصورة أيضًا.

اختاروا الصوت لمن سيستمع لا لأنفسكم: صوتًا هادئًا دافئًا للجد أو الجدة، وصوتًا مشرقًا لطفل في السادسة. ولكل صوت في الكتالوج عيّنة، فاختاروا بالأذن لا بالاسم. وقاعدة واحدة ليست تقنية: استخدموا صور أشخاص سيسعدهم أن يروا أنفسهم يتكلمون، وكلمات كانوا سيقولونها فعلًا. ضعوا على لسان الجد عبارة ما كان ليقولها أبدًا، وستلاحظ العائلة ذلك قبل أن تُطفأ الشموع.

لمن لا يستطيع أن يكون في الغرفة

معظم البطاقات الناطقة تنوب عن شخص غائب. في يوم الحفلة تكون الجدة على بُعد رحلتين بالطائرة، فتقول صورتها «عيد ميلاد سعيد» من هاتف مسنود إلى قالب الكعكة. وإن كان لها حساب خاص على باقة مدفوعة، تسجّل صوتها مرة واحدة، فتصبح هي من يتكلم حقًا.

وليست المسافة السبب الوحيد. تصوير أنفسكم وأنتم تقولون «عيد ميلاد سعيد» يحتاج إلى عشر محاولات، وفي أفضلها يظهر إبهامكم، أما هنا فتختارون صورة تحبونها أصلًا وتكتبون جملتين. وفروق التوقيت تجعل مكالمة عيد الميلاد أمرًا محرجًا، لذا يمكن لبطاقة بوجهكم، وبصوتكم أيضًا على باقة مدفوعة، أن تنتظرهم: جدولوها لصباحهم، لا لصباحكم.

واللغة مهمة أيضًا. الأحفاد يجيبون بالإنجليزية، والجدة ما زالت تفكر بالعربية. اكتبوا جملتها بالعربية وبالكلمات التي تستعملها هي، وستنطقها صورتها بالعربية، فالصوت يقرأ باللغة التي كُتبت بها الجملة.

حين يكون الفيديو أو الصوت أو الأغنية أنسب

البطاقة الناطقة شخص واحد، وبضع جمل، ونظرة إلى الكاميرا. إنها ليست حفلة. إذا أردتم المائدة كلها ترفع الكؤوس، مع الرنين والضحك، فأنتم تحتاجون إلى فيديو. حوّل Kling 3.0 بطاقتنا ذات المائدة الطويلة في الحديقة إلى مقطع من 5 ثوانٍ يُظهر ذلك بالضبط، مع الصوت. ويصنع Veo 3.1 الأصوات والغناء في الإنشاء نفسه - في صفحته تغني عائلة آخر أغنية Happy Birthday وتطفئ الأم الشموع. أما MiniMax H3 فيحرّك كل مشاهد الفيديو في كتالوجنا، وهو الأوفر بين الثلاثة.

إذا كان الصوت هو المهم لا الوجه، فأرسلوا تهنئة صوتية: الأصوات الثمانية نفسها، أو صوتكم، من دون صورة تُحرَّك، وبتكلفة أقل. وإذا أردتم أن تُغنّى الكلمات، فإن Lyria 3.5 يغني كلمات وافقتم عليها، بالعربية والإنجليزية والروسية والعبرية وغيرها.