PersonaShot: Benchmarking Person-Centric Narrative Continuity in Multi-Shot Video Generation

لطالما اعتمد فن سرد القصص بالصور المتحركة على عقد بسيط وغير مرئي بين الشاشة والمشاهد: إذا التقطت الشخصية كوباً في مشهد ما، فيجب أن يظل ذلك الكوب في يدها عندما تنتقل الكاميرا إلى الزاوية التالية. وإذا كان الشخص غاضباً في لقطة قريبة، فلا ينبغي أن يتلاشى هذا الغضب ليتحول إلى نظرة فارغة عندما تتسع اللقطة. لعقود من الزمن، استخدم صانعو الأفلام قواعد صارمة للحفاظ على الاستمرارية، مما يضمن أن يبدو العالم المادي والرحلة العاطفية للشخصية حقيقيين ومتصلين. واليوم، يتعلم جيل جديد من الذكاء الاصطناعي كيفية إنشاء هذه الفيديوهات من الصفر، حيث يكتب سيناريوهاته الخاصة ويرسم إطاراته الخاصة. ولكن بينما تزداد قدرة هذه الآلات على إنتاج لحظات فردية مذهلة، يظل هناك سؤال جوهري بلا إجابة: هل يمكنها الحفاظ على تماسك القصة عندما تنتقل الكاميرا من لقطة إلى أخرى؟

قام فريق من الباحثين الآن ببناء بيئة اختبار متخصصة للإجابة على هذا السؤال، متجاوزين مجرد التحقق من الجمال البصري لقياس تماسك السرديات الكاملة. وقد أطلقوا على معيارهم الجديد اسم "PersonaShot". وهو مصمم لتقييم توليد الفيديو متعدد اللقطات، وهي عملية يقوم فيها الذكاء الاصطناعي بإنشاء تسلسل من المشاهد المتصلة بدلاً من مجرد مقطع واحد معزول. ووجد الباحثون أنه بينما يمكن لنماذج الذكاء الاصطناعي الحالية إنتاج لقطات فردية تبدو مثالية بصرياً، إلا أنها تفشل تكراراً في الحفاظ على الخيط المنطقي والعاطفي الذي يربط تلك اللقطات ببعضها البعض. فقد تنتقل الشخصية عبر الغرفة بشكل مفاجئ (تليبورت)، أو قد يتغير حال جسم ما دون سبب، أو قد يحدث تحول مفاجئ في العاطفة دون أي سبب سردي. هذه الأخطاء تكسر اندماج المشاهد، وتحول القصة المحتملة إلى سلسلة مفككة من الصور.

لفهم سبب أهمية ذلك، يجب أولاً فهم الفرق بين صنع صورة جميلة وسرد قصة متماسكة. في صناعة الأفلام التقليدية، يضمن المخرج أنه إذا كانت الشخصية تنظر إلى اليسار في لقطة ما، فإنها تنظر إلى اليمين في اللقطة العكسية، وهي قاعدة تُعرف بقاعدة الـ 180 درجة، والتي تحافظ على توجيه الجمهور في الفضاء. وبالمثل، يجب أن يتطور المسار العاطفي للشخصية بشكل طبيعي؛ فالإنسان لا ينتقل من البكاء إلى الضحك فوراً إلا إذا قدمت القصة سبباً لذلك. لقد ركزت الاختبارات الحالية لتوليد الفيديو بالذكاء الاصطناعي في الغالب على ما إذا كانت الإطار الواحد يبدو حاداً أو ما إذا كان المقطع القصير يتحرك بسلاسة. لكنها نادراً ما تحققت مما إذا كان موقع الشخصية، أو حالة الأشياء التي تلمسها، أو رحلتها العاطفية تظل ثابتة عند انتقال الفيديو من زاوية إلى أخرى. ويجادل الباحثون وراء "PersonaShot" بأنه بدون التحقق من هذه الروابط، لا يمكننا معرفة ما إذا كان الذكاء الاصطناعي قادراً حقاً على سرد القصص.

قام الفريق بإنشاء مجموعة بيانات تضم حوالي 1,000 مقطع متعدد اللقطات ليكون بمثابة اختبار صارم. لم يكتفوا بطلب إنشاء فيديوهات عشوائية من الذكاء الاصطناعي؛ بل قاموا بتنسيق أمثلة تتطلب أنواعاً محددة من الاستمرارية. بحثوا عن مشاهد تتفاعل فيها الشخصية مع جسم ما، أو حيث يتدفق حوار بين شخصين، أو حيث تتحرك الكاميرا للكشف عن منظور جديد. ولضمان عدالة ودقة هذه الاختبارات، قام الباحثون بتصفية بياناتهم لضمان وضوح الوجوه، وظهور نفس الشخصية في لقطات متعددة، ووضوح العلاقات المكانية بين الأشياء. وقد أدى هذا التنسيق الدقيق إلى إنشاء مكتبة تضم حوالي 5,000 لقطة مشروحة، تغطي مجموعة واسعة من المواضيع السردية، من امرأة تحاول التواصل مع رجل كئيب إلى تسلسل لطهي وتقديم الطعام.

بمجرد تجهيز بيانات الاختبار، طور الباحثون طريقة جديدة لتقييم أداء الذكبة الاصطناعي. فبدلاً من الاعتماد على ذكاء اصطناعي واحد عام للتحكيم في الفيديوهات، أنشأوا فريقاً من المقيمين المتخصصين. فكر في الأمر كامتلاك فريق من الخبراء، حيث يكون أحد الأشخاص خبيراً في الفيزياء، والآخر في التمثيل والعاطفة، والثالث في المونتاج السينمائي. يتحقق الخبير الأول من الاستمرارية الفيزيائية السببية، ويسأل أسئلة مثل: هل الوعاء الذي وضعته المرأة على الطاولة في اللقطة الأولى لا يزال موجوداً في الثانية؟ هل ظل حجم الشخصية بالنسبة للغرفة كما هو؟ يركز الخبير الثاني على الديناميكيات الوجدانية، أو الحياة العاطفية للشخصية. يبحث هذا المقيم عن التغيرات الدقيقة في تعبيرات الوجه، لضمان أن الابتسامة لا تومض بشكل غير طبيعي وأن مزاج الشخصية يتغير بطريقة تتناسب مع القصة. أما الخبير الثالث فيحلل القواعد السينمائية، وهي مجموعة القواعد التي يستخدمها صانعو الأفلام لتوجيه عين المشاهد وفهمه. ويتضمن ذلك التحقق مما إذا كانت قطعات الكاميرا تتبع أنماطاً منطقية، وما إذا كان الشخصيات ينظرون إلى بعضهم البعض بشكل صحيح، وما إذا كان إيقاع القطعات يتناسب مع وتيرة الحدث.

كشفت نتائج هذا التقييم عن فجوة كبيرة بين مدى جودة مظهر هذه الفيديوهات ومدى جودة سردها للقصة. اختبر الباحثون العديد من أنظمة توليد الفيديو المتطورة ووجدوا أنه حتى النماذج الأكثر إبهاراً بصرياً تعاني مع أساسيات الاستمرارية السردية. فعلى سبيل المثال، أنتج أحد النماذج فيديوهات ذات دقة بصرية عالية، بمعنى أن الصور كانت حادة والألوان نابضة بالحياة، ومع ذلك فشل في الحفاظ على الحالة العاطفية للشخصية عبر القطعات. وأدار نموذج آخر الحفاظ على استقرار هوية الشخصية ولكنه كسر قواعد التخطيط المكاني بشكل متكرر، مما جعل الأمر يبدو وكأن الشخصية قد انتقلت إلى موقع مختلف دون أن تتبعها الكاميرا. أظهرت الدراسة أن أنظمة الذكاء الاصطناعي الحالية ممتازة في تركيب الإطارات الفردية، لكنها ليست قادرة بعد على الحفاظ على ذاكرة مستمرة لحالة الشخصية أو العالم المادي عبر لقطات متعددة.

ولعل النتيجة الأكثر كشفاً هي أن القدرة على تخطيط قصة من خلال أمر (Prompt) رفيع المستوى لم تترجم تلقائياً إلى استمرارية أفضل. وجدت بعض الأنظمة التي أُعطيت خطة مفصلة لقطة بلقطة أنها تؤدي بشكل أفضل في الحفاظ على اتساق العالم المادي، حيث أن التوجيه الصريح يعزز عموماً التماسك عبر الللقطات. ومع ذلك، حتى هذه النماذج واجهت صعوبة في التدفق العاطفي الدقيق، حيث يكشف التقييم الوجداني عن ديناميكيات وجه غير مستقرة ومسارات عاطفية ضعيفة طوال التسلسلات متعددة اللقطات. وعلى العكس من ذلك، فإن الأنظمة التي أُعطيت أمراً قصصياً واحداً وعاماً تمكنت أحياناً من خلق مسار عاطفي أكثر تماسكاً، إلا أن أنظمة الأوامر العالمية مثل LTX-2.3 وُجد أنها تظل منافسة تحديداً في القواعد السينمائية والهوية، بدلاً من التفوق في الاتساق العاطفي. يشير هذا إلى أن التحدي لا يكمل فقط في اتباع التعليمات، بل في القدرة الأساسية لهذه النماذج على التفكير في الزمن، والسبب، والسلوك البشري. لاحظ الباحثون أنه بينما يمكن للنماذج توليد لقطة واحدة لشخص يبدو حزيناً، فإنها غالباً ما تفشل في فهم أن هذا الحزن يجب أن يستمر أو يتطور في اللقطة التالية، مما يؤدي إلى تحولات مفاجئة ومزعجة في التعبيرات.

ولضمان موثوقية طريقة الاختبار الجديدة، قارن الباحثون مقيميهم الآليين بأحكام الخبراء البشريين. طلبوا من عشرة خبراء في المجال تقييم مجموعة من الفيديوهات المولدة بناءً على نفس المعايير المستخدمة من قبل مقيمي الذكاء الاصطناعي. وأظهرت النتائج توافقاً قوياً بين الخبراء البشريين والمقيمين المتخصصين في الذكاء الاصطناعي. فعندما قال البشر إن فيديو ما قد كسر قواعد التواصل البصري أو فشل في الحفاظ على موقع جسم ما، وافقهم مقيمو الذكاء الاصطناعي الرأي. هذا التوافق يعطي الثقة في أن المعيار يقيس ما يدعي قياسه: الاستمرارية الحقيقية للسرد المتمحور حول الشخصية. كما يشير أيضاً إلى أن المقيمين المتخصصين يمكن أن يعملوا كأداة موثوقة للمطورين لتشخيص وتحسين نماذجهم دون الحاجة إلى توظيف فريق من النقاد البشر لكل اختبار.

تخلص الدراسة إلى أن الخطوة التالية لتوليد الفيديو ليست فقط جعل الصور أكثر جمالاً، بل بناء أنظمة تفهم منطق القصة. الجيل الحالي من النماذج يعامل كل لقطة كحدث معزول، متجاهلاً الروابط التي تجمعها في سرد قصصي. ويقترح الباحثون أن التقدم المستقبلي سيعتمد على نماذج يمكنها تتبع الحالات الفيزيائية، والمسارات العاطفية، والهياكل السينمائية عبر الزمن. ومن خلال توفير طريقة واضحة وقابلة للقياس لاختبار هذه القدرات، يقدم "PersonaShot" خارطة طريق لهذا المجال. إنه ينقل النقاش من "هل يمكن للذكاء الاصطناعي صنع فيديو؟" إلى "هل يمكن للذكاء الاصطناعي سرد قصة؟". والإجابة، في الوقت الحالي، هي أنه بينما تتقدم التكنولوجيا بسرعة، فإن القدرة على نسج سرد متماسك متمحور حول الإنسان عبر لقطات متعددة تظل تحدياً كبيراً. يتطلب المسار إلى الأمام تحولاً من توليد لحظات جمالية معزولة إلى بناء عوالم منطقية ومستمرة حيث تتطور الشخصيات وقصصها بثبات وعمق.