← أحدث الأبحاث
💻 علوم الحاسوب

VideoGen Model 1: Prompt Expansion Versus Formatting in Audiovisual Generation

في تجربة استطلاعية منضبطة لنموذج VideoGen 1، أدى التوسع الإبداعي في الأوامر النصية إلى تحسين جودة السمعيات والبصريات الإجمالية ودرجات المواءمة مع الأوامر بشكل ملحوظ مقارنة بالأوامر الخام أو المعاد تنسيقها فحسب، لا سيما عند التقييم بواسطة VA-Judger، بينما ظلت الجودة البصرية دون تغيير إلى حد كبير.

المؤلفون الأصليون: David Grossman, Anton Koenig

نُشر 2026-10-22
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: David Grossman, Anton Koenig

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إن إنشاء فيديو من وصف نصي بسيط هو مهمة تقع عند تقاطع اللغة والفن البصري. فلكي يتمكن الحاسوب من توليد صورة متحركة، يجب عليه ترجمة الكلمات إلى سلسلة من الإطارات التي تروي قصة، مكتملة بالإضاءة، والحركة، والصوت. ويكمن التحدي في الفجوة بين فكرة الإنسان الموجزة وحاجة الآلة إلى تعليمات محددة. فوصف مثل "شمعة على طاولة" يكون واضحاً للإنسان، لكنه بالنسبة لمولد الفيديو يفتقر إلى التفاصيل المطلوبة لتقرير كيفية سقوط الضوء، أو كيفية حركة اللهب، أو ما الذي يجب أن تسمعه الغرفة. وقد اشتبه الباحثون لفترة طويلة في أن تقديم تعليمات أكثر تفصيلاً وهيكلية من شأنه أن يؤدي إلى نتائج أفضل، ولكن ظل السؤال قائماً عما إذا كان التحسن ناتجاً ببساطة عن تنظيم الكلمات بشكل صحيح، أم من إضافة تفاصيل إبداعية جديدة لم يتضمنها الوصف الأصلي.

لقد وضع فريق من الباحثين في "VideoGen" هدفهم للإجابة على هذا السؤال من خلال اختبار نموذج توليد الفيديو الخاص بهم، المعروف باسم "Model 1". فقد صمموا تجربة منضبطة للفصل بين فعل التنسيق وفعل التوسيع. وفي إعدادهم هذا، أخذوا ثلاثين وصفاً نصياً مختلفاً تغطي مجموعة واسعة من الموضوعات، من الإعلانات التجارية إلى مشاهد الطبيعة والخيال. ولكل وصف، أنشأوا ثلاث نسخ لتغذية الحاسوب بها. النسخة الأولى كانت النص الأصلي الخام كما كتبه المستخدم تماماً. والنسخة الثانية احتفظت بالأفكار الأصلية لكنها أعادت ترتيبها في هيكل محدد يفهمه الحاسوب، حيث نظمت التعليمات في حقول للوصف البصري، والمؤثرات الصوتية، والموسيقى الخلفية دون إضافة أي محتوى إبداعي جديد. أما النسخة الثالثة، فقد استخدمت نظام كتابة متطوراً للقيام بالأمرين معاً: حيث نظمت الوصف في الهيكل المطلوب ثم أضافت ثراءً من التفاصيل الإبداعية، واصفةً زوايا الكاميرا، وملمس المواد، والحركات المحددة للشخصيات، وفروق البيئة الصوتية.

قام الباحثون بعد ذلك بتوليد تسعين مقطع فيديو قصيراً، مع ضمان بقاء كل العوامل الأخرى متطابقة. فقد استخدموا نفس الأجهزة الحاسوبية، ونفس نقطة البداية العشوائية لعملية التوليد، ونفس الإعدادات لجميع النسخ الثلاث لكل وصف. هذا الضبط الصارم يعني أن أي اختلافات في الفيديوهات النهائية يمكن إرجاعها فقط إلى الطريقة التي كُتبت بها التعليمات النصية. ولتقييم النتائج، استخدموا نظامين آليين مختلفين لتقييم كل مقطع. وقام هذان النظامان بتسجيل درجات الفيديوهات على مقياس من واحد إلى عشرة عبر خمس فئات: مدى مطابقة الفيديو للفكرة الأصلية، ومدى اتساق الصوت والفيديو، وجودة الصوت، وجودة الصورة، ومدى اكتمال وتماسك المشهد.

أظهرت النتائج ميزة واضة للوصف الموسع. فعند مقارنة الفيديوهات الناتجة عن الأوصاف المنسقة ولكن غير المتغيرة، حصلت الفيديوهات المصنوعة من التعليمات الموسعة والمفصلة على درجات إجمالية أعلى. وقد منح أحد أنظمة التقييم النسخ الموسعة درجة أعلى بمنتصف نقطة على الأقل في المتوسط مقارنة بالنسخ الأخرى، وهو فرق ذو دلالة إحصائية. كما أظهر النظام الآخر تحسناً، وإن كان الهامش أصغر وكانت درجة اليقين في تلك النتيجة المحددة أقل. وكان التحسن الأكثر دراماتيكية في مدى التزام الفيديوهات بالقصد من الوصف؛ حيث ساعدت التعليمات الموسعة الحاسوب على فهم وتنفيذ الرؤية المحددة بدقة أكبر بكثير مما فعل التنسيق وحده.

ومن المثير للاهتمام أن جودة الصور في الفيديو نفسها لم تتغير كثيراً بين الطرق المختلفة. فقد ظل الوضوح البصري والتفاصيل متقاربين سواء كان الوصف منسقاً فقط أو موسعاً بالكامل. ومع ذلك، شهدت جودة الصوت دفعة ملحوية في النسخ الموسعة. فقد منح النظام الذي قيم الصوت مقاطع الفيديو الموسعة نقطة كاملة أعلى في المتوسط مقارنة بالمقاطع المنسقة فقط. وهذا يشير إلى أنه من خلال إضافة أوصاف محددة للمشهد الصوتي، والموسيقى الخلفية، والعلاقة بين الحركة والضجيج، تمكن الحاسوب من خلق تجربة صوتية أكثر إقناعاً وجودة. وتوضح الدراسة أنه بينما يساعد مجرد تنظيم النص، فإن القيمة الحقيقية تأتي من التوسيع الإبداعي الذي يملأ الفجوات، محولاً الفكرة الغامضة إلى تعليمات غنية متعددة الحواس يمكن للآلة اتباعها بدقة أكبر.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →