آموزش ساخت ویدیو با هوش مصنوعی از صفر تا صد (۱۴۰۵)
آموزش ساخت ویدیو با هوش مصنوعی از ایده تا انتشار: ابزارهای هر مرحله و پلن رایگانشان، فرمول پرامپت ویدیو، ساخت ریلز ۲۰ ثانیهای و جدول هزینهها.

برای ساخت ویدیو با هوش مصنوعی از صفر، یک مسیر هفتمرحلهای را طی کنید: ایده، سناریو، ساخت تصویر کلیدی، تبدیل تصویر به ویدیو، صداگذاری و موسیقی، تدوین و در نهایت انتشار. بخش زیادی از این مسیر را میتوان با پلنهای رایگان ابزارهایی مثل Gemini، Kling، ElevenLabs و CapCut تمرین کرد، اما برای خروجی بدون واترمارک و استفادهٔ تجاری معمولاً به پلن پولی نیاز دارید.
در این راهنما هر مرحله را با ابزارهای فعلی، وضعیت پلن رایگانشان، یک فرمول پرامپت ویدیو و ساخت قدمبهقدم یک ریلز ۲۰ ثانیهای اینستاگرام توضیح میدهم. اطلاعات قیمتها را از سایت رسمی ابزارها در آبان ۱۴۰۵ برداشتهام، اما این قیمتها زیاد تغییر میکنند؛ قبل از خرید حتماً دوباره چک کنید.
ساخت ویدیو با هوش مصنوعی دقیقاً چه مراحلی دارد؟
اشتباه رایج این است که فکر کنیم یک پرامپت مینویسیم و ویدیوی کامل تحویل میگیریم. در عمل، ویدیوی خوب از کنار هم گذاشتن چند شات کوتاه ساخته میشود و هر مرحله ابزار و مهارت خودش را دارد.
- ایده: پیام اصلی، مخاطب و حس ویدیو را در یک جمله بنویسید.
- سناریو و شاتلیست: ویدیو را به شاتهای ۵ تا ۱۰ ثانیهای تقسیم کنید و برای هر شات بنویسید چه دیده و شنیده میشود.
- تصویر کلیدی (کیفریم): برای هر شات یک تصویر ثابت با سبک یکسان بسازید.
- تصویر به ویدیو: هر تصویر را با پرامپت حرکت و دوربین به یک کلیپ کوتاه تبدیل کنید.
- صدا و موسیقی: صداگذاری (گوینده)، افکت و موسیقی را بسازید یا انتخاب کنید.
- تدوین: کلیپها را کنار هم بگذارید، ریتم را تنظیم کنید و زیرنویس و رنگ را یکدست کنید.
- انتشار: در ابعاد درست، با کپشن مناسب و در صورت لزوم با برچسب محتوای هوش مصنوعی منتشر کنید.
تفاوت text-to-video و image-to-video چیست؟
در text-to-video فقط متن میدهید و مدل هم تصویر و هم حرکت را خودش میسازد. در image-to-video اول یک تصویر میدهید و مدل همان تصویر را متحرک میکند؛ یعنی کنترل ظاهر صحنه دست شماست.
| معیار | متن به ویدیو (Text-to-Video) | تصویر به ویدیو (Image-to-Video) |
|---|---|---|
| ورودی | فقط پرامپت متنی | یک تصویر بههمراه پرامپت حرکت |
| کنترل ظاهر کاراکتر و صحنه | کم؛ هر بار ممکن است فرق کند | زیاد؛ ظاهر از تصویر میآید |
| یکدستی بین چند شات | سخت | با کیفریمهای همسبک، بسیار بهتر |
| سرعت ایدهپردازی | سریع | یک مرحلهٔ اضافه (ساخت تصویر) دارد |
| کاربرد مناسب | تست ایده، شاتهای فضاسازی | ریلز برند، داستان با کاراکتر ثابت، تبلیغ محصول |
توصیهٔ من برای کارهای جدی، مخصوصاً وقتی کاراکتر یا محصول ثابت دارید، مسیر تصویر به ویدیو است. بسیاری از مدلها امروز امکان «فریم اول و آخر» یا استفاده از تصاویر مرجع را هم دارند؛ برای نمونه، صفحهٔ رسمی Veo گوگل از قابلیت انتقال بین فریم اول و آخر و ساخت ویدیو از تصاویر مرجع نام میبرد.
بهترین هوش مصنوعی ساخت ویدیو برای هر مرحله کدام است؟
«بهترین» ابزار به نیاز شما بستگی دارد، اما ابزارهای زیر در زمان نوشتن این مقاله در هر مرحله رایج و فعالاند. برای مقایسهٔ گستردهتر، فهرست ابزارهای هوش مصنوعی سایت را ببینید.
ایده و سناریو: ChatGPT، Gemini یا Claude
هر کدام از این دستیارها برای طوفان فکری، نوشتن سناریو و تبدیل آن به شاتلیست کافی است و نسخهٔ رایگانشان برای این کار جواب میدهد. از آنها بخواهید خروجی را جدولی بدهند: شمارهٔ شات، مدت، توضیح تصویر، حرکت دوربین و متن گوینده.
تصویر کلیدی: Gemini، ChatGPT Image و OpenArt
طبق صفحهٔ رسمی اشتراکهای Gemini، نسخهٔ رایگان امکان ساخت و ویرایش تصویر در اپ Gemini را دارد. طبق صفحهٔ قیمت ChatGPT هم ساخت تصویر در پلن رایگان وجود دارد ولی محدود و کندتر است. اگر به مدلهای متنوع و ساخت کاراکتر ثابت نیاز دارید، OpenArt پلنهای پولی از ۱۴ دلار در ماه دارد و در پلنهای پولی خروجی بدون واترمارک است (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵).
تصویر به ویدیو: Kling، Google Flow (Veo)، Runway و Higgsfield
- Kling AI: سایت رسمی Kling نسخهٔ 4.0 را معرفی کرده و قابلیت تصویر به ویدیو و Motion Control دارد. پلن رایگانش اعتبار روزانه میدهد، اما طبق بررسیهای مستقل خروجی رایگان واترمارک و کیفیت محدودتری دارد؛ جزئیات دقیق را در سایت رسمی چک کنید.
- Google Flow و Veo: طبق صفحهٔ رسمی DeepMind، مدل Veo 3.1 صدا، افکت و دیالوگ را همراه ویدیو میسازد و در Google Flow (آدرس flow.google.com) در دسترس است؛ ساخت ویدیو در خود اپ Gemini حالا با مدل Gemini Omni 1.2 Flash انجام میشود. در صفحهٔ اشتراکها، ساخت ویدیو برای پلن رایگان ذکر نشده و از پلن Google AI Plus (۴٫۹۹ دلار در ماه) با محدودیت مصرف شروع میشود؛ AI Pro با ۱۹٫۹۹ دلار ۱۰۰۰ اعتبار Flow میدهد (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵).
- Runway: پلن رایگان ۱۲۵ اعتبار یکباره و بدون انقضا برای امتحان ابزارها میدهد. پلن Standard با پرداخت سالانه ماهی ۱۲ دلار (ماهانه ۱۵ دلار) است و از این پلن به بالا خروجی بدون واترمارک است (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵).
- Higgsfield: پلتفرمی برای ساخت ویدیو با تمرکز روی کنترل حرکت دوربین؛ پلن Starter آن ۱۹ یورو با ۲۷۰ اعتبار است (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵) و جزئیات بقیهٔ پلنها را در صفحهٔ هگزفیلد و سایت رسمی ببینید.
صدا و گوینده: ElevenLabs
ElevenLabs در پلن رایگان ماهانه ۱۰ هزار اعتبار برای متن به گفتار، افکت صوتی، طراحی صدا و موسیقی میدهد. لایسنس تجاری و کلون فوری صدا از پلن Starter به بعد اضافه میشود (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵). یعنی برای تمرین، رایگان کافی است؛ برای پروژهٔ مشتری، نه.
موسیقی: Suno
پلن رایگان Suno روزانه ۵۰ اعتبار میدهد، اما حق استفادهٔ تجاری ندارد. پلن Pro از ۸ دلار در ماه، ۲۵۰۰ اعتبار ماهانه و حق استفادهٔ تجاری دارد (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵). اگر ویدیو برای برند یا تبلیغ است، به همین نکته دقت کنید.
تدوین: CapCut
CapCut نسخهٔ رایگان با قالبها و ابزارهای پایهٔ تدوین دارد و پلن Pro آن ۱۹٫۹۹ دلار در ماه است که اعتبار ماهانهٔ امکانات هوش مصنوعی و قالبهای پریمیوم را اضافه میکند (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵). هر نرمافزار تدوینی که با آن راحتاید، مثل پریمیر، هم کار میکند. گردش کار کامل ادیت را در مقالهٔ تدوین ریلز با CapCut و هوش مصنوعی نوشتهام.
فرمول پرامپت ویدیو با هوش مصنوعی چیست؟
پرامپت ویدیو با پرامپت عکس فرق دارد، چون باید «زمان» و «حرکت» را هم توصیف کنید. من این شش جزء را به این ترتیب در پرامپت میآورم:
- سوژه (Subject): چه کسی یا چه چیزی در کادر است، با جزئیات ظاهری.
- کنش (Action): سوژه دقیقاً چه کاری انجام میدهد؛ فقط یک کنش اصلی در هر شات.
- دوربین (Camera): نوع نما و حرکت؛ مثل close-up، slow dolly in، orbit، handheld.
- نور (Lighting): منبع و حالوهوای نور؛ مثل golden hour، soft window light، neon.
- سبک (Style): سینمایی، مستند، انیمیشن، تبلیغاتی و غیره.
- مدت (Duration): طول شات؛ معمولاً ۵ تا ۸ ثانیه بهترین نتیجه را میدهد.
پرامپت را انگلیسی بنویسید؛ بیشتر مدلهای ویدیو با انگلیسی دقیقتر کار میکنند. در ادامه چهار نمونه میبینید.
نمونهٔ ۱: شات محصول برای تبلیغ
A ceramic coffee cup on a wooden café table, steam slowly rising from the coffee, slow dolly in toward the cup, soft morning window light from the left, cinematic commercial style, shallow depth of field, 5 seconds
در این پرامپت سوژه (فنجان قهوه روی میز چوبی)، کنش (بالا رفتن آرام بخار)، دوربین (نزدیک شدن آرام)، نور (نور نرم صبح از پنجره) و سبک (تبلیغاتی سینمایی) جدا از هم مشخصاند. کنش ساده است و همین باعث میشود حرکت طبیعی بماند.
نمونهٔ ۲: کاراکتر و احساس
A young woman with curly dark hair standing on a rooftop at sunset, she turns her head toward the camera and smiles gently, medium close-up, slow orbit around her, warm golden hour backlight, cinematic film look, 6 seconds
اینجا یک کنش انسانی کوچک (برگشتن سر و لبخند) با حرکت دوری دوربین ترکیب شده است. نور از پشت، حالت سینمایی میدهد. اگر این شات را از یک تصویر کلیدی بسازید، چهرهٔ کاراکتر در شاتهای بعدی هم ثابت میماند.
نمونهٔ ۳: فضاسازی و طبیعت
Aerial drone shot flying slowly over misty green mountains at dawn, low clouds drifting between the peaks, smooth forward motion, soft diffused light, documentary nature style, 8 seconds
برای شاتهای افتتاحیه یا فضاسازی، text-to-video هم خوب جواب میدهد چون یکدستی کاراکتر مطرح نیست. کلمهٔ smooth و slow جلوی حرکتهای پرشی دوربین را میگیرد.
نمونهٔ ۴: سبک انیمیشنی
A small orange cat in a tiny chef hat stirring a pot in a cozy kitchen, the cat looks up surprised as the pot bubbles over, static medium shot, warm cozy kitchen light, 3D animated film style, 5 seconds
در سبک انیمیشن، اغراق در کنش (غافلگیر شدن) جذابتر است. دوربین ثابت (static) انتخاب شده تا توجه روی کنش کاراکتر بماند و مدل درگیر حرکت پیچیدهٔ دوربین نشود.
برای پرامپتهای آمادهٔ بیشتر، به بانک پرامپت فارسی سر بزنید که توضیح فارسی هر پرامپت را هم دارد.
چطور یک ریلز ۲۰ ثانیهای اینستاگرام با هوش مصنوعی بسازیم؟
فرض کنید میخواهیم برای یک کافه یک ریلز ۲۰ ثانیهای بسازیم. سادهترین ساختار، چهار شات ۵ ثانیهای است: قلاب (هوک)، معرفی محصول، لحظهٔ لذت و دعوت به اقدام.
- سناریو را بنویسید: از ChatGPT یا Gemini بخواهید یک سناریوی ۲۰ ثانیهای در چهار شات با متن گویندهای حداکثر ۴۵ کلمه بنویسد. متن گوینده باید از نظر زمانی در ۲۰ ثانیه جا شود.
- سبک بصری را ثابت کنید: یک جملهٔ سبک بنویسید (مثلاً «نور گرم صبح، رنگهای قهوهای و کرم، حالت تبلیغاتی سینمایی») و آن را در همهٔ پرامپتها تکرار کنید.
- چهار کیفریم بسازید: با Gemini یا ابزار تصویرسازی دلخواه، برای هر شات یک تصویر عمودی ۹:۱۶ بسازید. اگر تصویری با بقیه همخوان نیست، همان را دوباره بسازید؛ نه اینکه بعداً در تدوین درستش کنید.
- هر تصویر را متحرک کنید: در Kling یا Flow، حالت تصویر به ویدیو را انتخاب کنید و با فرمول بالا پرامپت حرکت بدهید. برای هر شات دو یا سه نسخه بسازید و بهترین را انتخاب کنید.
- صدای گوینده را بسازید: متن را در ElevenLabs به گفتار تبدیل کنید. اگر صدای فارسی طبیعی میخواهید، چند صدا را امتحان کنید و سرعت و مکثها را تنظیم کنید.
- موسیقی اضافه کنید: یک موسیقی بیکلام کوتاه با Suno بسازید یا از کتابخانهٔ موسیقی مجاز نرمافزار تدوین استفاده کنید. صدای موسیقی را زیر صدای گوینده پایین نگه دارید.
- تدوین کنید: در CapCut یا پریمیر، کلیپها را روی ریتم موسیقی برش بزنید، زیرنویس فارسی بگذارید و رنگ شاتها را یکدست کنید. سه ثانیهٔ اول باید بدون صدا هم پیام را برساند.
- خروجی و انتشار: با ابعاد عمودی ۱۰۸۰×۱۹۲۰ خروجی بگیرید، کاور جذاب انتخاب کنید و اگر ویدیو واقعنما است، برچسب محتوای هوش مصنوعی را فعال کنید.
اگر خروجیتان مصنوعی یا «پلاستیکی» به نظر میرسد، دلایل رایج و راهحلهایش را در مقالهٔ چرا ویدیوهای هوش مصنوعی بد به نظر میرسند توضیح دادهام.
ساخت ویدیو با هوش مصنوعی رایگان ممکن است؟ هزینهها چقدر است؟
بله، برای یادگیری و تمرین میشود رایگان شروع کرد؛ اما خروجی رایگان معمولاً واترمارک، محدودیت کیفیت یا محدودیت حق استفادهٔ تجاری دارد. جدول زیر دو مسیر را مقایسه میکند (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵).
| مرحله | مسیر رایگان | محدودیت مسیر رایگان | مسیر پولی (نمونه) |
|---|---|---|---|
| سناریو | نسخهٔ رایگان ChatGPT، Gemini یا Claude | سقف استفاده | معمولاً لازم نیست |
| تصویر کلیدی | ساخت تصویر در اپ Gemini یا ChatGPT | تعداد و سرعت محدود | OpenArt از ۱۴ دلار در ماه |
| تصویر به ویدیو | اعتبار روزانهٔ Kling؛ ۱۲۵ اعتبار یکبارهٔ Runway | واترمارک و کیفیت پایینتر | Google AI Plus از ۴٫۹۹ دلار؛ Runway Standard از ۱۲ دلار (سالانه) |
| صدا | ۱۰ هزار اعتبار ماهانهٔ ElevenLabs | بدون لایسنس تجاری | پلن Starter با لایسنس تجاری |
| موسیقی | ۵۰ اعتبار روزانهٔ Suno | بدون حق استفادهٔ تجاری | Suno Pro از ۸ دلار در ماه |
| تدوین | CapCut رایگان | بدون امکانات AI پریمیوم | CapCut Pro با ۱۹٫۹۹ دلار در ماه |
جمعبندی من: یکی دو ماه اول را رایگان تمرین کنید. وقتی اولین پروژهٔ واقعی یا مشتری آمد، فقط برای ابزاری اشتراک بخرید که گلوگاه کار شماست؛ معمولاً ابزار تصویر به ویدیو. اگر میخواهید بودجهٔ ماهانه و هزینهٔ هر کلیپ را دقیق حساب کنید، مقالهٔ هزینه ساخت ویدیو با هوش مصنوعی را ببینید.
رایجترین اشتباهات در ساخت ویدیو با هوش مصنوعی چیست؟
- شاتهای طولانی: هرچه شات بلندتر باشد، احتمال خطا در دست، چهره و فیزیک بیشتر است. شاتهای کوتاه بسازید و در تدوین کنار هم بگذارید.
- چند کنش در یک پرامپت: «راه میرود، مینشیند، قهوه مینوشد و میخندد» در ۵ ثانیه معمولاً خراب میشود.
- سبک ناهمگون: اگر هر کیفریم سبک و نور متفاوتی داشته باشد، ویدیو نهایی تکهتکه به نظر میرسد.
- نادیده گرفتن صدا: صدای ضعیف یا موسیقی نامرتبط حتی تصویر خوب را خراب میکند.
- شروع بدون سناریو: ساختن کلیپهای تصادفی و امید به اینکه در تدوین داستان شوند، اعتبار و وقت را هدر میدهد.
- بیتوجهی به سه ثانیهٔ اول: در ریلز، هوک اول تعیین میکند ادامه دیده میشود یا نه.
توضیح کاملتر این موارد و راهحلهای عملی را در مقالهٔ چرا ویدیوهای هوش مصنوعی بد به نظر میرسند بخوانید.
نکات حقوقی و اخلاقی ساخت ویدیو با هوش مصنوعی چیست؟
قدرت این ابزارها مسئولیت میآورد. این چند اصل را من در همهٔ پروژههایم رعایت میکنم و به شما هم توصیه میکنم:
- دیپفیک بدون رضایت نسازید: ساختن ویدیو یا صدا از چهره و صدای یک فرد واقعی بدون اجازهٔ صریح او، هم غیراخلاقی است و هم میتواند پیامد قانونی داشته باشد.
- برای کلون صدا رضایت بگیرید: فقط صدای خودتان یا کسی را کلون کنید که کتباً اجازه داده است.
- محتوای واقعنما را برچسب بزنید: متا اعلام کرده کاربران باید هنگام انتشار ویدیوی واقعنما یا صدای واقعیمانندی که با هوش مصنوعی ساخته یا دستکاری شده، از ابزار افشای محتوای AI استفاده کنند و در صورت رعایت نکردن ممکن است جریمه اعمال شود. برچسب «AI info» در اینستاگرام برای همین است.
- حق استفادهٔ تجاری را چک کنید: خروجی پلن رایگان برخی ابزارها، مثل Suno و ElevenLabs، حق استفادهٔ تجاری ندارد. برای کار مشتری از پلنی استفاده کنید که این حق را میدهد.
- اطلاعات نادرست نسازید: ویدیویی که اتفاقی واقعی را جعل میکند یا شخصیتهای عمومی را در موقعیت ساختگی نشان میدهد، حتی بهعنوان شوخی، میتواند آسیب جدی بزند.
- از برند و اثر دیگران کپی نکنید: لوگو، کاراکتر یا موسیقی دارای حق نشر را بدون مجوز در کار تجاری استفاده نکنید.
از کجا ساخت ویدیو با هوش مصنوعی را حرفهایتر یاد بگیرم؟
با همین راهنما و پلنهای رایگان میتوانید اولین ریلزتان را بسازید. اگر یک مسیر مرتب و پروژهمحور به زبان فارسی میخواهید، در دورهٔ دانشگاه تولید محتوا بخشهای مهندسی پرامپت، ساخت تصویر، کاربردهای عملی هوش مصنوعی و مونتاژ محتوا را با ابزارهایی مثل Gemini، Kling و ElevenLabs قدمبهقدم کار کردهام و دو پروژهٔ صفر تا صد هم در آن هست. فهرست بخشهای ویدیویی دوره را هم در صفحهٔ دوره آموزش ساخت ویدیو با هوش مصنوعی آوردهام. اگر هم پروژهٔ ویدیویی برای برندتان دارید، از صفحهٔ سفارش پروژه میتوانید با من در تماس باشید.
مطالعهٔ بیشتر: آموزش پرامپتنویسی · آموزش ساخت عکس با هوش مصنوعی · اشتراک هوش مصنوعی خارجی یا ایرانی؟
سؤالات متداول
بهترین هوش مصنوعی ساخت ویدیو کدام است؟
یک ابزار «بهترین» برای همه وجود ندارد. برای تصویر به ویدیو Kling و Veo (در Gemini و Google Flow) رایجاند، Runway ابزارهای متنوع تدوین و تولید دارد و انتخاب نهایی به بودجه، کیفیت مورد نیاز و نوع پروژه بستگی دارد.
آیا ساخت ویدیو با هوش مصنوعی رایگان ممکن است؟
بله، برای تمرین. Kling اعتبار روزانه، Runway اعتبار یکباره، ElevenLabs اعتبار ماهانه و Suno اعتبار روزانهٔ رایگان دارند؛ اما خروجی رایگان معمولاً واترمارک یا محدودیت استفادهٔ تجاری دارد.
ویدیوی هوش مصنوعی چند ثانیه میتواند باشد؟
بیشتر مدلها در هر بار تولید کلیپهای چند ثانیهای میسازند و سقف دقیق در هر ابزار و پلن فرق دارد. برای ویدیوی بلندتر، چند شات کوتاه بسازید و در تدوین به هم وصل کنید.
پرامپت ویدیو را فارسی بنویسم یا انگلیسی؟
انگلیسی. بیشتر مدلهای ویدیو با پرامپت انگلیسی دقیقتر کار میکنند. میتوانید ایده را فارسی بنویسید و از ChatGPT یا Gemini بخواهید آن را با فرمول سوژه، کنش، دوربین، نور، سبک و مدت به انگلیسی تبدیل کند.
چطور کاراکتر را در چند شات ثابت نگه دارم؟
از مسیر تصویر به ویدیو استفاده کنید، کیفریمها را با یک توضیح ظاهری و سبک ثابت بسازید و در صورت امکان از قابلیت تصویر مرجع ابزار استفاده کنید. متن به ویدیوی خالص برای یکدستی کاراکتر مناسب نیست.
آیا باید روی ویدیوی هوش مصنوعی برچسب بزنم؟
برای ویدیو یا صدای واقعنما بله. متا از کاربران خواسته در این موارد از ابزار افشای محتوای AI استفاده کنند. حتی وقتی الزامی نیست، شفافیت اعتماد مخاطب را حفظ میکند.