چرا ویدیوی هوش مصنوعی هنوز روی نمای دوم می‌شکند

یک نمای شش‌ثانیه‌ای از یک مدل ویدیو بگیر. احتمالاً چیزی می‌گیری که سه سال پیش بودجه‌ی یک تیم کوچک را می‌خواست: نور درست، عمق میدان باورپذیر، حرکت دوربینی که تکان نمی‌خورد.

حالا نمای دوم را بگیر. همان شخصیت، همان اتاق، سه ثانیه بعد.

اینجاست که همه‌چیز فرو می‌ریزد.

چیزی که واقعاً حل شد

انصاف حکم می‌کند اول این را بگوییم: مسئله‌ی یک نما تقریباً حل شده است. بافت، نور، حرکت سیال، حتی فیزیک پارچه و مو — چیزهایی که تا همین دیروز نشانه‌ی قطعی «ساختگی بودن» بودند، حالا در بیشتر نماها از چشم یک بیننده‌ی معمولی رد می‌شوند.

این دستاورد کوچکی نیست و کم‌ارزش کردنش نوعی تنبلی فکری است.

چیزی که نشد

اما فیلم از نما ساخته نمی‌شود. فیلم از رابطه‌ی بین نماها ساخته می‌شود، و مدل‌ها هنوز آن رابطه را نمی‌فهمند. سه شکل از این ناتوانی وجود دارد و هر سه‌شان جداگانه آزاردهنده‌اند.

یک — شخصیت همان شخصیت نمی‌ماند

صورتی که در نمای اول دیدی، در نمای دوم برادرِ خودش است. فاصله‌ی چشم‌ها یک درصد جابه‌جا شده، خط فک کمی تیزتر است، رنگ مو نیم‌پرده تیره‌تر.

هیچ‌کدام از این‌ها را نمی‌توانی نشان بدهی و بگویی «این». ولی مغز بیننده در کسری از ثانیه می‌فهمد و اعتمادش را پس می‌گیرد. این همان چیزی است که در سینما به آن پیوستگی می‌گویند، و دقیقاً به این دلیل که نامرئی است، شکستنش ویرانگر است.

دو — نور جهت خودش را فراموش می‌کند

در نمای اول، پنجره سمت چپ است و نیم‌رخ راست صورت در سایه. در نمای دوم، بی هیچ توضیحی، نور از راست می‌آید.

نور در یک صحنه یک تصمیم نیست، یک واقعیت است. وقتی عوض می‌شود بدون اینکه چیزی در جهان صحنه عوض شده باشد، بیننده حس می‌کند به او دروغ گفته شده — حتی اگر نتواند بگوید چه دروغی.

سه — جهت‌ها به هم می‌ریزند

قدیمی‌ترین قاعده‌ی تدوین این است: خط فرضی. اگر دو نفر روبه‌روی هم ایستاده‌اند، دوربین باید یک طرف خط خیالی بینشان بماند. از آن طرف که برداری، ناگهان هر دو به یک سمت نگاه می‌کنند و صحنه از هم می‌پاشد.

مدل‌های ویدیو این خط را نمی‌شناسند، چون خط در تصویر نیست — در ذهن کارگردان است.

چرا این مسئله سخت‌تر از آن است که به نظر می‌رسد

وسوسه‌ای هست که بگوییم «مدل بعدی حلش می‌کند». احتمالاً بخشی‌اش را می‌کند. ولی ریشه‌ی مسئله معماری نیست، حافظه است.

یک مدل تصویر، هر فریم را از نو تصور می‌کند. چیزی به اسم «همان اتاق» برایش وجود ندارد؛ چیزی به اسم «الگویی که شبیه اتاق است» وجود دارد. برای پیوستگی واقعی، مدل باید یک بازنماییِ پایدار از جهان صحنه نگه دارد و در هر نما به آن رجوع کند — و این کاری است که هیچ‌کدام از معماری‌های امروز برای آن ساخته نشده‌اند.

پس تا آن روز چه کار کنیم

این‌ها راه‌حل نیستند، دور زدن‌اند — ولی امروز جواب می‌دهند:

• نماها را کوتاه بگیر و کم. هرچه نماها کمتر باشند، فرصت کمتری برای شکستن هست.
• از یک تصویر مرجع شروع کن، نه از متن. تقریباً همه‌ی مدل‌های جدی حالا ورودی تصویر می‌گیرند؛ شخصیت را یک بار بساز و از همان یکی همه‌ی نماها را دربیاور.
• نور را در پرامپت میخکوب کن. جهت، کیفیت و دمای رنگ را در هر نما عیناً تکرار کن، حتی وقتی حوصله‌اش را نداری.
• تدوین را جدی بگیر. یک برش درست، ناپیوستگیِ دو نما را پنهان می‌کند. تدوین از همیشه مهم‌تر شده، نه کم‌اهمیت‌تر.
• جایی که پیوستگی حیاتی است، فیلم‌برداری کن. ابزار برای جایی است که کمک می‌کند، نه برای همه‌جا.

جمع‌بندی

آنچه هوش مصنوعی به تولید ویدیو داد، نما بود. آنچه هنوز نداده، صحنه است.

و این تفاوت، دقیقاً همان چیزی است که کار یک فیلم‌ساز را از کار یک تولیدکننده‌ی تصویر جدا می‌کند. تا روزی که مدل‌ها یاد بگیرند جهانی را به خاطر بسپارند و نه فقط قابی را بسازند، آن تفاوت سر جایش می‌ماند.

نوشته‌های دیگر استودیو در فهرست مقاله‌ها هست.

---

اگر می‌خواهی همین پیوستگی را در کار خودت به دست بیاوری، دو درس دقیقاً دربارهٔ آن‌اند: پرامپت‌نویسی ویدیو: از قاب ثابت تا حرکت کنترل‌شده که زنجیره‌کردن نماها را باز می‌کند، و تدوین و صدا که نشان می‌دهد چطور صدای پیوسته، ناپیوستگی تصویر را می‌پوشاند. نور و ترکیب‌بندی هم دربارهٔ همان تصمیمی است که مدل جایش را نمی‌گیرد.

منابع

• «Image-to-Video Diffusion: From Foundations to Open Frontiers»، arXiv:2605.17248 — arxiv.org
• «Video Consistency Distance: Enhancing Temporal Consistency for Image-to-Video Generation via Reward-Based Fine-Tuning»، arXiv:2510.19193 — arxiv.org
• «TokenFlow: Consistent Diffusion Features for Consistent Video Editing»، arXiv:2307.10373 — arxiv.org
• «Making Time Editable in Video Diffusion Transformers»، arXiv:2606.10183 — arxiv.org
• «Enhancing Temporal Consistency in Video Editing by Reconstructing Videos with 3D Gaussian Splatting»، arXiv:2406.02541 — arxiv.org

محمد نویدی — استودیو نویدیکس