NAVIDIXهیگزفیلد کل پروژهی فیلم بلندش را باز کرد: هر پرامپت، هر دارایی، هر عدد. این صفحه چکیدهی چیزی است که واقعاً باید یاد بگیری — بدون تعریفهای تبلیغاتی و بدون بخشهایی که به درد فیلم تو نمیخورد.
نرخ پذیرش تصویر حدود ۱٪ و ویدیو حدود ۱٫۵٪ بود. یعنی از هر صد تولید، تقریباً یکی به فیلم رسید. این تنها عددی است که باید قبل از شروع، انتظارت را با آن تنظیم کنی.
در فارسی زیاد نوشته شده که این فیلم «به استاندارد جشنواره کن رسید». نرسید. فیلم در بخش رسمی کن نبود؛ یک نمایش صنعتی خصوصی و بعد نمایشی در یک سالن سینمای تجاری در شهر کن بود، در حاشیهی بازار فیلم. خود جشنواره این را علناً تکذیب کرد و امسال فیلمهای عمدتاً ساختهشده با هوش مصنوعی مولد را از بخش مسابقه کنار گذاشت. استقبال منتقدان هم سرد بود.
این را میگوییم چون اگر مبنای یادگیریات «آنها به کن رسیدند» باشد، از اول اشتباه شروع کردهای. ارزش این پروژه در نتیجهاش نیست؛ در این است که یک تیم پانزدهنفره برای اولین بار دفتر کارش را باز گذاشته و اجازه داده اعدادش را ببینی. آن اعداد به درد میخورند. تیتر تبلیغاتی نه.
مدل ویدیو حافظه ندارد. هر بار که دکمه را میزنی، جهان را از نو میسازد. تنها چیزی که مانع فروپاشی هویت در طول یک فیلم بلند میشود، داراییهای قفلشده است: یک زوج «توصیف متنی + تصویر مرجع» برای هر کاراکتر، هر لوکیشن و هر شیء مهم.
قفل کردن شخصیت اصلی حدود ۶۰۰ تولید در ابزار تصویر و ۲۰۰ تولید دیگر برای اصلاح برد — قبل از اینکه حتی یک شات از فیلمنامه ساخته شود. این هزینه فقط وقتی منطقی است که کاراکتر در دهها شات برگردد. برای شخصیتی که دو بار دیده میشود، منطقی نیست.
شیت هر کاراکتر سه بخش دارد: کلوزآپ صورت، نمای تمامقد از جلو، نمای تمامقد از پشت. نکته این است که در نمای تمامقد، سر حذف میشود. چرا؟ چون در نماهای باز مدل وسوسه میشود چهره را از روی همان پیکر کوچک و تار بردارد و نتیجهاش صورتهای دفرمه است. وقتی سر نباشد، مدل مجبور است برای بازسازی چهره فقط به کلوزآپ باکیفیت رجوع کند.
تصاویر مرجع باید در زاویه سهچهارم باشند؛ نمای کاملاً روبهرو تصویر را تخت میکند و درک عمق مدل را میشکند. پسزمینه خاکستری خنثی، نور تخت، پوست بدون روتوش با منافذ واقعی. هیچ افکت سینمایی روی شیت دارایی نمیآید — افکت جای خودش در پرامپت شات است، نه در مرجع.
برای اضافه کردن زخم، خون یا لباس جدید، تغییر را جداگانه بساز و بعد دستی و با ماسک روی شیت اصلی سوار کن. اگر کل تصویر را دوباره از مدل رد کنی، بافت پوست از بین میرود و چهره پلاستیکی و متقارن برمیگردد. هر بار عبور از مدل، یک لایه واقعیت را میسوزاند.
کاراکتر خیس، کاراکتر زخمی، کاراکتر با لباس دوم — هرکدام باید بهعنوان دارایی مستقل با توصیفگر خودش ثبت شود. اگر همه را زیر یک نام بگذاری، مدل وضعیتها را در شاتهای مختلف با هم قاطی میکند.
هیچ دارایی نهایی نمیشود مگر اینکه در ده پوز و ده شرایط نوری مختلف تولید شود و در هر ده مورد بیچونوچرا قابل شناسایی باشد. اگر پایدار نبود، مشکل از توصیفگر توست، نه از مدل. برو متن را درست کن.
میانگین طول پرامپتهای این پروژه حدود سه هزار کلمه بود. دلیلش شاعرانگی نیست: چون مدل بین دو تولید هیچ چیز به یاد نمیآورد، هر توصیفگر باید کلمهبهکلمه در هر پرامپت تکرار شود. ساختار زیر همان اسکلتی است که در فیلم استفاده شد.
[HEADER] EXACT NUMBER OF CHARACTERS — NO DUPLICATES [DESCRIPTORS] word-for-word from the locked asset sheet [GEO-LAYOUT] spatial map + 180° axis [BEATS] scene context and action beats, with timing [STYLE] technical constants, repeated identically every time
ضعف اصلی این مدلها هندسه است: شات ورود از در بیشتر از شات ثابت خراب میشود، جهت راهرو برعکس درمیآید، کاراکتر از داخل مبل رد میشود. علتش این است که مدل هندسهی صحنه را از مرجعها بازسازی میکند و هرجا کم بیاورد، یک حالت «قابل قبول» را حدس میزند. راهحل: قبل از اکشن، یک بلوک متنی کوتاه بنویس که دوربین کجا ایستاده، چه چیزی بین سوژه و دوربین است، و جهت حرکت از کدام سمت قاب به کدام سمت است. خط ۱۸۰ درجه را هم همانجا صریح قفل کن.
«عصبانی» به مدل میگوید چه احساسی داشته باشد — که نمیفهمد. توصیف فیزیکی به مدل میگوید عضلات را دقیقاً چطور حرکت بدهد تا آن احساس در ذهن مخاطب متولد شود. تیم Hell Grind همین را برای اشیاء هم به کار برد: قوانین جاذبه و اینرسی را صریح در پرامپت نوشتند تا آن حالت شناور و بیوزنی که همهی ویدیوهای AI را لو میدهد از بین برود.
| بهجای این | این را بنویس |
|---|---|
| عصبانی | فک قفلشده، کشیده شدن عضلهی گونه، یک بازدم کوتاه و تیز از بینیjaw clenched, cheekbones drawn tight, sharp exhale through the nose |
| ترسیده | یک پلک تنبل، بعد دو پلک سریع پشت هم، چشمهای مرطوب با انعکاس نور در مردمکone lazy blink, then a quick double-blink; wet eyes with catch-lights |
| مضطرب | دستها مشغول کاریاند و ناگهان وسط حرکت خشک میشوند؛ بالاوپایین رفتن سریع و سطحی سینهhands busy, then freeze mid-motion; rapid shallow chest rise |
| غمگین | مکث چند صدمثانیهای پیش از واکنش، سفت و سپس رها شدن ابرو، نفس نامنظمmicro-pause before reacting, brow tensed then released, uneven breath |
| قدرتمند | کمترین حرکت بدن، صدای آرام و لحن کاملاً معمولی، جهت نگاه دقیق و بدون چرخشهای نمایشیmoves the least, quiet everyday tone, precise eye-line |
| بیحرکت | سکون بهعنوان «تنش نگهداشتهشده»: بالا رفتن ملایم سینه با نفس عمیق، تکان جزئی پرهی بینیstillness as held tension, chest gently rising, a nostril moves slightly |
یک تصحیح مهم: خیلی جاها نوشته شده «هرگز دستور منفی ننویس». این قانون مطلق نیست. برای بازیگری درست است — «زمین نمیخورد» را به «محکم روی پاهایش میایستد» تبدیل کن. ولی خود همین تیم برای مهار اشیاء از عبارتهای صریحاً منفی مثل «بدون اشیاء شناور» استفاده کرد و جواب گرفت. قاعدهی دقیقتر این است: برای رفتار، مثبت بنویس؛ برای آرتیفکت و فیزیک، صریح نفی کن.
وقتی دو شیء در قاب کنار هماند، مدل حرکت یکی را به هر دو تعمیم میدهد: آهنربا همراه عکس از یخچال کنده میشود، فنجان با برداشتن نعلبکی چپ میکند، کلاه با چرخش سر بالا میپرد. مدل شبیهسازی فیزیک ندارد. راهحل یک جمله است: «آهنربا در تمام مدت روی یخچال ثابت میماند. فقط عکس حرکت میکند.» این تضمین نیست، ولی نرخ خرابی را محسوس پایین میآورد.
ترکیب چند حرکت همزمان دوربین — دوربینرویدست + بالا رفتن + پیشروی + تغییر فوکوس — نتیجهی غیرقابل خواندن میدهد. هم مدل نمیتواند سوژه را در قاب نگه دارد وقتی همهی محورها همزمان تغییر میکنند، هم چشم مخاطب سه حرکت همزمان را نمیتواند دنبال کند. اگر حرکت مرکب لازم داری، آن را به فازهای زماندار بشکن («دوربین از ثانیه ۰ تا ۳ بالا میرود، مکث میکند، از ثانیه ۴ تا ۸ پیش میرود») یا شات را دو تکه کن.
هر صحنهی جدید با یک ثانیه نمای باز و بدون اکشن شروع شود. مدل در آن یک ثانیه چیدمان فضا و موقعیت کاراکترها را ثبت میکند و در ثانیههای بعد حفظش میکند. یک ثانیه هزینه، در برابر یک شات دورریختنی.
وقتی پرامپت میخواهد شیئی ظاهر شود که در فریم مرجع وجود ندارد، مدل هم خود شیء و هم جای آن را از خودش میسازد — و معمولاً جایی میگذاردش که با بقیهی هندسهی صحنه نمیخواند. جملهی نجاتبخش این است: «این شیء در تصویر مرجع دیده نمیشود؛ در این شات وقتی دست کاراکتر از پایین قاب بالا میآید ظاهر میشود.» اینطور مدل میفهمد که اختلاف مرجع و خروجی عمدی است.
یک خط تکگویی ذهنی با برچسب INNER در پرامپت بگذار تا مدل ریزحرکات صورت را بر اساس خواستهی درونی کاراکتر بسازد؛ این چیزی است که باعث میشود چهره بین دو خط دیالوگ هم زنده بماند. دو قاعدهی مکمل: واکنش شنونده باید از وسط دیالوگ گوینده شروع شود، نه بعد از کات؛ و احساس نباید با کات خاموش شود — لرزش دست یا نفس نامنظم باید مثل یک دُم به کلیپ بعدی سرریز کند.
این بخش چیزی است که تقریباً هیچ آموزشی نمیگوید و مهمترین بخش ماجراست. با نرخ پذیرش یک درصد، مسئله دیگر «چطور پرامپت بنویسم» نیست؛ مسئله این است که چطور در روز هفتم تسلیم نشوی.
یک شات ساده — یک پن و یک پیشروی — هفتاد و دو بار تولید شد تا قبول شود. نکتهی درسآموزش این است: شاتهایی که روی کاغذ ساده به نظر میرسند، اغلب پرهزینهتریناند. پیچیدگی پرامپت و پیچیدگی تولید یک چیز نیستند.
سهمیهی روزانه حدود دو و نیم دقیقه فیلم آماده به ازای هر نفر بود. هفت روز اول: کل فیلم سرِ پا شود، حتی اگر همهچیز خام باشد — هیچ صحنهای غایب نماند. هفت روز دوم: فقط صحنههایی که بار احساسی دارند بازسازی شوند و بقیه با کیفیت خامتر پذیرفته شوند. بدون این تقسیم، بودجهی تکرار تا روز هفتم پروژه را میبلعد.
غریزه میگوید «شات خراب شد، پس پرامپت را عوض کن». ولی وقتی نرخ پذیرش یک و نیم درصد است، بیشتر شکستها نویز آماریاند، نه ایراد پرامپت. اگر پرامپتِ درست را مدام دستکاری کنی، داری چیزی را خراب میکنی که سالم بود.
قبل از دست زدن به متن، دو حالت را از هم جدا کن. اگر شات هر بار به یک شکل خراب میشود، خرابی ساختاری است: پرامپت را اصلاح کن، ولی در هر بار فقط یک متغیر — وگرنه نمیفهمی کدام تغییر کار کرد. اگر هر بار به شکل دیگری خراب میشود، خرابی شانسی است: پرامپت را دست نزن و ده بار پشت هم بزن، بعد بهترین را انتخاب کن.
یک تولید «شکستخورده» تقریباً هیچوقت در تمام ده ثانیهاش شکستخورده نیست. معمولاً یک تا سه ثانیهی سالم داخلش هست: چند ثانیهی تمیز قبل از انحراف دوربین، یا یک نمای واکنش قابل استفاده در انتها. قبل از پاک کردن، اسکراب کن و تکهی سالم را جدا و بایگانی کن. بخش قابلتوجهی از زمان نهایی فیلم از همین تکههای نجاتیافته درآمد.
یک کلیپ AI مثل فیلم دوربین نیست که اپتیک لنز محدودش کند؛ هر فریم مستقل تولید شده و میتواند در یک فریم منحرف شود. یک دستِ چشمکزن یا یک صورتِ کج در یک فریم، کل کات را در پخش خراب میکند. هر کلیپ را با کلید فلش قدمبهقدم ببین — برای ده ثانیه، حدود یک دقیقه وقت بگذار و همان را در بودجهی زمانیات حساب کن.
ادیتور همزمان با تولید کار میکرد و ثانیهی اول و آخر هر کلیپ را میبرید، چون خروجی مدل دقیقاً در لبههای زمانی منحرف میشود. اگر موقع چسباندن دو شات حس میکنی تصویر «سکته» میخورد، مشکل معمولاً وسط کلیپ نیست؛ در همان ثانیههای ابتدا و انتهاست.
هرچه فضای صحنه محدودتر باشد — یک گوشهی اتاق بهجای کل اتاق — مدل در چیدمان و جغرافیا کمتر اشتباه میکند. برای صحنههای جمعیت، جمعیت را یک دارایی واحد تعریف کن (نه افراد جدا) تا تعدادش بین شاتها نوسان نکند. برای موجودات غولپیکر همیشه یک انسان بهعنوان لنگر مقیاس کنارشان بگذار، وگرنه اندازه شناور میشود.
هر شات AI با رنگبندی و ریزنقصهای خودش متولد میشود. کار پستولید در این نوع فیلم، «یکپارچهسازی» است نه زیباسازی.
انگشت اضافه، بافت لرزان و متن دفرمه روی تابلوها باید قبل از اصلاح رنگ و فریمبهفریم روتوش شوند؛ اولویت با کلوزآپ چهره و دستهاست. بعد از آن، رنگ شاتهای همسایه با هم متعادل میشود — نه بازطراحی رنگ، فقط هماهنگی.
یک اتمسفر صوتی پیوسته و بدون قطع روی کل سکانس بگذار. گوش انسان انحرافهای کوچک تصویر را وقتی صدا یکدست است، بسیار کمتر میگیرد. این ارزانترین ابزار پنهان کردن نقص در کل پروسه است.
وقتی خروجی خراب میشود، اول اینجا را نگاه کن. اگر خرابی یکی از این الگوهاست، دیگر لازم نیست کورکورانه تکرار کنی.
Hell Grind یک اکشنفانتزی فوتورئال با چهار کاراکتر حرفزن است. اگر فیلم تو چیز دیگری است، بخشی از این پروتکل نهتنها بیفایده، که برایت مضر است.
کل بخش قفل کردن صدا، لهجه و تن، و بخش زیادی از جدول میمیک صورت، برای تو بیمصرف است. آنچه باقی میماند و باید جایگزینش کنی: «میکرو-زندگی» را از صورت به محیط منتقل کن — حرکت پارچه، غبار در نور، لرزش برگ، جابهجایی ریز وزن. قانون یک رویداد فیزیکی در هر یک تا دو ثانیه سر جایش میماند؛ فقط سوژهاش عوض میشود.
بلوک سبک این پروژه پر از واژگان فوتورئالیستی است: واقعگرایی در سطح منافذ پوست، موی ریز صورت، بلور حرکتی شاتر ۱۸۰ درجه. اگر سبک تو نقاشی، ایلوستریشن یا استایلایز است، این کلمات دقیقاً همان چیزی هستند که سبکت را میشکنند. ساختار بلوک را بردار، محتوایش را از صفر با واژگان سبک خودت بنویس و در انتهای هر پرامپت عیناً تکرار کن.
شیت بدون سر برای صورت انسان طراحی شده. برای حیوان، حامل هویت معمولاً چهره نیست — الگوی پوست و پر، سیلوئت و نسبت اندام است. منطق را نگه دار (مرجعِ هویت را از مرجعِ پیکر جدا کن)، اجرایش را عوض کن. لنگر مقیاس هم اینجا حیاتیتر است: مدل حیوان را تقریباً همیشه نسبت به محیط بزرگتر از واقع میسازد.
این فهرست حدود یک دقیقه وقت میگیرد و جلوی بیشتر خرابیهای قابل پیشگیری را قبل از سوختن اعتبار میگیرد.
۰ از ۱۲