سال ۲۰۲۶ سال جهش هوش مصنوعی ساخت ویدیو بود. در چند ماه گذشته مدلهایی عرضه شدند که دیگر فقط کلیپ چندثانیهای بیصدا نمیسازند؛ ویدیوی ۱۵ تا ۳۰ ثانیهای با صدای بومی، لبخوانی، کنترل دوربین و ویرایش دقیق میسازند. در این راهنما سه مدل مطرح را بر اساس اطلاعات رسمی سازندگانشان مقایسه میکنیم: Wan3.0 از علیبابا، Seedance 2.5 از ByteDance و MiniMax H3 (هایلو ۳)، و به پیشنمایش Muse Video متا هم اشاره میکنیم. در پایان هم قالب پرامپت ویدیو و نکتههای عملی برای تولیدکنندگان محتوای فارسی را میآوریم.
چه چیزی در نسل جدید ویدیوسازها تغییر کرده است؟
- مدت طولانیتر: از کلیپهای ۴ تا ۱۰ ثانیهای به ۱۵ و حتی ۳۰ ثانیه در یک تولید.
- صدای بومی: صدا، دیالوگ و افکت همزمان با تصویر تولید میشود.
- ورودی چندرسانهای: متن، تصویر، ویدیو، صدا و حتی سند و صفحه وب بهعنوان مرجع.
- ویرایش: تغییر بخشی از ویدیو بدون تولید دوباره کل آن.
- ثبات شخصیت و صحنه: چهره، لباس، اشیا و سبک در طول ویدیو ثابت میماند.
Wan3.0 از علیبابا
علیبابا کلاد در ۲۴ اوت ۲۰۲۶ دسترسی عمومی Wan3.0 را در کانالهای بینالمللی اعلام کرد. مهمترین ویژگیها طبق وبلاگ رسمی علیبابا کلاد:
- تولید بومی تا ۳۰ ثانیه در یک بار؛ Wan2.7 بین ۲ تا ۱۵ ثانیه بود. پیشنهاد هوشمند مدت و امکان ادامه دادن ویدیو هم اضافه شده است.
- مرجع همهجانبه (omni-reference): علاوه بر متن، تصویر، صدا و ویدیو، اسناد و صفحات وب را هم میپذیرد؛ شامل DOC، XLS، PPT، PDF، TXT، KEY، Pages، Numbers و Markdown.
- ثبات: هویت، صدا و لبخوانی از ادعاهای اصلی این نسخه است.
- ویرایش: تغییر تصویر، داستان و دیالوگ بدون تولید دوباره از صفر.
خود علیبابا هم صادقانه میگوید بافت صوتی و دقت رندر متن روی تصویر هنوز در حال بلوغ است. قیمت استاندارد API به ازای هر ثانیه تولیدشده:
| رزولوشن |
قیمت هر ثانیه |
ویدیوی ۳۰ ثانیهای |
| 480P |
۰.۰۵ دلار |
حدود ۱.۵۰ دلار |
| 720P |
۰.۱۰ دلار |
حدود ۳ دلار |
| 1080P |
۰.۲۰ دلار |
حدود ۶ دلار |
یک کاربرد جذاب Wan3.0 تبدیل اسناد موجود به ویدیو است: ارائه محصول به فیلم معرفی، دوره آموزشی به ویدیو، و داده جدول به نمودار متحرک.
Seedance 2.5 از ByteDance
ByteDance در صفحه رسمی Seed، مدل Seedance 2.5 را «مدل نسل بعدی تولید مشترک صدا و ویدیو» معرفی کرده که برای داستانگویی ۳۰ ثانیهای با کنترل دقیق مرجع و ویرایش قدرتمند ساخته شده است. صفحه رسمی تاریخ عرضه را ذکر نکرده است.
- ساخت ویدیو تا ۳۰ ثانیه در یک تولید، با امکان دو بار تمدید برای داستان کاملتر.
- حرکت روانتر و یکدستتر و تصاویر واقعگرایانهتر.
- درک دقیقتر ویدیوی مرجع: نیت، کادربندی و زبان سینمایی را میگیرد و فراتر از انتقال حرکت، تفسیر خلاقانه میکند.
- ویرایش قابلاعتمادتر برای درخواستهای صوتی و تصویری متنوع.
- قابلیتهای حرفهای مثل کنترل با مدل سفید (white-model)، ویرایش پرده سبز، حرکت دوربین حرفهای و چیدمان بازیگر.
MiniMax H3 (هایلو ۳)
MiniMax در ۳۱ ژوئیه ۲۰۲۶ مدل H3 را عرضه کرد و در ۳ اوت آن را متنباز کرد. به گفته خود MiniMax، نامهای Hailuo 3 و Hailuo H3 به همین مدل اشاره دارند.
- درک یکپارچه متن، تصویر، ویدیو و صدا در یک زمینه.
- خروجی ۴ تا ۱۵ ثانیه، ۲۴ فریم بر ثانیه، صدای استریو ۳۲ کیلوهرتز.
- رزولوشن پیشفرض با ضلع کوتاه ۷۶۸ پیکسل؛ تا 2K با H3-Regenerate-2K.
- پشتیبانی پایدار از دیالوگ در ۱۱ زبان؛ عربی، چینی، انگلیسی، فرانسوی، آلمانی، ایتالیایی، ژاپنی، کرهای، پرتغالی، روسی و اسپانیایی. فارسی در این فهرست نیست و زبانهای دیگر «با درجات مختلف» پشتیبانی میشوند.
- حالت مرجع همهجانبه با حداکثر ۹ تصویر، ۳ ویدیو و ۳ صدا و در مجموع ۱۲ فایل.
- MiniMax میگوید قیمت هر ثانیه در 2K کمتر از یکسوم مدلهای رایج است.
متنباز بودن H3 یعنی اجرای محلی و ساخت نسخه سفارشی ممکن است؛ هرچند سختافزار جدی میخواهد.
Muse Video متا؛ پیشنمایش
متا در ۷ ژوئیه ۲۰۲۶ همراه با Muse Image پیشنمایشی از Muse Video نشان داد. به گفته متا، این مدل در پایبندی به پرامپت، کیفیت بصری و ثبات زمانی رقابتی است، اما همگامسازی صدا و تصویر و حرکت سریع از نظر فیزیکی دقیق هنوز در حال بهبود است. زمان عرضه عمومی «بهزودی» اعلام شده است.
جدول مقایسه
| ویژگی |
Wan3.0 |
Seedance 2.5 |
MiniMax H3 |
| سازنده |
Alibaba |
ByteDance |
MiniMax |
| حداکثر مدت در یک تولید |
۳۰ ثانیه |
۳۰ ثانیه (+۲ بار تمدید) |
۱۵ ثانیه |
| صدای بومی |
بله |
بله (تولید مشترک صدا و ویدیو) |
بله، استریو |
| ورودی ویژه |
اسناد و صفحات وب |
ویدیوی مرجع، پرده سبز |
تا ۱۲ فایل مرجع |
| متنباز |
خیر |
خیر |
بله |
| قیمت اعلامشده |
۰.۰۵ تا ۰.۲۰ دلار در ثانیه |
اعلام نشده در صفحه رسمی |
ادعای ارزانتر از رقبا |
کدام را انتخاب کنیم؟
- ویدیوی آموزشی یا معرفی محصول از روی اسناد: Wan3.0 با ورودی سند.
- کار سینمایی و تبلیغاتی با کنترل دوربین: Seedance 2.5.
- اجرای محلی، سفارشیسازی یا بودجه کم: MiniMax H3 متنباز.
- ریلز و محتوای کوتاه اینستاگرام: هر سه؛ برای ایدهپردازی، تولید محتوا با هوش مصنوعی برای اینستاگرام را ببینید.
قالب پرامپت ویدیو
پرامپت ویدیو باید مثل یک دکوپاژ کوچک باشد. این قالب با هر سه مدل جواب میدهد:
سوژه: [چه کسی یا چه چیزی، با جزئیات ظاهر]
کنش: [چه اتفاقی میافتد، به ترتیب زمانی]
صحنه: [مکان، زمان روز، آبوهوا]
دوربین: [نما، حرکت دوربین، لنز]
نور و رنگ: [مثلاً نور طلایی غروب، کنتراست ملایم]
صدا: [دیالوگ، افکت، موسیقی]
مدت و نسبت تصویر: [مثلاً ۱۵ ثانیه، عمودی ۹:۱۶]
سبک: [سینمایی، مستند، انیمیشن]
مثال فارسی:
سوژه: زن جوانی با روسری آبی و کاپشن کرم در بازار تجریش.
کنش: از یک غرفه انار میخرد، لبخند میزند و به دوربین نگاه میکند.
صحنه: عصر پاییزی، برگهای زرد روی زمین.
دوربین: نمای متوسط، حرکت آرام دالی به جلو، لنز ۳۵ میلیمتری.
نور: نور طلایی غروب از پشت سوژه.
صدا: همهمه بازار، صدای فروشنده، موسیقی ملایم سنتور.
مدت: ۱۲ ثانیه، عمودی ۹:۱۶. سبک: سینمایی و گرم.
منطق نوشتن پرامپت ویدیو خیلی شبیه پرامپت تصویر است؛ پس آموزش پرامپت نویسی عکس را هم بخوانید. برای حرکت و موشن گرافیک، ساخت موشن گرافیک با Claude مسیر دیگری پیشنهاد میکند. صدها پرامپت آماده تصویری و خلاقانه هم در دکترپرامپت هست که میتوانید به پرامپت ویدیو تبدیلشان کنید.
نکتههای عملی برای تولیدکنندگان فارسیزبان
- دیالوگ فارسی هنوز نقطه ضعف این مدلهاست؛ برای ویدیوی فارسی، صدا را جداگانه ضبط یا تولید کنید.
- متن فارسی روی تصویر را به مدل نسپارید؛ بعداً در نرمافزار تدوین اضافه کنید.
- اول با رزولوشن پایین پیشنویس بسازید و فقط نسخه نهایی را با کیفیت بالا تولید کنید تا هزینه کم شود.
- برای ثبات شخصیت در چند ویدیو، یک تصویر مرجع ثابت از شخصیت داشته باشید.
- دسترسی به این سرویسها از ایران ممکن است محدود باشد؛ راهنمای تحریم هوش مصنوعی را بخوانید.
جمعبندی
بهترین هوش مصنوعی ساخت ویدیو در ۲۰۲۶ به کار شما بستگی دارد: Wan3.0 برای تبدیل اسناد و ویدیوی ۳۰ ثانیهای با قیمت شفاف، Seedance 2.5 برای کنترل سینمایی و ویرایش حرفهای، و MiniMax H3 برای کسانی که مدل متنباز و قابل اجرای محلی میخواهند. در همه آنها کیفیت پرامپت مهمترین عامل نتیجه است.
منابع: Alibaba Cloud: Wan3.0 · ByteDance Seed: Seedance 2.5 · MiniMax H3 · MiniMax H3 open source · Meta: Muse Video preview
سؤالات متداول
بهترین هوش مصنوعی ساخت ویدیو در ۲۰۲۶ کدام است؟
به کاربرد بستگی دارد: Wan3.0 برای ویدیوی ۳۰ ثانیهای و ورودی سند، Seedance 2.5 برای کنترل سینمایی و MiniMax H3 برای مدل متنباز.
Wan3.0 چقدر هزینه دارد؟
طبق اعلام علیبابا کلاد، ۰.۰۵ دلار برای هر ثانیه در 480P، ۰.۱۰ دلار در 720P و ۰.۲۰ دلار در 1080P.
آیا MiniMax H3 همان هایلو ۳ است؟
بله؛ MiniMax میگوید Hailuo 3 و Hailuo H3 نامهای رایج همین مدل هستند. H3 در ۳ اوت ۲۰۲۶ متنباز شد.
آیا این مدلها دیالوگ فارسی میسازند؟
در فهرست ۱۱ زبان پایدار MiniMax H3 فارسی نیست. برای ویدیوی فارسی بهتر است صدا را جداگانه تولید کنید.
Seedance 2.5 چه ویژگیای دارد؟
تولید مشترک صدا و ویدیو تا ۳۰ ثانیه با دو بار تمدید، درک دقیق ویدیوی مرجع، ویرایش پرده سبز و کنترل حرکت دوربین.
پرامپت خوب برای ساخت ویدیو چه بخشهایی دارد؟
سوژه، کنش، صحنه، دوربین، نور و رنگ، صدا، مدت و نسبت تصویر و سبک.