آموزشها
همگامسازی بومی صدا و تصویر Vidu Q3 در عمل: راهنمای یکپارچه لبخوانی، دیالوگ، BGM و جلوههای صوتی
Vidu Q3 در ۳۰ ژانویه ۲۰۲۶ منتشر شد و علاوه بر طولانیترین ویدیوی پیوسته ۱۶ ثانیهای 1080P، قابلیتی دارد که اغلب دست کم گرفته میشود: همگامسازی بومی صدا و تصویر (Native Audio-Video Sync)—مدل همزمان با تصویر، دیالوگ، صداهای محیطی، BGM و جلوههای صوتی را تولید میکند و رابطه لبخوانی را در سطح مدل پردازش میکند. برای خالقانی که «Vidu Q3 لبخوانی»، «Vidu Q3 دیالوگ» یا «Vidu Q3 همگامسازی صدا و تصویر» را جستجو میکنند، آنچه نرخ قابلاستفاده بودن خروجی را تعیین میکند، اغلب افزودن صفت بیشتر نیست، بلکه نوشتن صدا در پرامپت و برنامهریزی محور زمانی صوتی در ۱۶ ثانیه است.
این آموزش برای تیمهایی است که از Vidu Q3 در workbench Vidu AI استفاده میکنند و میخواهند بدون وابستگی به «ابتدا بیصدا، سپس دوبله»، یک گردشکار صوتی Vidu Q3 قابل استفاده مجدد بسازند.
۱. چرا «همگامسازی بومی» Vidu Q3 شایسته یک گردشکار جداگانه است
در گردشکار سنتی ویدیوی AI، مسیر رایج این است:
- تولید ویدیوی بیصدا یا با جلوههای صوتی ضعیف؛
- تولید جداگانه دیالوگ با TTS / ضبط؛
- همترازی لب در نرمافزار تدوین، قرار دادن BGM، تکمیل صداهای محیطی.
مسیر Vidu Q3 متفاوت است: صدا و تصویر همزمان تولید میشوند. این یعنی:
- لبخوانی و جملات درون مدل همتراز میشوند و هزینه اصلاح لب فریمبهفریم پس از تولید کمتر میشود؛
- صداهای محیطی با حرکت همزمان میشوند (مثل صدای در، قدم، فشار دکمه محصول) و در همان شات قابل تحققاند؛
- شات بلند ۱۶ ثانیهای میتواند قوس کامل «دیالوگ—واکنش—صعود BGM—نقطه پایانی» را حمل کند، نه چسباندن قطعات ۸ ثانیهای.
اگر از Vidu Q3 برای text-to-video یا image-to-video استفاده میکنید اما خروجی اغلب «تصویر عالی، صدا غلط» یا «BGM هست اما دیالوگ شنیده نمیشود» است، مشکل معمولاً در کلید مدل نیست، بلکه پرامپت صدا را بهعنوان اطلاعات درجه اول ننوشته.
۲. تفاوت اساسی با «ابتدا تصویر، سپس دوبله»
| بعد | گردشکار دوبله پس از تولید | همگامسازی بومی صدا و تصویر Vidu Q3 |
|---|---|---|
| لبخوانی | وابسته به همترازی دستی یا افزونه | لب در زمان تولید مرتبط میشود |
| صداهای محیطی | نیاز به foley جداگانه | در پرامپت به حرکت قابل اتصال است |
| ریتم BGM | در مرحله تدوین قرار میگیرد | طبع و موج آن در تولید قابل توصیف است |
| هزینه تکرار | تغییر جملات اغلب نیاز به همترازی مجدد دهان دارد | برای تغییر جملات، کل بخش را دوباره تولید و پرامپت را ریز تنظیم کنید |
| شاتهای مناسب | گفتار close-up، برشهای متعدد | one-shot ۱۶ ثانیهای، تبلیغ داستانی |
توصیه عملی: همگامسازی بومی Vidu Q3 را مولد «سناریوی صوتی کوتاه» بدانید. هنگام نوشتن پرامپت، در واقع یک سناریوی صوتی مینی در ۱۶ ثانیه مینویسید، نه فقط توصیف تصویر.
۳. دیالوگ در پرامپت به چهار بخش: زبان، جملات، لحن، زمانبندی
در پرامپت Vidu Q3، برای دیالوگ یک بخش جدا باز کنید و این چهار عنصر را پر کنید:
- زبان: صریح بنویسید «دیالوگ ماندarin چینی»، «English dialogue»، «راوی ژاپنی» و غیره تا زبان پیشفرض با لبخوانی ناهماهنگ نشود.
- جملات: ۱–۳ جمله اصلی بنویسید؛ طول کل را برای ۱۶ ثانیه کنترل کنید؛ جملات خیلی بلند BGM و شات واکنش را فشرده میکنند.
- لحن: مثل «آرام و حرفهای»، «هیجانزده و صعودی»، «زیر و مرموز» تا لبخوانی با حالت چهره هماهنگ شود.
- زمانبندی: با «ثانیه ۳–۸ شخصیت صحبت میکند» یا «۲ ثانیه پایانی slogan برند بهصورت راوی» موقعیت تقریبی را علامت بزنید.
نمونه ساختار (قابل گنجاندن در بخش «صدا» پرامپت پنجبخشی):
صدا: همه هوم AC داخلی؛ ثانیه ۲–۹، زن با ماندarin چینی «این هدفون در مترو هم هر جزئیات را واضح میشنوید»، لحن مطمئن، سرعت متوسط؛ ۱۰–۱۴ صداهای محیطی ضعیف میشوند، BGM الکترونیک ملایم شروع میشود؛ ۱۴–۱۶ راوی مردانه slogan انگلیسی، کمی آهستهتر.
نکته کوچک: جملات را تا حد ممکن در گیومه بگذارید و بنویسید «چه کسی میگوید، رو به دوربین یا نیمرخ» تا انحراف لبخوانی بهطور محسوسی کم شود.
۴. دقت لبخوانی و ±15ms: نگارشی قابل اندازهگیری و تکرار
در منابع عمومی و تستهای جامعه، لبخوانی دیالوگ Vidu Q3 اغلب تجربه همگامسازی ±15ms تلقی میشود (بسته به شات و ماده متفاوت است). برای پایدار کردن این قابلیت، در پرامپت و انتخاب شات توجه کنید:
- نوع شات: نیمنمای نزدیک، روبهرو یا ۳/۴ نیمرخ، خواندن لب را آسانتر از نمای خیلی دور میکند؛
- پوشش: ماسک، مو روی دهان، نور پسزمینه قوی و سایه، همه عدمقطعیت لب را افزایش میدهند؛
- تراکم جملات: ۱–۲ دیالوگ اصلی در ۱۶ ثانیه بهتر از پارagraph سریع طولانی است؛
- یکسان بودن زبان: زبان پرامپت، زبان جملات و زبان لب شخصیت باید یکسان باشند؛
- روش تکرار: اگر لبخوانی راضیکننده نیست، اول طول و زمانبندی جملات را تغییر دهید، نه فقط «سینمایی» یا «8K».
روش تست در workbench:
- همان پرامپت را ثابت نگه دارید، فقط طول جملات را تغییر دهید (مثلاً ۶ نویسه در برابر ۱۴)؛
- ۲–۳ نمونه ۱۶ ثانیهای پشت سر هم تولید کنید؛
- در سرعت ۰٫۲۵× فریمهای باز و بسته شدن دهان را بررسی کنید؛
- ثبت کنید کدام نسخه در لبخوانی—زیرنویس—احساس شنیداری بیشترین هماهنگی را دارد.
اگر با تقسیم روایت ۱۶ ثانیهای Vidu Q3 آشنا نیستید، ابتدا «شروع سریع با Vidu Q3: از پرامپت تا کلیپ ۱۶ ثانیهای» را بخوانید.
۵. طراحی لایههای BGM، صداهای محیطی و جلوههای صوتی
همگامسازی بومی Vidu Q3 «میکس خودکار کامل» نیست، بلکه پایهای شنیدنی قابل لایهبندی در یک تولید است. در پرامپت صریحاً سه لایه بنویسید:
۵.۱ صداهای محیطی (Ambience)
به صحنه متصل: باران، صدای کافه، پژواک نمایشگاه، نویز دور خیابان. نمونه نگارش:
صداهای محیطی: خیابان بعد از باران، خودروهای دور با فرکانس پایین، گاه قطره روی سقف.
۵.۲ جلوههای حرکت (SFX)
به حرکت تصویر متصل: در، کلیک، اصطکاک چرخش محصول. نمونه نگارش:
ثانیه ۵، جعبه محصول آهسته باز میشود، همراه با اصطکاک cardboard ملایم.
۵.۳ BGM (موسیقی پسزمینه)
طبع و پویایی را توصیف کنید، نه فقط «موسیقی پسزمینه دارد»:
BGM: الکترونیک lo-fi کمصدا، تمام ۱۶ ثانیه زیرین، هنگام دیالوگ کنار میرود (در پرامپت بنویسید «اولویت دیالوگ، BGM پایینتر»).
سه قانون برای جلوگیری از پوشاندن BGM بر دیالوگ:
- در بخش دیالوگ «BGM ducking / کاهش صدا» را علامت بزنید؛
- برای BGM از واژههای «ملایم، دور، فرکانس پایین» استفاده کنید و از «شدید، پرصدا» همزمان با گفتار در همان بازه پرهیز کنید؛
- در ۱۶ ثانیه همزمان جملات سریع بلند + BGM پرانرژی + SFX پیچیده نچینید.
۶. برنامهریزی محور زمانی صوتی در شات بلند ۱۶ ثانیهای
با تکیه بر قابلیت ۱۶ ثانیه 1080P Vidu Q3، «آغاز—گسترش—پیچ—پایان» را همزمان برای تصویر و صدا برنامهریزی کنید:
| بازه | تصویر | صدا |
|---|---|---|
| ۰–۴ ث (آغاز) | ایجاد صحنه و شخصیت | عمدتاً صداهای محیطی، BGM هنوز وارد نشده یا بسیار سبک |
| ۴–۱۰ ث (گسترش) | پیشبرد محصول/تعارض | بخش دیالوگ اصلی، BGM ملایم وارد میشود |
| ۱۰–۱۴ ث (پیچ) | بازگشت احساسی یا اطلاعاتی | لمس SFX (مثل دکمه، whoosh گذار) |
| ۱۴–۱۶ ث (پایان) | slogan / Logo / نقطه حالت | راوی یا جمله کوتاه + جمعبندی BGM |
نمونه اسکلت پرامپت کامل (text-to-video):
صحنه: اتاق نشیمن مدرن مینیمال، نور گرم عصر. موضوع: زن ۳۰ ساله، لباس casual، رو به دوربین. کنش: از مبل بلند میشود، هدفون بیسیم را برای نمایش بالا میگیرد، لبخند و تکان سر. صدا: صداهای محیطی داخلی سبک؛ دیالوگ چینی ۳–۹ «بعد از پوشیدن، دنیا فوراً ساکت میشود»؛ BGM synth ملایم ۱۰–۱۵؛ راوی slogan ۱۵–۱۶. سبک: کیفیت تبلیغاتی، عمق میدان کم، push آهسته.
این جدول محور زمانی صوتی را بهعنوان قالب تیم ذخیره کنید تا هزینه «کاوش از صفر برای هر کلیپ» کم شود.
۷. ترکیب با reference-to-video و کنترل فریم شروع-پایان
همگامسازی بومی صدا و تصویر Vidu Q3 بهندرت بهتنهایی استفاده میشود. ترکیبهای رایج:
۷.۱ + Reference-to-Video (مرجع به ویدیو)
وقتی به لبخوانی یکسان شخصیت IP در چند اپیزود کوتاه نیاز دارید:
- با تصویر/ویدیوی مرجع ظاهر شخصیت را قفل کنید؛
- در پرامپت جملات و لحن این اپیزود را روشن بنویسید؛
- زبان را با ماده مرجع یکسان نگه دارید تا لبخوانی بین زبانها بههم نریزد.
جزئیات در «راهاندازی Vidu Q3 Reference-to-Video: از موضوع تکی تا ترکیب چند موضوع».
۷.۲ + Start-End to Video (کنترل فریم شروع-پایان)
وقتی نمایش محصول از حالت A به B با راوی در میانه لازم است:
- فریمهای شروع و پایان ترکیببندی و نور یکسان را تضمین میکنند؛
- در توصیف رویداد میانی جلوههای گذار (چرخش، لغزش) اضافه کنید؛
- راوی را در میانه گذار بنویسید، نه روی فریمهای ثابت ابتدا و انتها.
جزئیات در «کنترل فریم شروع-پایان Vidu Q3 برای تولید شاتهای گذار».
۷.۳ + Vidu Agent تبلیغ یککلیکی
در سناریوهای بازاریابی قوی، ابتدا Vidu Agent rough cut میدهد، سپس شاتهای گفتار کلیدی را با همگامسازی بومی Vidu Q3 پرداخت کنید. مراجعه به وبلاگ «گردشکار تبلیغ یککلیکی Vidu Agent: از استوریبورد تا دوبله چندزبانه».
۸. چکلیست مقایسه A/B در workbench (پیشنهاد ۳ نمونه)
هنگام استفاده از Vidu Q3 در workbench Vidu AI، در هر آزمایش متغیرها را ثابت نگه دارید:
گروه A: فقط تصویر، بدون صدا → مسیر پیشفرض را ببینید. گروه B: دیالوگ کامل چهاربخشی، بدون BGM → لبخوانی و احساس شنیداری را ببینید. گروه C: دیالوگ + صداهای محیطی + لایه BGM + محور زمانی ۱۶ ثانیه → کاندید انتشار.
ابعاد مقایسه:
- آیا لبخوانی با جملات همزمان است؛
- آیا دیالوگ واضح و قابل فهم است؛
- آیا BGM دیالوگ را میپوشاند؛
- آیا صداهای محیطی با حرکت هماهنگاند؛
- آیا پایان ۱۶ ثانیه «نقطه صوتی» روشن دارد.
اگر گروه C بهوضوح از A/B بهتر بود، تیم شما همگامسازی بومی صدا و تصویر Vidu Q3 را در نوشتن پرامپت درک کرده و میتواند پرامپت گروه C را قالب صوتی برند کند.
۹. درک قابلیت صوتی Vidu Q3 از ارزیابی و مرزهای محصول
اگر میخواهید جایگاه Vidu Q3 در همگامسازی صدا و تصویر، 1080P، ۱۶ ثانیه را از منظر benchmark و رتبهبندی شخص ثالث بفهمید، «تحلیل عمیق Artificial Analysis: چرا Vidu Q3 از Runway و Veo پیشی میگیرد» را بخوانید. دادههای ارزیابی به تنظیم انتظار کمک میکند، اما خروجی سطح انتشار همچنان به انضباط پرامپت و محور زمانی این آموزش وابسته است.
نکات مهم
- اگر محتوا شامل چهره واقعی، علامت تجاری یا سبک BGM دارای حق نشر است، زنجیره مجوز را کامل کنید.
- workbenchها ممکن است در صدا پیشفرض، تولید صدا یا نه و پارامترهای مشابه تفاوت داشته باشند؛ به راهنمای رسمی Vidu Q3 در حساب خود مراجعه کنید.
- همگامسازی بومی برای نمونه سریع و انتشار social مناسب است؛ برای میکس نهایی سینمایی، پس از export در DAW / نرمافزار تدوین limiter، EQ و استاندارد loudness اعمال کنید.
- برای انتشار چندزبانه، برای هر زبان یک شات ۱۶ ثانیهای جدا تولید کنید؛ روی تعویض خودکار چند زبان لبخوانی در یک کلیپ حساب نکنید.
گام بعدی
workbench Vidu AI را باز کنید، Vidu Q3 را انتخاب کنید، با جدول محور زمانی بخش ۶ یک نمونه گفتاری ۱۶ ثانیهای بنویسید و ۳ نمونه پشت سر هم برای A/B/C تولید کنید. وقتی نسخهای با تعادل لبخوانی، دیالوگ و BGM پیدا کردید، آن را با قالب reference-to-video ترکیب کنید تا سریال کوتاه، تبلیغ محصول و محتوای گفتاری چندزبانه را گسترش دهید.