Veo 3.1 یا Seedance 2.0 یا Kling 3.0: کدام مدل ویدیوی هوش مصنوعی تبلیغ بهتری می‌سازد؟

سؤالی که بیشتر از همه از بازاریاب‌های پرفورمنس می‌شنویم، نسخه‌ای از این است: «برای تبلیغ از کدام مدل ویدیوی هوش مصنوعی استفاده کنم؟» جواب صادقانه این است که سؤال اشتباه است. یک بهترین مدل وجود ندارد، و رتبه‌بندی هر چند هفته با آمدن نسخه‌های جدید جابه‌جا می‌شود. آنچه مهم است جور کردن مدل با شات است. یک کلیپ UGC با آدمی که رو به دوربین حرف می‌زند، یک چرخش قهرمانانه محصول و یک قطعه موشن سبک‌دار، هرکدام به موتور متفاوتی پاداش می‌دهند.

ما در Hermoso در محیط واقعی کارها را بین Veo 3.1، Seedance 2.5 و Kling 3.0 پخش می‌کنیم و برای هر کار انتخاب می‌کنیم، نه اینکه روی یکی شرط ببندیم. این نگاه یک کاربر حرفه‌ای است: هر مدل واقعاً کجای یک تبلیغ جایش را به دست می‌آورد، بر اساس رندرهایی که تحویل می‌دهیم، نه بنچمارک‌های منتشرشده.

Veo 3.1: صدای بومی و هماهنگی لب

نقطه برجسته Veo 3.1 برای کار تبلیغاتی این است که صحبت را به‌صورت بومی و در همان اجرای فوتیج می‌سازد، پس لب‌ها و صدا از یک فرایند می‌آیند. همین یک ویژگی سرسخت‌ترین نشانه ویدیوی هوش مصنوعی را حل می‌کند: تکان خوردن لب مثل فیلم‌های دوبله‌شده، که وقتی صدای TTS را روی دهانی که جدا ساخته شده می‌چسبانید پیش می‌آید. ادراک انسان در گرفتن این ناهماهنگی بی‌رحمانه خوب است، و رنگ‌بندی هم پنهانش نمی‌کند.

پس Veo از لحظه‌ای که دهانی جلوی دوربین است و باید حرف بزند، انتخاب پیش‌فرض ماست: توصیه‌نامه‌هایی که آدم رو به دوربین حرف می‌زند، صحبت مستقیم بنیان‌گذار با دوربین، هر ایده UGC که حول حرف زدن یک نفر ساخته شده. وقتی قالب کار آدمی است که یک جمله را می‌گوید، صحبت بومی با لب‌های هماهنگ از هر تفاوت کیفی دیگری بین مدل‌ها ارزشمندتر است.

بهایش این است که Veo سیاست محتوایی سخت‌گیرانه‌تری دارد. معمولاً روی اسم برندها، چهره‌های شناختنی و هر چیزی که به الکل نزدیک باشد بیش از حد مسدود می‌کند، که می‌تواند یک پرامپت کاملاً سالم را هم برگرداند. در فرایند ما، رد شدن در آنجا به‌طور خودکار کار را به مدل دیگری می‌سپارد و به بن‌بست نمی‌رسد. با این حال، اگر شات به یک برند نام‌دار یا چهره شناختنی تکیه دارد، این ملاحظه واقعی است.

Seedance 2.0: صدای بومی، یک برداشت پیوسته، ثبات بر پایه تصویر مرجع

Seedance 2.0 اسب بارکش ما برای شات‌هایی است که تبلیغ واقعاً روی آن‌ها زندگی می‌کند: محصولی که در دست واقعی گرفته، چرخانده، زمین گذاشته و ریخته می‌شود. وقتی یک عکس واقعی محصول به عنوان مرجع به آن بدهید، هویت جسم واقعی را به‌طرز چشمگیری خوب نگه می‌دارد (شکل بطری، هندسه برچسب، رنگ مشخص) به جای اینکه مثل یک پرامپت متنی بدون مرجع، پسرعموی باورپذیری اختراع کند. برای تبلیغ‌های DTC و کالاهای مصرفی، که محصول روی صفحه باید همان محصول روی قفسه باشد، این وفاداری از تصویر مرجع به ویدیو کل بازی است.

کار دوم Seedance که به درد تبلیغ می‌خورد بافت است. دانه‌بندی باورپذیر دوربین دستی و گوشی را رندر می‌کند: همان حس تصویری کمی ناقص و بی‌زرق‌وبرق که به جای تیزر براق، UGC اصیل خوانده می‌شود. به سمت پوست مات و نور خنثی هدایتش کنید تا آن ظاهر «یکی این را با گوشی‌اش گرفته» را بهتر از گزینه‌های دیگر دربیاورد.

دو ویژگی دیگر بسته را کامل می‌کند. Seedance صدا را به‌صورت بومی (صدای گوینده، صدای فضای اتاق، صداهای جانبی صحنه) در همان اجرای فوتیج می‌سازد، پس یک تبلیغ UGC می‌تواند از همان اول حرف بزند، با صدای محیطی که واقعاً به اتاق می‌خورد، نه یک کلیپ بی‌صدا که منتظر دوبله است. و تا پانزده ثانیه را در یک اجرای پیوسته نگه می‌دارد، که مهم‌تر از آن است که به نظر می‌رسد: یک برداشت یعنی هیچ درزی بین لحظه‌ها نیست، نورپردازی وسط تبلیغ از نو ساخته نمی‌شود، هیچ برشی وسط یک کلمه نمی‌افتد. برای UGC کوتاه یک‌اجرایی تا پانزده ثانیه، معمولاً کار را به Seedance می‌سپاریم، چون محصول، دانه‌بندی و صدا را در یک برداشت تمیز کنار هم نگه می‌دارد. محدودیت اصلی‌اش همان است که همه مدل‌ها دارند (درباره حرکت، پایین‌تر را ببینید): از آن نخواهید چیزی را پرتاب کند یا بیندازد.

Seedance 2.5: سی ثانیه در یک برداشت بدون قطع

بعد Seedance 2.5 آمد و سقفی را که همه مطالب بالا زیرش نوشته شده بود جابه‌جا کرد. از آن سی ثانیه خواستیم. 30.08 ثانیه گرفتیم: یک برداشت پیوسته، با صدا، و صفر برش. نه سی ثانیه که از چند کلیپ سر هم شده باشد. سی ثانیه که دوربین در آن هیچ‌وقت نایستاد.

این برای ساخت تبلیغ مهم‌تر از یک ارتقای مشخصات فنی است. پانزده ثانیه از زمانی که این دسته وجود داشته، سقف عملی یک برداشت ساخته‌شده بوده، پس هر چیز بلندتر را باید سر هم می‌کردی: لحظه‌ها را جدا رندر کن، نور را جور کن، درزها را پنهان کن. درزها جایی هستند که تبلیغ هوش مصنوعی خودش را لو می‌دهد. رنگ‌بندی یک درجه عوض می‌شود، صدای فضای اتاق برای یک فریم قطع می‌شود، موی بازیگر بین لحظه‌ها به حالت اول برمی‌گردد. یک اجرای سی‌ثانیه‌ای با حذف سر هم کردن، درزها را حذف می‌کند. یک پیش‌نمایش کامل، یک داستان کامل محصول، یک دمو با شروع و پایان، همه می‌توانند یک شات پیوسته باشند.

صدا هم همراهش می‌آید. 2.5 صدای همگام را در همان اجرای تصویر می‌سازد (دیالوگ، صدای محیط، صداهای جانبی اتاق)، و به‌صورت پیش‌فرض روشن است. چه صدا را روشن بگذارید چه خاموش، هزینه‌اش یکی است. همچنین عکس یک آدم واقعی را می‌گیرد و او را فوتورئال متحرک می‌کند: یک چهره به آن بدهید و همان آدم با بافت واقعی پوست جلوی دوربین است، نه یک جایگزین سبک‌دار از او.

بهایش وضوح است. 2.5 در 480p و 720p رندر می‌کند و گزینه 1080p ندارد، پس تبلیغ اصلی که باید با Full HD تمام شود هنوز کار 2.0 است. که دقیقاً از همان تصمیم‌هایی است که مسیریابی برایش وجود دارد: طول، وضوح و اینکه آیا یک چهره واقعی باید دیده شود، سه سؤال متفاوت‌اند، و جواب درست هر سه با هم به‌ندرت یک مدل است.

Kling 3.0: هویت بر پایه مرجع چهره، همان آدم در هر رندر

قوت اصلی Kling 3.0 برای کار تبلیغاتی هویت است. یک تصویر مرجع از یک چهره به آن بدهید و آن آدم را، با همان ویژگی‌ها و همان حضور، در برداشت‌ها و رندرهای مختلف نگه می‌دارد. این همان چیزی است که تیم‌های پرفورمنس واقعاً از بازیگرهای هوش مصنوعی می‌خواهند: یک کریتور ثابت. چهره‌ای که هوک برنده هفته پیش را جلو برد، می‌تواند سه نسخه این هفته را هم جلو ببرد، پس مخاطب شما در هر تبلیغ به جای یک غریبه با آدم آشنایی روبه‌رو می‌شود. یک بازیگر برنده به دارایی‌ای تبدیل می‌شود که دوباره از آن استفاده می‌کنید، نه یک تاس یک‌باره.

بقیه بسته 3.0 هم به کار تبلیغ می‌آید. مثل Seedance، صدا را به‌صورت بومی در همان اجرای فوتیج می‌سازد. هر طولی از سه تا پانزده ثانیه را می‌پذیرد و به مدت‌های ثابت نمی‌چسبد، که باعث می‌شود برداشت با فیلمنامه جور شود، نه برعکس. و تبدیل تصویر به ویدیو که Klingهای قبلی را محبوب کرد هنوز عالی است: از یک تصویر ثابت شروع کنید (عکس محصول، یک کی‌فریم، یک اثر هنری برند) و حرکت باورپذیر، حرکت دوربین و پویایی کنترل‌شده اضافه می‌کند، نه اینکه فقط یک تصویر تقریباً ثابت را کمی تکان بدهد.

جایی که با همه مدل‌ها، از جمله Kling، محتاطیم حرکت پرتابی است: جسمی که واقعاً تحت جاذبه در پرواز آزاد است. بطری پرتاب‌شده کمی بیش از حد در هوا می‌ماند، با سرعت ثابت معلق می‌زند، بی‌وزن فرود می‌آید. این ضعف مخصوص Kling نیست؛ جرم و تکانه هنوز برای همه سخت است. راه‌حل طراحی حرکت است، نه انتخاب مدل. محصول را در دست گرفته، چرخانده، زمین گذاشته یا در حال ریختن نگه دارید: حرکت‌هایی که دست جسم را می‌برد و مدل هیچ‌وقت لازم نیست جاذبه را تنها حل کند.

خب، کدام برنده است؟

یک قاعده تقریبی، همان‌طور که خودمان واقعاً به کار می‌بریم:

• کسی جلوی دوربین حرف می‌زند و نمای نزدیک مهم است → Veo 3.1، برای صحبت بومی با لب‌های هماهنگ.
• محصول واقعی، در دست یا در حال استفاده، دانه‌بندی UGC، یک برداشت تا 15 ثانیه → Seedance 2.5، بر پایه عکس واقعی محصول.
• یک تبلیغ بلند بدون هیچ برش، تا سی ثانیه → Seedance 2.5، که یک برداشت پیوسته را تا آخر نگه می‌دارد، در 480p یا 720p. در حال عرضه روی Hermoso. فعلاً سقف مسیریابی یک برداشت پانزده‌ثانیه‌ای است و هر چیز بلندتر را سر هم می‌کند.
• همان چهره در کل کمپین، یا اضافه کردن حرکت به یک تصویر ثابت → Kling 3.0، با تکیه بر مرجع چهره.

دلیل اینکه این یک قاعده سرانگشتی می‌ماند و نه قانون، این است که مدل‌ها مدام از هم جلو می‌زنند. یک ارتقای نسخه می‌تواند قوتی را که مال مدل دیگری بود به این یکی بدهد. دقیقاً به همین دلیل از کاربران نمی‌خواهیم انتخاب کنند: Hermoso هر کار را به مناسب‌ترین مدل برای آن شات می‌فرستد و با آمدن نسخه‌های جدید مسیریابی را دوباره تنظیم می‌کند، پس انتخاب بالا خودکار و برای هر رندر انجام می‌شود، بدون اینکه شما تغییرات نسخه‌ها را دنبال کنید.

و به هر حال انتخاب مدل نیمه کوچک‌تر یک تبلیغ خوب است. نشانه‌هایی که تبلیغ هوش مصنوعی را لو می‌دهند (پوست مومی، متن درهم برچسب، رنگ‌بندی طلایی و لوکس، فیزیکی که هیچ جسمی از آن پیروی نمی‌کند) بیشتر تصمیم‌های فرایند تولیدند که قبل و بعد از اجرای مدل گرفته می‌شوند. خود مدل به‌ندرت مقصر است. سازنده تبلیغ با هوش مصنوعی Hermoso این راه‌حل‌ها را در خودش دارد: یک لایه واقع‌گرایی ضدبراقی، عکس‌های واقعی محصول که در صحنه کامپوزیت می‌شوند، همه متن‌ها و لوگوها که در پس‌تولید کامپوزیت می‌شوند و نه اینکه مدل بکشد، و صحبت بومی که برای دهان‌های جلوی دوربین نگه داشته می‌شود. مدل برایتان انتخاب می‌شود؛ مهارت در خود کار است.

در پشت صحنه، همین Studio درباره آنچه همین حالا در بازار شما جواب می‌دهد هم تحقیق می‌کند، در کتابخانه‌های تبلیغات Meta، Google و LinkedIn به‌علاوه محتوای ارگانیک TikTok، پس ایده‌ها قبل از رندر شدن حتی یک فریم روی تبلیغ‌های آزموده بنا می‌شوند. پلن رایگان شامل بیش از 250 اعتبار رایگان قابل‌کسب است، بدون نیاز به کارت؛ هزینه دقیق قبل از هر رندر در اپ نشان داده می‌شود. سریع‌ترین راه برای تمام کردن بحث مدل‌ها این است که برای محصول خودتان یک تبلیغ بسازید و درباره خروجی قضاوت کنید. مسیریابی از قبل برایتان انتخاب کرده است.

سؤالات متداول

کدام مدل ویدیوی هوش مصنوعی برای تبلیغ بهتر است؟

یک بهترین وجود ندارد. Veo 3.1 در صدای بومی و هماهنگی لب برای صحبت جلوی دوربین جلوتر است، Seedance 2.0 در وفاداری به محصول بر پایه تصویر مرجع، صدای بومی و UGC یک‌برداشتی تا 15 ثانیه، Seedance 2.5 در طول یک برداشت (30 ثانیه اندازه‌گیری‌شده بدون هیچ برش، با صدای بومی)، و Kling 3.0 در هویت بر پایه مرجع چهره، همان آدم در رندرهای مختلف، به‌علاوه تبدیل تصویر به ویدیو. انتخاب درست به شات بستگی دارد، و رتبه‌بندی با هر نسخه جابه‌جا می‌شود. Hermoso هر کار را به مناسب‌ترین مدل می‌فرستد.

یک برداشت ساخته‌شده با هوش مصنوعی چقدر می‌تواند طول بکشد؟

سی ثانیه، با Seedance 2.5. سی ثانیه خواستیم و 30.08 ثانیه را در یک شات پیوسته با صدای بومی و بدون هیچ برش اندازه گرفتیم. قبل از آن سقف پانزده ثانیه بود، برای همین تبلیغ‌های بلندتر از چند کلیپ سر هم می‌شدند. یک اجرا یعنی درزی برای پنهان کردن نیست: نه تغییر رنگ‌بندی، نه قطع شدن صدای فضای اتاق بین لحظه‌ها. در 480p و 720p رندر می‌کند، پس تبلیغی که باید با 1080p تمام شود هنوز کار یک برداشت کوتاه‌تر است.

کدام مدل بهترین هماهنگی لب را دارد؟

در تجربه ما Veo 3.1، چون صحبت را به‌صورت بومی در همان اجرای فوتیج می‌سازد، پس لب‌ها و صدا از یک فرایند می‌آیند. تکان خوردن عجیب لب از دوبله کردن TTS جداگانه روی دهان رندرشده می‌آید، پس آن را برای برش‌هایی نگه دارید که دهانی دیده نمی‌شود.

کدام مدل محصول واقعی من را درست نگه می‌دارد؟

Seedance 2.0 وقتی یک عکس واقعی محصول به عنوان مرجع بگیرد و جسم در صحنه کامپوزیت شود، هویت محصول را خوب نگه می‌دارد. پرامپت متنی دسته را توصیف می‌کند؛ تصویر مرجع هویت را قفل می‌کند، و به همین دلیل بنا کردن روی یک عکس واقعی از توصیف محصول با کلمات بهتر است.

کدام مدل همان بازیگر را در کل کمپین نگه می‌دارد؟

Kling 3.0. یک مرجع چهره به آن بدهید و هویت آن آدم را در رندرهای مختلف نگه می‌دارد، پس یک کریتور ثابت می‌تواند یک سری کامل تبلیغ را جلو ببرد، به جای اینکه در هر تبلیغ چهره تازه‌ای ظاهر شود.

چرا ویدیوهای هوش مصنوعی با اجسام پرتاب‌شده یا افتاده مشکل دارند؟

حرکت پرتابی (جسمی در پرواز آزاد تحت جاذبه) جایی است که فیزیک همه مدل‌های فعلی هنوز آشکارا می‌شکند، فرقی نمی‌کند از کدام استفاده کنید. حرکت را دورش طراحی کنید: محصول را در دست گرفته، چرخانده، زمین گذاشته یا در حال ریختن نگه دارید تا دست جسم را ببرد و مدل هیچ‌وقت لازم نباشد جاذبه را خودش حل کند.

در Hermoso باید خودم مدل را انتخاب کنم؟

نه. Hermoso هر رندر را به مناسب‌ترین مدل برای آن شات می‌فرستد و با آمدن نسخه‌های جدید مسیریابی را دوباره تنظیم می‌کند، پس هیچ‌وقت لازم نیست تغییرات نسخه‌ها را دنبال کنید یا مدل انتخاب کنید. شما تبلیغ را توصیف می‌کنید؛ بقیه‌اش با مسیریابی است.