إنتاج الفيديو بالذكاء الاصطناعي: بناء Project S Studio

وعد إنتاج الفيديو بالذكاء الاصطناعي — إنشاء محتوى احترافي في دقائق دون فريق إنتاج — واضح ومباشر. أما الواقع الهندسي لتحقيق هذا الوعد على نطاق واسع فهو ليس كذلك.

حين بنينا Project S Studio، بدأنا بهدف منتجي واضح: يجب أن يتمكن منشئ المحتوى بلا خبرة في إنتاج الفيديو من إنتاج فيديو مدته 3 دقائق بجودة البث من نص مكتوب في أقل من 10 دقائق. وقد شكّل هذا الهدف كل قرار معماري اتخذناه.

مكونات خط الإنتاج

يتكون خط إنتاج الفيديو بالذكاء الاصطناعي من ثلاث مراحل معالجة متميزة، لكل منها متطلبات حسابية مختلفة وأنماط فشل مختلفة.

المرحلة الأولى — الذكاء الاصطناعي للمحتوى يوفر المستخدم نصًا أو موضوعًا أو رابطًا. تُنشئ طبقة ذكاء المحتوى خطة إنتاج منظمة: المشاهد التي ينبغي توليدها، والمرئيات المصاحبة لكل قسم، والإيقاع، والنبرة، ومتطلبات اللقطات التعريفية. يعمل هذا على بنيتنا التحتية للنماذج اللغوية الكبيرة (نستخدم Claude عبر API من Anthropic) ويكتمل في 8-15 ثانية لنص فيديو مدته 3 دقائق.

المرحلة الثانية — توليد الأصول تُطلق خطة الإنتاج توليد الأصول بشكل متوازٍ: تركيب الصوت، واختيار الموسيقى الخلفية، وتوليد الصور/مقاطع الفيديو بالذكاء الاصطناعي، وتصيير النصوص التراكبية. هذه هي المرحلة كثيفة الحوسبة. يُنتج فيديو مدته 3 دقائق ما بين 40 و120 أصلًا منفصلًا حسب التعقيد.

المرحلة الثالثة — التجميع والتصدير تُجمَّع الأصول في جدول زمني، وتُطبَّق الانتقالات، ويُصيَّر الفيديو النهائي ويُشفَّر بصيغ إخراج متعددة (1080p، عمودي 9:16 لوسائل التواصل الاجتماعي، معاينة ويب مضغوطة).

يبلغ إجمالي الوقت الفعلي لهذا الخط، من البداية إلى النهاية، معدل 6.5 دقائق لفيديو قياسي مدته 3 دقائق. كان هدفنا 10 دقائق. حققناه، ثم عملنا على تجاوزه.

بنية المعالجة المتوازية

التنفيذ البسيط لهذا الخط هو تسلسلي: توليد الأصول واحدًا تلو الآخر، ثم التجميع. وهذا بطيء وهش — إذا فشل أي أصل واحد، تفشل المهمة بأكملها.

أعدنا البناء حول نموذج تنفيذ DAG (الرسم البياني غير الدوري الموجَّه) حيث تكون كل مهمة توليد أصول عقدة مستقلة مع تبعيات معلنة. تعمل المهام التي لا تبعيات لها فورًا وبشكل متوازٍ. أما المهام التي تعتمد على مخرجات سابقة فتنتظر تلك المخرجات المحددة فقط، وليس جميع المهام السابقة.

عمليًا: يبدأ تركيب الصوت، واختيار الموسيقى الخلفية، والدفعة الأولى من الأصول المرئية في وقت واحد بعد اكتمال المرحلة الأولى. قد يُنتج فيديو مدته 3 دقائق يتطلب 80 أصلًا ما يصل إلى 60 منها بشكل متزامن في أول 30 ثانية من المرحلة الثانية.

قلّل نموذج التنفيذ المتوازي هذا من متوسط وقت الخط بنسبة 62% مقارنة بالمعالجة التسلسلية.

التعامل مع عمليات التصيير المتزامنة على نطاق واسع

تعالج Project S Studio آلاف مهام تصيير الفيديو المتزامنة. يكمن التحدي التقني في أن تصيير الفيديو كثيف الاستخدام للـ GPU — لا يمكنك ببساطة إضافة المزيد من نوى CPU لتسريعه.

نشغّل مجموعة GPU غير متجانسة عبر AWS (حالات g4dn وg5)، مع تخصيص ديناميكي بناءً على عمق قائمة انتظار المهام. تعمل المهمة الخفيفة (فيديو قصير، أصول قليلة) على g4dn.xlarge واحد. أما المهمة الثقيلة (فيديو طويل، مرئيات معقدة، تصدير بصيغ متعددة) فتُخصَّص لـ g5.12xlarge.

تحدث قرارات تخصيص GPU عند استقبال المهام، وليس عند وقت التصيير. عندما يرسل مستخدم مهمة إنتاج، يُقدِّر النظام متطلبات الموارد من خطة الإنتاج ويُخصِّص مسبقًا فئة الحالة المناسبة. هذا يزيل زمن استجابة التبديل بين أنواع الحالات في منتصف المهمة.

الطاقة الاستيعابية الحالية القصوى: 3,400 مهمة تصيير متزامنة. يؤدي تجاوز عمق قائمة الانتظار هذا إلى تحجيم تلقائي للمجموعة، مما يضيف طاقة في حوالي 4 دقائق.

طبقة مراقبة الجودة

يعاني الفيديو المُنتج بالذكاء الاصطناعي من نمط فشل متسق: يكون وظيفيًا من الناحية التقنية لكنه خاطئ من الناحية الجمالية. محاذاة غير صحيحة بين الصورة والنص، انجراف في مزامنة الصوت، تناسق بصري غير متسق عبر المشاهد. هذه الإخفاقات ليست أخطاء — بل هي تدهورات في الجودة تفلت من فحص الأخطاء القياسي.

بنينا طبقة مراقبة جودة تُجري فحوصات آلية قبل أن يرى المستخدم المخرجات:

• فحص المزامنة الصوتية المرئية: يتحقق من أن بداية الكلام تتطابق مع انتقالات المشهد في حدود تسامح 200 مللي ثانية
• تسجيل التماسك المرئي: يُشير إلى المشاهد التي لا تتطابق فيها المرئيات المُولَّدة مع موضوع قسم النص (باستخدام نموذج CLIP خفيف)
• فحص اتساق الأسلوب: يكتشف التحولات الكبيرة في تدرج اللون أو الأسلوب المرئي بين المشاهد المتتالية

إخفاقات مراقبة الجودة لا تُخفق المهمة — بل تُشغّل إعادة توليد الأصول المسيئة المحددة، وليس الفيديو بأكمله. يُعاد توليد الأصل الفاشل بمعاملات معدَّلة، ويُعاد تشغيل فحص مراقبة الجودة لذلك المقطع فقط.

يلتقط هذا النهج ما يقرب من 12% من الأصول في التوليد الأول، ويُعيد توليدها قبل أن يرى المستخدم المخرجات. تحسّن الجودة الملحوظ للمستخدم كبير؛ والتكلفة الحسابية هي 15% تكلفة إضافية متوسطة على توليد الأصول — مقايضة تستحق العناء.

ما التالي؟

خط الإنتاج الذي بنيناه قادر. لكن الفرصة الأكبر تكمن في الذكاء: نظام يتعلم من ملاحظات منشئي المحتوى، ويحسّن خططه الإنتاجية بمرور الوقت، ويتكيف في نهاية المطاف مع أسلوبه تلقائيًا ليتناسب مع الصوت والجماليات الفريدة لكل منشئ.

نبني حاليًا حلقات تغذية راجعة في كل تفاعل مستخدم في Project S Studio — كل تعديل يجريه منشئ المحتوى بعد التوليد هو إشارة. مضى ثلاثة أشهر على تدريب نموذج جودة الإنتاج على بيانات التغذية الراجعة هذه. تشير النتائج الداخلية المبكرة إلى أننا نستطيع تقليل وقت التحرير اليدوي بنسبة إضافية 40% لمنشئي المحتوى الذين يستخدمون المنصة بانتظام.

الهدف: إنتاج فيديو 10 دقائق في 3 دقائق. لم نصل إلى هناك بعد.

المقاييس الحالية

• متوسط 6.5 دقائق وقت إنتاج من البداية إلى النهاية (فيديو مدته 3 دقائق)
• طاقة تصيير متزامنة لـ 3,400 مهمة
• معدل قبول التصيير الأول 94.2% (لا حاجة لإعادة توليد مراقبة الجودة)
• 180,000 فيديو مُنتج شهريًا