پرش به محتوا
آموزش

ساخت ریلز با هوش مصنوعی؛ سناریو، کلیپ، گوینده و موسیقی

یک ریلز ۳۰ ثانیه‌ای از چهار تکه ساخته می‌شود: سناریو، کلیپ عمودی، صدای گوینده و موسیقی. هر تکه را در گیسو کجا بسازید، چطور کنار هم بگذارید و برای تیزر محصول کدام راه کوتاه‌تر است.

تیم گیسو ۱۰ دقیقه مطالعه
ساخت ریلز با هوش مصنوعی؛ سناریو، کلیپ، گوینده و موسیقی

برای ساخت ریلز با هوش مصنوعی چهار تکه لازم دارید: سناریو، کلیپ عمودی، صدای گوینده و موسیقی. در گیسو سناریو را در گفت‌وگو با یک مدل می‌نویسید، کلیپ‌ها را از متن یا عکس خودتان در «تولید ویدیو» می‌سازید، گوینده را با تبدیل متن به صدا می‌گیرید و موسیقی را در کارگاه موسیقی. بعد تکه‌ها را در برنامهٔ تدوین گوشی کنار هم می‌گذارید.

از همین‌جا: سناریوی ریلز را با یک درخواست آماده در گیسو بنویسید. جای خالی‌ها را با کار خودتان پر کنید. تا دکمهٔ ارسال را نزنید، چیزی فرستاده و حساب نمی‌شود.

این راهنما برای ریلز پیج خودتان است: کسب‌وکار کوچک، کار شخصی یا آموزش. اگر می‌خواهید ساخت ریلز را به‌عنوان خدمت به دیگران بفروشید، کسب درآمد از تولید محتوا با هوش مصنوعی را بخوانید.

یک ریلز از چه تکه‌هایی ساخته می‌شود

تکهکجای گیسوچه می‌گیرید
سناریو و متن گویندهگفت‌وگو با یک مدل، یا قالب‌های آمادهٔ نوشتنصحنه‌ها با زمان، متن گوینده و نوشتهٔ روی تصویر
کلیپ‌ها«تولید محتوا»، بخش «تولید ویدیو»کلیپ عمودی MP4 همراه صدای محیط، از متن یا عکس
صدای گوینده«تولید محتوا»، بخش «متن به گفتار»فایل صوتی فارسی با صدا و لحنی که انتخاب می‌کنید
موسیقیکارگاه «آهنگ و تیزر صوتی»قطعهٔ کوتاه بی‌کلام، یا گوینده و موسیقی میکس‌شده
تدوینبرنامهٔ تدوین گوشی یا کامپیوتر خودتانریلز نهایی با نوشته و زیرنویس

لازم نیست همه را با هوش مصنوعی بسازید. اگر فیلم خوبی از کارتان دارید، فقط گوینده و موسیقی را بسازید. اگر صدای خودتان را دوست دارید، فقط کلیپ‌ها را.

قدم اول: سناریو را بنویسید

بیننده معمولاً در همان ثانیه‌های اول تصمیم می‌گیرد بماند یا رد شود. پس سناریو را از جملهٔ شروع بسازید و بعد صحنه‌ها را. از مدل یک متن آزاد نخواهید. شکل خروجی را بگویید تا مستقیم به کار تدوین بیاید: صحنه‌ها با زمان، و برای هر صحنه تصویر، حرکت دوربین، متن گوینده و نوشتهٔ روی تصویر.

برای پیج اینستاگرام [کار یا کسب‌وکار شما] یک سناریوی ریلز ۳۰ ثانیه‌ای دربارهٔ [موضوع] بنویسید. سه جملهٔ شروع پیشنهاد بدهید که در دو ثانیهٔ اول نگه دارد. بعد کار را در سه یا چهار صحنه با زمان بنویسید و برای هر صحنه بگویید چه دیده می‌شود، دوربین چه می‌کند، متن گوینده چیست و چه نوشته‌ای روی تصویر می‌آید. متن گوینده روی هم از ۷۰ واژه بیشتر نشود.

سقف ۷۰ واژه برای این است که متن گوینده در سی ثانیه جا شود و تند خوانده نشود. سناریو را مثل هر متن دیگری بخوانید و ادعایی را که از عهده‌اش برنمی‌آیید، مثل قیمت، زمان ارسال یا نتیجهٔ قطعی، از آن بردارید. قالب‌های آمادهٔ نوشتن، از جمله سناریوی ریلز و کپشن، در پرامپت‌های نوشتن هستند. اگر برای یک ماه برنامه می‌چینید، تقویم محتوای اینستاگرام با هوش مصنوعی جای هر ریلز را در برنامهٔ ماه نشان می‌دهد.

قدم دوم: کلیپ‌ها را بسازید

در «تولید ویدیو» قاب را عمودی بگذارید و برای هر صحنهٔ سناریو یک کلیپ جدا بسازید. بودجه‌های آماده با وئو (Veo) گوگل ساخته می‌شوند و کلیپ ۴، ۶ یا ۸ ثانیه‌ای همراه صدای محیط می‌دهند. سه کلیپ ۸ ثانیه‌ای و یک کلیپ کوتاه‌تر، یک ریلز حدود سی ثانیه‌ای می‌شود. ساختن هر کلیپ یک تا چند دقیقه طول می‌کشد. می‌توانید صفحه را ببندید؛ کلیپ‌ها در «آرشیو آثار» می‌مانند.

  • از متن: متن هر صحنه را از سناریو بردارید. قالب آمادهٔ شروع پرانرژی ریلز برای صحنهٔ اول نوشته شده است.
  • از عکس خودتان: عکس محصول، غذا یا فضای کارتان را بگذارید و نقشش را «فریم اول» کنید تا کلیپ از همان عکس جان بگیرد. قالب شروع پرانرژی ریلز با عکس محصول همین کار را می‌کند.
  • یک صحنهٔ بلندتر در یک بار: اگر کل ریلز یک صحنهٔ پیوسته است، Seedance 2.5 تا ۳۰ ثانیه می‌سازد. راهنمایش در آموزش Seedance 2.5 و راه وصل کردن صحنه‌های بیشتر در ویدیوی طولانی با هوش مصنوعی آمده است.
در پرامپت کلیپ نوشته و لوگو نخواهید. مدل‌ها نوشتهٔ فارسی را درست نمی‌کشند و نوشته را در تدوین اضافه می‌کنید. Veo هم عکسی را که چهرهٔ آدم واقعی دارد اغلب نمی‌پذیرد؛ در این حالت هزینهٔ ساخت برمی‌گردد. فقط عکس خودتان یا کسی که اجازه داده.

قدم سوم: صدای گوینده را بسازید

متن گوینده را از سناریو بردارید و در «تولید محتوا»، بخش «متن به گفتار»، بسازید. لحن را جدا از متن انتخاب می‌کنید: برای ریلز معمولاً تند و سرحال. دستور لحن بلند خوانده نمی‌شود. صفحهٔ گویندگی با هوش مصنوعی یک نمونهٔ واقعی با قالب «صدای روی ریلز اینستاگرام» دارد، با همان متن و دستور لحنی که برایش فرستاده شد. گوش دادن به آن پیش از نوشتن متن خودتان کمک می‌کند.

متن را برای گوش بنویسید، نه برای چشم. جمله‌ها را کوتاه کنید و عدد را همان‌طور که گفته می‌شود بنویسید: «سه اشتباه»، نه «۳ اشتباه». اگر نام برندی دارید که بد خوانده می‌شود، شکل درست خواندنش را در «تلفظ واژه‌ها» تعریف کنید. روش آماده کردن متن فارسی برای گوینده را در نریشن با هوش مصنوعی مفصل نوشته‌ایم. شبیه‌سازی صدای خودتان (Voice Clone) در گیسو نیست. اگر صدای خودتان را می‌خواهید، متن را خودتان بخوانید و ضبط کنید.

قدم چهارم: موسیقی را اضافه کنید

در کارگاه آهنگ و تیزر صوتی دو راه دارید:

  • قطعهٔ بی‌کلام: «کلیپ کوتاه» حدود ۳۰ ثانیه است و برای پس‌زمینهٔ یک ریلز اندازه است. سبک و حال‌وهوا را انتخاب می‌کنید و «بی‌کلام» را می‌زنید.
  • تیزر صوتی تبلیغاتی: اگر ریلز تبلیغ است، این بخش متن گوینده و موسیقی بی‌کلام را با هم می‌سازد و خودکار میکس می‌کند. موسیقی زیر صدای گوینده پایین می‌آید و بلندی فایل برای ریلز تنظیم می‌شود. صدای گوینده و موسیقی را جدا هم دانلود می‌کنید.

نام یا صدای خواننده‌های مشهور و تقلید آهنگ معروف قبول نیست. اگر برای انتخاب سبک و ساز ایده می‌خواهید، ساخت موسیقی بی کلام با هوش مصنوعی پرامپت‌های آماده دارد.

قدم پنجم: تکه‌ها را کنار هم بگذارید

کلیپ‌ها، صدای گوینده و موسیقی را در برنامهٔ تدوین گوشی یا کامپیوترتان کنار هم بگذارید. ترتیب کار ساده است:

  1. کلیپ‌ها را به ترتیب سناریو بچینید. صدای محیط کلیپ‌ها را کم کنید تا با گوینده قاطی نشود.
  2. صدای گوینده را بگذارید. اگر صدا از تصویر جلو یا عقب افتاد، طول کلیپ را کوتاه کنید، نه سرعت صدا را.
  3. موسیقی را زیر صدا بگذارید. اگر از «تیزر صوتی» استفاده کرده‌اید، فایل میکس‌شده جای هر دو را می‌گیرد.
  4. نوشته و زیرنویس را اضافه کنید. فایل گوینده را در تبدیل صدا به متن بدهید تا فایل زیرنویس SRT بگیرید و آن را در برنامهٔ تدوین وارد کنید.

برای شروع و پایان ریلز، مثلاً لوگوی متحرک یا یک تیتر متحرک، کارگاه موشن‌گرافیک گیسو قالب آماده دارد و ساخت با قالب‌ها تا سقف روزانه هزینه ندارد. روشش را در موشن‌گرافیک و لوگوی متحرک با هوش مصنوعی نوشته‌ایم.

راه کوتاه‌تر برای ریلز معرفی محصول

اگر ریلز شما معرفی یک محصول است، کارگاه ویدیوی تبلیغاتی همهٔ این قدم‌ها را یک‌جا جلو می‌برد. نام و توضیح محصول را می‌دهید و عکس خود محصول را می‌گذارید. سناریوی ۳ یا ۵ صحنه‌ای را ویرایش می‌کنید، فریم اول هر صحنه را انتخاب می‌کنید و تیزر ۱۵ یا ۳۰ ثانیه‌ای را عمودی برای ریلز می‌گیرید. صدای گوینده، موسیقی، نوشته‌های روی تصویر، کارت پایانی و زیرنویس SRT هم همراهش است. فرق این دو راه را در ساخت تیزر تبلیغاتی با هوش مصنوعی نوشته‌ایم.

یک نمونه: ریلز «سه اشتباه» برای یک گل‌فروشی

نمونهٔ واقعی «صدای روی ریلز» در صفحهٔ گویندگی دربارهٔ سه اشتباه رایج در خرید گیاه آپارتمانی است. همان موضوع را برای یک گل‌فروشی کوچک تا ریلز کامل جلو می‌بریم:

زمانتصویرابزار
۰ تا ۴ ثانیهجملهٔ شروع روی نمای نزدیک یک گلدان پژمرده«تولید ویدیو»، کلیپ ۴ ثانیه‌ای از متن
۴ تا ۱۲ ثانیهاشتباه اول و دوم: گلدان بی‌سوراخ، آب دادن هر روزکلیپ ۸ ثانیه‌ای، از عکس گلدان‌های خود مغازه به‌عنوان فریم اول
۱۲ تا ۲۰ ثانیهاشتباه سوم: گیاه نورپسند در گوشهٔ تاریککلیپ ۸ ثانیه‌ای از متن
۲۰ تا ۲۸ ثانیهنمای مغازه و دعوت به ذخیره کردن پستکلیپ ۸ ثانیه‌ای از عکس مغازه

گوینده با قالب «صدای روی ریلز اینستاگرام» ساخته می‌شود و یک کلیپ کوتاه بی‌کلام از کارگاه موسیقی زیرش می‌نشیند. شماره‌ها و دعوت پایانی هم در برنامهٔ تدوین روی تصویر می‌آیند.

هزینهٔ ساخت ریلز

هر تکه جدا و به‌اندازهٔ مصرف از اعتبار گیسو کم می‌شود. نوشتن سناریو هزینهٔ یک گفت‌وگوی کوتاه را دارد. ویدیو به‌ازای هر ثانیه حساب می‌شود، گوینده بر پایهٔ طول صدا و موسیقی به‌ازای هر قطعه. هزینهٔ تقریبی هر ساخت را پیش از زدن دکمه می‌بینید، و ساختی که ناموفق شود هزینه‌اش برمی‌گردد. جدول زیر هزینهٔ امروز هر کدام را به سکه نشان می‌دهد:

هزینهٔ ساخت تصویر، ویدیو، موسیقی و صدا، به سکه با قیمت امروز

تصویر هر تصویر مربع ۱۰۲۴ در ۱۰۲۴

  • اقتصادی GPT Image 1 mini، کیفیت پایین ۹۷۹ سکه
  • متعادل GPT Image 1 mini، کیفیت متوسط ۳٬۴۰۹ سکه
  • حرفه‌ای Nano Banana 2 (Gemini 3.1 Flash Image)، کیفیت 2K ۴۶٬۰۴۸ سکه
  • بالاترین کیفیت Nano Banana Pro (Gemini 3 Pro Image)، کیفیت 2K ۶۶٬۱۱۹ سکه

ویدیو با صدا هر کلیپ، با مدت همان ردیف

  • اقتصادی Google: Veo 3.1 Lite، ۴ ثانیه ۸۴٬۶۵۷ سکه
  • متعادل Google: Veo 3.1 Fast، ۸ ثانیه ۳۳۸٬۶۲۶ سکه
  • حرفه‌ای Google: Veo 3.1، ۸ ثانیه ۱٬۳۵۴٬۵۰۲ سکه
  • بالاترین کیفیت Google: Veo 3.1، ۸ ثانیه ۱٬۳۵۴٬۵۰۲ سکه

موسیقی هر قطعه

  • کلیپ کوتاه Lyria 3 Clip ۱۵٬۴۹۶ سکه
  • قطعهٔ کامل Lyria 3.5 ۳۰٬۹۹۱ سکه

متن به گفتار هر ۱۰۰۰ نویسهٔ متن (حدود ۱۸۰ کلمهٔ فارسی)

  • اقتصادی Gemini 3.8 Flash-Lite TTS ۵٬۸۸۹ سکه
  • کیفیت بالا Gemini 3.8 Flash TTS ۸٬۷۹۴ سکه

گفتار به متن هر دقیقه صدا

  • NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B ۸۵ سکه
  • Qwen: Qwen3 ASR 0.6B ۸۵ سکه

ردیف‌ها همان سطح‌های «بودجه و کیفیت» صفحهٔ تولید محتوا در گیسو هستند. پیش از ساخت، هزینهٔ تقریبی کنار دکمهٔ ساخت می‌آید و مبلغ دقیق بعد از ساخت روی کارت نتیجه ثبت می‌شود.

اگر ویدیو ساخته نشود، کل هزینه‌اش خودکار به اعتبار برمی‌گردد.

به‌روزرسانی: ۱۴۰۵/۰۸/۲۴ ۰۶:۴۴ مبلغ‌ها به سکه، با قیمت امروز همان مدل در گیسو

بیشترین هزینهٔ ریلز معمولاً مال کلیپ‌هاست. پس اول سناریو و گوینده را نهایی کنید و بعد کلیپ بسازید، تا کلیپی را برای متنی که عوض می‌شود دوباره نسازید.

پیش از انتشار

  • ریلز را یک بار روی گوشی، با صدا و بی‌صدا، ببینید. نوشتهٔ روی تصویر باید بدون صدا هم پیام را برساند.
  • جزئیات ریز محصول یا برچسب ممکن است در کلیپ کمی تغییر کرده باشد. پیش از انتشار با محصول واقعی مقایسه کنید.
  • اگر قاعدهٔ پلتفرم برای محتوای ساخته‌شده با هوش مصنوعی برچسب خواسته، آن را بزنید.
  • شرایط استفادهٔ تجاری از خروجی را سازندهٔ هر مدل تعیین می‌کند و گیسو قرارداد جداگانه‌ای دربارهٔ آن ندارد.

اولین قدم: موضوع ریلز این هفته را انتخاب کنید و سناریویش را با درخواست آماده بنویسید. سناریوی ریلز را در گیسو بنویسید و بعد هر صحنه را در «تولید ویدیو» بسازید.

امتحان در گیسو ساخت موسیقی حساب رایگان است؛ برای استفاده از مدل‌ها اعتبار لازم دارید.

پرسش‌های پرتکرار

با هوش مصنوعی می‌شود ریلز کامل ساخت؟

بله، تکه‌به‌تکه: سناریو در گفت‌وگو، کلیپ‌های عمودی در «تولید ویدیو»، گوینده با تبدیل متن به صدا و موسیقی در کارگاه موسیقی. تکه‌ها را در برنامهٔ تدوین کنار هم می‌گذارید. برای تیزر محصول، کارگاه «ویدیوی تبلیغاتی» همه را یک‌جا می‌سازد.

ریلز را با عکس خودم هم می‌شود ساخت؟

بله. عکس محصول، غذا یا فضای کارتان را در «تولید ویدیو» فریم اول بگذارید تا کلیپ از همان عکس جان بگیرد. فقط عکس خودتان یا کسی که اجازه داده. Veo عکسی را که چهرهٔ آدم واقعی دارد اغلب نمی‌پذیرد و هزینهٔ ساخت ناموفق برمی‌گردد.

صدای گوینده فارسی برای ریلز دارید؟

بله. در «متن به گفتار» صدای فارسی و لحن را جدا انتخاب می‌کنید و قالب «صدای روی ریلز اینستاگرام» هم آماده است. شبیه‌سازی صدای خودتان (Voice Clone) نداریم؛ اگر صدای خودتان را می‌خواهید، خودتان ضبط کنید.

یک ریلز ۳۰ ثانیه‌ای را در یک بار می‌شود ساخت؟

با بعضی مدل‌ها بله: Seedance 2.5 کلیپ تا ۳۰ ثانیه می‌سازد. بودجه‌های آمادهٔ «تولید ویدیو» با Veo کلیپ ۴، ۶ یا ۸ ثانیه‌ای می‌دهند و ریلز بلندتر از چند کلیپ کنار هم ساخته می‌شود.

نوشتهٔ تیم گیسو همهٔ مطالب وبلاگ خوراک RSS

آموزش

موشن‌گرافیک و لوگوی متحرک با هوش مصنوعی؛ از قالب آماده تا پرامپت

چهار راه ساخت موشن‌گرافیک در کارگاه گیسو: قالب آماده و لوگوی متحرک بدون هزینه تا سقف روزانه، «پرامپت به موشن» برای انیمیشنی که خودتان توصیف می‌کنید، و ویدیوی توضیحی با صدای گوینده و زیرنویس.

۹ دقیقه
آموزش

ویدیوی طولانی با هوش مصنوعی؛ کلیپ ۳۰ ثانیه‌ای و وصل کردن صحنه‌ها

در گیسو هر کلیپ حداکثر ۳۰ ثانیه است و ویدیوی چنددقیقه‌ای یک‌جا ساخته نمی‌شود. ببینید هر مدل ویدیو در گیسو در یک بار چند ثانیه می‌سازد، صحنه‌ها را چطور با فریم اول و آخر مشترک به هم وصل کنید و صدا و شخصیت را در کل ویدیو یکی نگه دارید.

۹ دقیقه