یک مسگر چهل عکس خوب با گوشی از قوری‌ها و سینی‌هایش دارد. اینستاگرام ریلز را بیشتر نشان می‌دهد و فیلم گرفتن از تک‌تک ظرف‌ها، با نور و حرکت دوربین درست، یک هفته کار است. تبدیل عکس به ویدیو با هوش مصنوعی همین را حل می‌کند: عکس شما فریم اول کلیپ میشود و مدل وئو ۳٫۱ (Veo 3.1) چهار تا هشت ثانیهٔ بعد را، با یک حرکت آرام دوربین و صدای همان صحنه، می‌سازد.
در این راهنما می‌بینید چه عکسی جواب می‌دهد، متن درخواست (پرامپت) حرکت را چطور بنویسید، کار در گیسو چه قدم‌هایی دارد و یک نمونهٔ واقعی چه از آب درآمد؛ با عیب‌هایش.
هنگام ساخت ویدیو از عکس چه اتفاقی می‌افتد؟
عکس شما اولین فریم کلیپ است و بقیهٔ فریم‌ها را مدل از خودش می‌سازد. یعنی حدس می‌زند پشت قوری چه هست، نور از کجا می‌تابد و اگر دوربین جلو برود چه دیده میشود. کاری که از مدل می‌خواهید معمولاً همین است: یک حرکت دوربین، یک حرکت کوچک در صحنه (بخار، غبار در نور، تکان پارچه) و کمی تغییر نور. صدا را هم Veo همراه تصویر می‌سازد. هرچه صحنه ساده‌تر باشد، حدس‌ها درست‌ترند؛ برای همین بعضی عکس‌ها خیلی طبیعی جان می‌گیرند و بعضی نه.
| خوب جواب می‌دهد | انتظار نداشته باشید |
|---|---|
| محصولات فروشگاهی، کالاها و ظروف | عکسی که چهرهٔ آدم دارد (Veo اغلب نمیپذیرد و هزینهٔ ساخت ناموفق برمیگردد) |
| مواد غذایی، نوشیدنی‌های گرم با بخار | داستان‌های طولانی با چند صحنهٔ متفاوت در یک ویدیو |
| فضای داخلی اتاق‌ها، کافه‌ها و ساختمان‌ها | ثابت و خوانا ماندن نوشته‌های ریز روی برچسب محصولات |
| لوگوی چاپ‌شده روی یک سطح با نور ملایم | ویدیوهای طولانی‌تر از ۸ ثانیه برای هر عکس |
| منظره‌ها، طبیعت و کارگاه‌های خلوت | تغییر دادن طراحی اصلی محصول یا اضافه کردن یک شیء جدید به کادر |
چه عکسی برای ساخت ویدیو از عکس مناسب است؟
اول جهت عکس را با جای انتشارش جور کنید: برای ریلز و استوری کادر عمودی (۷۲۰ در ۱۲۸۰) لازم دارید و برای سایت یا یوتیوب کادر افقی (۱۲۸۰ در ۷۲۰). عکس قوری این مقاله مربعی بود؛ پیش از فرستادن، آن را عمودی برش زدیم تا با قاب ریلز یکی شود.
عکس باید واضح باشد، با نور خوب و پس‌زمینهٔ نسبتاً ساده. سایهٔ خیلی تند و تاریک، حدس زدن عمق صحنه را برای مدل سخت می‌کند. دور سوژهٔ اصلی کمی فضای خالی بگذارید تا دوربین جای جلو رفتن یا چرخیدن داشته باشد؛ وقتی سوژه کل کادر را پر کرده، جایی برای حرکت نمی‌ماند. عکسی که چهرهٔ آدم دارد نفرستید؛ Veo بیشتر وقت‌ها آن را نمیپذیرد. فایل JPG باشد و حداکثر ۱۵ مگابایت. اگر با آیفون عکس میگیرید، فایل HEIC دوربین را پیش از فرستادن به JPG تبدیل کنید.
نوشتن پرامپت برای متحرک‌سازی عکس با هوش مصنوعی
پرامپت کارگردان این کلیپ است: به مدل می‌گوید عکس را چطور به حرکت درآورد. پرامپت خوب برای این کار پنج بخش دارد:
- با جملهٔ
The input image is the first frame.شروع کنید تا مدل بداند فریم اول را نباید از خودش بسازد. - بنویسید سوژهٔ اصلی دقیقاً همان‌طور که در عکس هست بماند و شکل، بافت و رنگش عوض نشود.
- یک حرکت آرام و مشخص برای دوربین بنویسید؛ مثل نزدیک شدن آرام به سوژه یا حرکت آهسته به راست.
- فقط یک حرکت کوچک در صحنه توصیف کنید؛ مثل غبار معلق در نور، بلند شدن بخار قهوه یا تکان ملایم لبهٔ پارچه.
- نور و صدا را بگویید؛ صدای محیط کارگاه یا یک موسیقی آرام بخواهید، ولی گفت‌وگو و دیالوگ نه. آخر سر هم بخواهید کلیپ روی یک فریم ثابت تمام شود و هیچ نوشته یا واترمارکی در تصویر نباشد.
قالب‌های آمادهٔ گیسو این دستورها را از پیش به انگلیسی دارند. راه دیگر این است که عکستان را در چت به یک مدل بینا (مدلی که عکس را می‌خواند) بدهید و بخواهید پرامپت ویدیو را با همین قاعده‌ها برایتان بنویسد. ما عکس قوری مسی را همراه همین فهرست به مدل gemini-3.8-flash دادیم:
- با این جمله شروع شود: The input image is the first frame.
- قوری مسی دقیقاً همان‌طور که در عکس است بماند؛ شکل، نقش‌ها و رنگش عوض نشود و چیزی به آن اضافه نشود.
- فقط یک حرکت آرام دوربین و یک حرکت کوچک در صحنه داشته باشد.
- نور و صدای محیط را توصیف کند؛ گفت‌وگو و گوینده نداشته باشد.
- در ثانیهٔ آخر روی قوری ساکن بماند.
- هیچ نوشته، زیرنویس یا واترمارکی نداشته باشد.
فقط خود پرامپت را بنویسید، بدون توضیح.
The input image is the first frame. The intricately engraved copper teapot remains completely unchanged in shape, details, and color. The camera slowly glides closer in a gentle, steady push-in, coming to a complete static hold on the teapot during the final second. Tiny dust motes drift softly through the warm overhead incandescent glow. The lighting is warm and atmospheric across the workbench. Ambient audio features quiet artisan workshop room tone without speech. No text, subtitles, or watermarks.
مدل یک پرامپت انگلیسی حدود ۷۵ کلمه‌ای نوشت و همهٔ قاعده‌ها را نگه داشت. جملهٔ اول همان است که خواستیم. قوری مسی بی‌تغییر توصیف شده است. یک حرکت نرم دوربین رو به جلو دارد، یک حرکت کوچک غبار در نور، و صدای محیط یک کارگاه آرام بدون گفت‌وگو. چیزی هم از خودش به صحنه اضافه نکرد. قالب‌های آمادهٔ گیسو هم پرامپت را به همین شکل نوشته‌اند.
مراحل تبدیل عکس به فیلم با هوش مصنوعی در گیسو
نرم‌افزار تدوین لازم نیست؛ همهٔ کار در مرورگر گوشی یا کامپیوتر است:
- باز کردن ابزار تولید ویدیو: در اپ گیسو به «تولید محتوا» و بعد «تولید ویدیو» بروید، یا مستقیم قالب تیزر محصول از یک عکس را در گیسو باز کنید.
- گذاشتن عکس: عکس محصول یا محیط کارتان را اضافه کنید. فقط مدل‌های Veo 3.1 عکس می‌پذیرند و اپ خودش مدل را عوض می‌کند. قالب‌های دستهٔ «ویدیو از عکس شما» هم همین‌جا هستند.
- نوشتن درخواست: جاهای خالی قالب را با کلمه‌های ساده پر کنید، یا پرامپت کاملی را که در بخش قبل نوشتید در کادر متن بگذارید.
- زمان و کادر: جهت ویدیو و طولش را انتخاب کنید. برای امتحان اول، ۴ ثانیه را پیشنهاد می‌کنیم تا نتیجه را زودتر و با هزینهٔ کمتر ببینید.
- ساخت و دانلود: هزینهٔ تقریبی را کنار دکمه ببینید و دکمه را بزنید. ساخت یک تا چند دقیقه طول می‌کشد؛ لازم نیست منتظر بمانید و می‌توانید صفحه را ببندید. فایل آماده در «آرشیو آثار» می‌ماند. اگر می‌خواهید کل کار را یک بار ببینید، فیلم یک‌دقیقه‌ای ساخت ویدیو در گیسو را تماشا کنید.
یک نمونهٔ واقعی: از عکس لیوان تا کلیپ ۸ ثانیهای
کلیپ قوری را روزی که این مطلب را می‌نوشتیم نتوانستیم بسازیم، چون سرویس‌دهندهٔ Veo در آن ساعت کار تازه نمی‌پذیرفت. برای این‌که نتیجهٔ واقعی را ببینید، نمونهٔ خود قالب «تیزر محصول از یک عکس» را این‌جا گذاشته‌ایم: یک عکس سادهٔ موبایلی از یک لیوان سرامیکی، با پرامپت همان قالب و مدل veo-3.1-fast، هشت ثانیه، قاب افقی. هیچ‌کدام دستکاری نشده است.
لیوان در هر هشت ثانیه همان لیوان ماند: شکل، رنگ و در چوب‌پنبه‌ای‌اش عوض نشد و چیزی به آن اضافه نشد. نوار نور گرم هم از روی میز و لیوان رد شد. ولی دستور دوربین فقط نیمه اجرا شد: دوربین حدود چهار ثانیه جلو رفت و بعد، به‌جای ایستادن روی محصول، تقریباً تا قاب اول عقب برگشت. صدا هم دارد؛ یک موسیقی آرام. درسش این است که ثانیه‌های آخر را همیشه نگاه کنید و اگر مهم است، روشن‌تر بنویسید: «دوربین در ثانیهٔ ۴ می‌ایستد و دیگر عقب نمی‌رود»، یا کلیپ کوتاه‌تر بخواهید.
ایده‌هایی برای کسب‌وکارهای مختلف
تبدیل عکس به ویدیو فقط برای محصول نیست. چند کاربرد آشنا:
- کافه و رستوران: از یک فنجان قهوهٔ داغ یا بشقاب غذا روی میز چوبی عکس بگیرید و بخواهید بخار آرام از رویش بلند شود و نور آفتاب کمی روی میز جابه‌جا شود.
- املاک و معماری: با یک عکس خوب از سالن پذیرایی، یک حرکت آرام دوربین رو به داخل بخواهید؛ بیننده حس می‌کند چند قدم در اتاق راه رفته است.
- پوشاک و پارچه: اگر از لباس‌های آویزان در رگال عکس میگیرید، با یک پرامپت ساده لبهٔ پارچه را در نسیمی ملایم تکان بدهید.
- طراحی لوگو و بسته‌بندی: عکس لوگوی چاپ‌شده روی دیوار آجری یا جعبهٔ محصول، با جابه‌جا شدن آرام سایه‌ها و یک نور گذرا جان می‌گیرد.
- کارگاه‌ها و تولیدی‌ها: از نمای کلی کارگاه با دستگاه‌های روشن در پس‌زمینه عکس بگیرید و صدای همان دستگاه‌ها را روی کلیپ بخواهید.
پرامپت کامل و نمونهٔ هر کدام بدون ورود دیده میشود؛ مثلاً صفحهٔ قالب تیزر محصول از یک عکس. اگر کلیپ را از متن، بدون عکس، می‌خواهید، صفحهٔ ساخت ویدیو با هوش مصنوعی همان کار است.
هزینهٔ متحرک‌سازی عکس با هوش مصنوعی
هزینه بهازای هر ثانیهٔ ویدیوست. وضوح بالاتر (1080p و 4K که فقط برای کلیپ ۸ ثانیهای هست) گرانتر از 720p است و طول پرامپت در هزینه اثری ندارد؛ پس صحنه را با جزئیات بنویسید. پیشنهاد ما: از نسخهٔ لایت در میان نسخه‌های وئو (Veo) و کلیپ ۴ ثانیهای شروع کنید تا حرکت دوربین و نور را ارزان‌تر امتحان کنید. اگر Veo عکس را نپذیرد (مثلاً به‌خاطر چهرهٔ آدم) یا ساخت ناموفق شود، همهٔ هزینه خودکار به اعتبارتان برمیگردد. جدول زیر هزینهٔ امروز را به سکه نشان می‌دهد:
تصویر هر تصویر مربع ۱۰۲۴ در ۱۰۲۴
- اقتصادی GPT Image 1 mini، کیفیت پایین ۹۵۲ سکه
- متعادل GPT Image 1 mini، کیفیت متوسط ۳٬۳۱۳ سکه
- حرفه‌ای Nano Banana 2 (Gemini 3.1 Flash Image)، کیفیت 2K ۴۴٬۷۵۰ سکه
- بالاترین کیفیت Nano Banana Pro (Gemini 3 Pro Image)، کیفیت 2K ۶۴٬۲۵۵ سکه
ویدیو با صدا هر کلیپ، با مدت همان ردیف
- اقتصادی Veo 3.1 Lite، ۴ ثانیه ۷۵٬۲۹۲ سکه
- متعادل Veo 3.1 Fast، ۸ ثانیه ۳۰۱٬۱۶۸ سکه
- حرفه‌ای Veo 3.1، ۸ ثانیه ۱٬۲۰۴٬۶۷۲ سکه
- بالاترین کیفیت Veo 3.1، ۸ ثانیه ۱٬۲۰۴٬۶۷۲ سکه
موسیقی هر قطعه
- کلیپ کوتاه Lyria 3 Clip ۱۵٬۰۵۹ سکه
- قطعهٔ کامل Lyria 3.5 ۳۰٬۱۱۷ سکه
متن به گفتار هر ۱۰۰۰ نویسهٔ متن (حدود ۱۸۰ کلمهٔ فارسی)
- اقتصادی Gemini 3.8 Flash-Lite TTS ۵٬۷۲۳ سکه
- کیفیت بالا Gemini 3.8 Flash TTS ۸٬۵۴۶ سکه
گفتار به متن هر دقیقه صدا
- NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B ۸۳ سکه
- Qwen: Qwen3 ASR 0.6B ۸۳ 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: ۱۴۰۵/۰۷/۲۶ ۰۰:۵۱ مبلغ‌ها به سکه، با قیمت امروز همان مدل در گیسو
محدودیت‌ها و حقوق استفاده
اولین کار: واضح‌ترین عکس محصولتان را انتخاب کنید، برای ریلز عمودی برشش بزنید و یک کلیپ ۴ ثانیهای امتحانی بسازید. وقتی دیدید مدل با نور و سایه‌های عکس شما چه می‌کند، برای صحنه‌های پیچیده‌تر راهنمای نوشتن پرامپت ویدیو را بخوانید.
