نوشتن پرامپت ویدیو برای Sora 2؛ صحنه، حرکت دوربین، صدا و سه نمونهٔ آماده

صاحب یک کافه برای استوری فردا به یک ویدیوی عمودی ۸ ثانیه‌ای نیاز دارد؛ بخار قهوه بالا برود، باریستا فنجان را روی میز بگذارد و صدای کافه شنیده شود. اگر برای ساخت ویدیو از متن فقط بنویسید «قهوه در کافه»، مدل یک تصویر متحرک کلی می‌سازد و احتمالاً نه قاب درست است، نه حرکت، نه حس صدا. این راهنما به شما یک قالب عملی برای نوشتن صحنه، حرکت دوربین، زمان‌بندی و اجرای Sora 2 در گیسو می‌دهد.

برای شروع، به جای نوشتن یک ایدهٔ کوتاه، باید کارگردانی کنید. لازم نیست فیلم‌ساز باشید؛ کافی است بدانید در هر ثانیه چه اتفاقی می‌افتد و دوربین چه می‌بیند. همین تفاوت، پرامپت ویدیو را از یک جملهٔ مبهم به دستور قابل اجرا تبدیل می‌کند.

ساخت ویدیو از متن در Sora 2 چه خروجی می‌دهد

در گیسو می‌توانید با Sora 2 کلیپ‌های ۴، ۸ یا ۱۲ ثانیه‌ای بسازید. خروجی با صدا و در قالب MP4 ساخته می‌شود. قاب می‌تواند افقی یا عمودی باشد؛ پس برای استوری و ریلز از قاب عمودی استفاده کنید و برای بنر و معرفی محصول، قاب افقی را انتخاب کنید.

دو مدل در این بخش مهم‌اند: sora-2 و sora-2-pro. مدل Pro جزئیات بیشتری می‌سازد و قاب‌های بزرگ‌تری هم دارد. اگر فقط یک ایدهٔ سریع برای شبکه‌های اجتماعی دارید، مدل معمولی اغلب کافی است. اگر محصول، بافت سطح، نور و حرکت دوربین برای شما مهم است، مدل Pro انتخاب دقیق‌تری است.

هزینهٔ ویدیو به ثانیه و اندازهٔ قاب وابسته است. پرامپت بلندتر، هزینهٔ ویدیو را بیشتر نمی‌کند؛ اما پرامپت ضعیف می‌تواند یک اجرای بی‌استفاده بسازد. به همین دلیل نوشتن دستور، قبل از انتخاب مدل ارزش دارد.

معرفی کوتاه ابزار را در صفحهٔ تبدیل متن به ویدیو می‌بینید. در ادامه، همان کار را با جزئیات پرامپت جلو می‌بریم.

پرامپت ویدیو را مثل یک صحنهٔ کوتاه بنویسید

دستور ویدیویی (Video Prompt) باید پنج چیز را روشن کند: کجا هستیم، چه کسی یا چه چیزی حرکت می‌کند، دوربین چطور حرکت می‌کند، نور و حس صحنه چیست و چه صدایی باید شنیده شود. برای ساخت ویدیو با پرامپت فارسی، همین ساختار را فارسی بنویسید. مدل با فارسی کار می‌کند، به شرطی که جمله‌ها شفاف و بدون چند خواستهٔ متناقض باشند.

مکان و زمان را مشخص کنید

صحنهٔ «کافه» خیلی کلی است. بنویسید کافه چه شکلی است و در چه زمانی قرار داریم.

برای هر کلیپ یک کنش اصلی بگذارید

در یک کلیپ کوتاه، چند اتفاق بزرگ را با هم نخواهید. یک کنش اصلی انتخاب کنید و باقی جزئیات را در خدمت همان کنش بگذارید.

حرکت دوربین را به زبان ساده بگویید

اندازهٔ نما و حرکت دوربین را مشخص کنید. اگر فقط بنویسید «سینمایی»، مدل حدس می‌زند. بهتر است بگویید دوربین نزدیک است، دور می‌شود یا دور سوژه می‌چرخد.

نمونه‌های کاربردی حرکت دوربین را می‌توانید با همین واژه‌ها بسازید: نمای نزدیک برای غذا و جزئیات محصول، نمای متوسط برای آدم و کنش، نمای هوایی برای طبیعت یا مکان بزرگ، حرکت آرام به جلو برای دعوت به تمرکز، چرخش آهسته دور سوژه برای معرفی محصول.

نور، حال‌وهوا و سبک را جدا بنویسید

نور و سبک را با کلمه‌های قابل دیدن توصیف کنید. «قشنگ» کمک زیادی نمی‌کند؛ اما «نور گرم عصرگاهی، سایه‌های نرم، رنگ‌های قهوه‌ای و کرم» مسیر را روشن می‌کند.

اگر خروجی برای برند است، از قبل یک تصویر مرجع ذهنی بسازید. حتی اگر با تصویر کار می‌کنید، راهنمای نوشتن پرامپت تصویر برای واژه‌های نور، سبک و ترکیب‌بندی کمک می‌کند.

صدا را جداگانه سفارش دهید

Sora 2 ویدیو را با صدا می‌سازد. پس صدا را رها نکنید. صدای محیط، افکت کوتاه و نبودن موسیقی را روشن کنید.

زمان‌بندی را با ضرب‌های کوتاه کنترل کنید

برای کلیپ کوتاه، به جای تعریف داستان بلند، ضرب بنویسید. ضرب یعنی یک اتفاق کوچک که در بخشی از زمان رخ می‌دهد. این روش برای ۴، ۸ و ۱۲ ثانیه جواب می‌دهد و جلوی پرش‌های عجیب را می‌گیرد.

زمان‌بندی را بیش از حد خرد نکنید. اگر برای هر ثانیه چند فرمان بدهید، مدل بخشی از دستور را حذف می‌کند یا حرکت‌ها را با هم قاطی می‌کند. برای ریلز و تبلیغ کوتاه، سه ضرب معمولاً کافی است.

سه پرامپت آماده برای کافه، محصول و پادکست

این سه نمونه را مستقیم کپی کنید و نام محصول، رنگ برند یا مکان را عوض کنید. هر نمونه یک کنش اصلی دارد و صدا را هم جدا می‌گوید.

استوری عمودی ۸ ثانیه‌ای برای کافه

تیزر افقی ۱۲ ثانیه‌ای برای محصول

نمای طبیعت ۴ ثانیه‌ای برای شروع پادکست

اجرای پرامپت در گیسو چند مرحله دارد

در گیسو، ابزارهای غیرچت در صفحهٔ تولید محتوا کنار هم قرار دارند. برای ویدیو، مسیر را کوتاه نگه دارید: پرامپت را آماده کنید، قاب و سطح کیفیت را انتخاب کنید، هزینهٔ تقریبی را ببینید و اجرا کنید.

1. پرامپت را بنویسید یا از قالب شروع کنید. می‌توانید متن آمادهٔ خود را وارد کنید یا از قالب‌های آماده کمک بگیرید. اگر ایده کوتاه است، اول آن را به صحنه، کنش، دوربین و صدا تبدیل کنید.
2. «تولید ویدیو» را در صفحهٔ تولید محتوا انتخاب کنید. قاب عمودی را برای استوری و ریلز، و قاب افقی را برای معرفی محصول، سایت یا پادکست انتخاب کنید.
3. «بودجه و کیفیت» را مشخص کنید. در ویدیو، گزینه‌ها شامل اقتصادی ۴ ثانیه، متعادل ۸ ثانیه، حرفه‌ای با مدل Pro و ۸ ثانیه، و بالاترین کیفیت با مدل Pro و ۱۲ ثانیه هستند.
4. هزینهٔ تقریبی را قبل از اجرا ببینید. عدد دقیق بعد از ساخت روی کارت نتیجه ثبت می‌شود و ممکن است کمی با برآورد اولیه فرق داشته باشد.
5. ساخت را اجرا کنید و منتظر پردازش بمانید. ساخت ویدیو از یک تا چند دقیقه طول می‌کشد. می‌توانید صفحه را ببندید؛ ویدیو ساخته می‌شود و در آرشیو می‌ماند.
6. نتیجه را از آرشیو بردارید. ویدیو در آرشیو آثار گیسو با پرامپت، مدل و هزینه ذخیره می‌شود. از همان‌جا می‌توانید دانلود کنید، حذف کنید یا با تغییر پرامپت دوباره بسازید.

چند محدودیت را قبل از نوشتن پرامپت بدانید

این محدودیت‌ها به معنی ضعیف نوشتن نیست. برعکس، اگر آن‌ها را بدانید، پرامپت را به جایی می‌برید که مدل خوب جواب می‌دهد: حرکت کوتاه، قاب روشن، صداهای مشخص و پایان قابل استفاده.

برای ویدیوهای بلندتر چند کلیپ هم‌شکل بسازید

برای ویدیوی طولانی‌تر، چند کلیپ جدا بسازید و توصیف شخصیت، مکان، رنگ و نور را در همهٔ آن‌ها ثابت نگه دارید. یک جملهٔ ثابت در ابتدای پرامپت‌ها بگذارید؛ مثلاً «همان کافهٔ کوچک با دیوار آجری، میز چوبی، نور صبح از پنجرهٔ راست و رنگ‌های گرم». بعد فقط کنش هر کلیپ را عوض کنید.

وقتی کلیپ‌ها را دانلود کردید، می‌توانید آن‌ها را با ffmpeg به هم بچسبانید. همهٔ کلیپ‌ها را با یک مدل و یک قاب بسازید تا اندازه‌شان یکی باشد؛ این دستورها کلیپ‌های با اندازهٔ متفاوت را یکی نمی‌کنند. دستور اول بدون تبدیل دوباره کلیپ‌ها را پشت هم می‌گذارد؛ اگر محل اتصال پرش یا مکث داشت، دستور دوم را اجرا کنید.

printf "file 'clip1.mp4'\nfile 'clip2.mp4'\nfile 'clip3.mp4'\n" > clips.txt
ffmpeg -f concat -safe 0 -i clips.txt -c copy joined.mp4

# If the joins stutter, re-encode (all clips must share one size):
ffmpeg -f concat -safe 0 -i clips.txt -c:v libx264 -c:a aac joined.mp4

بعد از چسباندن تصویرها، روایت را اضافه کنید. برای گفتار فارسی، راهنمای نریشن ویدیو با هوش مصنوعی به انتخاب متن و تنظیم لحن کمک می‌کند. اگر به موسیقی پس‌زمینه نیاز دارید، مقالهٔ ساخت موسیقی با هوش مصنوعی نشان می‌دهد چطور سبک، ساز، تمپو و حال‌وهوا را در پرامپت موسیقی بنویسید.

توسعه‌دهنده‌ها ویدیو را با API بسازند و سریع دانلود کنند

برای محصول، پنل داخلی یا ربات تولید محتوا، از رابط برنامه‌نویسی (API) گیسو استفاده کنید. آدرس پایه https://gisoo.pro/api/v1 است و با کتابخانهٔ رسمی OpenAI کار می‌کند. کلید را از متغیر محیطی GISOO_API_KEY بخوانید و آن را در کد فرانت‌اند یا اپلیکیشن موبایل نگذارید.

الگوی کار سه مرحله دارد: ساخت کار، پرسیدن وضعیت، دانلود فایل. فایل ویدیو بعد از تکمیل تا ۴۸ ساعت در دسترس است، پس آن را بلافاصله روی فضای خودتان ذخیره کنید. مستندات کامل در راهنمای API ویدیو آمده است.

from openai import OpenAI
import os
import time

client = OpenAI(
    api_key=os.environ["GISOO_API_KEY"],
    base_url="https://gisoo.pro/api/v1",
)

prompt = """
Vertical 8-second video inside a small brick-wall cafe in the morning.
A barista places a cappuccino on a wooden table, steam rises,
the camera slowly pushes in, warm realistic cinematic light,
soft espresso machine sound and low cafe ambience, no text.
"""

job = client.videos.create(
    model="sora-2",
    prompt=prompt,
    seconds="8",
    size="720x1280",
)

while job.status in ("queued", "in_progress"):
    time.sleep(5)
    job = client.videos.retrieve(job.id)

if job.status == "completed":
    client.videos.download_content(job.id).write_to_file("story.mp4")
else:
    raise RuntimeError(f"Video failed: {job.status}")

برای اولین اجرا، یک پرامپت کوتاه اما دقیق انتخاب کنید و فقط یک متغیر را تغییر دهید؛ مثلاً قاب عمودی را نگه دارید و فقط مدل را عوض کنید. وقتی فهمیدید کدام ساختار برای برند یا محتوای شما جواب می‌دهد، همان قالب را برای سری‌های بعدی ذخیره کنید.