یک کافه‌دار هشت ثانیه ویدیو برای ریلز لازم دارد: بشقاب قورمه‌سبزی روی میز چوبی، بخاری که در نور گرم بالا می‌رود و صدای آرام سالن. فیلم‌بردار و نورپرداز هم ندارد. مدل وئو ۳٫۱ (Veo 3.1) گوگل همین صحنه را از یک توصیف میسازد: کلیپ ۴، ۶ یا ۸ ثانیهای، با صدایی که همراه تصویر ساخته میشود. در گیسو این کلیپ را در «تولید ویدیو» می‌سازید و توصیف را فارسی هم می‌توانید بنویسید.
در این آموزش وئو می‌بینید سه نسخهٔ Veo چه فرقی دارند، صحنه را چطور ثانیه‌به‌ثانیه بنویسید، ساخت از روی عکس چطور است، و سه ویدیوی واقعی، با همهٔ ایرادهایشان، چه از آب درآمدند.
سه نسخهٔ Veo در گیسو
هر سه نسخه کلیپ ۴، ۶ یا ۸ ثانیهای با صدا می‌سازند، در قاب افقی (برای یوتیوب و سایت) یا عمودی (برای ریلز و استوری). فرقشان در وضوح و هزینه است:
| نسخه | شناسه | بیشترین وضوح | کی سراغش بروید |
|---|---|---|---|
| Veo 3.1 Lite | veo-3.1-lite | 1080p | امتحان ایده و حرکت دوربین، با کمترین هزینه |
| Veo 3.1 Fast | veo-3.1-fast | 4K | بیشتر ریلزها و تیزرها؛ هزینهٔ هر ثانیه کمتر از نسخهٔ اصلی |
| Veo 3.1 | veo-3.1 | 4K | نسخهٔ نهایی کاری که حرکتش را پیش‌تر امتحان کرده‌اید |
وضوح 1080p و 4K فقط برای کلیپ ۸ ثانیهای ساخته میشود. دربارهٔ فرق کیفیت این سه نسخه قول دقیقی نمیدهیم؛ راه مطمئن این است که هر ایده را اول با Lite یا Fast ببینید. صفحهٔ نسخه‌های وئو (Veo) قیمت هر ثانیهٔ هر نسخه را با نرخ امروز نشان می‌دهد. اگر کلیپ ۱۲ ثانیهای لازم دارید، Sora 2 و Sora 2 Pro در «تنظیمات بیشتر» هستند و ۴، ۸ یا ۱۲ ثانیه می‌سازند.
«بودجه و کیفیت» در «تولید ویدیو»
در گیسو لازم نیست مدل و ثانیه و قاب را جدا جدا تنظیم کنید. چهار سطح آماده هست و هر کدام یک ترکیب مشخص است:
- اقتصادی: Veo 3.1 Lite، کلیپ ۴ ثانیهای؛ برای امتحان ایده.
- متعادل: Veo 3.1 Fast، کلیپ ۸ ثانیهای؛ مناسب ریلز و استوری.
- حرفه‌ای: نسخهٔ اصلی Veo 3.1، کلیپ ۸ ثانیهای در قاب ۷۲۰p.
- بالاترین کیفیت: نسخهٔ اصلی Veo 3.1، کلیپ ۸ ثانیهای در 1080p؛ برای تیزر نهایی.
بعد از انتخاب سطح هم می‌توانید مدت و قاب را جداگانه عوض کنید. هزینه دقیقاً به نسبت ثانیه بالا می‌رود: کلیپ ۸ ثانیهای دو برابر کلیپ ۴ ثانیهای است.
صحنه را ثانیه‌به‌ثانیه بنویسید
Veo وقتی بهتر کار می‌کند که بداند در هر بخش کلیپ چه اتفاقی می‌افتد. قالب‌های ویدیوی گیسو همین‌طور نوشته شده‌اند: یک جملهٔ کلی، بعد بازه‌های زمانی، بعد حال‌وهوا و صدا، و در آخر آنچه نباید باشد. اجزای یک توصیف خوب برای Veo این‌هاست:
- یک نما، یک برداشت. بنویسید «یک برداشت پیوسته» تا مدل وسط کلیپ صحنه را عوض نکند.
- سوژه و جایش. چه چیزی، روی چه سطحی، در کدام بخش کادر.
- بازه‌های زمانی. برای کلیپ ۸ ثانیهای سه بخش کافی است: شروع، حرکت اصلی، ایستادن روی قاب آخر.
- دوربین و نور. نزدیک شدن آرام، چرخش دور سوژه، یا دوربین ثابت؛ نور گرم پنجره، نور پشت سوژه.
- صدا. صدای محیط، صدای اشیا و نوع موسیقی؛ و اگر گوینده نمی‌خواهید، بنویسید «بدون گفت‌وگو».
- آنچه نباید باشد. نوشته، زیرنویس، واترمارک، چهرهٔ آدم.
نمونه‌های بیشتر از نوشتن صحنه، حرکت دوربین و صدا را در راهنمای نوشتن پرامپت ویدیو آورده‌ایم؛ همان قاعده‌ها برای Veo هم کار می‌کند.
نمونهٔ اول: بشقاب غذا با بخار، Veo 3.1 Fast
هر سه بخش زمانی اجرا شد: دوربین از نمای باز میز شروع کرد، آرام به بشقاب رسید و روی برشی نزدیک از غذا ایستاد. بخار در نور پشت صحنه پیداست و چراغ‌های آویز پس‌زمینه محو مانده‌اند. ته‌دیگ و برنج زعفرانی در تمام کلیپ همان ماندند. رنگ خورش روشن‌تر و سبزی‌اش کمتر از قورمه‌سبزی آشنای ما شد؛ مدل غذای ایرانی را از روی نامش می‌شناسد، ولی جزئیاتش را همیشه درست نمی‌کشد. اگر شکل غذا مهم است، از عکس خود غذا شروع کنید (بخش ساخت از روی عکس را ببینید).
نمونهٔ دوم: باغ ایرانی، Veo 3.1 Lite در ۴ ثانیه
قالب «باغ ایرانی و حوض» برای کلیپ ۸ ثانیهای نوشته شده است: دوربین از روی آب جلو برود، کمی بالا بیاید و روبه‌روی طاق وسط بایستد. نمونهٔ کتابخانه را اما با سطح «اقتصادی» ساختیم، یعنی Lite و فقط ۴ ثانیه.
تصویر زیباست: حوض بلند، فواره‌ها، سروها، شکوفه‌های صورتی و عمارتی با کاشی فیروزه‌ای، قرینه وسط کادر. ولی دوربین تقریباً جلو نرفت و بیشتر حرکت کلیپ مال فواره‌ها و برگ‌های روی آب است. درسش روشن است: در ۴ ثانیه برای سه مرحله حرکت جا نیست. وقتی کلیپ کوتاه می‌خواهید، فقط یک حرکت بنویسید؛ وقتی سه مرحله می‌خواهید، ۸ ثانیه انتخاب کنید.
ساخت ویدیو از روی عکس با Veo
هر سه نسخهٔ Veo یک عکس می‌پذیرند و آن را فریم اول کلیپ می‌کنند. یعنی اتاق، غذا یا محصول شما همان است که عکاسی کرده‌اید و مدل فقط چند ثانیهٔ بعدش را میسازد. در «تولید ویدیو»، «افزودن عکس» را بزنید، یا زیر هر تصویری که در «تولید تصویر» ساخته‌اید دکمهٔ «ساخت ویدیو از این عکس» را. عکس باید JPG، PNG یا WebP باشد و حداکثر ۱۵ مگابایت.
دوربین آرام از درگاه وارد اتاق شد و کاناپه، میز و گیاه‌ها همان ماندند. با جلو رفتن دوربین، لنگهٔ در از کادر بیرون رفت و روی دیوار راست، تابلویی پیدا شد که در عکس اصلی پشت در پنهان بود؛ یعنی مدل آن گوشه را خودش ساخت. برای آگهی ملک، این حدس‌ها را پیش از انتشار نگاه کنید. راهنمای کامل این کار، با عکس محصول و غذا، در مطلب تبدیل عکس به ویدیو با هوش مصنوعی آمده است.
قدم‌به‌قدم در گیسو
- باز کردن ابزار. در اپ گیسو «تولید محتوا» و بعد «تولید ویدیو» را باز کنید.
- توصیف یا قالب. صحنه را بنویسید، یا از «همهٔ قالب‌ها» یکی از دسته‌های «تیزر محصول»، «ریلز و استوری»، «صحنهٔ سینمایی» یا «ویدیو از عکس شما» را بردارید.
- عکس، اگر دارید. با «افزودن عکس» فریم اول را بگذارید.
- سطح، مدت و قاب. یکی از چهار سطح را انتخاب کنید و هزینهٔ تقریبی را کنار دکمهٔ ساخت ببینید.
- ساخت. ساختن ویدیو یک تا چند دقیقه طول میکشد. صفحه را می‌توانید ببندید؛ ویدیو ساخته میشود و در «آرشیو آثار» میماند. فایل MP4 را از همان‌جا دانلود کنید.
اگر می‌خواهید کل کار را یک بار ببینید، فیلم کوتاه ساخت ویدیو در گیسو همین قدم‌ها را نشان می‌دهد.
هزینه و احراز هویت
هزینهٔ Veo به‌ازای هر ثانیهٔ ویدیوست و وضوح بالاتر معمولاً گران‌تر است؛ طول توصیف هیچ اثری در هزینه ندارد، پس صحنه را با جزئیات بنویسید. اگر ساخت ناموفق شود، کل هزینه خودکار به اعتبارتان برمیگردد. پیش از احراز هویت (KYC)، سقف خرج اعتبار ۲ دلار است؛ اگر هزینهٔ تقریبی کلیپی که می‌خواهید از این بیشتر شد، احراز هویت را یک بار انجام دهید. جدول زیر هزینهٔ امروز هر سطح را به سکه نشان می‌دهد:
تصویر هر تصویر مربع ۱۰۲۴ در ۱۰۲۴
- اقتصادی GPT Image 1 mini، کیفیت پایین ۹۸۸ سکه
- متعادل GPT Image 1 mini، کیفیت متوسط ۳٬۴۳۸ سکه
- حرفه‌ای Nano Banana 2 (Gemini 3.1 Flash Image)، کیفیت 2K ۴۶٬۴۴۸ سکه
- بالاترین کیفیت Nano Banana Pro (Gemini 3 Pro Image)، کیفیت 2K ۶۶٬۶۹۲ سکه
ویدیو با صدا هر کلیپ، با مدت همان ردیف
- اقتصادی Veo 3.1 Lite، ۴ ثانیه ۷۸٬۱۴۸ سکه
- متعادل Veo 3.1 Fast، ۸ ثانیه ۳۱۲٬۵۹۲ سکه
- حرفه‌ای Veo 3.1، ۸ ثانیه ۱٬۲۵۰٬۳۶۸ سکه
- بالاترین کیفیت Veo 3.1، ۸ ثانیه ۱٬۲۵۰٬۳۶۸ سکه
موسیقی هر قطعه
- کلیپ کوتاه Lyria 3 Clip ۱۵٬۶۳۰ سکه
- قطعهٔ کامل Lyria 3.5 ۳۱٬۲۶۰ سکه
متن به گفتار هر ۱۰۰۰ نویسهٔ متن (حدود ۱۸۰ کلمهٔ فارسی)
- اقتصادی Gemini 3.8 Flash-Lite TTS ۵٬۹۴۰ سکه
- کیفیت بالا Gemini 3.8 Flash TTS ۸٬۸۷۰ سکه
گفتار به متن هر دقیقه صدا
- NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B ۸۶ سکه
- Qwen: Qwen3 ASR 0.6B ۸۶ 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: ۱۴۰۵/۰۸/۰۹ ۰۷:۳۰ مبلغ‌ها به سکه، با قیمت امروز همان مدل در گیسو
آنچه Veo در گیسو نمی‌کند
اولین کار: یک صحنهٔ ساده با یک حرکت دوربین بنویسید و با سطح «اقتصادی» بسازید تا ببینید Veo با نور و حرکت شما چه می‌کند؛ بعد نسخهٔ ۸ ثانیهای را با Fast بگیرید. اگر صحنهٔ غذا یا کافه لازم دارید، قالب «تیزر غذا با بخار و نور گرم» را در گیسو باز کنید و فقط نام غذای خودتان را جایش بگذارید. برای ایده‌های دیگر، کتابخانهٔ پرامپت ویدیو را بدون ورود ببینید.
