إنتاج الفيديو بـ Veo 3.1: ماذا يفعل وما حدوده؟

الجواب المختصر: Veo 3.1 نموذج Google DeepMind لإنتاج فيديوهات قصيرة من النص أو من صورة، ينتج الحوار والمؤثرات وصوت المحيط مع الصورة. وبحسب وثائق Google ينتج مقاطع في توليدة واحدة مدتها 4 أو 6 أو 8 ثوانٍ، بدقة 720p و1080p و4K. في هذه المقالة نشرح ما يستطيع النموذج فعله، وحدوده الرسمية، وكيف يُبنى موجّه الفيديو الجيد.

ما Veo 3.1، ومن طوّره؟

Veo عائلة نماذج فيديو من Google DeepMind. أُعلن Veo 3.1 في 15 أكتوبر 2025 مع شقيقه الأسرع والأقل تكلفة Veo 3.1 Fast. ووعدت Google في هذا الإصدار بصوت مدمج أغنى، وفهم أفضل للأساليب السينمائية، وتوافق أفضل مع الموجّه في التحويل من صورة إلى فيديو. وصدر الإصدار المستقر (GA) على Google Cloud في 17 نوفمبر 2025. وفي يناير 2026 تحسّن التوليد بالصور المرجعية، وفي مارس 2026 أُضيف إصدار Lite أخف وزنًا.

يُتاح النموذج في تطبيق Gemini، وفي Flow وهو أداة صناعة الأفلام من Google، وفي Google Vids، وللمطورين عبر Gemini API و Google AI Studio، وللمؤسسات عبر Google Cloud. ملاحظة: حتى كتابة هذه المقالة في أكتوبر 2026، أُغلقت نماذج Veo 3.1 التجريبية في Gemini API يوم 22 أكتوبر 2026، وتوجّه Google المطورين إلى نموذج Gemini Omni Flash الأحدث أو إلى إصدارات Veo 3.1 المستقرة على Google Cloud. أي أن الطريق الذي تستخدم منه النموذج يحدد الخيارات المتاحة لك.

ماذا يستطيع Veo 3.1 أن يفعل؟

التوليد من النص

ينتج فيديو قصيرًا من وصف المشهد الذي تكتبه. وتركز Google على الواقعية والفيزياء والالتزام بالموجّه. ومن الأمثلة في الوثائق مشاهد فيها حوار، ولقطات سينمائية، وأساليب رسوم متحركة.

التوليد من صورة

عندما ترفع صورة يستخدمها Veo كـالإطار الأول للفيديو، ثم يحركها بحسب الموجّه. وتقترح الوثائق قاعدة بسيطة: اختر الصورة الأقرب إلى المشهد الذي تتخيله كأول لقطة في الفيديو.

الفيديو بصور مرجعية

في الميزة التي تسميها Google «Ingredients to Video» تستطيع تقديم ثلاث صور مرجعية كحد أقصى. وبحسب وثائق Gemini API يجب أن تكون هذه الصور لشخص واحد أو شخصية واحدة أو منتج واحد، ويحاول Veo الحفاظ على مظهر الموضوع في المخرج. وقد حمل تحديث يناير 2026 تحسنًا في بقاء الشخصية بالمظهر نفسه حين تتغير المشاهد، وتناسق الخلفية والأشياء، وكان أول دعم لهذا الوضع للصيغة العمودية 9:16.

الإطار الأول والأخير

تعطي صورة بداية وأخرى نهاية، فيولّد Veo الانتقال بينهما مع صوته. وهذا مفيد للمشاهد من «A إلى B» مثل خروج منتج من علبته، أو الانتقال من النهار إلى الليل.

تمديد المشهد

يمكنك تمديد فيديو سبق أن أنتجته بـVeo. وتقول Google إن كل جزء جديد يُنتج اعتمادًا على آخر ثانية في المقطع السابق، فيبقى الاتساق البصري محفوظًا.

الصوت المدمج

لا ينتج Veo 3.1 الصوت في خطوة منفصلة عن الصورة، بل يُنتج الحوار والمؤثرات وصوت المحيط مع الصورة. وتذكر وثائق Gemini API أن الصوت مفعّل دائمًا، وليس خيارًا يمكن إيقافه.

المدة والدقة والنسبة: الحدود الرسمية

الجدول التالي مُجمّع من المواصفات المنشورة في صفحة نموذج Veo 3.1 على Google Cloud ووثائق Gemini API:

الخاصية	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
مدة المقطع	4 أو 6 أو 8 ثوانٍ	4 أو 6 أو 8 ثوانٍ	4 أو 6 أو 8 ثوانٍ
نسبة الأبعاد	16:9 و9:16	16:9 و9:16	16:9 و9:16
دقة المخرج	720p و1080p و4K	720p و1080p	720p و1080p
معدل الإطارات	24 إطارًا في الثانية	24 إطارًا في الثانية	24 إطارًا في الثانية
الصور المرجعية	متاحة (8 ثوانٍ فقط)	متاحة (8 ثوانٍ فقط)	غير متاحة
الصوت	متاح	متاح	متاح

تذكر وثائق Gemini API قيودًا إضافية: الدقتان 1080p و4K تُختاران في المقاطع المدتها 8 ثوانٍ فقط، والمدة نفسها إلزامية عند استخدام صور مرجعية. وكل تمديد للمشهد يضيف 7 ثوانٍ، ويمكن تنفيذه 20 مرة كحد أقصى؛ والفيديو الذي يُمدَّد لا يتجاوز 141 ثانية، والناتج لا يتجاوز 148 ثانية، ويعمل التمديد بدقة 720p فقط. وحد نص الموجّه 1.024 رمز.

كيف تكتب موجّه Veo 3.1؟

يقترح دليل Google Cloud لموجّهات Veo 3.1 صيغة من خمسة أجزاء: التصوير السينمائي + الموضوع + الفعل + السياق + الأسلوب والجو. أي اكتب أولًا ما تفعله الكاميرا، ثم من نراه، وما الذي يفعله، وأين نحن، وكيف يشعر المشهد.

تذكر الوثائق أن الإنجليزية مدعومة بالكامل كلغة للموجّه، وأن اللغات الأخرى لم تُقيَّم وقد تعمل لكن النتائج قد تتغير. لذلك نعرض الأمثلة بالإنجليزية ونضيف ترجمتها العربية:

Slow dolly shot. A potter shapes a clay bowl on a spinning wheel in a small sunlit workshop. Dust floats in the warm afternoon light; shallow depth of field, calm documentary style.

الترجمة العربية: لقطة دولي بطيئة. يشكّل خزّاف وعاء من الطين على دولاب دوّار في ورشة صغيرة مشمسة. تتطاير ذرات الغبار في ضوء ما بعد الظهر الدافئ؛ عمق ميدان ضحل، وأسلوب وثائقي هادئ.

لغة الكاميرا

يقترح الدليل مصطلحات لحركة الكاميرا مثل الدولي (dolly) والتتبع (tracking) والرافعة (crane) والمنظر من الجو والبانوراما البطيئة ولقطة المنظور الذاتي (POV)؛ ولكادر الصورة مثل اللقطة العريضة والمقربة والمقربة جدًا والزاوية المنخفضة ولقطة الشخصين؛ وللعدسة مثل عمق الميدان الضحل والزاوية الواسعة والماكرو. ويعطي استخدام هذه المصطلحات نتيجة أوضح بكثير من عبارة «لقطة جميلة».

الصوت في الموجّه

يمكنك إعطاء Veo ثلاثة أنواع من تلميحات الصوت:

• الحوار: اكتب الكلام بين علامتي تنصيص. مثال: A woman says, “We have to leave now.”
• المؤثر: صف الصوت بوضوح. مثال: SFX: thunder cracks in the distance.
• صوت المحيط: صف نسيج الصوت في الخلفية. مثال: Ambient noise: the quiet hum of a starship bridge.

موجّه بطوابع زمنية ومشاهد متعددة

من اقتراحات الدليل المثيرة للاهتمام إدارة عدة لقطات في توليدة واحدة بطوابع زمنية:

[00:00-00:02] Medium shot of a cyclist stopping at the top of a hill at sunrise. [00:02-00:04] Close-up of her smiling face, breathing hard. SFX: wind and distant birds. [00:04-00:08] Wide aerial shot revealing the valley and the winding road below.

الترجمة العربية: في الثانيتين الأوليين لقطة متوسطة لراكبة دراجة تتوقف على قمة تلة عند شروق الشمس. في الثانيتين التاليتين لقطة مقربة لوجهها المبتسم وهي تلهث. في آخر أربع ثوانٍ لقطة عريضة من الجو تكشف الوادي والطريق المتعرج أسفله؛ مع صوت الرياح وطيور بعيدة.

صِف ما تريده بدل ما لا تريده

يقترح الدليل أن تصف المشهد بعبارات إيجابية، مثل «منظر طبيعي خالٍ من المباني والطرق» بدلًا من «لا تكن هناك مباني من صنع الإنسان».

كيف تعمل مع الفيديو من الصورة والصور المرجعية؟

1. فكّر في الصورة كإطار أول: لأن Veo يستخدم الصورة كلقطة بداية، فالكادر والإضاءة والنسبة يجب أن تكون صحيحة منذ البداية. إذا أردت فيديو عموديًا فابدأ بصورة عمودية.
2. صِف الحركة لا الصورة: لا تعد وصف ما هو موجود في الصورة، بل صف ما الذي سيتحرك وماذا ستفعل الكاميرا.
3. ركّز المراجع على موضوع واحد: تقترح الوثائق أن تكون الصور الثلاث لشخص واحد أو شخصية أو منتج. والصور الواضحة من زوايا مختلفة تعطي نتائج أفضل.
4. صِف الانتقال والصوت في الإطار الأول والأخير: يقترح الدليل أن تشرح في الموجّه كيف يتم الانتقال وما الصوت المطلوب.
5. حافظ على الاستمرارية في التمديد: إذا ذكرت الشخصية والمكان والضوء بالكلمات نفسها في الجزء الجديد، تقل فرص الانقطاع.

ما حدود Veo 3.1؟

• اللغة: الإنجليزية مدعومة بالكامل؛ اللغات الأخرى لم تُقيَّم وقد تتغير النتائج.
• زمن الانتظار: تذكر وثائق Gemini API أن الطلب يحتاج إلى 11 ثانية على الأقل، وقد يصل إلى 6 دقائق في أوقات الذروة.
• المحادثات القصيرة: توضح Google DeepMind أن الصوت الطبيعي المتسق في المقاطع القصيرة المتحدثة ما زال مجالًا قيد التطوير.
• الاعتماد على عدة فيديوهات: الاستدلال على عدة فيديوهات مرجعية غير مدعوم حاليًا.
• توقف التوليد بسبب الصوت: قد يتوقف Veo 3.1 أحيانًا بسبب فلاتر السلامة أو مشكلات في معالجة الصوت، وتذكر الوثائق أن هذه الحالات لا تُحتسب تكلفتها.
• الاحتفاظ بالملفات: تُحفظ الفيديوهات المنتجة في Gemini API على الخادم يومين فقط؛ لذلك نزّل نسختك خلال هذه المدة.
• قيود إقليمية: في الاتحاد الأوروبي والمملكة المتحدة وسويسرا ومنطقة الشرق الأوسط وشمال أفريقيا تكون إعدادات توليد الأشخاص أكثر تقييدًا.
• فلاتر السلامة: تُمنع الموجّهات المخالفة للقواعد، وتخضع الفيديوهات أيضًا لفحوص ضد مخاطر الخصوصية وحقوق النشر والتحيز.

كيف تُعرف الفيديوهات المولّدة؟ SynthID ومعايير C2PA

تحمل الفيديوهات التي ينتجها Veo علامة SynthID المائية غير المرئية من Google. وتذكر الوثائق أنه يمكن التحقق من هذه الفيديوهات عبر منصة التحقق من SynthID، وتعلن Google في تحديث يناير 2026 أنه يمكنك رفع فيديو إلى تطبيق Gemini وسؤاله إن كان قد أُنتج بالذكاء الاصطناعي من Google. كما تدرج صفحة Veo 3.1 على Google Cloud دعم معايير C2PA لبيانات اعتماد المحتوى (Content Credentials). ومع ذلك فالإفصاح الواضح عن استخدام الذكاء الاصطناعي في الفيديو المنشور هو الطريقة الأنظف.

أخطاء شائعة

• محاولة حشر فيلم في ثماني ثوانٍ: اختر حدثًا رئيسيًا واحدًا في المقطع، وابنِ القصة الطويلة بالتمديد أو بعدة مقاطع.
• عدم وصف الكاميرا: إن لم تكتب حركة الكاميرا يختارها النموذج؛ اكتب نوع اللقطة الذي يناسب الإحساس الذي تريده.
• نسيان الصوت: الصوت يُنتج دائمًا، فإن لم تصفه تُترك النتيجة لتخمين النموذج؛ اكتب صوت المحيط والحوار إن وُجد.
• حوار طويل: في مقطع من بضع ثوانٍ تتسرع الجمل الطويلة؛ اختر عبارات قصيرة وواضحة.
• نسبة خاطئة: للمحتوى العمودي 9:16، وللأفقي 16:9؛ وحضّر الصورة المرجعية بالشكل نفسه.
• نسيان التنزيل: مدة الاحتفاظ محدودة؛ احفظ النتيجة التي أعجبتك فورًا.

الخلاصة

• Veo 3.1 نموذج Google DeepMind لإنتاج فيديو صوتي من النص والصورة، ولديه إصدارات Fast و Lite.
• المقاطع 4 أو 6 أو 8 ثوانٍ، والنسب 16:9 و9:16، والدقة حتى 4K (في 8 ثوانٍ فقط).
• الصور المرجعية، والإطار الأول والأخير، والتمديد؛ كلها أدوات لبناء مشاهد أطول وأكثر اتساقًا.
• الموجّه الجيد يتبع الصيغة: تصوير سينمائي وموضوع وفعل وسياق وأسلوب، ويصف الصوت صراحةً.
• الصور المرجعية والإطار الأول والأخير والتمديد مرتبطة بقيود الدقة والمدة؛ راجع الجدول قبل التخطيط.
• الإنجليزية مدعومة بالكامل، والفيديوهات تحمل SynthID وتُعرف بها، لذلك أعلن استخدام الذكاء الاصطناعي عند النشر.