يولّد Veo 3.1 صوتًا متزامنًا مع الفيديو بشكلٍ أصيل عند استدعاء واجهات Gemini/Vertex (Veo) — تتحكم بالصوت عبر مطالبة نصية (إشارات صوتية، سطور حوار، SFX، أجواء) وتعيد مهمة التوليد نفسها ملف MP4 قابلًا للتنزيل. إذا كنت تفضّل واجهة API موحدة واحدة تضم عدة مزوّدين، فإن CometAPI تتيح أيضًا الوصول إلى Veo 3.1 (تستدعي CometAPI بمفتاح Comet وتطلب veo3.1/veo3.1-pro). تُطرَح هذه النسخة كمنافس مباشر لنماذج الوسائط الأخرى (مثل Sora 2 من OpenAI)، مع تحسينات تركّز على واقعية الصوت، والتحكم السردي، واستمرارية اللقطات المتعددة.
ما هو Veo 3.1؟
Veo 3.1 هو أحدث إصدار من Google ضمن عائلة نماذج تحويل النص/الصورة إلى فيديو Veo. مقارنةً بالإصدارات السابقة، يبرز Veo 3.1 ميزة التوليد الصوتي الأصلي — أي أن النموذج ينتج حوارًا متزامنًا وأجواءً صوتية ومؤثرات صوتية وإشارات موسيقية كجزء من مخرجات الفيديو، بدل الحاجة إلى تحويل نص إلى كلام أو مرحلة ما بعد الإنتاج. كما يجلب ضوابط سردية جديدة (صور مرجعية، انتقالات الإطار الأول والأخير، وميزات تمديد المشاهد) تهدف إلى جعل القصص متعددة اللقطات أكثر تماسكًا.
لماذا يهم ذلك: الصوت هو الطريقة التي يفسر بها المشاهدون المكان والعاطفة والتوقيت والسببية. التوليد الصوتي الأصلي (حوار يتماشى مع حركة الشفاه، مؤثرات صوتية متزامنة مع الأحداث المرئية، وخلفيات صوتية تتطابق مع جغرافيا المشهد) يقلل العمل اليدوي اللازم لجعل المقطع يبدو “حقيقيًا”، ويسمح للمبدعين بتكرار أسرع على القصة والمزاج.
هل يمكن لـ Veo 3.1 إنتاج الصوت — وما أنواع الصوت التي يمكنه إنشاؤها؟
كيف يُنتَج الصوت داخل النموذج؟
يتعامل Veo 3.1 مع الصوت كصيغة خرج مدمجة ضمن خط توليد الفيديو. بدل إرسال الإطارات إلى محرّك منفصل لـ TTS أو Foley، يقوم Veo بنمذجة الصوت والصورة بشكل مشترك بحيث تكون الإشارات الزمنية والصوتية والأحداث المرئية متماسكة. هذا النمذجة المشتركة هي ما يمكّن من محادثات طبيعية، مشاهد أجواء صوتية، وSFX متزامنة مع الصور المولدة، ويقدم “صوتًا أصيلًا أكثر غنىً” وتوليدًا متزامنًا للصوت كتحسينات رئيسية في 3.1.
لماذا تُعد القدرة الصوتية أمرًا مهمًا
تاريخيًا، أنتجت العديد من أنظمة تحويل النص إلى فيديو مقاطع صامتة وتركت الصوت إلى مرحلة لاحقة. يغيّر Veo 3.1 ذلك من خلال إنتاج الصوت في نفس تمريرة التوليد — ما يقلل جهد المزج اليدوي، ويُحكم مزامنة الشفاه للسطور القصيرة، ويسمح للمطالبات بالتحكم في الأحداث الصوتية السببية (مثلًا: “ينكسر كأس بينما تتحرك الكاميرا يسارًا”). لهذا أثر كبير على سرعة الإنتاج، وتصميم التكرارات، والنماذج الإبداعية الأولية.
ما أنواع الصوت التي يمكن لـ Veo 3.1 إنشاؤها؟
- الحوار/الكلام — حوار متعدد المتحدثين بتوقيت يتوافق مع حركة الشفاه والأفعال.
- الأجواء الصوتية — صوت بيئي (رياح، حركة مرور، ضجيج المكان) يتناسب مع جغرافيا المشهد.
- المؤثرات الصوتية (SFX) — ضربات، اصطدامات، أبواب، خطوات، إلخ، متزامنة مع الأحداث المرئية.
- الإشارات الموسيقية — زخارف موسيقية قصيرة أو طبقات مزاجية تتوافق مع إيقاع المشهد.
تُولَّد هذه الأنواع من الصوت أصيلًا وتُوجَّه أساسًا بمحتوى المطالبة بدل معلمات صوت منفصلة.
الحدود التقنية والطول
افتراضيًا، صُمِّم Veo 3.1 لمقاطع قصيرة عالية الجودة (مخرجات 8 ثوانٍ عالية الجودة لبعض التدفقات)، لكن النموذج يدعم أيضًا ميزة تمديد المشهد وجسور التوليد (من الإطار الأول إلى الأخير، التمديد من الثانية الأخيرة) التي تمكّن سلاسل متعددة المقاطع تمتد لعشرات الثواني حتى دقيقة أو أكثر عند وصلها عبر Scene Extension.
كيفية توليد الصوت باستخدام Veo 3.1 (مباشرًا، عبر Google Gemini / Vertex)
الخطوة 1: المتطلبات المسبقة
- حساب Google يملك وصولًا إلى Gemini API / Vertex AI ومفتاح/بيانات اعتماد API صالحة (Veo 3.1 في معاينة مدفوعة لكثير من مسارات الوصول).
- إعداد عميل Google
genai/ Gemini أو نقطة REST في بيئتك (أو عميل Vertex إذا كنت تفضّل وحدة السحابة).
الخطوة 2: اختيار النموذج المناسب وطريقة الوصول
استخدم veo-3.1-generate-preview (أو veo-3.1-fast عندما تكون السرعة/التكلفة أولوية). تظهر هذه سلاسل النماذج في أمثلة Google لمسارات المعاينة. تحتاج مفتاح Gemini API / Google AI مدفوعًا (أو وصولًا عبر AI Studio / Vertex AI).
الخطوة 3: مثال Python — عميل Gemini genai (موصى به، انسخ/ألصق)
يوضح هذا المثال شكل الاستدعاء البرمجي (Python، عميل google.genai). يبيّن كيفية تضمين تعليمات صوتية داخل المطالبة النصية.
# pip install google-genai (follow official SDK install)
from google import genai
from google.genai import types
import time
client = genai.Client(api_key="YOUR_GOOGLE_API_KEY")
prompt = """
Scene: Rainy downtown street, night. Neon reflections on wet pavement.
Ambience: continuous distant rain and passing cars.
SFX: bus brakes and hiss at 2.3s; umbrella snap at 0.6s.
Music: subtle synth pad enters at 0.5s (slow attack).
Dialogue:
ALICE (soft, tired): "I didn't think we'd still be here."
BOB (sighing): "Neither did I. Let's go."
Visual: medium close-up on ALICE, camera dolly forward.
"""
operation = client.models.generate_videos(
model="veo-3.1-generate-preview",
prompt=prompt,
config=types.GenerateVideosConfig(
duration_seconds=8,
aspect_ratio="16:9",
resolution="1080p",
number_of_videos=1
),
)
# Poll until done (SDK returns an operation object you can poll)
while not operation.done():
print("processing...")
time.sleep(2)
operation = operation.poll()
result = operation.response # check SDK docs for exact structure
video_url = result.generated_videos[0].video # URL or base64 depending on SDK
print("Download result:", video_url)
ملاحظات: الملف المعاد عادةً هو MP4 يتضمن مسار الصوت المولّد. العنصر الأساسي للتحكم الصوتي أعلاه هو التعليمات الصوتية الوصفية المضمّنة في المطالبة. يستجيب Veo 3.1 لتوجيهات صوتية باللغة الطبيعية لتوليد مسارات صوتية متزامنة.
الخطوة 3 — استخدام الصور المرجعية و"Ingredients to video"
للحفاظ على مظهر الشخصيات والإشارات الصوتية ثابتة، يمكنك تمرير ما يصل إلى ثلاث صور مرجعية يستخدمها Veo للحفاظ على الأسلوب البصري والاستمرارية. يدعم الاستدعاء نفسه reference_images=[...]. يُوصى بذلك عند توقع أصوات متسقة لشخصية ما (مثل صرير باب متكرر).
الخطوة 4 — تمديد المشاهد (Scene extension) مع استمرارية صوتية
يدعم Veo 3.1 “تمديد المشهد”، حيث تُولَّد مقاطع جديدة انطلاقًا من الثانية الأخيرة لمقطع سابق لإنشاء تسلسلات أطول — ويُمدَّد الصوت بطريقة تحافظ على الاستمرارية (خلفيات الأجواء، الموسيقى الجارية، إلخ). استخدم المعلمة video=video_to_extend في استدعاء generate_videos.
# Pseudocode: extend a previous clip while preserving audio continuity
operation = client.models.generate_videos(
model="veo-3.1-generate-preview",
prompt="Continue the scene: morning light brightens, seagulls move closer; audio: swell builds into light strings",
video=previous_clip_resource,
config=types.GenerateVideosConfig(duration_seconds=10),
)
الخطوة 5 — جسر الإطارين الأول والأخير (مع الصوت)
إذا أردت انتقالًا سلسًا بين إطارين (مثلًا، تحوّل لقطة نهارية إلى الغسق)، قدّم image=first_frame وlast_frame=last_frame وأدرج توجيهًا صوتيًا في المطالبة. سيولّد Veo الإطارات الانتقالية بالإضافة إلى صوت يعكس التقدم البصري. يعيد Veo عادةً مسارًا صوتيًا واحدًا ممزوجًا داخل ملف MP4.
كيف تستخدم أدوات الصوت في Veo 3.1؟
1) ما الذي يقدمه CometAPI ولماذا تستخدمه
يوفر CometAPI نقطة REST واحدة بأسلوب OpenAI للوصول إلى العديد من النماذج (بما فيها Veo من Google). يفيد هذا إن كنت تريد نقطة تكامل واحدة (الفوترة، الحصص، توحيد SDK) ولا ترغب بإدارة مفاتيح عدة مزوّدين. توثّق Comet أن Veo 3.1 متاح ضمن نماذج الفيديو لديهم.
2) التدفق الأساسي لاستدعاء Veo 3.1 عبر CometAPI
- سجّل في CometAPI وأنشئ مفتاح API.
- أكد معرّف النموذج الدقيق في كتالوج Comet ("Veo 3.1"/"veo3.1-pro").
- استخدم نقطة CometAPI بأسلوب OpenAI (أو SDK الخاص بهم) واضبط الحقل
modelإلى اسم نموذج Veo. سيقوم Comet بتوجيه طلبك إلى Google نيابة عنك.
Veo3.1 Async Generation، تُنفَّذ هذه الواجهة عبر تقنيتنا المطوَّرة ذاتيًا مع القيود التالية: مدة الفيديو ثابتة عند 8 ثوانٍ ولا يمكن تخصيصها
يرجى التواصل مع الدعم الفني إن واجهت أي مشكلات
مثال على طلب
curl -X POST https://api.cometapi.com/v1/videos \
-H "Authorization: Bearer $COMETAPI_KEY" \
-F "model=veo3.1" \
-F "prompt=A whimsical flying elephant soaring over a vibrant candy-colored cityscape" \
-F "size=16x9" \
-F "input_reference=@first_frame.png" \
-F "input_reference=@last_frame.png"
ما أفضل الممارسات لكتابة مطالبات تراعي الصوت مع Veo 3.1؟
تصميم المطالبة لصوت جيد (ما الذي يجب تضمينه)
استخدم “مسارات صوتية” منظمة داخل المطالبة. الحد الأدنى الموصى به:
Scene: short description (location, lighting, camera)
Ambience: e.g. "distant rain, muffled traffic"
SFX: "door slam at 1.6s; footsteps L→R starting 0.8s"
Music: "soft piano pad, slow attack, enters at 0.5s"
Dialogue:
ALICE (soft, weary): "I didn't think we'd make it."
BOB (pause, then): "We did."
Action: camera moves, character actions to sync SFX
نصائح أساسية: ضع تسميات للمسارات، أضِف نقاطًا زمنية قصيرة (مثلًا at 1.6s)، وصف طريقة الإلقاء وطابع الصوت (مثل “صدى خفيف، هجمة بطيئة”)، وإذا احتجت توزيعًا ستيريو فاذكر التوجيه L / R أو L→R. التكرار أمر معتاد — أنشئ مقطعًا قصيرًا (4–8s)، ثم قم بالتمديد.
البنية والنبرة في المطالبة
- استخدم مسارات منظّمة: ضع تسميات “Ambience:”، “SFX:”، “Music:”، و“Dialogue:”. تعمل المولّدات بشكل أفضل مع أنماط متوقعة.
- كن محددًا بشأن التوقيت: تساعد المراسي الزمنية القصيرة (مثل “sfx: door slam at 1.6s”) على إحكام المزامنة. إذا كانت الدقة على مستوى الإطار ضرورية، كرر وحسّن.
- صف خصائص الصوت: بدل “synth”، قل “pad ناعم بهجمة بطيئة، إحساس 80 BPM” لتوجيه المزاج الموسيقي.
اتساق الصورة ← الصوت
إذا قدمت صورة مرجعية أو إطار بداية، اذكر مصدر الصوت المفترض (مثلًا “Ambience: مدينة مكتومة من اليسار، أقرب للكاميرا؛ يجب أن تمر سيارة من L→R”). ينتج ذلك إشارات ستيريو أكثر معقولية وتحديدًا محسوسًا لمصدر الصوت.
سير عمل التكرار
- أنشئ مقطعًا قصيرًا (4–8s) وقيّم مزامنة الصوت.
- إذا احتجت سردًا أطول، استخدم تمديد المشهد لتنمية المقطع مع الحفاظ على الثانية الأخيرة كبذرة استمرارية.
- لثبات الشخصية (خامة الصوت، اللكنة)، استخدم صورًا مرجعية وكرر موصافات الصوت بين المقاطع. فكر في استخدام “مرسى صوتي” نصي قصير متكرر (مثل “ALICE — لكنة متوسطة الأطلسي ناعمة”) للحفاظ على ثبات الصوت.
ملاحظات ما بعد الإنتاج
يوفر Veo ملف MP4 مبدئيًا مع صوت مضمن. للمزج المتقدم (مسارات متعددة، فصل الحوار/الموسيقى)، قد تحتاج إلى استخراج الصوت وإعادة تركيبه في DAW — صُمم Veo أساسًا للتوليد المتكامل في ملف واحد. غالبًا ما تجمع مسارات الطرف الثالث بين Veo للتوليد الأساسي وتعديلات DAW من أجل مكسات بجودة التوزيع.
أمثلة مطالبات (جاهزة للنسخ واللصق)
1 — أجواء طبيعية + مؤثر + حوار قصير
Prompt: Wide shot of an empty diner at 6:00 AM. Audio: humming refrigerator, distant traffic, a single coffee cup clink. Soft acoustic guitar underlay. Dialogue (woman, tired): "Morning's never been this quiet." Sync the clink with the camera pan at 2.5s.
2 — مشهد أكشن غني بالـ Foley
Prompt: Medium close-up of a courier running through a marketplace. Audio: hurried footsteps on cobblestones, cloth brushing, vendors shouting faintly in background. At 0.8s add a metallic jingle from keys. Fast, rhythmic percussive music fades in at 3s.
3 — أجواء سينمائية + صوت شخصية
Prompt: Interior study lit by candlelight. Audio: crackling fireplace, turning pages, soft string quartet in the background. Dialogue (old man): "Some stories carry their own warmth." Keep the string motif subtle and warm.
4— حوار محكم + SFX (مقطع قصير، توقيت صريح)
"Prompt: Interior: cluttered bookstore at 7pm. Camera pans right to a man dropping a book.
Audio instructions:
- Ambience: quiet bookstore with rain hitting the windows.
- Dialogue: Speaker A (soft): 'Lo siento...' at 1.2s. Speaker B (firm): 'No te preocupes.' at 2.1s.
- SFX: Book thud at 1.15s. Rain intensity increases at 3.5s.
Style: intimate, cinematic. Lip sync and SFX must match timings."
5 — مشهد قائم على الأجواء (مزاجي، مؤثرات أقل صرامة)
"Prompt: A seaside boardwalk at sunset. Create a dreamy soundscape with gulls, distant music from a radio, and rolling waves. No spoken lines. Prefer a slow, swelling musical bed under the ambience. Style: nostalgic documentary."
6 — محادثة متعددة المتحدثين (متناوبة)
"Prompt: Two people in a busy market, speaking in English and occasionally in Japanese — short lines. Tag speakers clearly. Include periodic vendor shouts (market ambience) and a passing motorcycle SFX at 2.4s."
كيف يقارن صوت Veo 3.1 بصوت Sora 2؟
كلاهما — Veo 3.1 وSora 2 من OpenAI — يدعمان مخرجات صوتية متزامنة مرتبطة بالفيديو المُنشأ. يتموضعان كنماذج وسائط رئيسية من مزوّديهما ويؤكدان على التماسك الواقعي بين الصوت والصورة. كلاهما ينشر واجهات API.
الفروقات الرئيسية
- تركيز النموذج والطول: يؤكد Veo 3.1 على القدرة على التحكم من خلال ميزات مثل الإطار الأول/الأخير، وتمديد المشاهد لتسلسلات أطول، وتكييف الصور المرجعية للحفاظ على الشخصية واستمرارية الصوت عبر لقطات متعددة. يُقدّم Sora 2 كنموذج رائد يولّد فيديو بصوت متزامن؛ تؤكد فئة Sora 2 Pro على الدقة العالية والمفاضلات المضبوطة بين الجودة والتكلفة. يذكر Veo 3.1 صراحةً تمديد المشاهد وتسلسلات متعددة المطالبات.
- تكامل المنصة: يتكامل Veo 3.1 عبر منظومة Gemini من Google (تطبيق Gemini، Flow، Gemini API، Vertex AI) بينما يُقدَّم Sora 2 كنموذج منصة لدى OpenAI مع نقاط API وتطبيق Sora لنظام iOS؛ تختلف التسعيرات وبُنى نقاط النهاية (تُظهر وثائق Sora 2 شرائح تسعير بالثانية). اختر بناءً على بصمتك السحابية واحتياجات الامتثال لديك.
- ضوابط فيديو دقيقة: يبرز Veo 3.1 عدة ضوابط إبداعية محددة (Ingredients to Video، Scene Extension، First/Last Frame) تقلل زمن التكرار لسيناريوهات السرد. يركز Sora 2 على الصوت المتزامن والدقة الفيزيائية للحركة؛ يقدّم كلاهما ضوابط، لكن أنماطهما وSDK الخاصة بهما تختلف.
الآثار العملية للمشاريع الثقيلة صوتيًا
إذا كنت تفضّل فيديو لقطة واحدة عالي الدقة خارج الصندوق مع صوت متزامن ونموذج تسعير بسيط بالثانية → يعد Sora 2 منافسًا قويًا؛ اختبر كليهما على أصولك وميزانياتك.
إذا كنت تحتاج سردًا مستمرًا طويلًا مع تيمات صوتية متسقة عبر اللقطات → تجعل ميزتا Scene Extension وتكييف الصور المرجعية في Veo 3.1 منه خيارًا جذابًا.
الحكم النهائي: متى تستخدم Veo 3.1 (توصيات تتمحور حول الصوت)
استخدم Veo 3.1 عندما تحتاج تسلسلات متعددة اللقطات مع شخصيات متسقة وصوت متكامل يدعم استمرارية السرد. تكمن قوة Veo 3.1 المميزة في تمديد المشاهد، والتحكم في الإطار الأول/الأخير، وتكييف الصور المرجعية — ما يجعله ممتازًا للمحتوى القصير المُسلسل أو الحِلقي مع استمرارية صوتية.
يمكن للمطورين الوصول إلى Veo 3.1 وSora 2 عبر CometAPI. للبدء، استكشف قدرات النماذج على CometAPI في Playground وراجع دليل الـ API للحصول على تعليمات مفصلة. قبل الوصول، يرجى التأكد من تسجيل الدخول إلى CometAPI والحصول على مفتاح API. يقدّم CometAPI سعرًا أقل بكثير من السعر الرسمي لمساعدتك على الاندماج.
جاهز للانطلاق؟→ تجربة مجانية لـ Veo 3.1!