كتابة الصوت داخل برومبت H3، والحقول الثلاثة التي تقرّر ما تسمعه

أغلب نماذج الفيديو تعامل الصوت بوصفه مهمة ثانية. وH3 لا يفعل: فالصورة والصوت يخرجان من تمريرة الأمام نفسها، ستيريو بتردّد 32 كيلوهرتز، ملفوفين في ملف MP4 واحد. لا برومبت صوتي منفصل، ولا مفتاح لإطفائه.

والنتيجة العملية أنك إن لم تكتب الصوت، فأنت لم تختره. فالنموذج سينتج شيئًا على أي حال، وما ينتجه في غياب التعليمة هو متوسّط معقول للمشهد.

البرومبت المنظَّم فيه ثلاثة حقول تحمل الصوت

صيغة البرومبت التي يستهلكها H3 وثيقة منظَّمة، لا فقرة. ولمهام النصّ والصورة والإطار المفتاحي هي ثلاثة حقول، بهذا الترتيب دائمًا:

integrated_multimodal_description
overall_soundscape
non_diegetic_music

وهي ليست قابلة للتبديل، والفصل بينها هو الجزء النافع:

• integrated_multimodal_description يحمل اللقطات — التركيب، والموضوع، والبيئة، والفعل، والكاميرا، وكل ما يُسمَع في لحظة بعينها، بختم زمني: At 00:04.500, the door latch clicks.
• overall_soundscape هو أجواء العالم ومؤثّراته. طنين الغرفة، والمطر، وحركة المرور البعيدة، والثلاجة. أي شيء صحيح طوال المقطع.
• non_diegetic_music هو الموسيقى التصويرية — خارج المشهد، لا يسمعها أحد فيه. الأسلوب، والتوزيع الآلي، والإيقاع، وكيف يتحرّك المزاج.

والأخير هو موضع أشيع خطأ. فوصف مقطوعة موسيقية داخل حقل الأجواء يطلب من النموذج موسيقى موجودة في الغرفة، فتحصل على شيء يبدو كأنه يُعزَف على مكبّر صوت خارج الكادر بقليل. فإن أردت موسيقى تصويرية، فقلها في حقل الموسيقى.

وكتابة non_diegetic_music: none تعليمة مشروعة وقليلة الاستعمال. والمواد ذات النكهة الوثائقية تريدها دائمًا تقريبًا.

للحوار صياغة

هذا هو الجزء الذي يصعب اكتشافه ويغيّر النتائج فورًا. فالجمل توسَم بمعرّف متحدّث، ولغة، وملاحظة أداء:

(S1) speaks softly, [English] Follow the wind, live free.

ثلاثة أشياء تعمل هناك:

• (S1) معرّف متحدّث ثابت. أعد استخدامه فيبقى الصوت نفسه عبر الجمل؛ وأدخِل (S2) فتحصل على صوت ثانٍ متمايز. وهكذا يتماسك الحوار الثنائي.
• [English] يضبط لغة النطق. وإحدى عشرة لغة مدعومة بصورة موثوقة: العربية، والصينية، والإنجليزية، والفرنسية، والألمانية، والإيطالية، واليابانية، والكورية، والبرتغالية، والروسية، والإسبانية.
• وملاحظة الأداء قبل القوس — speaks softly، level broadcast delivery، shouting over traffic — تحرّك الأداء أكثر ممّا يحرّكه أي قدر من الصفات في الوصف البصري.

وقاعدة واحدة توقع من يكتب بلغة أخرى: الإرشاد الرسمي أن يُكتب البرومبت المعاد صياغته بالإنجليزية، لكن أن يُترك الحوار وكلمات الأغاني وأي نصّ يظهر في الكادر بلغته الأصلية. فالجملة الألمانية تبقى ألمانية داخل الأقواس؛ والوصف حولها إنجليزي.

والقاعدة نفسها تحكم الحروف التي تراها الكاميرا، وهي تستحقّ ذكرًا منفصلًا لأن الفشل فيها صامت: سمِّ لغة فيُخرج H3 النصّ الظاهر على الشاشة بها، ولا تسمِّ شيئًا فيأخذ لغة من المشهد. وهكذا يعود موجز إنجليزي ببطاقة ختام صينية — مقيسًا إطارًا إطارًا في ماذا يفعل MiniMax H3 بنصّ لم تسمّه.

مثال مشغول

هذه لقطة غرفة أخبار مكتوبة على الوجه الطويل. ليست معقّدة — هي فقط كاملة.

integrated_multimodal_description:
[Shot 1] Locked-off medium shot, chest up. A presenter sits at a dark
news desk, studio key light from camera left, out-of-focus screens
behind her. She looks straight down the lens and delivers one line.
At 00:00.800 she begins speaking. At 00:03.200 she pauses, then
completes the sentence.
(S1) level broadcast delivery, [English] The vote came in just after
midnight.

overall_soundscape:
Room tone only. Faint air handling. No audience, no paper, no
keyboard.

non_diegetic_music:
None.

والقيدان الأهمّ هما السطر الأخير من كلٍّ من الحقلين الأخيرين. فعبارتا «Room tone only» و«None» هما ما يمنع النموذج من وضع موسيقى على اللقطة وإضافة صخب غرفة أخبار لم تطلبه.

القواعد التي يفرضها الإرشاد الرسمي فعلًا

خمس، وتستحقّ أن تقيس عليها برومبتك:

1. اكتب إعادة الصياغة بالإنجليزية؛ وأبقِ الحوار وكلمات الأغاني والنصّ الظاهر على الشاشة بلغتها هي.
2. صِف كل لقطة بهذا الترتيب: التركيب ← الموضوع ← البيئة ← الفعل ← الكاميرا ← الصوت ← اللحظة الدقيقة التي تظهر فيها أي مادة مُشار إليها.
3. لا ملخّصات حبكة، ولا وسوم مرجعية غير محلولة، ولا توقيتات لا تجمع إلى المدة المطلوبة.
4. كل تفصيل يجب أن يقابل شيئًا مرئيًا أو مسموعًا. «هي تشعر بعدم اليقين» ليس تفصيلًا. «هي تنظر خارج الكادر ولا تكمل الجملة» تفصيل.
5. أبقِ ترتيب الحقول ثابتًا.

والقاعدة الرابعة هي التي تحسّن كل شيء بصمت. فالبرومبت المكتوب كله بأشياء يستطيع ميكروفون أو عدسة تسجيلها برومبت يستطيع النموذج تنفيذه.

أمران يستحقّان المعرفة عن الميزانية

حركة الكاميرا ثلاثة أجزاء لا جزء واحد. المعجم الرسمي هو نوع الحركة + مقدارها

• سرعتها — «slow push-in, small magnitude» بدل «cinematic camera move». ولغة الحركة المبهمة هي مصدر كثير من العجينة في الفيديو المولَّد.

ولديك مساحة أكبر بكثير ممّا تظنّ. نقطة الإنشاء تقبل برومبتات حتى 7,000 حرف. وللمقارنة، مدخل Veo النصّي سقفه 1,024 رمزًا. وثلاثة حقول مكتوبة كما ينبغي لن تقترب من السقف، فلا سبب إذن لضغط وصف الصوت إلى شبه جملة.

اكتب الثلاثة كلها، ثم استمع إلى ما يعود: مولد الفيديو بالذكاء الاصطناعي على MiniMax H3 يعيد الستيريو بتردّد 32 كيلوهرتز داخل ملف MP4 نفسه، فلا شيء تمزجه بعد ذلك.