الذكاء الاصطناعي للفيديو الذي يجب أن يحصل على شعارك بشكل صحيح

تخيل علامة تجارية صغيرة للقهوة تريد فيديو سريع للمنتج: شخص يفتح علبة حبوب البن، والشعار واضح، واسم التحميص مقروء على الملصق. ليس لديهم ميزانية لتصوير احترافي، لذا يلجأون إلى مولد فيديو بالذكاء الاصطناعي، ويقدمون له صورة للعلبة وصورة لنموذج بشري، ويطلبون مقطعًا مدته 10 ثوانٍ.

ما يظهر يبدو رائعًا للوهلة الأولى. الأيدي صحيحة، والإضاءة مناسبة، والشخص يشبه الصورة المرجعية. ثم تكبر على الملصق. اسم العلامة التجارية يحتوي على حرف إضافي. تاريخ التحميص هو مجرد تشويش بكسلات يحاول أن يكون نصًا. الشعار قريب بما يكفي ليتم التعرف عليه، لكنه خاطئ بطريقة يلاحظها أي عميل فورًا.

هذا الفجوة، بين "يبدو واقعيًا كصورة فوتوغرافية" و"النص صحيح فعليًا"، هي بالضبط ما يحاول ورقة بحثية جديدة تسمى HOMIE (تخصيص الفيديو المركّز على الإنسان والكائن عبر التعزيز متعدد الوسائط الذكي) سدّه. إنها ليست ورقة بحثية عن التعرف الضوئي على الحروف (OCR) بالمعنى التقليدي. إنها ورقة بحثية عن توليد الفيديو. لكن مدفونًا في بنيتها هناك حركة مثيرة للاهتمام حقًا: استخدام مخرجات OCR كعجلة توجيه لنموذج توليدي، بدلاً من أن تكون المنتج النهائي. إذا كنت تعمل مع OCR بأي شكل، فإن هذا الانعكاس يستحق الفهم.

ما الذي تطلبه "تخصيص الفيديو المتمحور حول الإنسان والكائن" فعلياً

الاسم الكامل للمهمة في الورقة البحثية هو HOCVP: تخصيص الفيديو المتمحور حول الإنسان والكائن. وإذا أزلنا المصطلحات التقنية، فإن المعنى هو: بناءً على صورة لشخص معين وصورة لكائن معين، قم بإنشاء فيديو يظهر فيه هذا الشخص يتفاعل بشكل مقنع مع ذلك الكائن، وينفذ أي إجراء يصفه الأمر النصي (prompt).

تقع هذه المهمة على مستوى أعلى من عروض توليد الفيديو التي ربما تكون قد شاهدتها بالفعل. فأغلب تلك العروض تأخذ صورة مرجعية واحدة (مثل صورة لشخص) وتقوم بتحويلها إلى حركة. أما HOCVP فيجب أن يتعامل مع مرجعين منفصلين في وقت واحد، إنسان وكائن، ويضمن دقة كل من المظهر والتفاعل. يجب أن يعرف النموذج أن حقيبة القهوة تُحمل بطريقة معينة، وأن العزف على الجيتار يتطلب وضعية يد صحيحة، وأن الكائن الذي يمسكه الشخص يجب أن يبقى مميزاً ومعروفاً عبر كل إطار، دون أن يتحول إلى شيء عام وغير محدد.

تقسم الورقة المدخلات المرجعية إلى فئتين، وهذا التمييز مهم لفهم بقية التصميم:

• مرجعيات بين الموضوعات (Inter-subject references): صور منفصلة للإنسان والكائن يتم دمجها لأول مرة، مثل صورة لنموذج (model) بالإضافة إلى صورة لمنتج.
• مرجعيات داخل الموضوع (Intra-subject references): صور متعددة لنفس الموضوع، مثل منتج مصور من ثلاثة زوايا، أو صورة منتج مقترنة بقراءة OCR لملصقه.

تعامل معظم الأعمال السابقة الحالة الأولى بشكل معقول وتتجاهل الحالة الثانية في الغالب. وهذا هو الفجوة التي يستهدفها HOMIE.

المشكلة مع الكائنات التي ليست كائنات حقيقية

هنا الجزء الذي جعلني أجلس منتبهاً: الورقة العلمية تبرز الشعارات كحالة صعبة، وهي صعبة لسبب ليس واضحاً حتى تنطق به بصوت عالٍ. الشعار ليس كائناً يمكنك التقاطه. إنه علامة يجب أن تستقر على شيء آخر، بشكل صحيح.

إذا طلبت من نموذج فيديو وضع "شعار نايك" في مشهد، فأنت لا تطلب منه عرض شيء مادي يجلس على طاولة. أنت تطلب منه الاستدلال حول أي سطح ينتمي إليه الشعار: حذاء، قميص، كوب، قبعة، ثم وضعه هناك بالمقياس والزاوية والوضوح المناسبين أثناء تحرك الكاميرا. هذه خطوة من التفكير المجرد لم يتم بناء معظم نماذج الانتشار الفيديو للقيام بها، لأن تدريبها علمها إعادة بناء البكسلات، وليس معرفة أين يجب أن تذهب علامة هوية الشركة.

إجابة الورقة هي الاعتماد على نموذج لغوي كبير متعدد الوسائط، أو MLLM، وهو نموذج يمكنه استقبال الصور والنصوص معاً والاستدلال حول ما ينظر إليه، نفس فئة النموذج وراء أدوات مثل GPT-4V أو ميزات الرؤية في Gemini. قم بإطعامه صورة شعار والعبارات "أرفق هذا بشيء من المنطقي أن يذهب عليه"، ويمكنه إجراء هذا الاستدلال بطريقة لا يمكن لنظام صورة إلى فيديو خالص القيام بها.

هذا هو النصف الذكي من الورقة. النصف الآخر يتعلق بشيء أقرب للمنزل لأي شخص يهتم بـ OCR: الحفاظ على وضوح النص الصغير عندما يجب على النموذج إعادة إنتاجه من صورة مرجعية.

أين تعود تقنية التعرف الضوئي على الحروف (OCR) إلى الصورة

تشتهر نماذج الانتشار (Diffusion models)، وهي عائلة النماذج الكامنة وراء معظم عمليات توليد الصور والفيديو الحديثة، بقصورها الشديد في التعامل مع النصوص الصغيرة. إذا طلبت من أحد هذه النماذج رسم لافتة شارع أو غلاف كتاب، فستحصل عادةً على ضبابية تبدو مقنعة لكنها تتكون من أشكال غير واضحة للحروف. يساعد تزويد النموذج بصورة مرجعية، لكنه لا يحل المشكلة بالكامل، لأن النموذج لا يزال مضطراً لاستنتاج، إطاراً تلو الآخر، أي البكسلات تشكل أي حرف بدقة.

تتمثل حيلة نموذج HOMIE في تزويد النموذج بخريطة OCR جنباً إلى جنب مع الصورة المرجعية: وهي استخراج منظم للنص الموجود على الملصق وموقعه التقريبي، يتم إنتاجه بواسطة نظام OCR قبل بدء توليد الفيديو حتى. بدلاً من مطالبة النموذج بإعادة هندسة النص من البكسلات فقط، يحصل على "ورقة الإجابات" مسبقاً، ولا يتعين عليه سوى القلق بشأن عرضه بالأسلوب الصحيح، وبالزاوية المناسبة، وتحت الإضاءة المناسبة.

هذا تفصيل صغير في الإطار العام للورقة البحثية، لكنه التفصيل الذي يجب أن يلفت انتباه القارئ المهتم بتقنية OCR. إنه مثال واضح على استهلاك مخرجات OCR بواسطة نموذج آخر، وليس بواسطة إنسان يقرأ شاشة. تصبح دقة خطوة OCR السابقة حداً أقصى صارماً لجودة نص الملصق في الفيديو النهائي. مدخلات رديئة تعني مخرجات عرض رديئة.

المكون الأول مشروع 365(2) اليوم 290 — بواسطة كيث ويليامسون عبر flickr، BY 2.0.

كيف يتم توصيل القطع معًا فعليًا

التحدي الهندسي هنا لا يكمن في سؤال "هل يجب علينا استخدام نموذج لغوي متعدد الوسائط (MLLM)؟"، بل في كيفية دمج نموذج من هذا النوع مع نموذج انتشار للفيديو دون الإضرار بأي منهما. هناك خياران متاحان، وكلاهما يحمل تكاليف حقيقية.

يمكنك توجيه فهم نموذج MLLM عبر مُشفّر النص (text encoder)، وهو المكوّن الذي يحول مطالبتك النصية إلى شيء يمكن لنموذج الانتشار العمل عليه. لكن مُشفّرات النص مصممة للغة، وليس للاستدلال الدلالي على مستوى الصور، لذا فإن حشر فهم الصور المرجعية عبر هذا القناة يميل إلى إضعاف قدرة النموذج على اتباع المطالبة النصية فعليًا.

أو يمكنك إعادة تدريب مُعدّل (adapter) يقوم بإسقاط السمات الداخلية لنموذج MLLM إلى فضاء الرموز الخاص بنموذج الانتشار، وهي عملية يصفها الورق البحثي بأنها "إعادة محاذاة مكلفة". هذه الطريقة تعمل، لكنها مكلفة في التدريب وسهلة الخطأ فيها، وطرق HOCVP السابقة التي حاولت تطبيقها هي جزء مما يحاول هذا الورق البحثي التموضع ضده.

يختار HOMIE مسارًا ثالثًا: فهو يحقن سمات نموذج MLLM مباشرة في طبقات الانتباه الذاتي (self-attention layers) الخاصة بنموذج الفيديو، وهي الآلية التي يستخدمها المحوّل (transformer) للسماح لكل رمز بالنظر إلى كل الرموز الأخرى وتحديد ما هو ذي صلة. يقع الفهم الدلالي لـ MLLM للصور المرجعية جنبًا إلى جنب مع الرموز البصرية الخاصة بنموذج الانتشار نفسه (المعروفة برموز VAE، نظرًا لأنها تأتي من التشفير التلقائي التبايني الذي يضغط الصور إلى التمثيل الذي يعمل عليه نموذج الانتشار)، وتسمح آلية الانتباه بتأثيرها المباشر على بعضها البعض. لا حاجة لإعادة تدريب جسر بين فضاءين منفصلين من السمات، ولا حاجة لإعادة التوجيه عبر مُشفّر نص لم يكن مصممًا لهذا الغرض.

المشكلة: بمجرد حقن سمات MLLM ورموز VAE في نفس طبقة الانتباه، يحتاج النموذج إلى طريقة ما للتمييز بينهما. هذا هو دور ما يسميه الورق البحثي "تضمين مرجعي للنوع" (modality-reference embedding)، وهو علامة تُضاف إلى كل رمز لتحديد مصدره، سواء كان محتوى بصريًا خامًا، أو فهمًا دلاليًا مشتقًا من MLLM، أو صورة مرجعية تعرض زاوية مختلفة لنفس الموضوع. فكر في الأمر كعلامة اسم على كل رمز في اجتماع حضرته ثلاثة أقسام مختلفة تمامًا. بدون هذه العلامة، لا يكون للانتباه أي طريقة لموازنة "هذا جاء من النموذج الذي يفهم ما هو الشعار" بشكل مختلف عن "هذا بكسل من صورة المنتج الفعلية."

ما تُظهره العروض التوضيحية فعلياً

تُبلغ الورقة البحثية عن نتائج متطورة (state-of-the-art) في مهام HOCVP بشكل عام، رغم أن المواد التي تمكنت من جمعها لم تتضمن جدولاً رقمياً واضحاً للمقارنة، بل فقط مقارنات فيديو نوعية ضد أربعة أنظمة موجودة: SkyReels-A2، وBindWeave، وUniVideo، وVINO. تنقسم العروض التوضيحية إلى أربع سيناريوهات تتطابق مباشرة مع الإطار الذي وضعته الورقة نفسها: التفاعل العام بين الإنسان والكائن، وتخصيص الشعارات على أسطح معقولة، واتساق متعدد الزوايا عبر عدة زوايا مرجعية لنفس المنتج، ودقة النص الموجهة بخريطة OCR على عبوات المنتجات.

تميل الأمثلة إلى الجانب التجاري: أكواب قهوة، ألواح شوكولاتة، أكياس رقائق البطاطس، علب حليب، شخص يعزف على الجيتار أو يلاعب قطة وهو يحمل منتجاً يحمل علامة تجارية، وكلها مُصوّرة بدقة تصل إلى 1280x720 وبصيغ عمودية تناسب المحتوى بأسلوب البث المباشر. وهذا ليس أمراً عرضياً. فالورقة موجهة بوضوح نحو عالم تسويق المنتجات المُولّد بالذكاء الاصطناعي، حيث ترغب العلامة التجارية في الحصول على فيديو مقنع لـ "شخص يستخدم منتجنا" دون الحاجة إلى جلسة تصوير، وفيه يكون الخطأ في عرض الملصق هو الفارق بين أن يكون الفيديو قابلاً للاستخدام أو محرجاً.

لماذا يهم هذا الأمر للمطورين أو المختارين لتقنية التعرف الضوئي على الحروف (OCR)

تُعد هذه الورقة تذكيراً بأن نطاق عمل تقنية التعرف الضوئي على الحروف (OCR) لا يتوقف عن التوسع. كان معناها قديماً "تحويل صفحة ممسوحة ضوئياً إلى نص يمكن للبشر البحث فيه". أما الآن، فأصبحت تعني بشكل متزايد "إنتاج إجابة قابلة للقراءة آلياً يستهلكها نموذج آخر كإشارة تحكم"، وهذا الاستخدام الثاني له متطلبات تختلف عن الأول.

يمكن للقارئ البشري أن يتسامح مع حرف أو حرفين مشوهين طالما أن الفكرة العامة واضحة. لكن النموذج التوليدي الهابط الذي يعامل مخرجات الـ OCR كحقائق أساسية لما سيقوم بعرضه لا يستطيع ذلك. فإذا أشارت خريطة الـ OCR إلى أن التسمية تقرأ "ORGANIC" بينما النص الحقيقي يقول "ORIGINAL"، فإن هذه الخطأ لا يبقى معزولاً، بل يُدمج بكسل تلو الآخر في فيديو قد ينشره شخص ما فعلياً. ومع زيادة المنتجات التي تربط الـ OCR في خطوط أنابيب التوليد مثل هذا، فإن معيار "جيد بما يكفي للمراجعة السريعة البشرية" يتوقف عن كونه الحد الأدنى. يجب أن تكون خطوة الـ OCR دقيقة، وليس تقريبية، لأن لا شيء في المراحل اللاحقة سيقوم بتصحيح خطئها.

كما أنها نقطة بيانات مفيدة حول الاتجاه الذي تتجه إليه القيمة الاقتصادية للـ OCR. قراءة إيصال محاسب هي سوق واحد. أما تغذية نموذج فيديو باستخراج نص منظم وواعٍ بالموقع، ليتم عرض تسمية منتج على نطاق واسع، لآلاف الإعلانات المولدة المحتملة، فهي سوق مختلف، يتسم بتسامح مختلف تجاه الخطأ واستعداد مختلف للدفع مقابل الدقة. يستحق الأمر المراقبة إذا كنت تعمل في جانب الـ OCR من خط الأنابيب هذا بدلاً من جانب الفيديو.

تحذير صادق: ظهرت هذه الورقة على arXiv في 20 يوليو 2026، قبل يوم واحد من هذا المنشور، لذا لم يكن هناك وقت للتكرار المستقل أو الاختبار المعياري من طرف ثالث. المقارنات المقدمة هي مقاطع فيديو توضيحية نوعية ضد أربعة خطوط أساسية مسمّاة، وليست لوحة نتائج مُدرجة. ما إذا كان نهج HOMIE سيثبت صلابته خارج أمثلته المُعدة بعناية، خاصة على تسميات العالم الحقيقي الأكثر فوضى مع نصوص دقيقة وكثيفة بدلاً من اسم علامة تجارية نظيف، لا يزال سؤالاً مفتوحاً. لكن الفكرة الأساسية، وهي أن الـ OCR مفيد كمدخل للتوليد وليس مجرد مخرج للبشر، هي فكرة تستحق التذكر في المرة القادمة التي يسأل فيها شخص ما عن الغرض من الـ OCR أصلاً. ومن الجدير بالذكر أن طبيعة النص العربي، مع خطه المتصل واتجاهه من اليمين إلى اليسار وأشكال الحروف الحساسة للسياق، تجعل مهمة التعرف الضوئي على الحروف أكثر تعقيداً، مما يبرز أهمية هذه الدقة المتزايدة في التطبيقات التوليدية.