ByteDance Vidi2: ذكاء اصطناعي يفهم الفيديو مثل محرر محترف

المشكلة التي لا يتحدث عنها أحد

لدينا الآن أدوات مذهلة لتوليد الفيديو بالذكاء الاصطناعي. يتصدر Runway Gen-4.5 مخططات الجودة، ويولد Kling O1 صوتا متزامنا. ولكن إليك السر الحقيقي في إنتاج الفيديو: معظم الوقت يضيع في المونتاج والتحرير، وليس في الإنشاء.

يصور مصور حفلات الزفاف 8 ساعات من اللقطات لإنتاج فيديو ملخص مدته 5 دقائق. ويسجل صانع المحتوى 45 دقيقة لإنشاء مقطع TikTok مدته 60 ثانية. ويمتلك فريق إحدى الشركات 200 ساعة من اللقطات التدريبية المدفونة داخل SharePoint.

يعالج Vidi2 هذه الفجوة. إنه ليس مجرد أداة توليد أخرى، بل هو ذكاء اصطناعي يشاهد الفيديو، ويدرك ما يحدث فيه، ويساعدك في التعامل مع هذا المحتوى على نطاق واسع.

ما يفعله Vidi2 عمليا

تصف ByteDance نموذج Vidi2 بأنه "نموذج متعدد الوسائط واسع النطاق لفهم الفيديو وإنشائه". يتفوق هذا النموذج الذي يضم 12 مليار معامل في:

الابتكار التقني: الربط المكاني الزماني (Spatio-Temporal Grounding)

كان الذكاء الاصطناعي السابق للفيديو يعمل في بعدين منفصلين: المكان (ماذا يوجد في هذا الإطار) أو الزمان (متى يحدث شيء ما). يجمع Vidi2 بين الاثنين في ما تسميه ByteDance بـ "الربط المكاني الزماني" (Spatio-Temporal Grounding أو STG).

هذا مهم لأن مهام التحرير الحقيقية تتطلب كلا البعدين. طلب مثل "أزل ميكروفون البوم" يتطلب معرفة مكان ظهوره (مكاني) ومدة ظهوره (زماني). يتعامل Vidi2 مع هذا الطلب كاستعلام واحد متكامل.

الاختبارات القياسية: التفوق على العمالقة

هنا تكمن النقطة الأكثر إثارة للاهتمام. في مقياس VUE-STG الخاص بـ ByteDance للربط المكاني الزماني، يتفوق Vidi2 على كل من Gemini 2.0 Flash وGPT-4o، على الرغم من احتوائه على عدد معاملات أقل من كليهما.

تشير نتائج المقارنة القياسية إلى أن فهم الفيديو يستفيد من التصميم المتخصص أكثر من استفادته من الحجم الضخم المجرد. فالنموذج المصمم للفيديو من الأساس يمكنه التفوق على نماذج الأغراض العامة الأكبر حجما والتي تتعامل مع الفيديو كمجرد امتداد لفهم الصور.

يعمل بالفعل في بيئة الإنتاج: TikTok Smart Split

هذا ليس مجرد نموذج نظري أو استعراض تجريبي. يشغل Vidi2 ميزة "Smart Split" في TikTok، والتي تقوم بما يلي:

• ✓استخراج أبرز اللقطات تلقائيا من مقاطع الفيديو الطويلة
• ✓توليد ترجمات متزامنة مع الكلام بدقة
• ✓إعادة بناء التنسيق لنسب أبعاد مختلفة
• ✓تحديد نقاط القطع المثالية بناء على سياق المحتوى

يستخدم ملايين المبدعين ميزة Smart Split يوميا. لقد أثبت النموذج كفاءته على نطاق واسع، ولم يعد مجرد فكرة نظرية.

مفتوح المصدر: شغّله بنفسك

أطلقت ByteDance نموذج Vidi2 على GitHub بموجب ترخيص CC BY-NC 4.0. وهذا يعني أنه مجاني للبحث والتعليم والمشاريع الشخصية، بينما يتطلب الاستخدام التجاري ترخيصا منفصلا. الآثار المترتبة على ذلك:

يتبع هذا الإصدار مفتوح المصدر النمط الذي رأيناه مع LTX Video ومختبرات الذكاء الاصطناعي الصينية الأخرى: إطلاق نماذج قوية علنا ومجانا بينما يحتفظ المنافسون الغربيون بنماذجهم مغلقة ومملوكة تجاريا.

تطبيقات عملية

دعنا نستعرض بعض مسارات العمل الواقعية التي يتيحها Vidi2:

إعادة توظيف المحتوى

المدخلات: تسجيل بودكاست مدته ساعتان المخرجات: 10 مقاطع قصيرة لأفضل اللحظات، كل منها بقطع متقن للمقدمة والخاتمة

يحدد النموذج اللحظات الجذابة، ويعثر على نقاط القطع الطبيعية، ويستخرج مقاطع تصلح كمحتوى قائم بذاته.

إدارة مقاطع الفيديو التدريبية

المدخلات: 500 ساعة من لقطات التدريب الخاصة بالشركات الاستعلام: "ابحث عن جميع المقاطع التي تشرح سير عمل نظام CRM الجديد"

بدلا من التمرير اليدوي المضني أو الاعتماد على بيانات وصفية غير دقيقة، يقوم Vidi2 بمشاهدة المحتوى وفهمه فعليا.

ملخصات المباريات الرياضية

المدخلات: تسجيل كامل للمباراة المخرجات: ملخص يحتوي على جميع لحظات تسجيل الأهداف، والفرص القريبة، والاحتفالات

يفهم النموذج السياق الرياضي جيدا بما يكفي لتحديد اللحظات ذات المعنى، وليس مجرد الحركة العشوائية.

مراجعة تسجيلات المراقبة

المدخلات: 24 ساعة من لقطات كاميرات المراقبة الاستعلام: "ابحث عن جميع حالات دخول الأشخاص عبر الباب الجانبي بعد الساعة 6 مساء"

يعني الربط المكاني الزماني الحصول على إجابات دقيقة بأختام زمنية ومواقع محددة تماما.

كيف يقارن بنماذج التوليد

هذه التقنيات ليست متنافسة، بل تحل مشكلات مختلفة. يحتاج سير عمل الفيديو المتكامل بالذكاء الاصطناعي إلى كليهما: التوليد لإنشاء محتوى جديد، والفهم للتعامل مع المحتوى الحالي وتحريره.

الصورة الأكبر

تأمل ما يتيحه هذا:

• كل شركة تمتلك محتوى فيديو محبوسا في أرشيفها
• كل صانع محتوى يقضي وقتا في التحرير أكثر مما يقضيه في التصوير
• كل منصة تحتاج إلى إشراف أفضل على المحتوى واكتشاف أكثر دقة
• كل باحث لديه لقطات مصورة يعجز عن تحليلها بكفاءة

يعالج Vidi2 كل هذه التحديات. والإصدار مفتوح المصدر يعني أن هذه القدرات أصبحت الآن متاحة لأي شخص يمتلك قدرة حوسبة كافية.

البدء في الاستخدام

النموذج متاح على GitHub مع الوثائق والعروض التوضيحية. المتطلبات:

• وحدة معالجة رسومات (GPU) من NVIDIA بذاكرة VRAM لا تقل عن 24GB للنموذج الكامل
• تتوفر إصدارات مكممة (Quantized) لوحدات معالجة الرسومات الأصغر
• Python 3.10+ مع PyTorch 2.0+

git clone https://github.com/bytedance/vidi
cd vidi
pip install -r requirements.txt
python demo.py --video your_video.mp4 --query "describe the main events"

التوثيق مكتوب باللغة الإنجليزية في المقام الأول على الرغم من كون ByteDance شركة صينية، مما يعكس الجمهور العالمي المستهدف.

ماذا يعني هذا للقطاع

أصبح لمشهد الفيديو القائم على الذكاء الاصطناعي مساران متميزان:

كلا المسارين سينضج، وكلاهما سيتكامل. ستعمل بنية الفيديو المتكاملة بالذكاء الاصطناعي في عام 2026 على التوليد والتحرير والفهم بتناسق تام.

في الوقت الحالي، يمثل Vidi2 الخيار مفتوح المصدر الأكثر قدرة في فهم الفيديو. إذا كان لديك لقطات بحاجة إلى تحليل، أو عمليات تحرير ترغب في أتمتتها، أو محتوى يحتاج إلى تنظيم، فهذا هو النموذج الجدير بالاستكشاف.

رأيي الشخصي

بالنسبة لأي شخص قام ببناء مسارات معالجة الفيديو من قبل، فإن الفارق بين مرحلة ما قبل هذه النماذج وما بعدها مع نماذج مثل Vidi2 يبدو هائلا. فالمهام التي كانت تتطلب مجموعات رؤية حاسوبية مخصصة، وبيانات توضيحية يدوية، وقواعد تجريبية هشة، يمكن حلها الآن بمجرد مطالبة نصية.

لا يحل Vidi2 محل المحررين، بل يمنحهم قدرات كان من المستحيل تنفيذها على نطاق واسع في السابق. ومع الوصول المفتوح (للاستخدام غير التجاري)، تتاح هذه الإمكانات لأي شخص مستعد لإعداد البنية التحتية اللازمة.

مستقبل الفيديو لا يقتصر على التوليد فقط، بل يكمن في الفهم. وهذا المستقبل أصبح الآن مفتوح المصدر.

المصادر

• ByteDance Vidi2 GitHub Repository
• Vidi2 Research Paper (arXiv)
• ByteDance Releases Vidi2 Open-Source AI Model (WinBuzzer)