SkyReels V4: أول نموذج ذكاء اصطناعي يرى ويسمع في آنٍ واحد

لماذا ظلّ الصوت نقطة عمياء في فيديو الذكاء الاصطناعي

إن سبق لك أن حاولت إضافة صوت إلى مقطع مولَّد بالذكاء الاصطناعي، فأنت تعرف هذا العناء. تولِّد فيديو لقطرات المطر على نافذة، ثم تبحث عن مقطع صوتي مطابق. تضبط توقيته، ثم تعدّله، ثم تدعو ألا يبدو غريباً.

المشكلة في جوهرها بنيوية. نماذج مثل Kling 3.0 أو Runway Gen-4.5 صُمِّمت أصلاً كمحرّكات بصرية. ودعم الصوت، حين يوجد، يمرّ عبر مسار منفصل يحاول المزامنة بعد فوات الأوان.

كيف يعمل SkyReels V4 فعلياً

بَنَت Skywork AI (وهي قسم بحثي تابع لشركة Kunlun Inc.) ما تسمّيه محوّل الانتشار متعدد الوسائط ثنائي التيار، أو MMDiT. تخيّله كدماغين متخصّصين يتشاركان جهازاً عصبياً واحداً.

يتشارك الفرعان مُرمِّز نصوص مبنياً فوق نموذج لغوي ضخم متعدد الوسائط. وبفضل هذا الفهم المشترك، فإن موجِّهاً مثل "تحطّم زجاج على أرضية رخامية بالحركة البطيئة" يُنتج تأكيدات صوتية تقع ضمن نحو 40 ميلي ثانية من اللحظة البصرية للارتطام. وهذا فارق ضيّق بما يكفي ليبدو طبيعياً.

ما الذي يميّزه عن Seedance أو Kling

يدعم كل من Seedance 2.0 من ByteDance و Kling 3.0 من Kuaishou الصوتَ، غير أن مقاربتهما مختلفة جذرياً. فهما يولّدان الفيديو أولاً، ثم يُشغِّلان نموذجاً ثانياً لإنتاج صوت مطابق. هذه المقاربة التتابعية تعني أن الصوت دائماً ما يأتي تفاعلاً مع إطارات منتهية، لا مشاركاً في صنعها.

أما بنية SkyReels V4 ثنائية التيار فتعني:

• ✓تتطابق العناصر الصوتية والبصرية دلالياً منذ البداية
• ✓تزامن الشفاه على الوجوه المتحدّثة يقع على الحروف الساكنة، لا بعدها
• ✓الأصوات البيئية تنسجم مع خصائص المواد (المعدن مقابل الخشب مقابل الزجاج)
• ✓لا حاجة لأي معالجة لاحقة لتصحيح انحراف التوقيت

الفرق خفيّ عند مشاهدة منظر طبيعي، لكنه صارخ حين ترى شخصاً يتحدّث أو جسماً يتفاعل مع سطح.

مسألة المصادر المفتوحة

كانت إصدارات SkyReels السابقة (V1 إلى V3) مفتوحة المصدر بالكامل، مع أوزان قابلة للتنزيل على HuggingFace و GitHub. أما V4 فهو حالياً في معاينة محدودة مع طبقة مجانية على skyreels.ai، لكن الأوزان الكاملة لم تُطلق بعد.

بالنسبة لمجتمع المصادر المفتوحة، يستحقّ الأمر متابعة دقيقة. فإذا سارت Skywork على نهجها التاريخي، فإن أوزان V4 ينبغي أن تصل في النهاية إلى HuggingFace. وإن كنت تحتاج توليد صوت وفيديو مفتوح المصدر اليوم، فأقرب البدائل هو SkyReels V3 مع نموذج صوتي منفصل.

موقع SkyReels V4 في لوحة الترتيب

على Artificial Analysis Video Arena (التي تعتمد التصويت البشري الأعمى للتفضيل)، يحتل SkyReels V4 حالياً درجة Elo قدرها 1,244 لتحويل النص إلى فيديو. وهذا يضعه في تعادل شبه تام مع Kling 3.0 (1,243)، خلف المتصدّر الحالي HappyHorse-1.0 من Alibaba (1,347).

الفجوة في الجودة البصرية بين SkyReels V4 و HappyHorse حقيقية. لكن SkyReels هو النموذج الوحيد ضمن الخمسة الأوائل الذي يولّد الصوت أصلياً. وإذا كان سير عملك يتطلّب صوتاً، فإن هذه الميزة البنيوية تفوق في أهميتها فارق 100 نقطة Elo.

ماذا يعني هذا للمبدعين

الصورة الأشمل: الصوت لم يعد اختيارياً

ليس SkyReels V4 تجربة معزولة. تناولنا تقديم Seedance 1.5 Pro من ByteDance للتوليد الصوتي البصري، والاتجاه الأشمل لخروج فيديو الذكاء الاصطناعي من حقبة الصمت. وما يضيفه SkyReels V4 هو دليل على إمكانية فعل ذلك على مستوى البنية لا كحيلة معالجة لاحقة.

والدلالة واضحة: بحلول نهاية 2026، أيّ نموذج فيديو ذكاء اصطناعي بلا صوت أصلي سيبدو ناقصاً. والسؤال ليس ما إذا كان هذا سيصبح المعيار، بل بأيّ سرعة.