Veo، تولید ویدیو گوگل

گوگل در اواخر ۲۰۲۴ مدل تولید ویدیوی Veo 2 رو معرفی کرد و ادعا کرد که در شبیه‌سازی فیزیک و حرکت دوربین از Sora جلوئه. این مقاله توضیح می‌ده Veo دقیقاً چیه، چه می‌تونه بکنه، چه نمی‌تونه، و کاربر ایرانی چطور ممکنه باهاش کار کنه.

Veo چیه؟

Veo یه مدل text-to-video از گوگل دیپ‌مایند است. نسخهٔ اول رو گوگل در Google I/O 2024 نشون داد؛ نسخهٔ دوم (Veo 2) در دسامبر ۲۰۲۴ به‌طور محدود در دسترس قرار گرفت و از اوایل ۲۰۲۵ از طریق VideoFX در Google Labs و بعداً در Gemini Advanced روی‌آمد.

ورودی Veo می‌تونه:

• یه پرامپت متنی باشه («یه مرد قدیمی در کافهٔ پاریسی، نور صبحگاهی، سینماتیک»)
• یه تصویر باشه که ازش ویدیو بسازه (image-to-video)
• ترکیبی از هر دو

خروجی: ویدیوهایی با کیفیت تا ۱۰۸۰p، معمولاً ۵ تا ۸ ثانیه، با کنترل نسبتاً خوب روی حرکت دوربین.

چه چیزی Veo رو متمایز می‌کنه؟

شبیه‌سازی فیزیک: گوگل ادعا کرده Veo 2 آموزشی دیده که قوانین فیزیک واقعی رو، سقوط اشیاء، انعکاس نور، جریان آب، بهتر از رقبا شبیه‌سازی کنه. در نمونه‌های منتشرشده، این ادعا تا حد قابل‌توجهی درسته؛ خصوصاً در صحنه‌هایی با چندین موجودیت متحرک.

کنترل دوربین: می‌تونی دستور بدی «تیلت بالا»، «زوم آهسته»، «دوربین دست»، و Veo این‌ها رو نسبتاً درست اجرا می‌کنه. این سطح از کنترل در Runway یا Kling هم هست، ولی Veo خروجی‌های طبیعی‌تری داره.

انسجام بصری: افراد، اشیاء، و صحنه‌ها در طول کلیپ کمتر دچار «سوختن» (artifact) می‌شن نسبت به نسخه‌های اولیهٔ Sora.

محدودیت‌های واقعی

مدت زمان: خروجی‌های Veo 2 عمدتاً زیر ۱۰ ثانیه‌ان. برای ساخت ویدیوی بلند باید کلیپ‌ها رو به هم وصل کنی.

دسترسی: تا اواسط ۲۰۲۵، Veo از طریق Gemini Ultra (Google One AI Premium) در برخی کشورها در دسترسه. برای ایرانیان مشکل دو لایه داره، اول محدودیت‌های تحریمی گوگل، دوم اینکه Gemini Advanced خودش هم در ایران بلاک است. استفاده نیاز به VPN و روش‌های دور زدن تحریم داره.

هزینه: اگه به صورت API استفاده بشه، هزینه‌اش بالاست، در حد چند دسیمت دلار به ازای هر ثانیهٔ ویدیو. برای استفادهٔ شخصی، پلن Gemini Ultra ماهانه ۱۹.۹۹ دلار داره که Veo رو هم شامل می‌شه.

کنترل محدود روی چهره: مثل اکثر مدل‌های text-to-video، Veo در ساختن چهرهٔ ثابت یا تطابق با یه چهرهٔ خاص ضعیفه. برای این کار باید از ابزارهای lip-sync جداگانه استفاده کنی.

پرامپت فارسی: Veo برای پرامپت فارسی آموزش ندیده. بهتره پرامپت‌ها رو به انگلیسی بنویسی.

Veo در مقابل رقبا

برای ایرانیان، Runway و Kling دسترسی آزادتری دارن و می‌شه با VPN ازشون استفاده کرد.

چطور می‌شه از Veo استفاده کرد؟

سه مسیر اصلی:

۱. Gemini Advanced: اگه اشتراک Google One AI Premium داری، از طریق gemini.google.com می‌تونی درخواست ویدیو بدی. فعلاً در بعضی منطقه‌ها در دسترسه.

۲. VideoFX در Google Labs: labs.google/videofx، یه رابط تجربی‌تر که نیاز به waitlist داره.

۳. Vertex AI API: برای توسعه‌دهنده‌ها، Veo از طریق Google Cloud Vertex AI در دسترسه. نیاز به اکانت Cloud و هزینهٔ مصرف داره.

نمونه پرامپت‌های خوب

A slow-motion close-up of coffee being poured into a white ceramic cup,
steam rising, warm morning light from left, cinematic depth of field

An elderly fisherman sitting on a weathered dock at golden hour,
gentle waves lapping, handheld camera, documentary style

ویژگی‌هایی که Veo خوب بهشون واکنش می‌ده: نور مشخص، سبک دوربین، جزئیات محیطی، و پرامپت‌هایی که فیزیک طبیعی رو توصیف می‌کنن.

کجا Veo واقعاً کمک می‌کنه؟

• پروتوتایپ ویدیو: قبل از تولید واقعی، ایده رو تصویری کن
• b-roll: تولید تصاویر پس‌زمینه برای ویدیوهای اصلی
• استوری‌بورد متحرک: برای کارگردان‌ها و طراحان تبلیغات
• محتوای شبکهٔ اجتماعی کوتاه: کلیپ‌های ۵-۸ ثانیه‌ای بصری برای پست‌های اینستاگرام

برای ویدیوهای بلند، روایت پیچیده، یا محتوای نیازمند چهره‌های واقعی، Veo هنوز جایگزین خوبی نیست.

---

همچنین بخوان

• Veo گوگل، راهنمای کامل‌تر، بررسی عمیق‌تر با نمونه‌های واقعی
• Sora، تولید ویدیو OpenAI، رقیب اصلی Veo
• Runway، ویدیو با هوش مصنوعی، یه گزینهٔ دسترسی‌پذیرتر برای ایران
• Imagen گوگل، تولید تصویر، همتای تصویری Veo در گوگل