ساخت تصویر با هوش مصنوعی با حفظ عکس مرجع (آموزش قدم‌به‌قدم استوری‌بورد ژل تا سوژه)

ساخت تصویر با هوش مصنوعی با حفظ عکس مرجع یکی از مهم‌ترین مهارت‌های تولید محتوای تصویری در سال‌های اخیر است؛ چون به شما اجازه می‌دهد هویت یک سوژه (مثلاً یک حیوان یا پرنده) را بدون تغییر، در سناریوهای مختلف بازسازی کنید و خروجی‌هایی بسازید که هم برای شبکه‌های اجتماعی جذاب باشد و هم برای کمپین‌های تبلیغاتی و محتوای آموزشی قابل استفاده. در این مقاله، یک روش دقیق و عملی را بررسی می‌کنیم که در آن «ژلِ شفافِ خروجی از تیوپ» به‌صورت نرم و واقع‌گرایانه به سوژه‌ی اصلی شما تبدیل می‌شود؛ ابتدا در قالب یک تصویر استوری‌بورد ۲×۲ و سپس در قالب ویدئوی عمودی با تداوم کامل.

هدف این راهنما، ارائه یک مسیر روشن است: از انتخاب عکس مرجع تا نوشتن پرامپت، گرفتن خروجی مناسب، تکرارهای کنترل‌شده برای رسیدن به نتیجه بهتر، و در نهایت تبدیل همان استوری‌بورد به ویدئو. لحن مقاله رسمی است، اما تلاش شده زبان آن برای مخاطبان نوجوان و جوان نیز روان و قابل پیگیری باشد.

چرا «حفظ عکس مرجع» در تولید تصویر با هوش مصنوعی اهمیت دارد؟

در بسیاری از پروژه‌های تصویری، مشکل اصلی این است که مدل‌های هوش مصنوعی در هر بار تولید، بخشی از هویت سوژه را تغییر می‌دهند؛ برای مثال رنگ چشم، الگوی پرها، شکل منقار یا تناسبات بدن. وقتی قرار است یک شخصیت یا سوژه در چند خروجی پیوسته (مثلاً چهار پنل استوری‌بورد یا یک ویدئو) حضور داشته باشد، کوچک‌ترین تغییر، حس «یکپارچگی» را از بین می‌برد و نتیجه غیرحرفه‌ای به نظر می‌رسد.

به همین دلیل، استفاده از پرامپت‌هایی که صریحاً روی حفظ هویت عکس آپلودشده تأکید می‌کنند، به‌خصوص در پروژه‌های «تبدیل ماده به سوژه» (Liquid-to-Subject Transformation)، یک استاندارد عملی محسوب می‌شود. در روش این مقاله، شما دقیقاً همین کنترل را پیاده می‌کنید: سوژه در تمام فریم‌ها باید «همان سوژه» باقی بماند، نه نسخه‌ای شبیه به آن.

ایده اصلی پروژه: ژلِ رنگ‌همسان که تبدیل به سوژه می‌شود

سناریوی بصری این پروژه از چهار مرحله تشکیل می‌شود:

• پنل ۱: نمای ماکرو از تیوپ فلزی که ژل شفاف و براق را روی سطح تیره بیرون می‌دهد (بدون نمایش حیوان).
• پنل ۲: ژل شروع به تغییر می‌کند و چهره‌ی دقیق سوژه از داخل ژل بیرون می‌آید.
• پنل ۳: سوژه تقریباً کامل است اما هنوز اتصال ژل به تیوپ دیده می‌شود و جزئیات بافت (پر/مو/پوست) در حال شکل‌گیری است.
• پنل ۴: سوژه کامل و مستقل می‌ایستد؛ فقط چند قطره ژل هم‌رنگ باقی می‌ماند.

نکته کلیدی در زیبایی این خروجی، «همسان‌سازی رنگ» است: تیوپ و ژل باید بر اساس رنگ‌های غالب سوژه‌ی مرجع انتخاب شوند. این کار باعث می‌شود نتیجه طبیعی‌تر و یکپارچه‌تر به نظر برسد و حس طراحی تصادفی یا رنگ‌گذاری مصنوعی کاهش پیدا کند.

پیش‌نیازها و آماده‌سازی فایل مرجع

قبل از شروع، بهتر است عکس مرجع را با این معیارها انتخاب کنید:

• وضوح مناسب: ترجیحاً تصویری واضح که جزئیات صورت/چشم/الگوی پر یا مو مشخص باشد.
• نورپردازی قابل‌قبول: نور خیلی تند یا خیلی کم می‌تواند جزئیات را مبهم کند و حفظ هویت را دشوارتر سازد.
• زاویه چهره مشخص: بهتر است سوژه در زاویه‌ای باشد که چشم‌ها و فرم صورت واضح دیده شوند.
• پس‌زمینه ساده‌تر: پس‌زمینه پیچیده گاهی باعث می‌شود مدل، عناصر اضافی را وارد خروجی کند.

اگر هدف شما تولید ویدئو برای ریلز یا شورتز است، از ابتدا ذهنیت «کادر عمودی» داشته باشید. حتی اگر عکس مرجع افقی باشد، مدل‌ها معمولاً می‌توانند خروجی عمودی بسازند؛ اما عکس‌های مرجعی که سوژه را وسط کادر و با فضای کافی اطراف نشان می‌دهند، کنترل بهتری می‌دهند.

گام اول: ورود به ChatGPT و آپلود تصویر مرجع

در گام اول وارد سایت ChatGPT شوید. سپس از قسمت «بعلاوه» (Upload) تصویر حیوان/پرنده‌ی مورد نظر را بارگذاری کنید. آپلود تصویر در این پروژه نقش «قفل هویت» را دارد؛ یعنی مدل باید تمام خروجی‌های استوری‌بورد را بر همان هویت بنا کند.

ورود به سایت چت جی پی تی 

 

نکته: پس از آپلود، بهتر است در همان پیام (یا پیام بعدی) خیلی روشن توضیح دهید که تصویر آپلودشده تنها مرجع شخصیت است و هیچ جایگزینی مجاز نیست. این موضوع در پرامپت آماده شما نیز به‌صورت کامل آمده است.

گام دوم: وارد کردن پرامپت ساخت تصویر (استوری‌بورد ۲×۲)

پس از آپلود تصویر، پرامپت زیر را در کادر پیام وارد کنید. این پرامپت، با تاکید شدید بر حفظ هویت و همسان‌سازی رنگ ژل و تیوپ با رنگ‌های غالب سوژه، طراحی شده است.

پرامپت ساخت تصویر:

Create a single 2×2 storyboard layout (4 equal panels) separated by clean white borders in 9:16 vertical format

Character Reference (Very Important)
Use the UPLOADED ANIMAL/BIRD IMAGE as the ONLY character reference.
Preserve 100% of the uploaded animal's identity in every frame.
DO NOT change:
Species
Eye shape and eye color
Beak/Nose shape and color
Ear shape
Feather/Fur/Scale colors and patterns
Wing markings
Tail shape
Feet/Claws
Body proportions
Realistic texture
Overall appearance

The uploaded animal must remain visually identical throughout all four panels.

Color Matching Rule (Highest Priority)
Analyze the uploaded animal's natural colors.
The tube body, tube label, and transparent gel/liquid MUST automatically match the dominant colors of the uploaded animal.

Examples:
Blue bird → Blue tube + blue transparent gel
Red bird → Red tube + ruby transparent gel
Green parrot → Green tube + emerald transparent gel
Yellow chick → Yellow tube + golden transparent gel
Black & White penguin → Black, white and silver tube with crystal gel tinted black-and-white (not bright blue)
Orange fox → Orange tube + amber transparent gel

Never use a fixed blue color unless the uploaded animal is naturally blue.
The gel must always be glossy, transparent, glass-like and color-matched to the uploaded animal.

Theme Magical Liquid Transformation

Panel 1
Extreme macro cinematic close-up of a realistic aluminum tube squeezing out thick, glossy, transparent color-matched gel onto a dark matte tabletop. No animal is visible.
Ultra-realistic macro photography.

Panel 2
The transparent gel starts transforming into the uploaded animal.
The exact uploaded face naturally emerges from inside the gel.
The body remains mostly translucent color-matched liquid.
The facial identity must perfectly match the uploaded image.

Panel 3
The uploaded animal is nearly complete.
The wings, legs and body become fully recognizable while still connected to flowing transparent gel coming from the tube.
The liquid gradually transforms into realistic feathers/fur/scales matching the uploaded animal.
Tiny liquid droplets and reflections.

Panel 4
Transformation complete.
The uploaded animal stands independently in exactly the same appearance as the uploaded image.
Only a few transparent color-matched liquid droplets remain on the body and ground.
Cute natural pose.
Ultra-detailed realistic feathers/fur/scales.
Photorealistic macro shot.

Style
Hyper-realistic macro photography
Photorealistic
Ultra-detailed
Ray tracing
HDR
Volumetric lighting
Premium CGI realism
8K
Masterpiece
Shallow depth of field
Realistic reflections

Negative Prompt
Do NOT redesign the animal.
Do NOT change species.
Do NOT change colors.
Do NOT change facial features.
No extra animals.
No duplicate limbs.
No deformation.
No cartoon.
No anime.
No text.
No watermark.
No logo.
No low quality.
No blur.
No cropped subject.
No unrealistic anatomy.
No random blue liquid.
Always match the tube and liquid colors to the uploaded animal's natural colors.

9:16

گام سوم: تولید تصویر و تکرار کنترل‌شده تا رسیدن به خروجی مطلوب

پس از ارسال پرامپت، هوش مصنوعی شروع به تولید تصویر می‌کند. اگر خروجی اول دقیقاً مطابق انتظار نبود، رویکرد حرفه‌ای این است که به‌جای تغییرات بزرگ و مبهم، «تکرار کنترل‌شده» انجام دهید. منظور از تکرار کنترل‌شده این است که:

• هسته پرامپت را ثابت نگه دارید تا مدل از مسیر اصلی خارج نشود.
• فقط یک یا دو نکته را دقیق‌تر کنید؛ مثلاً «چهره در پنل ۲ دقیق‌تر مطابق عکس مرجع باشد» یا «مرزهای سفید بین پنل‌ها تمیزتر باشد».
• اگر مشکل اصلی تغییر رنگ ژل است، روی اولویت Color Matching تاکید دوباره بگذارید.

در پروژه‌های مبتنی بر هویت (Identity Preservation)، معمولاً بهترین نتیجه در چند تلاش حاصل می‌شود؛ چون مدل‌ها در هر تولید ممکن است جزئیات کوچکی را متفاوت بسازند. نکته مهم این است که شما معیارهای ارزیابی مشخص داشته باشید: ثبات چهره، ثبات رنگ‌ها، کیفیت بافت، و منطق تبدیل ژل به بدن.

خطاهای رایج در خروجی استوری‌بورد و راه‌حل‌ها

چند خطای پرتکرار در این نوع تولید وجود دارد:

۱) تغییر هویت سوژه در پنل‌های مختلف

اگر در پنل ۳ یا ۴ سوژه شبیه «نسخه دیگری» از حیوان شد، معمولاً مشکل از ضعف تمرکز روی «ONLY character reference» است. راه‌حل: تاکید مجدد روی حفظ ۱۰۰٪ هویت و ذکر صریح اجزایی که نباید تغییر کنند (چشم، منقار/بینی، الگوهای رنگی).

۲) رنگ ژل یا تیوپ با سوژه همسان نیست

اگر ژل به‌صورت پیش‌فرض آبی یا رنگ تصادفی تولید شد، یعنی مدل اولویت Color Matching را درست رعایت نکرده است. راه‌حل: عبارت‌های «Highest Priority» و «Never use a fixed blue color» را نگه دارید و در صورت نیاز یک جمله اضافه کنید که «Gel color must be derived from dominant colors of the uploaded animal».

۳) پنل‌ها شبیه چهار تصویر مستقل هستند، نه یک روایت

گاهی هر پنل از نظر زاویه دوربین، نور یا سطح میز متفاوت می‌شود. راه‌حل: تاکید بر تداوم صحنه و مشابهت نورپردازی و زاویه دوربین در هر چهار پنل.

۴) کیفیت ماکرو و بافت‌ها پایین است

اگر جزئیات بافت (پر/مو/پوست) یا رفلکشن ژل کم‌کیفیت بود، روی «macro photography»، «shallow depth of field»، «ray tracing»، «HDR»، و «ultra-detailed» تاکید کنید و مطمئن شوید خروجی در بالاترین کیفیت ممکن تولید می‌شود.

مرحله بعد: تبدیل استوری‌بورد به ویدئو در Google Flow

بعد از اینکه تصویر استوری‌بورد ۲×۲ مورد قبول شما شد، نوبت به تبدیل آن به ویدئو می‌رسد. در این مرحله وارد Google Flow شوید و در بخش بارگذاری تصویر، همان تصویری را که از ChatGPT دریافت کرده‌اید، آپلود کنید.

 

ورود به سایت گوگل فلو

 

منطق این بخش ساده است: تصویر استوری‌بورد، «نقشه راه» ویدئو است. شما از Flow می‌خواهید که از پنل ۱ تا پنل ۴، یک حرکت پیوسته و بدون کات بسازد؛ به‌طوری‌که هویت سوژه، طراحی تیوپ، رنگ ژل، نور، زاویه دوربین و جزئیات صحنه ثابت بماند.

پرامپت تولید ویدئو (با تداوم کامل و بدون تغییر هویت)

پرامپت زیر را در کادر پرامپت Google Flow وارد کنید:

Use the uploaded 2×2 storyboard image as the ONLY visual reference and maintain perfect continuity between all four panels.

The uploaded storyboard represents four sequential stages of a single continuous transformation.

Preserve the uploaded animal's identity exactly throughout the entire video. Maintain identical:
Species
Face shape
Eyes
Nose/Beak
Ears
Fur/Feather colors
Markings
Tail
Body proportions
Realistic texture

Do NOT redesign, replace, morph into another species, or alter the uploaded animal.

Maintain the exact tube design, tube color, transparent gel color, tabletop, lighting, reflections, camera angle, and composition from the uploaded storyboard.
The tube and gel must always match the uploaded animal's dominant colors.

Scene 1 (0–2 seconds)
Extreme macro close-up. A realistic metallic tube slowly squeezes out thick crystal-clear glossy gel.
The gel stretches naturally with realistic viscosity and gravity before gently touching the tabletop.
Tiny air bubbles move inside the transparent gel.
Natural reflections and refractions.

Scene 2 (2–4 seconds)
Without any scene cut, the gel slowly begins transforming.
The uploaded animal's exact face gently emerges from inside the transparent gel.
The ears slowly rise from the liquid.
Tiny ripples travel across the gel surface.
The transformation feels magical but physically believable.

Scene 3 (4–6 seconds)
The animal continues forming. Realistic fur gradually grows from the transparent gel.
Front legs and body become fully recognizable while the lower body remains connected to the flowing gel coming from the tube.
Small liquid droplets fall naturally onto the tabletop.
Perfect macro focus.

Scene 4 (6–8 seconds)
The gel connection naturally separates. The transformation is complete.
The uploaded animal now stands independently exactly like the final storyboard panel.
Small color-matched gel droplets slide off the fur.
The animal blinks once. Breathes naturally. Slight ear twitch. Tiny nose movement.
Looks toward the camera. Ends with a cute idle pose.

Camera
One continuous shot. No cuts.
Slow cinematic macro dolly-in.
Subtle handheld stabilization.
Smooth focus pulls.
Shallow depth of field.
Elegant product-commercial framing.
Professional macro lens.

Lighting
Premium cinematic studio lighting.
Soft key light. Warm rim light.
Natural reflections. Realistic shadows.
HDR. Ray tracing.

Physics
Physically accurate liquid simulation.
Correct viscosity. Surface tension. Gravity.
Natural gel stretching. Realistic droplet breakup.
No unrealistic motion.

Quality
Hyper-realistic
Ultra-detailed
8K
Photorealistic
Premium CGI
Macro cinematography
Masterpiece quality

Negative Prompt
No cartoon. No anime. No text. No watermark. No logo.
No extra animals. No duplicated limbs. No anatomy errors.
No identity change. No color change.
No camera shake. No flickering. No morphing glitches.
No low quality. No blur.
No unrealistic physics. No sudden movements.

Maintain perfect continuity from the uploaded storyboard image from beginning to end.

اعمال تنظیمات فنی و ساختار خروجی ویدئو

پیش از کلیک روی دکمه تولید ویدئو، تنظیمات فنی را مطابق نیاز رسانه‌ای خود اعمال کنید. این تنظیمات به‌خصوص برای خروجی مناسب ریلز و شورتز اهمیت دارد.

• Output Count (تعداد خروجی): روی ۱ قرار دهید. در این مرحله یک خروجی نمونه‌ی باکیفیت کافی است و بعداً می‌توانید نسخه‌های بیشتر بگیرید.
• Duration (مدت زمان): معمولاً ۵ تا ۱۰ ثانیه برای ویدئوی معرفی کوتاه مناسب است. سناریوی شما به‌صورت طبیعی با بازه ۸ ثانیه هم‌خوانی دارد.
• Aspect Ratio (نسبت تصویر): حالت Vertical را انتخاب کنید تا خروجی برای انتشار عمودی بهینه باشد.
• Model Type (نوع مدل): گزینه Omni را انتخاب کنید تا پردازش حرکت با دقت بالاتر انجام شود.
• Integrated (یکپارچه‌سازی): حالت Integrated یا یکپارچه را فعال نگه دارید تا هماهنگی عناصر صحنه در سطح بالاتری حفظ شود.

پس از اطمینان از صحت تنظیمات، روی Generate کلیک کنید. با توجه به اینکه تبدیل ژل به سوژه و شبیه‌سازی فیزیک مایع جزو پردازش‌های سنگین است، کمی زمان برای رندر نیاز است. در نهایت ویدئوی شما آماده خواهد بود و می‌توانید آن را در هر بستری که مدنظر دارید استفاده کنید.

نمونه ویدئو خروجی- ساخت تصویر با هوش مصنوعی با حفظ عکس مرجع

 

چگونه کیفیت خروجی ویدئو را بهتر کنیم؟ (نکات حرفه‌ای)

در پروژه‌های ویدئویی مبتنی بر تبدیل ماده، چند عامل روی کیفیت نهایی اثر مستقیم دارد:

۱) تداوم نور و زاویه دوربین

اگر Flow در طول ویدئو نور یا زاویه را تغییر دهد، حس «یک برداشت پیوسته» از بین می‌رود. در پرامپت شما به این موضوع اشاره شده، اما اگر باز هم مشکل داشتید، عبارت‌هایی مانند no change in camera angle و same lighting throughout را می‌توانید پررنگ‌تر کنید.

۲) کنترل سرعت حرکت و فیزیک ژل

نقطه قوت این ایده، «حرکت نرم و قابل باور» است. اگر ژل خیلی سریع تغییر شکل دهد یا قطرات غیرواقعی ایجاد شود، نتیجه مصنوعی خواهد شد. تاکید بر «physically accurate liquid simulation»، «viscosity»، «surface tension»، و «no sudden movements» دقیقاً برای همین است.

۳) میکروجزییات (قطرات، حباب‌ها، رفلکشن)

برای واقعی‌تر شدن صحنه، وجود ریزجزئیات اهمیت دارد: حباب‌های کوچک داخل ژل، انعکاس نور روی سطح براق، قطرات پراکنده روی میز، و تغییر فوکوس ملایم در نمای ماکرو. این موارد اگر بیش از حد اغراق شود، مصنوعی می‌شود؛ اما اگر کم باشد، صحنه تخت به نظر می‌رسد. تعادل در این بخش، تفاوت خروجی معمولی با خروجی حرفه‌ای را رقم می‌زند.

کاربردهای محتوایی این سبک (برای سایت و شبکه‌های اجتماعی)

اگر شما صاحب یک سایت هوش مصنوعی مثل «باهوش» هستید، این سبک محتوا چند کاربرد مشخص دارد:

• آموزش پرامپت‌نویسی: تبدیل یک ایده خلاق به دستور دقیق، ارزش آموزشی بالایی دارد.
• محتوای جذاب برای نوجوانان: روایت تبدیل ژل به حیوان با حفظ هویت، حس «جادویی اما واقعی» ایجاد می‌کند.
• نمونه‌کار برای خدمات تولید محتوا: اگر خدمات تولید تصویر/ویدئو ارائه می‌کنید، این پروژه نمونه‌ای قابل نمایش است.
• کمپین‌های موضوعی: می‌توانید برای مناسبت‌ها (مثلاً شروع مدرسه، نوروز، یا رویدادهای برند) رنگ‌ها و سوژه‌ها را شخصی‌سازی کنید.

ملاحظات حقوقی و اخلاقی (کوتاه اما ضروری)

در تولید محتوای مبتنی بر عکس مرجع، رعایت چند نکته ضروری است:

• اگر عکس حیوان/پرنده متعلق به شخص دیگری است، بهتر است مجوز استفاده داشته باشید یا از تصاویر آزاد (royalty-free) استفاده کنید.
• در صورت استفاده تجاری، شرایط سرویس ابزارها و پلتفرم‌ها را بررسی کنید.
• از استفاده از تصاویر اشخاص واقعی (به‌خصوص افراد زیر سن قانونی) بدون مجوز صریح خودداری کنید.

جمع‌بندی: مسیر استاندارد از تصویر مرجع تا ویدئوی عمودی

در این مقاله یک مسیر عملی برای تولید محتوای «تصویر و ویدئو» را بررسی کردیم: ابتدا در ChatGPT با آپلود عکس مرجع و اجرای پرامپت استوری‌بورد ۲×۲، خروجی پایه را می‌سازید؛ سپس با آپلود همان خروجی در Google Flow و اجرای پرامپت ویدئویی، یک ویدئوی پیوسته و بدون تغییر هویت تولید می‌کنید. اگر در تلاش اول نتیجه کامل نبود، تکرار کنترل‌شده و حفظ اولویت‌ها (هویت، رنگ، تداوم) بهترین راه برای رسیدن به خروجی حرفه‌ای است.

اگر قصد دارید این روش را به محتوای سریالی تبدیل کنید، می‌توانید هر بار یک سوژه جدید انتخاب کنید (پرنده، روباه، گربه، سگ، خرگوش و غیره) و فقط با تغییر عکس مرجع، یک مجموعه ویدئوی هم‌سبک بسازید. این کار برای مخاطب جوان، جذاب و قابل دنبال‌کردن است و برای سئوی سایت نیز ارزش ایجاد می‌کند؛ چون می‌توانید برای هر سوژه یا سبک، یک صفحه آموزش مستقل بسازید.