Prompts الفيديو متعددة الوسائط المرجعية: دمج الصور والفيديوهات والصوت كمدخلات

ملخص سريع

• Prompts الفيديو متعددة الوسائط المرجعية توجّه النصوص والصور والفيديوهات والمدخلات الصوتية معًا بحيث يمتلك كل مدخل جانبًا مميزًا من المخرج النهائي (الشخصية، الحركة، الأجواء، الإيقاع).
• Prompts الأحادية الوضع تصل إلى سقفها بمجرد ما تحتاج إلى تثبيت الشخصية + مسار الكاميرا + الصوت المحيطي + الأسلوب البصري في آنٍ واحد؛ التركيب متعدد المدخلات هو الطريقة الوحيدة للسيطرة على الأربعة معًا.
• الأوضاع الثلاثة للإدخال هي الصورة (الشخصية، الأسلوب، اللوحة اللونية)، الفيديو (الحركة، الرقص، حركة الكاميرا)، الصوت (الإيقاع، الأجواء، الصوت، المؤثرات الصوتية). يجب تعيين دور لكل منها في الـ prompt.
• الجزء الأصعب ليس رفع الملفات – إنه التوجيه (routing): إخبار النموذج بأي مدخل يمتلك الشخصية، وأي مدخل يمتلك الحركة، وأي مدخل يمتلك الإضاءة، حتى لا تتعارض المراجع مع بعضها.
• مصفوفة دعم النماذج في 2026: Seedance 2.5 يدعم حتى 50 مرجع أصول، Veo 3.1 يستوعب الصورة + الصوت، Kling 3.0 يستخدم فتحات العناصر، وWan 3.0 يدعم إطارَي البداية والنهاية بالإضافة إلى الصوت.
• التثبيت العابر بين الوسائط (تعيين الدور الصريح لكل مرجع) هو ما يجعل اتساق الشخصية + تصوير الكاميرا يعملان معًا؛ بدونه، يختار المُرمِّز مرجعًا واحدًا ويتجاهل البقية.
• استخدم قواعد سلبية خاصة بالوسائط المتعددة (“لا تسرب للأسلوب بين مراجع الصور والفيديو”، “لا تحوّل للشخصية عبر اللقطات”) لمنع أوضاع الفشل الشائعة.

ما تعنيه “الوسائط المتعددة” فعليًا في توليد الفيديو عام 2026

Prompt المرجعي متعدد الوسائط للفيديو هو الـ prompt الذي يستقبل فيه النموذج أكثر من نوع واحد من إشارات الإدخال – عادةً prompt نصي، وصورة واحدة أو أكثر، وفيديو مرجعي واحد أو أكثر، واختياريًا ملف صوتي – ويحدد الـ prompt صراحةً ما هو المسؤول عن كل مدخل.

يبدو هذا بسيطًا. عمليًا، هو أكبر تحوّل في قابلية الاستخدام في توليد الفيديو منذ دخول conditioning الصور في عام 2024. حتى أواخر عام 2025، كانت معظم سير عملات الفيديو الإنتاجية إما نصية فقط أو نصًا + صورة واحدة فقط. ظهر هذا السقف في كل مكان: يمكنك تثبيت وجه من صورة، لكن لا يمكنك في الوقت نفسه تثبيت حركة الكاميرا من مقطع مرجعي؛ يمكنك وصف صوت مقهى محيطي، لكن لا يمكنك ربطه بملف صوتي فعلي؛ لا يمكنك الحفاظ على اتساق زي الشخصية عبر تسلسل من 12 لقطة لأن كل إعادة توليد تعيد تدوير الزي.

مجموعة النماذج لعام 2026 — Seedance 2.5، Veo 3.1، Kling 3.0، Wan 3.0 — تكسر هذا السقف بقبولها لمراجع متعددة بالتوازي والسماح لكل منها بحمل إشارة مستقلة. لكن النموذج لا يقرر عنك ما الذي يعنيه كل مدخل. إذا زوّدته بصورة بورتريه لامرأة وبصورة ثابتة من فيلم، وكتبت “طابق هذا الأسلوب”، سيختار النموذج أي مرجع يقرأ بصوت أعلى في المُرمِّز ويتجاهل الآخر. مهمة الـ prompt هي توضيح ذلك التمييز.

ثلاثة اتجاهات تتقارب لجعل الوسائط المتعددة هي القاعدة بدلاً من الاستثناء. أولًا، دعم الإشارة إلى الصور أصبح الآن معيارًا أساسيًا في كل نموذج رئيسي – حتى النماذج الأدنى مستوى تستوعب صورة واحدة على الأقل. ثانيًا، انتقلت فتحات الفيديو المرجعي من المستوى التجريبي إلى الإنتاجي: مسار ref2v في Seedance 2.5 وفتحات الفيديو المرجعي في Veo 3.1 تُطرح كواجهات API مستقرة، وليس كمعاينات بحثية. ثالثًا، conditioning الصوت تجاوز عتبة الحداثة إلى شيء يمكنك بناء مشاهد حقيقية حوله، خاصة لخط أنبوب الأجواء والصوت في Veo 3.1 وفتحات تثبيت الإيقاع في Wan 3.0. هذه الاتجاهات الثلاثة لم تأتِ بمعزل عن بعضها؛ بل إن كل واحدة منها تعزز الأخرى، فتوليد الفيديو الذي يقبل صورة مرجعية فقط كان ولا يزال يعتبر نصف الحل، في حين أن إتاحة الصوت والفيديو مع الصورة في الوقت نفسه هي التي تفتح الباب أمام مشاهد إنتاجية كاملة.

ثمن كل هذا هو تعقيد الـ prompt. الـ prompt النصي فقط يمكن أن يكون جملة واحدة. الـ prompt متعدد الوسائط أقرب إلى قائمة لقطات مع بيانات وصفية مرفقة: أي مدخل هو الشخصية، وأي مدخل هو الإضاءة، وأي مدخل هو الكاميرا، وأي مدخل هو الإيقاع. هذا ما يعلّمه بقية هذا المقال. التعقيد الإضافي يستحق العناء في معظم سير العمل الإنتاجية، لأن المكسب في الاتساق وفي التحكم يفوق بكثير الجهد المبذول في كتابة prompt أكثر تفصيلًا.

هذا هو الانضباط الكامل لـ prompts متعددة الوسائط المرجعية. بقية هذا المقال تغطي أوضاع الإدخال، ومشكلة التوجيه، ومصفوفة الدعم نموذج بنموذج، وتقنيات التثبيت، و12 قالبًا عمليًا.

لمعرفة الخلفية حول أنماط المدخل الواحد، راجع دليل prompts لـ Seedance 2.5 والمقال المرافق حول prompts الصور متعددة المراجع لـ Seedance، الذي يغطي نفس انضباط التوجيه للمراجع القائمة على الصور فقط.

أوضاع الإدخال الثلاثة

كل prompt فيديو متعدد الوسائط هو توليفة من ثلاثة أوضاع إدخال (بالإضافة إلى النص). فهم الإشارة الأصلية لكل وضع هو شرط مسبق لتوجيهها بشكل صحيح.

1. إدخال الصورة – الشخصية، والتركيب، والأسلوب

تساهم مرجع الصورة بثلاثة عناصر في التوليد: الشخصية (الوجه، الجسم، الزي، الأدوات)، التركيب (الإطار، العمق، طبقات المقدمة/الخلفية)، والأسلوب (تصحيح الألوان، اتجاه الإضاءة، الملمس، الحقبة). النماذج التي تستوعب مراجع الصور تفعل ذلك عن طريق ترميزها في تضمين رؤية-لغة؛ ثم يقود النص الوصفي أي من هذه الجوانب الثلاثة يجب أن يسيطر عليه التضمين.

نمط عملي:

Image #1 (portrait.jpg): woman, late 20s, red trench coat, soft window light.
Text: "Use Image #1 as the subject reference only. Do not copy its lighting. Place her in a rainy neon alley, mid-stride, three-quarter framing."

هنا تم توجيه الصورة إلى “شخصية فقط”، والنص يتجاوز صراحةً إضاءتها. بدون هذا التجاوز، سينسخ النموذج المزاج الكامل للصورة ويصبح الـ prompt النصي ديكوريًا.

مراجع الصورة هي أيضًا أنظف طريقة لتثبيت اتساق الشخصية عبر لقطات متعددة – لتعمّق أعمق في سير العمل هذا، راجع prompts اتساق الشخصية بالذكاء الاصطناعي 2026 وprompts تثبيت الشخصية من صورة إلى فيديو.

2. إدخال الفيديو – الحركة، مسار الكاميرا، الأعمال

يساهم مرجع الفيديو بمعلومات زمنية لا تستطيع أي صورة تقديمها: حركة الكاميرا، حركة الشخصية، إيقاع المشهد، سلوك العدسة، وتسلسل القطع. عندما ترفع مقطعًا مرجعيًا، يُرمّز النموذج متجهات حركته ويستخدمها كأولوية سابقة.

Video #1 (whip_pan.mp4): handheld dolly shot panning across a crowded market.
Text: "Match the camera movement and rhythm of Video #1. Subject is a chef in white apron (described in text). Do not copy the market environment — render a quiet kitchen instead."

الفخ هنا هو النسخ المفرط. مرجع الفيديو يحمل البيئة، والشخصية، والإضاءة، والحركة في بكسلاته. إذا كان الـ prompt النصي لا يقول شيئًا عن الجوانب التي يجب الاحتفاظ بها، فإن النموذج عادةً ما يتخذ الحركة كافتراضيًا ويتخلى عن البيئة – لكن في بعض النماذج تنتصر البيئة. دائمًا وضّح التمييز.

بالنسبة للنماذج المتخصصة في الفيديو كمدخل (مسار ref2v في Seedance 2.5 وفتحات الفيديو المرجعي في Veo 3.1)، هذا هو الوضع الأقوى في صندوق الأدوات. المقال المرافق لـ Ref2V يستعرض الآليات بالتفصيل.

3. إدخال الصوت – الإيقاع، الأجواء، الصوت، مزامنة الضربات

إدخال الصوت هو الأحدث بين الثلاثة والأقل دعمًا بشكل موحد. اعتبارًا من أكتوبر 2026، فقط Veo 3.1 وWan 3.0 يستوعبان ملفات الصوت أصلًا (Seedance 2.5 أضاف فتحة conditioning صوتي تجريبية في تحديثه 2.5، ويستخدمها Kling 3.0 للتوقيت فقط، وليس للمحتوى). يساهم الصوت بأربع إشارات: سرير الصوت المحيطي (مقهى، ريح، نبرة الغرفة)، الإيقاع/الضربة (التي يمكن للنموذج مزامنة الحركة معها)، الحوار/الصوت (التي تقوم بعض النماذج بمزامنة الشفاه معها)، والإشارات الموسيقية (التي يمكنها قيادة الانتقالات بين المشاهد).

Audio #1 (rain_loop.wav): steady rainfall on a tin roof, no music.
Text: "Generate 8 seconds of a man walking through a forest at night. Match the rhythm of Audio #1's rainfall cadence — slow footsteps in sync with each drip cluster. No dialogue."

هذا أنظف مثال على عمل الوسائط المتعددة: ملف صوتي واحد يقوم بالتثبيت الإيقاعي الذي يستحيل تحديده بالكلمات.

لمعرفة المجموعة الصوتية الكاملة لـ Veo 3.1، راجع الصوت الأصلي بدقة 4K في Veo 3.1.

مصفوفة دعم النماذج (أكتوبر 2026)

ليس كل نموذج يستوعب كل وضع. المصفوفة أدناه تلخص ما يقبله كل من نماذج الفيديو الأربعة الرئيسية في اختباراتنا كمدخل، وما الذي يتحكم فيه كل مدخل.

مصادر المصفوفة أعلاه: وثائق Seedance 2.5 كما لخصها تحليل ميزات Seedance 2.5 من mindstudio.ai ودليل الـ 50 مرجع من seedance2ai.net؛ قدرات Veo 3.1 وفقًا لـ صفحة نموذج Veo الرسمية من DeepMind وكتاب طبخ Veo API. صفوف Kling 3.0 وWan 3.0 تعكس السلوك المرصود في الأدوات العامة المتاحة اعتبارًا من أكتوبر 2026.

هناك شيئان بارزان في هذه المصفوفة. أولًا، Seedance 2.5 هو النموذج الوحيد في المجموعة الذي يتجاوز عدد المراجع فيه حفنة – حد الـ 50 أصل غير معتاد ويفتح مشاهد متعددة العناصر معقدة. ثانيًا، Veo 3.1 هو النموذج الوحيد الذي يحتوي على فتحة صوتية نظيفة بمستوى إنتاجي تستوعب ملفات صوت حقيقية وليس مجرد بيانات وصفية للإيقاع.

مشكلة التوجيه

الشيء الأصعب الوحيد في prompts الفيديو المرجعية متعددة الوسائط ليس خطوة الرفع. إنه التوجيه (routing): تحديد أي مدخل يمتلك أي جانب من المخرج، وذكر هذا القرار في الـ prompt.

وضع الفشل الساذج يبدو هكذا: ترفع صورة بورتريه لشخصيتك وصورة ثابتة من فيلم Blade Runner. تكتب “امرأة سايبربانك تمشي في سوق نيون”. يُنتج النموذج شيئًا، لكن غير واضح ما إذا كان وجه المرأة قد جاء من بورتريهك أم ما إذا كانت الإضاءة قد جاءت من الصورة المرجعية الثابتة. تعيد التوليد أربع مرات وتحصل على أربع إجابات مختلفة. هذا التنوع في المخرجات من نفس الـ prompt هو السمة المميزة لفشل التوجيه، وهو يختلف تمامًا عن تباين عشوائي طبيعي؛ بل هو دليل على أن النموذج يختار عشوائيًا بين المراجع في كل توليد، مما يجعل سير العمل غير قابل للتكرار بشكل موثوق.

ما يحدث: النموذج يعامل كلا المرجعين كأولويات أسلوب ذات وزن متساوٍ. بدون تعيين دور صريح، يأخذ عينات من أحدهما أو الآخر عشوائيًا لكل توليد.

الإصلاح هو إعطاء كل مرجع علامة دور (role tag) في الـ prompt. الصياغة الدقيقة تختلف حسب النموذج:

• Seedance 2.5: استخدم علامات الأقواس مثل [subject=portrait.jpg]، [lighting=blade_runner_still.jpg]، [motion=walking_loop.mp4]. النموذج يقيّم كل فتحة بشكل مستقل.
• Veo 3.1: تُرفع المراجع إلى فتحات مرتبة. تُعامل فتحة الصورة الأولى كشخصية رئيسية؛ تُوزن الفتحات اللاحقة بالترتيب. يمكن للـ prompt النصي صراحةً تخفيض مرتبة فتحة (“الصورة #2 للأسلوب فقط – تجاهل تركيبها”).
• Kling 3.0: كل فتحة عنصر هي كيان موسوم. توسم الفتحة (“شخصية”، “زي”، “أداة”) عند الرفع.
• Wan 3.0: إطار البدء وإطار النهاية أدوار غير غامضة افتراضيًا؛ فتحة الصوت أيضًا غير غامضة.

إذا تخطيت تعيين الدور في نموذج لا يفرضه (Kling، Wan)، تحصل على أخذ عينات عشوائي. في نموذج يفرضه (Seedance، Veo)، الفتحة غير المعينة تأخذ افتراضي “أسلوب” – والذي قد يكون أو لا يكون ما تريده. هذا الافتراضي “أسلوب” هو في حد ذاته مشكلة شائعة، لأن النص الوصفي يحاول عادةً وصف الشخصية والحركة معًا، ثم يأتي النموذج ويطبق “الأسلوب” على الشخصية بدلًا من الأسلوب البصري، مما يؤدي إلى نتائج هجينة يصعب التنبؤ بها.

heuristic قاعدة موثوقة: اكتب تعيين الدور في الـ prompt قبل وصف المشهد. الـ prompt الذي يبدأ بـ “استخدم الصورة #1 كمرجع للشخصية، الصورة #2 كمرجع للإضاءة، الفيديو #1 كحركة الكاميرا” سيوجّه بشكل صحيح في كل نموذج يدعم المدخلات، بغض النظر عن ترتيب الفتحات.

هناك أيضًا وضع فشل ثانوي يستحق التسمية. حتى عندما يكون تعيين الدور صحيحًا، تنحرف النماذج أحيانًا: صورة موسومة كشخصية فقط ستقوم، في توليد سيئ، بتسريب إضاءتها إلى الإطار النهائي، أو فيديو موسوم كحركة فقط سيسرب تصحيح ألوانه إلى المخرج. هذا ليس فشل توجيه في الـ prompt – إنه فشل ترميز داخل النموذج. التخفيف ثنائي. أولًا، اكتب prompts سالبة محكمة (Segmenting the section below). ثانيًا، شغّل عدة عمليات إعادة توليد لكل لقطة واختر أنظفها. سير عمل الوسائط المتعددة ليس حتميًا بالطريقة التي قد يكون بها الـ prompt النصي فقط أحيانًا؛ خصص ميزانية لثلاث إلى خمس عمليات إعادة توليد لكل مقطع قابل للاستخدام في المتوسط.

تقنيات التثبيت العابر بين الوسائط

التثبيت العابر بين الوسائط هو مجموعة التقنيات التي تسمح لمرجع واحد بلعب أدوار متعددة عبر التوليد، أو التي تثبت مرجعين مختلفين على جانبين مختلفين من نفس اللقطة.

التقنية 1: الفيديو كقالب حركة، الصورة كشخصية

نمط التثبيت الأكثر شيوعًا. لديك فيديو مرجعي يوضح حركة الكاميرا التي تريدها، وبورتريه للشخصية التي يجب أن تظهر في اللقطة. بدون التثبيت، سيستبدل النموذج الشخصية من الفيديو. مع التثبيت، تقول للنموذج:

Video #1 [motion only]: handheld dolly-in from wide to medium close-up over 4 seconds.
Image #1 [subject only]: woman in red trench coat.
Text: "Render Video #1's camera move. Place Image #1's character in the frame. Background: empty warehouse."

هذا بالضبط النمط الذي صُمم من أجله Seedance 2.5 — سير عمل Ref2V مبني عليه.

التقنية 2: الصورة كأسلوب، الفيديو كإيقاع

العكس: تريد مظهر الصورة (لوحة كارافاجيو)، لكن سرعة الفيديو المرجعي (لقطة ديريك سيانفرانس الطويلة البطيئة). بدون وسم الأدوار الصريح، سينسخ النموذج الصورة حرفيًا (لوحة ثابتة) ويتجاهل الفيديو تمامًا.

Image #1 [style only]: Caravaggio's "The Calling of Saint Matthew", use only its color palette and chiaroscuro lighting.
Video #1 [motion only]: 8-second slow push-in with no cuts.
Text: "A modern executive sits at a desk. Light her as Image #1. Move the camera as Video #1."

التقنية 3: الصوت كمرساة إيقاع، الصورة كأسلوب وشخصية

بالنسبة لـ Veo 3.1 وWan 3.0، يمكنك تثبيت إيقاع المشهد بضربة ملف صوتي مع الحفاظ على الأسلوب البصري والشخصية من مراجع الصور:

Image #1 [subject + style]: young man in 1970s suit, saturated Kodachrome palette.
Audio #1 [rhythm only]: drum loop at 92 BPM.
Text: "Image #1's character walks across a motel parking lot at night. Match his footstep cadence to Audio #1's kick drum. No dialogue."

التقنية 4: تثبيت العناصر المكدسة (Seedance 2.5 فقط)

فتحة المراجع الـ 50 في Seedance 2.5 تتيح لك تعيين أدوار مختلفة لمراجع صغيرة متعددة دفعة واحدة. مقال prompts الصور متعددة المراجع لـ Seedance يغطي هذا بعمق – النسخة المختصرة هي أنه يمكنك تثبيت مراجع منفصلة لوجه الشخصية، وزي الشخصية، والأداة، والخلفية، واتجاه الإضاءة، وحركة الكاميرا في توليد واحد.

12 قالب prompt

القوالب أدناه مكتوبة لتكون جاهزة للاستخدام المباشر: انسخ الـ prompt، وفّر الملفات المرجعية، وشغّل. كل قالب موسوم بالنموذج الذي اختُبر عليه أساسيًا؛ معظمها تعمل عبر النماذج مع تغييرات صياغة طفيفة.

نص + 1 صورة (3 قوالب)

القالب 1 — تثبيت الشخصية من بورتريه

Model: Veo 3.1 (also runs on Seedance 2.5, Kling 3.0)
Input: 1 image (character_portrait.jpg)
Role: Image = subject only. Text owns everything else.

[Reference: character_portrait.jpg] Subject reference only.
A woman in her late 20s walks through a rain-soaked Tokyo alley at night.
She wears a red trench coat over a white shirt, as in the reference.
Camera: handheld, slightly low angle, follows her from the side.
Lighting: neon signage from above, puddles reflecting pink and teal.
Duration: 6 seconds. Aspect 16:9. No dialogue. No cuts.

القالب 2 — نقل الأسلوب من لوحة

Model: Wan 3.0 (also runs on Veo 3.1)
Input: 1 image (oil_painting.jpg)
Role: Image = color palette and texture only. Text owns composition and motion.

[Reference: oil_painting.jpg] Use only its color grading and brushstroke texture.
A chef in a white apron plates a dish in a quiet kitchen.
Adopt the reference's muted ochre-and-slate palette and visible canvas grain.
Camera: static medium shot, gentle rack focus from hands to face.
Duration: 5 seconds. Ambient sound only.

القالب 3 — لقطة منتج من صورة رئيسية

Model: Seedance 2.5
Input: 1 image (product_hero.jpg)
Role: Image = subject + composition. Text adds motion and lighting.

[Reference: product_hero.jpg] Subject and framing reference.
Render the bottle from the reference on a rotating turntable.
Slow 360-degree orbit over 8 seconds.
Background: deep navy gradient, single soft top light catching the glass.
No text overlays. No hands.

نص + 1 فيديو (3 قوالب)

القالب 4 — إعادة استخدام مسار الكاميرا

Model: Seedance 2.5
Input: 1 video (dolly_clip.mp4)
Role: Video = camera motion only. Text replaces subject and environment.

[Reference: dolly_clip.mp4] Camera motion template only.
Match the exact dolly-in trajectory and speed of the reference.
Subject: a young boy running through a wheat field at golden hour.
Replace the reference's environment entirely.
Duration: 5 seconds. No dialogue.

القالب 5 — إعادة استخدام الإيقاع والسرعة

Model: Veo 3.1
Input: 1 video (long_take.mp4)
Role: Video = pacing only (no environment, no subject).

[Reference: long_take.mp4] Use only the pacing — single continuous shot, no cuts, slow acceleration over 6 seconds.
Subject: a chess match between two elderly men in a park.
Do not copy the reference's setting.
Lens: 50mm equivalent, eye level.
Sound: park ambience, distant traffic.

القالب 6 — إعادة استخدام الأعمال

Model: Seedance 2.5
Input: 1 video (dance_clip.mp4)
Role: Video = choreography only. Subject and wardrobe from text.

[Reference: dance_clip.mp4] Choreography reference only.
Copy the dance sequence beat-for-beat.
Two dancers in matching black outfits perform the routine on an empty soundstage.
Camera: wide static shot to capture full body.
Lighting: single overhead spotlight, hard shadows.
Duration: 8 seconds. No music in audio (we will score in post).

نص + صورة + فيديو (3 قوالب)

القالب 7 — الشخصية من الصورة، الحركة من الفيديو

Model: Seedance 2.5 (canonical use case)
Input: 1 image (character.jpg), 1 video (walk_loop.mp4)
Role: Image = subject. Video = motion. Text owns environment and lighting.

[Reference: character.jpg] Subject only — face, hair, wardrobe.
[Reference: walk_loop.mp4] Motion only — match the walk cycle and arm swing exactly.
Place the subject in a crowded train station at rush hour.
Camera: tracking shot from the front, slight low angle.
Lighting: fluorescent overhead, mixed with daylight from entrance.
Duration: 6 seconds. Ambient sound: station PA, footsteps, distant train.

القالب 8 — الأسلوب من الصورة، الإيقاع من الفيديو، الشخصية من النص

Model: Veo 3.1
Input: 1 image (film_still.jpg), 1 video (long_lens.mp4)
Role: Image = color grading and lens choice. Video = pacing. Text owns subject.

[Reference: film_still.jpg] Color grading and lens only — adopt its desaturated teal-and-orange palette and shallow depth of field.
[Reference: long_lens.mp4] Pacing only — single 8-second shot, no cuts, slow lateral push.
Subject: a journalist interviewing a source in a dimly lit bar.
Do not copy the reference video's setting or subjects.

القالب 9 — مراجع صور متعددة (أسلوب + شخصية) + فيديو (كاميرا)

Model: Seedance 2.5
Input: 2 images (face.jpg, wardrobe.jpg), 1 video (camera_move.mp4)
Role: face = subject identity. wardrobe = costume. video = camera move.

[Reference: face.jpg] Subject's face only.
[Reference: wardrobe.jpg] Wardrobe and accessories only — red dress, gold earrings, as shown.
[Reference: camera_move.mp4] Camera trajectory only — match the slow crane-up.
The subject walks through an art gallery, pausing at a painting.
Lighting: warm gallery spots, neutral walls.
Duration: 7 seconds.

نص + صورة + فيديو + صوت (3 قوالب)

القالب 10 — وسائط متعددة كاملة: شخصية، حركة، أجواء صوتية

Model: Veo 3.1 (canonical four-mode prompt)
Input: 1 image (char.jpg), 1 video (pace.mp4), 1 audio (rain.wav)
Role: image = subject, video = pacing, audio = ambient bed and rhythm anchor.

[Reference: char.jpg] Subject only — woman in her 50s, grey hair, beige coat.
[Reference: pace.mp4] Pacing only — match the slow lateral track over 6 seconds.
[Reference: rain.wav] Ambient sound and rhythm anchor — match her walking cadence to the rainfall's intensity curve.
She walks through a park at dusk during steady rain.
No dialogue. No music.

القالب 11 — لقطة فيديو موسيقي بأعمال مثبتة

Model: Seedance 2.5 (with experimental audio)
Input: 1 image (performer.jpg), 1 video (choreo.mp4), 1 audio (track.wav)
Role: image = performer identity, video = choreography, audio = beat-sync and lyrics.

[Reference: performer.jpg] Subject only — keep the performer's face and signature outfit.
[Reference: choreo.mp4] Choreography only — copy the routine's structure and timing.
[Reference: track.wav] Beat-sync and lip-sync — match movement to kick drum on beats 1 and 3.
Lip-sync to the chorus's vocal melody.
Background: dark soundstage with three rotating spotlights.
Duration: 12 seconds. Single shot.

القالب 12 — مقابلة وثائقية بمظهر مثبت وصوت محيطي

Model: Veo 3.1
Input: 1 image (subject.jpg), 1 video (interview_style.mp4), 1 audio (room_tone.wav)
Role: image = subject, video = interview framing and gesture pacing, audio = room tone.

[Reference: subject.jpg] Subject identity only — older man with glasses, navy sweater.
[Reference: interview_style.mp4] Framing and gesture pacing only — medium close-up, subject nods on the third beat of each phrase.
[Reference: room_tone.wav] Room tone only — quiet indoor ambient with occasional HVAC hum.
The subject sits in a leather chair, speaking directly to camera about his career.
No background music.
Duration: 8 seconds.

قواعد الـ Prompt السلبية

توليد الفيديو أحادي الوضع له مفردات الـ prompt السلبية الخاصة به. توليد الوسائط المتعددة له طبقة إضافية، لأن المراجع يمكن أن تتعارض مع بعضها بطرق محددة ومتكررة. هذه الطبقة الإضافية من التعارض هي ما يميز prompts الوسائط المتعددة عن نظيراتها الأحادية، وهي السبب في أن الـ prompt السلبي متعدد الوسائط يحتاج إلى صيانة منفصلة. القواعد السلبية أدناه هي التي نستخدمها عبر كل prompt متعدد الوسائط:

Universal multimodal negatives:
- no style bleed between image and video references
- no subject shift across shots (character must remain identical to Image #1 in every frame)
- no lighting conflict between reference and text description
- no environment copy from video reference (unless explicitly assigned)
- no costume drift between reference image and generated frames
- no camera move that contradicts the video reference's trajectory
- no audio sync drift between motion and rhythm input

أضف هذه إلى قسم الـ prompt السالب لكل توليد متعدد المدخلات. تعالج أوضاع الفشل الأكثر شيوعًا – المراجع التي تتنافس مع بعضها على السيطرة على جانب.

إضافات خاصة بكل نموذج:

• Seedance 2.5: no reference priority inversion (عندما تتسرب فتحة إلى دور فتحة أخرى).
• Veo 3.1: no off-slot reference contamination (عندما تؤثر الصورة #2 على الشخصية بدلاً من الأسلوب).
• Kling 3.0: no element slot bleed (عندما تؤثر فتحة الأداة على الشخصية).
• Wan 3.0: no start-end frame averaging (عندما يطمس النموذج الإطارات الرئيسية بدلاً من الاستيفاء).

الأسئلة الشائعة

ما هو prompt الفيديو متعدد الوسائط المرجعي؟ prompt يجمع بين أنواع متعددة من المدخلات – عادةً نصًا بالإضافة إلى صورة أو أكثر، وفيديوهات مرجعية، و/أو ملفات صوتية – مع تعليمات صريحة حول ما يتحكم فيه كل مدخل في الفيديو المولّد.

أي نماذج 2026 تدعم المدخلات المرجعية المتعددة؟ Seedance 2.5، Veo 3.1، Kling 3.0، وWan 3.0 جميعها تقبل بعض توليفات مراجع الصور والفيديو والصوت. Seedance 2.5 لديه أكبر ميزانية مراجع (حتى 50 أصلًا)، وهو ما يجعله الخيار الأمثل للمشاهد المعقدة متعددة الشخصيات؛ Veo 3.1 لديه أكثر تكامل صوتي اكتمالاً، وهو ما يجعله الأفضل عند بناء مشاهد حوارية وأصوات محيطية؛ Kling 3.0 يستخدم فتحات العناصر للتركيب على الصور فقط، وهو مناسب للمشاهد التي تتطلب فصلًا دقيقًا بين الشخصية والزي والأداة؛ Wan 3.0 يستخدم الإطارات الرئيسية للبداية/النهاية بالإضافة إلى conditioning الصوت، وهو خيار جيد للقطات الانتقالية حيث تريد تحكمًا دقيقًا في البداية والنهاية.

كيف أمنع المراجع من التعارض؟ عيّن لكل مرجع دورًا صريحًا في الـ prompt (شخصية، إضاءة، حركة، أسلوب، إيقاع). إذا كان النموذج يدعم علامات الأدوار، استخدمها. إذا لم يكن كذلك، اكتب تعيين الدور بنص عادي قبل وصف المشهد. راجع قسم مشكلة التوجيه أعلاه.

هل يمكنني استخدام فيديو مرجعي لكل من الحركة والبيئة؟ تقنيًا نعم، لكن لا ينبغي لك. إذا كنت تريد كليهما، وفّر مرجعين – واحد موسوم كحركة فقط، وواحد موسوم كبيئة فقط. النماذج تتعامل مع المراجع أحادية الدور بشكل أكثر موثوقية بكثير من المراجع متعددة الأدوار.

هل تعمل المراجع الصوتية للصوت والحوار؟ فقط في فتحة الصوت في Veo 3.1، وللهتافات القصيرة فقط. مزامنة الشفاه ليست موثوقة عبر معظم النماذج اعتبارًا من أكتوبر 2026، خاصة في اللهجات غير المدروبية وغير الموسيقية. للمشاهد التي يغلب عليها الحوار، ولّد صامتًا ودبلج في مرحلة ما بعد الإنتاج، فهذا يعطيك تحكمًا كاملاً في الكلمات والنبرة والإيقاع، وهو ما يتفوق حاليًا على أي نموذج توليد صوتي-بصري في وقت واحد.

كم عدد المراجع التي يمكنني استخدامها في وقت واحد؟ يعتمد على النموذج. Seedance 2.5 يحدد بـ 50 مرجع أصل؛ Veo 3.1 يقبل عادةً 3 صور + 2 فيديوهات + 1 صوت؛ Kling 3.0 يحدد بـ 4 فتحات عناصر؛ Wan 3.0 إطار بداية/نهاية + صوت. المزيد من المراجع لا يعني دائمًا مخرجًا أفضل – معظم prompts الإنتاجية تستخدم 2-4 مراجع وتعتمد على النص للباقي، لأن إضافة المزيد من المراجع تزيد من مخاطر التعارض بينها وتزيد من وقت المعالجة دون ضمان تحسين الجودة.

ما هو الخطأ الأكثر شيوعًا في prompts متعددة الوسائط؟ نسيان تعيين الأدوار. رفع المراجع دون إخبار النموذج بالجانب الذي يتحكم فيه كل منها يؤدي إلى أخذ عينات عشوائي وإعادة توليد غير متسقة. اكتب دائمًا تعيين الدور أولاً.

الخلاصة

توجيه الـ prompt المرجعي متعدد الوسائط للفيديو هو انضباط التوجيه – إخبار النموذج بأي مدخل يمتلك أي جانب من المخرج. بمجرد استيعاب ذلك، الباقي ميكانيكي: اختر مراجعك، وعيّن لكل منها دورًا، وصف المشهد، وأضف القواعد السلبية الصحيحة. هذه الخطوات الأربع هي جوهر أي prompt متعدد الوسائط ناجح، وهي التي تحول الـ prompt من تجربة عشوائية إلى عملية قابلة للتكرار.

القوالب الـ 12 أعلاه هي نقاط بداية. مشهد النماذج سيستمر في التحول – فتحة الـ 50 أصل في Seedance 2.5 من المرجح أن يُطابقها المنافسون في 2027، وسيصبح conditioning الصوتي عالميًا، وستحل مراجع الفيديو إلى الفيديو محل بعض مراجع الصور مع نضج التكنولوجيا. انضباط التوجيه يبقى ثابتًا رغم كل هذه التغيرات، لأن المبدأ الأساسي – إخبار النموذج بما تريده صراحةً – لا يتغير مع تطور البنية التحتية.

لقراءة أعمق في سير العمل المجاورة:

• prompts الصور متعددة المراجع لـ Seedance — تركيب مراجع الصور الخالصة على نطاق واسع
• prompts Seedance 2.5 — دليل النموذج وأنماط prompt الأساسية
• الصوت الأصلي بدقة 4K في Veo 3.1 — مجموعة الصوت في Veo بالتفصيل
• المقال المرافق لـ Ref2V — تعمق في الفيديو كمدخل
• prompts اتساق الشخصية بالذكاء الاصطناعي 2026 — الحفاظ على استقرار الشخصيات عبر اللقطات
• prompts تثبيت الشخصية من صورة إلى فيديو — تثبيت الشخصية من الإطار الأول

المراجع الخارجية المستخدمة في هذا المقال:

• تحليل ميزات Seedance 2.5 — mindstudio.ai
• دليل الـ 50 مرجع لـ Seedance 2.5 — seedance2ai.net
• صفحة نموذج Veo — DeepMind
• كتاب طبخ Veo — Google AI Studio

تمت المراجعة من قبل فريق تحرير videosprompt.org · أكتوبر 2026