شاهکار ویدیویی استودیو یوتوپای: هوش مصنوعی Utopai X حتی مدل پایه‌اش را هم شکست داد!

درخشش Utopai X؛ شاگردی که استاد خود یعنی MiniMax H3 را پشت سر گذاشت!

استودیو یوتوپای (Utopai Studios) از جدید‌ترین مدل تبدیل متن به ویدیو همراه با صدا به نام Utopai X رونمایی کرد؛ مدلی جذاب که روی پایه‌های هوش مصنوعی MiniMax H3 ساخته شده است. طبق ارزیابی‌های معتبر بنچمارک Artificial Analysis (در جدول رده‌بندی AA-Video-T2V v2.0)، این مدل تازه‌نفس توانسته جایگاه دوم جهان را تصاحب کند؛ یعنی درست پشت سر غول ویدیویی علی‌بابا یعنی Wan 3.0 و بالا‌تر از رقیب سرسختی مثل Dreamina Seedance 2.5 از بایت‌دنس!

نکته شگفت‌انگیز ماجرا اینجاست که Utopai X در میان تمام مدل‌های خانواده H3 در صدر جدول قرار گرفته و هم از خودِ نسخه اصلی MiniMax H3 و هم از مدل H3 Max پلتفرم fal جلو زده است. این نتیجه به‌خوبی ثابت می‌کند که یک پس‌آموزش (Post-training) تخصصی و هوشمندانه می‌تواند بدون نیاز به آموزش از صفر یک مدل پایه، عملکرد آن را به طرز چشمگیری مطابق سلیقه و نیازهای فیلم‌سازان و سازندگان تیزرهای تبلیغاتی ارتقا دهد.

البته در حال حاضر برنامه‌نویسان و توسعه‌دهندگان فقط از طریق پلتفرم تحت وب اختصاصی این شرکت به اسم PAI می‌توانند به Utopai X دسترسی داشته باشند. یوتوپای هنوز هیچ API عمومی برای آن معرفی نکرده و در اسناد معرفی مدل نیز جزئیاتی درباره داده‌های آموزشی، روش‌های بهینه‌سازی، بودجه محاسباتی، تست‌های ایمنی یا تنظیمات استنتاج فاش نکرده است.

کوک کردن H3 برای جادوی سینما و هنر فیلم‌برداری

تیم یوتوپای با اعمال مراحل آموزشی تکمیلی روی MiniMax H3، خروجی‌های این مدل پایه را حول محور حرکات سینمایی، تکنیک‌های حرفه‌ای دوربین، نورپردازی طبیعی، بافت متریال‌ها و از همه مهم‌تر صدای هماهنگ‌شده صیقل داده است. در دنیای هوش مصنوعی، فرایند پس‌آموزش معمولاً با استفاده از داده‌های گلچین‌شده و سیگنال‌های ترجیحی انسانی تلاش می‌کند تا یک مدل عمومی را برای کاربردی کاملاً تخصصی آماده کند.

مینی‌مکس مدل H3 را یک سیستم چندوجهی قدرتمند معرفی می‌کند که توانایی درک هم‌زمان متن، تصویر، ویدیو و صدا را دارد و می‌تواند کلیپ‌هایی تا سقف ۱۵ ثانیه با رزولوشن 2K و صدای استریوی بومی تولید کند. با این حال، استودیو یوتوپای هنوز محدودیت‌های فنی اختصاصی مثل حداکثر طول هر کلیپ یا رزولوشن تولید مستقل را برای Utopai X به‌طور رسمی اعلام نکرده است.

پلتفرم PAI این هوش مصنوعی را در قالب یک گردش کار ساختاریافته فیلم‌سازی ارائه می‌دهد که صفر تا صد طراحی کاراکتر، خلق پلان‌ها، تدوین و سرهم کردن سکانس‌ها را در بر می‌گیرد. این پلتفرم همچنین هویت کاراکترها، فضاها و پیوستگی داستان را در پلان‌های مختلف دنبال می‌کند؛ مشکلی بزرگ به نام «حفظ تداوم صحنه» (Continuity) که مدل‌های ویدیوساز معمولی کاربر را با آن تنها می‌گذارند!

نحوه دسترسی و هزینه‌ها در پلتفرم PAI

استفاده از مدل Utopai X اصلاً ارزان تمام نمی‌شود! یوتوپای برای هر ثانیه خروجی ویدیویی ۹۳ کردیت از حساب PAI کاربر کسر می‌کند. اشتراک پایه این پلتفرم ماهانه ۱۵ دلار قیمت دارد و شامل ۱,۰۰۰ کردیت است؛ یعنی اگر تمام کردیت‌هایتان را برای این مدل خرج کنید، دست‌آخر تنها حدود ۱۰.۸ ثانیه ویدیو نصیبتان می‌شود!

با یک حساب سرانگشتی، هزینه تولید هر دقیقه ویدیو با Utopai X در پلن پایه حدود ۸۳.۷۰ دلار آب می‌خورد! البته این تخمین فقط بر اساس تخصیص کردیت ماهانه است و بدون احتساب ویژگی‌های دیگر پلتفرم، بسته‌های شارژ مجدد یا سطوح اشتراک بالا‌تر سنجیده شده است. از طرفی، قیمت API مدل‌های دیگر نیز رزولوشن‌ها و تنظیمات پردازشی متفاوتی را پوشش می‌دهند، بنابراین این ارقام بیش‌تر معیاری برای دید کلی هستند تا مقایسه مستقیم هزینه به ازای هر خروجی.

برگ‌های برنده Utopai X در کجا رو شدند؟

موسسه بنچمارک Artificial Analysis سیستم‌های تبدیل متن به ویدیو را در ۱۰ قابلیت فنی و ۱۰ کاربرد عملی ارزیابی می‌کند. نتایج نسخه AA-Video-T2V v2.0 نشان می‌دهد که Utopai X در صداگذاری، شبیه‌سازی رفتارهای فیزیکی، نورپردازی، بازنمایی بافت‌ها و کنترل زوایای دوربین تقریباً در بالا‌ترین پله‌ها ایستاده است.

• همگام‌سازی صدا (Audio Synchronization): رتبه اول (با اختلاف اندک بالا‌تر از Gemini Omni Flash 1.1 و Dreamina Seedance 2.5)
• فیزیک و دینامیک حرکات (Physics): رتبه اول
• نورپردازی و بافت متریال‌ها (Lighting and Materials): رتبه دوم (پس از Wan 3.0)
• کنترل حرکت دوربین (Camera Control): رتبه دوم (پس از Wan 3.0)
• محتوای شبکه‌های اجتماعی و تولیدکنندگان محتوا (Social Media and Creator Content): رتبه اول
• کاربردهای پیشگام و مرز دانش (Frontier): رتبه اول
• معماری و املاک (Architecture and Real Estate): رتبه اول
• کاربردهای عمومی و مصرف‌کننده (Consumer): رتبه دوم (پس از Wan 3.0)
• بازاریابی و تبلیغات تجاری (Marketing and Advertising): رتبه دوم (پس از Wan 3.0)

در نتایج تفصیلی، Utopai X در ۷ قابلیت از ۱۰ قابلیت فنی و همچنین ۷ مورد از ۱۰ سناریوی کاربردی، عملکردی بسیار نزدیک‌تر به صدرنشین مسابقه نسبت به نسخه اولیه MiniMax H3 از خود نشان داده است. بزرگ‌ترین برتری‌های این مدل نسبت به مدل پایه در سینک دقیق صدا، کنترل حرکات دوربین، قوانین فیزیک، و همچنین حوزه‌های انیمیشن و بازی‌سازی، محتوای شبکه‌های اجتماعی و آزمایش‌های مرز دانش به چشم می‌خورد.

شاید بپرسید این معیارها دقیقاً چه چیز‌هایی را می‌سنجند؟ «همگام‌سازی صدا» مواردی مثل صداهای درون صحنه (صدای پا یا تصادف اشیاء)، موسیقی متن و تطابق صدای داخل و بیرون کادر را ارزیابی می‌کند. «فیزیک» شامل مکانیک حرکت، پدیده‌های حرارتی، برخورد و شکستن اجسام، تغییر شکل، اپتیک و روابط علت و معلولی است. بخش «نورپردازی و متریال‌ها» نیز میزان نور، سایه‌روشن‌ها، دمای رنگ، و طبیعی بودن بافت پارچه، مو و پوست حیوانات را زیر ذره‌بین می‌برد.

آنچه رتبه‌بندی‌ها به شما نمی‌گویند!

رتبه‌بندی AA-Video-T2V v2.0 بر اساس سیستم امتیازدهی شبیه به Elo و بر مبنای ترجیحات انسانی شکل گرفته است؛ به این معنی که با ثبت رأی‌ها و افزوده شدن مدل‌های جدید، این جایگاه‌ها ممکن است جابه‌جا شوند. این امتیازها نشان‌دهنده ترجیح کیفی ارزیاب‌ها در برابر پرامپت‌ها و ساختار خاص همین بنچمارک است.

با این حال، این جدول‌ها فاکتورهای حیاتی دنیای واقعی تولید محتوا را در نظر نمی‌گیرند؛ مواردی مانند پایداری API، زمان پاسخ‌دهی (Latency)، فیلترهای اخلاقی و نظارتی، قوانین کپی‌رایت، قابلیت ویرایش پلان‌ها، هزینه‌های واقعی پروژه و حفظ پیوستگی در سراسر یک سکانس کامل. از همین رو، گردش کار چندپلانی پلتفرم PAI باید در سناریوهای واقعی همراه با فیلم‌نامه، دیالوگ‌ها و ویرایش‌های پشت سر هم محک بخورد.

از سوی دیگر، پنهان نگه‌داشتن جزئیات پس‌آموزش باعث شده که بازتولید این نتایج برای جامعه پژوهشی ناممکن باشد. محققان مستقل هنوز نمی‌دانند این جهش عملکردی چشمگیر دقیقاً مدیون کیفیت داده‌های آموزشی بوده، یا بهینه‌سازی ترجیحات انسانی، مهندسی پرامپت داخلی و تنظیمات زمان استنتاج در آن نقش اصلی را ایفا کرده‌اند.

مدل Wan علی‌بابا همچنان پرچمدار همه‌فن‌حریف میدان

مدل Wan 3.0 علی‌بابا کماکان صدرنشینی کل جدول را در دست دارد و از طیف گسترده‌تری از ورودی‌های خلاقانه پشتیبانی می‌کند. به گفته علی‌بابا، این مدل می‌تواند ویدیوهایی تا ۳۰ ثانیه با کیفیت 1080p همراه با صدای بومی تولید کند و علاوه بر متن، انواع تصاویر، ویدیوها، صداها، اسناد و حتی صفحات وب را به عنوان رفرنس ورودی بپذیرد.

در نقطه مقابل، یوتوپای تمرکز اصلی محصول خود را روی خلق نماهای سینمایی و حفظ تداوم روایی درون یک محیط کاری استودیویی گذاشته است. دقیقاً به همین خاطر است که بیش‌ترین درخشش Utopai X در بخش‌هایی مثل هماهنگی صدا، حرکات دوربین، قوانین فیزیک و بازتولید متریال‌ها رقم خورده است.

استراتژی استودیویی؛ از نرم‌افزار تا پرده نقره‌ای سینما

استودیو یوتوپای هم‌زمان نقش یک کمپانی فیلم‌سازی و یک شرکت توسعه نرم‌افزار را بازی می‌کند. این استودیو اعلام کرده که سه فیلم سینمایی و دو سریال را برای اکران در سال ۲۰۲۷ در دست تولید دارد؛ برنامه‌ای جاه‌طلبانه که به تیم هوش مصنوعی آنها اجازه می‌دهد مدل‌های خود را در یک خط تولید ویدیویی واقعی و حرفه‌ای مورد آزمایش قرار دهند.

در به‌روزرسانی تاریخ ۱۵ آوریل ۲۰۲۶، یوتوپای اعلام کرد که ایجنت داستانی پلتفرم PAI موسوم به Story Agent می‌تواند سکانس‌های پیوسته ۳ دقیقه‌ای با کیفیت خیره‌کننده 4K رندر کند! جالب‌تر اینکه این شرکت تنها در ۶۰ روز نخست فعالیت خود، از محل فروش لایسنس تجاری به شرکت‌های فیلم‌سازی موفق به ثبت درآمد سالانه تکرارشونده (ARR) ۱۱ میلیون دلاری شده است.

البته این سکانس‌های ۳ دقیقه‌ای حاصل گردش کار چندمرحله‌ای PAI هستند، در حالی که خودِ مدل H3 به تولید کلیپ‌های حداکثر ۱۵ ثانیه‌ای محدود است. یوتوپای هنوز علناً توضیح نداده که این پلتفرم چگونه پلان‌ها را به هم پیوند می‌دهد و سکانس‌های طولانی را رندر می‌کند؛ رازی در لایه ارکستراسیون که به برگ برنده و دارایی باارزش این شرکت تبدیل شده است.

این مدل در حال حاضر به کار چه کسانی می‌آید؟

• توسعه‌دهندگان اپلیکیشن و برنامه‌نویسان: در حال حاضر Utopai X هیچ مسیر اتصال مستقیمی مثل API ارائه نمی‌دهد. بنابراین اگر دنبال راه‌اندازی پروژه‌های نرم‌افزاری هستید، مدل پایه MiniMax H3 با ارزان‌ترین قیمت API گزینه‌ای در دسترس‌تر است و مدل Wan 3.0 نیز با پذیرش انواع ورودی‌ها و صدرنشینی در بنچمارک انتخاب بهتری به شمار می‌رود.
• تیم‌های فیلم‌سازی و آژانس‌های تبلیغاتی: پلتفرم PAI مدل Utopai X را در کنار ابزار‌های ساخت کاراکتر، طراحی شات و حفظ پیوستگی صحنه‌ها ارائه می‌دهد. برای این دسته از کاربران، تست کامل سناریوها با فیلم‌نامه واقعی، کاراکترهای ثابت و دیالوگ‌ها ضروری خواهد بود تا ارزش واقعی این ابزار نمایان شود.
• پژوهشگران و محققان هوش مصنوعی: مدل Utopai X گواه زنده‌ای است بر اینکه پس‌آموزش اختصاصی روی یک حوزه مشخص می‌تواند در آزمون‌های ترجیح انسانی، حتی مدل پایه مادر را پشت سر بگذارد. با این حال، تکرار یا تحلیل دقیق این دستاورد تا زمان انتشار مقالات و جزئیات فنی یوتوپای در هاله‌ای از ابهام باقی می‌ماند.