كيفية إنشاء فيديو ناطق من صورة وتعليق صوتي خاص بك باستخدام P-Video-2 Pro Reference

طلب شائع من الأشخاص الذين ينشئون عروضًا توضيحية للمنتجات ومقدمات للدورات ومقاطع للتواصل الاجتماعي: «لدي صورة للمقدّم وتعليق صوتي سجلته مسبقًا. اجعل الشخص في الصورة يقول ذلك بالضبط». ينفّذ P-Video-2 Pro Reference من Pruna AI ذلك في طلب API واحد. ترسل الصورة كمرجع، وملفك الصوتي، وkeep_audio: true؛ وينشئ النموذج الفيديو حول مسارك الصوتي، مع حركة الشفاه والرأس التي تتبع الكلمات. يوضح هذا الدليل الطلب الفعلي، وتكلفته، ومقطعًا حقيقيًا أنشأناه أثناء كتابته.

ما الذي يفعله P-Video-2 Pro Reference؟

إنه نموذج لتحويل المرجع إلى فيديو. بدلًا من وصف كل شيء نصيًا، تقدّم له مواد يعمل انطلاقًا منها:

• صور مرجعية (حتى 9): تحدد شكل شخصية أو منتج، أو نمطًا معينًا.
• فيديوهات مرجعية (حتى 3، مدة كل منها من 2 إلى 15 ثانية، وبإجمالي 15 ثانية): حركة أو مشهد يجب اتباعه.
• صوت (حتى 3 ملفات، بإجمالي 15 ثانية).
• موجّه نصي يربط كل ذلك: يحدد مكان الشخص وما الذي يفعله.

الناتج مقطع مدته من 5 إلى 15 ثانية مع صوت، بدقة 480p أو 768p، في وضع Speed أو Cost، وبنسب عرض إلى ارتفاع من 16:9 إلى 9:16 أو «adaptive» (باتباع المراجع). يلزم تقديم مرجع صورة أو فيديو واحد على الأقل.

keep_audio: صوتك وكلماتك

يحمل الإدخال الصوتي معنيين مختلفين جدًا، ويبدّل keep_audio بينهما:

• من دون keep_audio (الإعداد الافتراضي)، يكون الصوت مجرد عينة. يحاكي النموذج الصوت أو النغمة، لكن لا يُوضع ملفك في المقطع، وقد تختلف الكلمات.
• مع keep_audio: true وملف صوتي واحد بالضبط، يصبح ذلك الملف المسار الصوتي. الصوت نفسه والكلمات نفسها؛ وينشئ الفيديو (الحركة والشفاه) ليتوافق معه.

كيف تتفاعل مدة المسار مع duration: إذا كان صوتك أقصر من المدة، فسيُشغّل أولًا وينشئ النموذج الجزء المتبقي؛ وإذا كان أطول، فسيُقص إلى المدة؛ وإذا كانت مدته ضمن ثانية واحدة من المدة، فسيتبع المقطع طول الصوت. لذلك اختر مدة قريبة من مدة التعليق الصوتي. لا يغيّر keep_audio السعر.

السعر

يُسعّر المقطع لكل عملية إنشاء بناءً على ثلاثة عناصر: ثواني الناتج (حسب الوضع والدقة)، بالإضافة إلى كل صورة مرجعية، وثواني الفيديو والصوت المرجعيين. أرخص تركيبة هي 480p في وضع Cost. يوجد جدول الشرائح الكامل في صفحة نموذج P-Video-2 Pro Reference.

بما أن السعر يعتمد على مدخلاتك الدقيقة، اطلب عرض سعر قبل الإنشاء. نقطة نهاية عرض السعر مجانية وتعيد quoteId يمكنك ربط المهمة به:

curl https://getvibeapi.com/api/media/price \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d @request.json

# عرض السعر الخاص بنا في 22 أكتوبر 2026 للطلب أدناه
# (7 s، 480p، وضع Cost، صورة واحدة، مسار صوتي واحد، keep_audio):
{"ok":true,"priceUsd":0.165625,"isEstimate":false,"chargeBasis":"quote","quoteId":"mq_…","quoteTtlSeconds":900}

عرض السعر هو الحد الأقصى: لا تُقاس المراجع قبل الإرسال، لذلك يفترض كامل الحد المسموح به (مثلًا، كامل مدة 15 ثانية للصوت المرجعي عند إرسال أي صوت). فُوترة مهمتنا بالمبلغ المذكور في عرض السعر بالضبط.

خطوة بخطوة: صورة + تعليق صوتي ← مقطع ناطق

1. جهّز ملفين متاحين للعامة

تحتاج إلى عنوان URL عام عبر HTTPS للصورة الشخصية (تعمل أفضل صورة واضحة أمامية للرأس والكتفين) وآخر للتعليق الصوتي (MP3 أو WAV). في اختبارنا أنشأنا مقدّمة خيالية باستخدام Nano Banana 2.1 وتعليقًا صوتيًا إنجليزيًا مدته 7.3 ثانية باستخدام gpt-4o-mini-tts، وكلاهما عبر مفتاح API نفسه. ويعمل أي تسجيل صوتي خاص بك بالطريقة نفسها.

2. أرسل المهمة

import os, time, requests

API = "https://getvibeapi.com"
HEADERS = {"Authorization": f"Bearer {os.environ['GETVIBE_API_KEY']}"}

body = {
    "model": "p-video-2-pro-reference",
    "prompt": "تتحدث المرأة الموجودة في الصورة المرجعية بدفء إلى الكاميرا في مخبز مريح، "
              "مع حركة طبيعية للرأس وتزامن الشفاه مع التعليق الصوتي",
    "opts": {
        "mode": "cost",            # أرخص وضع؛ "speed" أسرع
        "resolution": "480p",      # أو "768p"
        "duration": "7",           # قريب من مدة التعليق الصوتي (7.3 s)
        "aspect_ratio": "16:9",
        "reference_image_urls": ["https://your-cdn.example/presenter.jpg"],
        "reference_audio_urls": ["https://your-cdn.example/voiceover.mp3"],
        "keep_audio": True,        # استخدم هذا المسار كمسار صوتي، لا كعينة
    },
}

job = requests.post(f"{API}/api/media/generate", json=body, headers=HEADERS).json()
print(job["jobId"], job["status"], job["priceRub"])

يُسمى الحقل priceRub لأسباب تاريخية؛ لكنه يحمل على getvibeapi.com قيمة بالدولار الأمريكي، وهي الرقم نفسه الذي أعاده عرض السعر.

3. استعلم عن النتيجة

while True:
    r = requests.get(f"{API}/api/media/jobs/{job['jobId']}", headers=HEADERS).json()
    if r["status"] in ("success", "fail"):
        break
    time.sleep(10)

print(r["status"], r["resultUrls"])

بالنسبة إلى دفعات الإنتاج، استخدم webhook بدلًا من الاستعلام المتكرر؛ راجع webhooks الخاصة بالوسائط. تنتهي صلاحية روابط النتائج بعد نحو أسبوع، لذا انسخ الملف إلى وحدة التخزين الخاصة بك.

ما الذي حصلنا عليه؟

اكتملت مهمتنا خلال بضع دقائق بحالة success. وكانت النتيجة ملف MP4: بأبعاد 832×480، ومدته 7.33 ثانية، ويحتوي على مسار صوتي. أجرينا عليه الفحوصات التالية:

• الصوت صوتنا. قارنّا مسار الصوت في المقطع بعينة التعليق الصوتي الأصلية عينةً بعينة: بلغ الارتباط 0.99998 عند إزاحة صفرية. احتفظ النموذج بالملف، ولم ينشئ تقليدًا معاد تسجيله للصوت.
• الوجه محفوظ. تُظهر الإطارات عند 1 و3 و5 ثوانٍ المرأة نفسها الموجودة في الصورة المرجعية (الشعر والأقراط والقميص الكتاني الأخضر)، وهي الآن في مخبز كما طلب الموجّه، وتتحدث مع حركة واضحة للفم.
• المدة تتبع المسار. أدى تعليق صوتي مدته 7.3 ثانية مع duration: "7" إلى إنتاج مقطع مدته 7.33 ثانية، كما تتوقع قاعدة الثانية الواحدة.

تُعد دقة 480p في وضع Cost مناسبة للمعاينات وتنسيقات التواصل الاجتماعي الصغيرة. أما للنسخة النهائية، فنفّذ الطلب نفسه بدقة 768p بعد أن تصبح راضيًا عن الموجّه.

نصائح وحدود

• أرسل ملفًا صوتيًا واحدًا بالضبط مع keep_audio؛ فعند إرسال ملفين أو ثلاثة، يُرفض الطلب مع ظهور خطأ واضح.
• اجعل مدة التعليق الصوتي 15 ثانية أو أقل. بالنسبة إلى النصوص الأطول، قسّمها إلى عدة مقاطع ثم ادمجها.
• تُحتسب تكلفة كل صورة مرجعية، بما في ذلك first_frame_url وlast_frame_url. عادةً ما تكفي صورة شخصية واحدة جيدة.
• صف المكان وطريقة التحدث في الموجّه («هادئ، يشرح»، «مبتسم، مفعم بالطاقة»)؛ فالكلمات تأتي من الصوت الذي تقدمه.
• استخدم فقط الصور والأصوات التي تملك حقوق استخدامها. لا تنتحل شخصية أشخاص حقيقيين من دون موافقتهم.

تُدرج نماذج فيديو أخرى، بما في ذلك خيارات تحويل النص إلى فيديو وتحويل الصورة إلى فيديو، في صفحة النماذج، كما يشرح تحويل الصور والفيديو والصوت عبر API واحد سير عمل مهام الوسائط بشكل عام. مرجع الطلب الكامل: مستندات إنشاء الوسائط.

أين يكون هذا مفيدًا؟

تناسب المقاطع الناطقة المبنية من صورة ثابتة وتعليق صوتي جاهز أي سير عمل تكون فيه الكلمات محددة مسبقًا والوجه نفسه في كل مرة:

• إعلانات المنتجات والميزات. سجّل نصًا مدته 10 ثوانٍ مرة واحدة، واجعل مقدّمك يلقيه أمام خلفيات مختلفة عبر تغيير الموجّه فقط.
• مقدمات الدورات والتعريف بالموظفين الجدد. مضيف ثابت لكل درس من دون حجز استوديو لكل درس.
• النسخ المحلية. سجّل التعليق الصوتي أو أنشئه بلغة أخرى، ثم أنشئ مقطعًا متطابقًا؛ إذ تتبع الشفاه الصوت الجديد.
• مقاطع دعم العملاء. مقاطع قصيرة من نوع «إليك كيفية تنفيذ X»، حيث تكون دقة الكلمات أهم من الحركة السينمائية.

هناك أمران ليس هذا الحل مخصصًا لهما: أداة صور رمزية طويلة الصيغة (كل عملية إنشاء مدتها 15 ثانية كحد أقصى)، وطريقة لتحرير فيديو موجود. ولتغيير مظهر لقطات لديك مسبقًا، راجع Kling 3.0 Omni Transformation.

الأسئلة الشائعة

هل يمكنني جعل صورة تتحدث بصوتي المسجّل؟

نعم. أرسل الصورة في reference_image_urls، وتسجيلك باعتباره العنصر الوحيد في reference_audio_urls، وkeep_audio: true. يصبح التسجيل المسار الصوتي للمقطع، وتُنشأ الشفاه لتتطابق معه.

ماذا يحدث من دون keep_audio؟

يُستخدم الصوت فقط كعينة للمحاكاة. لا يظهر ملفك في الناتج، وقد يختلف الكلام في المقطع.

ما أقصى مدة يمكن أن يبلغها المقطع؟

من 5 إلى 15 ثانية لكل عملية إنشاء. ويقتصر الصوت المرجعي على 15 ثانية إجمالًا.

كم تبلغ تكلفة المقطع الناطق؟

يعتمد ذلك على المدة والدقة والوضع والمراجع التي ترسلها. احصل على رقم دقيق من نقطة النهاية المجانية /api/media/price قبل الإنشاء؛ ويظهر أعلاه مقطعنا الذي مدته 7 ثوانٍ بدقة 480p في وضع Cost مع صورة واحدة ومسار صوتي واحد. تتوفر الشرائح الحالية في صفحة النموذج.

هل يحمل الناتج علامة مائية؟

لم نرَ أي علامة مائية على مقطعنا.