یک ویدیوی ده‌دقیقه‌ای آموزش آشپزی را در آشپزخانهٔ خوابگاه ضبط کرده‌اید. تدوین، اصلاح رنگ و برش‌ها تمام شده، اما سه شب دیگر وقت می‌برد تا عنوان مناسب پیدا کنید، طرح تامنیل را بسازید، زیرنویس‌ها را هماهنگ کنید و متن توضیحات را بنویسید. همین کارهای دور ویدیو را میشود با هوش مصنوعی برای یوتیوب کوتاه‌تر کرد. در این راهنما می‌بینید کدام بخش‌ها را می‌توانید به هوش مصنوعی بسپارید و کدام کارها با خود شما می‌ماند؛ دو نمونهٔ واقعی هم کنار راهنماست.
کاربرد هوش مصنوعی برای یوتیوب در فرایند تولید
برای این‌که کانال هویتش را نگه دارد، اول روشن کنید هوش مصنوعی کجا کار میکند و کجا نه. فقط بخش‌های تکراری و وقت‌گیر را به آن بسپارید و حرف اصلی کانال را خودتان بزنید. جدول زیر نشان می‌دهد هر کار با کدام ابزار گیسو انجام میشود و چه بخشی با خود شما می‌ماند:
| کار | ابزار در گیسو | چه کاری با خود شماست |
|---|---|---|
| ایده‌پردازی و عنوان | چت با هوش مصنوعی | انتخاب نهایی ایده و بررسی رقبا |
| طراحی ساختار (اسکریپت) | چت | بازخوانی متن و حفظ لحن شخصی |
| نریشن و صداگذاری | متن به گفتار | گفتن به بیننده که صدا ساخت هوش مصنوعی است |
| نماهای کوتاه (B-roll) | ساخت ویدیو با هوش مصنوعی | فیلم‌برداری از چهره و آموزش اصلی |
| موسیقی ابتدا و انتها | ساخت آهنگ با هوش مصنوعی | بررسی قوانین حق نشر (کپی‌رایت) |
| پس‌زمینهٔ تامنیل | ابزار تصویر در «تولید محتوا» | اضافه کردن عنوان فارسی در برنامهٔ طراحی |
| استخراج زیرنویس | تبدیل صدا به متن (SRT) | اصلاح نام‌های خاص و اصطلاحات |
| فصلبندی و توضیحات | چت | بررسی و جای‌گذاری در YouTube Studio |
ایده ویدیو یوتیوب با هوش مصنوعی و انتخاب عنوان
پیدا کردن زاویهٔ تازه برای ویدیو سخت است و مدل زبانی برای طوفان فکری همکار خوبی است؛ انتخاب با شماست. برای یک کانال آشپزی دانشجویی، در متن درخواست (پرامپت) از gemini-3.6-flash خواستیم سه ایده به ما بدهد که عنوان آن‌ها زیر ۶۰ نویسه باشد، ایدهٔ تامنیل را توصیف کند و جملهٔ شروع ویدیو را نیز بنویسد.
موضوع کانال: آشپزی سریع با وسایل کم برای دانشجوهای خوابگاهی
سه ایدهٔ ویدیو بدهید. برای هر ایده:
- عنوانی حداکثر ۶۰ نویسه که کنجکاوی بسازد ولی فریب ندهد؛
- ایدهٔ تصویر تامنیل: چه چیزی در تصویر باشد و چه متن ۲ تا ۴ کلمه‌ای روی آن بیاید؛
- جملهٔ ۱۵ ثانیهٔ اول که بیننده را نگه دارد.
فهرست شماره‌دار بنویسید، بدون مقدمه.
1. ایده اول: پیتزا لیوانی مایکروفری
- عنوان: پیتزا توی لیوان؟ غذای ۳ دقیقه‌ای خوابگاه (۴۱ نویسه)
- تصویر تامنیل: یک لیوان سرامیکی بزرگ که پنیر پیتزای کش‌آمده از آن بیرون زده، کنار چهره تعجب‌کرده مجری. متن روی عکس: «پیتزا فقط با لیوان!»
- جملهٔ ۱۵ ثانیه اول: اگه توی خوابگاه نه فر داری نه ماهیتابه، فقط همین لیوان و مایکروفر کثیف خوابگاه رو بردار تا بهت بگم چطور توی ۳ دقیقه یه پیتزای کش‌دار واقعی بسازی!
2. ایده دوم: آشپزی با کتری برقی
- عنوان: آشپزی با کتری برقی! نجات دانشجوها در شب امتحان (۵۰ نویسه)
- تصویر تامنیل: یک کتری برقی در حال جوشیدن که نودل و تخم‌مرغ از درِ باز آن دیده میشود. متن روی عکس: «پخت شام با کتری؟»
- جملهٔ ۱۵ ثانیه اول: امشب گاز خوابگاه قطعه یا حوصله ظرف شستن نداری؟ دست نگه دار، با همون کتری برقی روی میزت قراره یه شام کامل و داغ درست کنیم!
3. ایده سوم: شام یک‌قابلمه‌ای ۳ قالبه
- عنوان: شام ۱۰ دقیقه‌ای خوابگاه فقط با ۳ قلم جنس (۴۲ نویسه)
- تصویر تامنیل: یک ماهیتابه روحی ساده روی پیک‌نیک که غذایی اشتهاآور در آن می‌سوزد و ۳ دسته‌بندی ساده مواد اولیه کنار آن است. متن روی عکس: «شام لذیذ و ارزان»
- جملهٔ ۱۵ ثانیه اول: با کمتر از قیمت یه کیک و آبمیوه و فقط با یه ماهیتابه، میخام رویکردت رو به غذای خوابگاه عوض کنم؛ این شام کلا ۱۰ دقیقه وقتت رو می‌گیره!
دو ایدهٔ اول (پیتزا در لیوان و آشپزی با کتری برقی) به کار می‌آیند و عنوان‌ها زیر ۶۰ نویسه مانده‌اند. ولی عددی که مدل کنار هر عنوان نوشته (۴۱، ۵۰ و ۴۲ نویسه) درست نیست؛ طول واقعی ۴۰، ۴۶ و ۴۰ نویسه است. مدل‌های زبانی نویسه را دقیق نمی‌شمارند، پس طول را خودتان بسنجید. جمله‌های شروع خودمانی‌اند، با «تو» و علامت تعجب. این لحن به بعضی کانال‌ها می‌خورد؛ اگر در ویدیوهایتان بیننده را «شما» خطاب می‌کنید، همین را صریح در پرامپت بنویسید. ایدهٔ سوم ضعیف‌تر است: نامش («شام یک‌قابلمه‌ای ۳ قالبه») روشن نیست، تامنیلش به‌جای قابلمه ماهیتابه نشان می‌دهد و در توصیفش غذا «می‌سوزد»، و جملهٔ شروعش قیمت را مقایسه میکند. پس خروجی را کلمه‌به‌کلمه بخوانید و پیش از ساخت ویدیو، عبارت‌ها را در جست‌وجوی خود یوتیوب امتحان کنید تا ببینید مردم واقعاً دنبالشان می‌گردند یا نه.
نوشتن ساختار ویدیو و قلاب ابتدایی
متنی که مدل از اول تا آخر بنویسد معمولاً مصنوعی خوانده میشود و بیننده لحن ماشینی را تشخیص می‌دهد. بهتر است یادداشت‌های خام خود را به چت بدهید و فقط ساختار ویدیو را بخواهید. ۱۵ ثانیهٔ اول، یا همان قلاب (Hook)، معمولاً تعیین میکند بیننده می‌ماند یا ویدیو را می‌بندد.
مدل‌ها می‌توانند اطلاعات شما را دسته‌بندی کنند. اگر لحن خروجی شبیه شما نبود، آن را با صدای بلند بخوانید و بخش‌هایی را تغییر دهید. همچنین می‌توانید از تکنیک‌های بازنویسی متن با هوش مصنوعی کمک بگیرید تا جملات به زبان گفتار شما نزدیک‌تر شوند.
تولید صدا، نماهای تکمیلی و پس‌زمینهٔ کاور
بسیاری از سازندگان محتوا امکان یا علاقه به حضور مقابل دوربین ندارند. شما می‌توانید متن ویدیو را بنویسید و خواندنش را با تبدیل متن به صدای گوینده به هوش مصنوعی بسپارید. مدل‌های متن به گفتار جمینای (Gemini)، مثل gemini-3.8-flash-tts، ۳۰ صدا و یک دستور «حالت گفتار» دارند و فارسی را طبیعی می‌خوانند؛ در OpenAI هم gpt-4o-mini-tts دستور لحن می‌گیرد. به بیننده بگویید صدا ساخت هوش مصنوعی است. جزئیات آماده کردن متن و انتخاب صدا در راهنمای نریشن و صداگذاری ویدیو با هوش مصنوعی آمده است.
گاهی در حین تدوین متوجه می‌شوید که نمای مناسبی برای پر کردن تصویر ندارید (اصطلاحاً B-roll کم آورده‌اید). وئو ۳٫۱ (Veo 3.1) کلیپ ۴، ۶ یا ۸ ثانیه‌ای با صدا می‌سازد. سورا ۲ (Sora 2) هم کلیپ ۴، ۸ یا ۱۲ ثانیه‌ای با صدا می‌سازد. این کلیپ‌ها برای نشان دادن یک محیط، طبیعت یا اشیا به کار می‌آیند. چهرهٔ آدم مشهور یا هر شخص واقعی را از آن‌ها نخواهید؛ شباهت به شخص مشخصی را قول نمی‌دهیم.
برای موسیقی ابتدا و انتهای ویدیو، لیریا (Lyria)، مدل موسیقی Google، با گزینهٔ «کلیپ کوتاه» قطعه‌ای تا ۳۰ ثانیه می‌سازد. سبک، تمپو و سازها را توصیف کنید و «بدون کلام» را هم بنویسید. برای استفادهٔ تجاری، شرایط خود سرویس‌دهندهٔ مدل را بخوانید؛ قرارداد جداگانه‌ای دربارهٔ آن نداریم.
در نهایت، برای طراحی تامنیل (کاور ویدیو) پس‌زمینه و اشیای تصویر را به یک مدل تصویر بسپارید. مدل‌های تصویر حروف فارسی را خوب نمی‌کشند. پس بهتر است فضایی خالی در تصویر در نظر بگیرید و کلمات را در نرم‌افزارهای گرافیکی خود اضافه کنید. ترفندهای این کار را در ساخت کاور با هوش مصنوعی آموزش داده‌ایم.
زیرنویس یوتیوب با هوش مصنوعی، فصلبندی و توضیحات
زیرنویس، توضیحات و فصلبندی (Chapters) به بیننده کمک میکند ویدیو را دنبال کند و بخشی را که می‌خواهد پیدا کند؛ نوشتن دستی‌شان اما وقت زیادی می‌گیرد. صدای ویدیوی تدوین‌شده را (تا ۲۵ مگابایت) در «تولید محتوا» ← «گفتار به متن» بارگذاری کنید، مدل را gemini-3.5-transcribe یا whisper-1 بگذارید (GPT Transcribe و gpt-4o-transcribe فقط متن ساده می‌دهند)، زبان را «فارسی» و قالب خروجی را SRT. نام‌ها و اصطلاح‌های فایل SRT را یک بار درست کنید و بعد آن را در YouTube Studio بارگذاری کنید.
حالا همان متن را به یک مدل متنی بدهید تا کارهای بعدی را انجام دهد. در مثال زیر، یک متن زماندار کوتاه از ویدیوی آشپزی (نمونه‌ای که خودمان نوشتیم) را به gemini-3.6-flash دادیم و سه کار خواستیم:
۱. توضیحات ویدیو در حداکثر ۸۰ کلمه، با جملهٔ اولی که موضوع را روشن بگوید.
۲. فصلبندی ویدیو (Chapters) با همان زمان‌های متن؛ هر فصل یک عنوان کوتاه، و فصل اول از 00:00.
۳. پنج برچسب (Tag) مرتبط.
چیزی را که در متن نیست اضافه نکنید.
متن:
00:00 سلام، امروز با یک قابلمه و ده دقیقه وقت، ماکارونی با سس گوجه درست می‌کنیم.
00:40 وسایل: یک قابلمه، یک قاشق و یک چاقوی کوچک. اجاق خوابگاه هم کافی است.
01:25 اول آب را جوش می‌آوریم و نمک می‌زنیم. ماکارونی را می‌ریزیم و هم می‌زنیم.
03:10 در همین فاصله گوجه و سیر را خرد می‌کنیم.
04:30 آب ماکارونی را تقریباً خالی می‌کنیم و کمی از آن را نگه می‌داریم.
05:15 گوجه، سیر و رب را با همان آبِ نگه‌داشته داخل قابلمه هم می‌زنیم.
07:40 چشیدن، تنظیم نمک و کشیدن غذا.
08:30 مرور کوتاه و ایدهٔ قسمت بعد: املت یک‌تابه‌ای.
۱. توضیحات ویدیو
در این ویدیو آموزش می‌دهیم که چگونه با یک قابلمه و در ۱۰ دقیقه، ماکارونی با سس گوجه درست کنید. وسایل لازم فقط یک قابلمه، قاشق، چاقوی کوچک و اجاق خوابگاه است. مراحل کار شامل جوش آوردن آب و نمک، پخت ماکارونی، خرد کردن گوجه و سیر، خالی کردن بخشی از آب ماکارونی و مخلوط کردن گوجه، سیر و رب با آبِ نگه‌داشته شده است. در نهایت غذا را چشیده، نمک را تنظیم و سرو می‌کنیم.
۲. فصلبندی ویدیو (Chapters)
* 00:00 - معرفی ماکارونی ۱۰ دقیقه‌ای در یک قابلمه
* 00:40 - وسایل مورد نیاز
* 01:25 - جوش آوردن آب و اضافه کردن ماکارونی
* 03:10 - خرد کردن گوجه و سیر
* 04:30 - خالی کردن آب ماکارونی
* 05:15 - ترکیب گوجه، سیر و رب
* 07:40 - چشیدن، تنظیم نمک و کشیدن غذا
* 08:30 - مرور کوتاه و ایده قسمت بعد
۳. برچسب‌ها (Tags)
1. ماکارونی با سس گوجه
2. ماکارونی یک قابلمه ای
3. غذای خوابگاهی
4. آشپزی ۱۰ دقیقه ای
5. املت یک تابه ای
مدل تمام زمان‌های واقعی را حفظ کرده و فصل اول را از 00:00 شروع کرده است؛ طبق راهنمای یوتیوب، فصلبندی وقتی کار میکند که فصل اول از 00:00 شروع شود، دستکم سه فصل به ترتیب زمان باشد و هر فصل دستکم ۱۰ ثانیه طول بکشد. در توضیحات هم چیزی نیامده که در متن ویدیو نبود. برچسب‌ها به موضوع مربوط‌اند، هرچند یکی از آن‌ها («املت یک‌تابه‌ای») مال قسمت بعد است و در چند برچسب نیم‌فاصله جا افتاده است («یک قابلمه ای»). برای استفاده از این خروجی، کافی است هنگام کپی کردن فصلبندی ویدیو یوتیوب، علامت‌های نقطه یا ستارهٔ ابتدای خطوط را پاک کنید تا خطوط مستقیماً با اعداد زمان شروع شوند و یوتیوب آن‌ها را بشناسد.
قواعد یوتیوب دربارهٔ محتوای ساختهشده با هوش مصنوعی
تا مهر ۱۴۰۵ که این راهنما را نوشتهایم، یوتیوب استفاده از هوش مصنوعی را منع نکرده است، ولی می‌خواهد محتوای واقع‌نمایی که با هوش مصنوعی ساخته یا تغییر داده شده، اعلام شود. هنگام بارگذاری در YouTube Studio گزینه‌ای برای محتوای تغییریافته یا ساختگی هست. طبق راهنمای یوتیوب، اگر صدای واقع‌نمای ساخت هوش مصنوعی دارید، یا صحنهای که واقعی به نظر می‌رسد ولی رخ نداده، این گزینه را باید بزنید؛ برای کمک گرفتن از هوش مصنوعی در نوشتن متن، ایده یا زیرنویس لازم نیست. این بند خلاصهٔ برداشت ما از راهنمای یوتیوب است، نه مشاورهٔ حقوقی، و یوتیوب قواعدش را گاهی عوض میکند. پیش از انتشار، راهنمای خود یوتیوب را ببینید.
کانالی که ویدیوهای انبوه و تکراری منتشر کند، ممکن است با قانونهای یوتیوب دربارهٔ محتوای تکراری به مشکل بخورد. هوش مصنوعی را برای کم کردن کارهای دور ویدیو به کار ببرید، نه به‌جای خود ویدیو.
هزینهٔ ابزارهای رسانه‌ای در تولید ویدیو
در گیسو هزینهٔ هر کار جدا از اعتبار کم میشود و پرداخت ماهانه‌ای در کار نیست. مراحلی که در چت انجام می‌دهید، مثل ایده‌پردازی، نوشتن عنوان، استخراج فصلبندی و نوشتن توضیحات، بر اساس واحد شمارش متن (توکن) محاسبه می‌شوند و معمولاً هزینهٔ کمی دارند.
ساخت صدا، موسیقی، تصویر و ویدیو هزینهٔ بیشتری دارد. هزینهٔ تولید ویدیو بر اساس ثانیه و ابعاد تصویر، و هزینهٔ موسیقی بر اساس قطعه محاسبه میشود. جدول زیر هزینهٔ امروز هر کدام را به سکه نشان می‌دهد:
تصویر هر تصویر مربع ۱۰۲۴ در ۱۰۲۴
- اقتصادی GPT Image 1 mini، کیفیت پایین ۹۵۲ سکه
- متعادل GPT Image 1 mini، کیفیت متوسط ۳٬۳۱۳ سکه
- حرفه‌ای Nano Banana 2 (Gemini 3.1 Flash Image)، کیفیت 2K ۴۴٬۷۵۰ سکه
- بالاترین کیفیت Nano Banana Pro (Gemini 3 Pro Image)، کیفیت 2K ۶۴٬۲۵۵ سکه
ویدیو با صدا هر کلیپ، با مدت همان ردیف
- اقتصادی Veo 3.1 Lite، ۴ ثانیه ۷۵٬۲۹۲ سکه
- متعادل Veo 3.1 Fast، ۸ ثانیه ۳۰۱٬۱۶۸ سکه
- حرفه‌ای Veo 3.1، ۸ ثانیه ۱٬۲۰۴٬۶۷۲ سکه
- بالاترین کیفیت Veo 3.1، ۸ ثانیه ۱٬۲۰۴٬۶۷۲ سکه
موسیقی هر قطعه
- کلیپ کوتاه Lyria 3 Clip ۱۵٬۰۵۹ سکه
- قطعهٔ کامل Lyria 3.5 ۳۰٬۱۱۷ سکه
متن به گفتار هر ۱۰۰۰ نویسهٔ متن (حدود ۱۸۰ کلمهٔ فارسی)
- اقتصادی Gemini 3.8 Flash-Lite TTS ۵٬۷۲۳ سکه
- کیفیت بالا Gemini 3.8 Flash TTS ۸٬۵۴۶ سکه
گفتار به متن هر دقیقه صدا
- NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B ۸۳ سکه
- Qwen: Qwen3 ASR 0.6B ۸۳ سکه
ردیف‌ها همان سطح‌های «بودجه و کیفیت» صفحهٔ تولید محتوا در گیسو هستند. پیش از ساخت، هزینهٔ تقریبی کنار دکمهٔ ساخت می‌آید و مبلغ دقیق بعد از ساخت روی کارت نتیجه ثبت میشود.
اگر ویدیو ساخته نشود، کل هزینه‌اش خودکار به اعتبار برمی‌گردد.
به‌روزرسانی: ۱۴۰۵/۰۷/۲۶ ۰۰:۵۱ مبلغ‌ها به سکه، با قیمت امروز همان مدل در گیسو
اگر ساخت ویدیویی شکست بخورد یا فیلتر شود، کل هزینه‌اش خودکار به اعتبار شما برمی‌گردد.
برای ویدیوی بعدی از کجا شروع کنیم؟
نیازی نیست از فردا تمام مراحل تولید کانال را به ابزارهای جدید بسپارید. برای ویدیوی بعدی، کار را با سه قدم ساده و کم‌هزینه شروع کنید: از مدل چند گزینه برای عنوان بخواهید، استخراج خودکار زیرنویس را امتحان کنید و فصلبندی ویدیو را با کمک متن زماندار بنویسید. همین سه قدم بخشی از آن سه شب را آزاد میکند تا وقتتان را روی نور، صدا و ایدهٔ اصلی ویدیو بگذارید.
