هر کس با هوش مصنوعی تصویرِ برند را ویرایش کرده، ویرایشِ پنجم را می‌شناسد: رنگ جابه‌جا شده، لبه‌ها نرم شده‌اند و باید از اول، از فایلِ اصلی، شروع کنی. Ideogram 4.5 که دیروز آمد، دقیقاً برای همین ساخته شده. اگر ادعایش درست باشد، چند بار دست‌بردن در یک تصویرِ تأییدشده دیگر قمار نیست.
Ideogram 4.5 تصویر را بعد از چند ویرایش تمیز نگه می‌دارد
Ideogram روز ۸ مهر نسخهٔ 4.5 را عرضه کرد و آن را «دقیق‌ترین مدلِ ویرایش» می‌نامد: هر ویرایش فقط همان چیزی را عوض می‌کند که خواسته‌ای، بدونِ جابه‌جاییِ پیکسل، تغییرِ رنگ و خرابی‌ای که در چند دورِ پشت‌سرهم جمع می‌شود. در اپِ Ideogram، در API و پیشِ شرکای عرضه در دسترس است و نسخهٔ متن‌باز «به‌زودی» می‌آید (Ideogram). صفحهٔ مدل نشان می‌دهد که رنگ و نورِ محصول عوض می‌شود و ترکیب‌بندی ثابت می‌ماند، بُرشی از یک تصویرِ ۲۴٫۲ مگاپیکسلی بدونِ کوچک‌شدن ویرایش می‌شود، و متنِ یک طرح بی‌آن‌که چیدمان به هم بخورد ترجمه می‌شود؛ نمونه‌هایش ژاپنی، فرانسوی و انگلیسی‌اند (صفحهٔ مدل). مقایسه با GPT Image و Nano Banana آزمونِ خودِ Ideogram است.
برداشت من: در بیسکوییت تی‌تایم ژلهٔ گل‌رز رنگ‌ها از قابِ اول تا پک‌شات صورتی و طلاییِ گرم می‌مانند تا بسته‌بندی صحنهٔ آخرِ قصه به نظر برسد، نه کاتی به آگهی. این فقط وقتی جواب می‌دهد که صورتی در همهٔ قاب‌ها همان صورتیِ بسته باشد. برای همین هیچ‌وقت ویرایش را روی ویرایش نمی‌زنم و به فایلِ اصلی برمی‌گردم. اما برای ما نکتهٔ اصلی ترجمهٔ متن است: بسته‌بندی‌ای که هم نسخهٔ فارسی دارد و هم صادراتی. صفحهٔ مدل هیچ نمونهٔ فارسی یا عربی ندارد. حروفِ راست‌به‌چپ اولین چیزی است که امتحان می‌کنم، قبل از این‌که روی بسته‌بندی به آن اعتماد کنم.
اولین مدلِ ویدیوی HeyGen؛ ثانیه‌ای یک سنت
HeyGen روز ۸ مهر HeyGen Video را عرضه کرد، اولین مدلِ ویدیوی همه‌منظوره‌اش: از متن، تصویر یا رفرنس ویدیو می‌سازد و دیالوگ و صدای محیط و افکت را در همان یک درخواست تولید می‌کند. پایه‌اش MiniMax H3 است و HeyGen آن را دوباره آموزش داده. قیمتِ عرضه تا پایانِ اکتبر ثانیه‌ای ۰٫۰۱ دلار است، نصفِ قیمتِ عادیِ ۰٫۰۲ دلار. جدولِ خودِ HeyGen برای تبدیلِ تصویر به ویدیو در ۷۶۸p، Kling 3.0 Pro را ثانیه‌ای ۰٫۱۶۸ دلار و Veo 3.1 را ۰٫۴۰ دلار آورده (HeyGen؛ OpenRouter). کلیپ‌ها ۵ تا ۱۵ ثانیه‌اند، در ۴۸۰p یا ۷۶۸p، و مستنداتش می‌گوید ضعیف‌ترین جایش متنِ طولانی روی تصویر، گلبرگ و کاغذ و مو، و کارِ دقیقِ دست است (مستنداتِ HeyGen).
برداشت من: فهرستِ ضعف‌ها را دوباره بخوان: گلبرگ، مو، دست. این نصفِ تبلیغِ خوراکی است. تی‌تایم باغِ گل‌رز است و بچه‌هایی که بیسکوییت از شاخه می‌چینند. مدلی که دقیقاً همین‌جا کم می‌آورد، ابزارِ فیلمِ اصلی نیست؛ ابزارِ انیماتیک است، و همین هم به درد می‌خورد. در شیر مووو — از ۱ تا ۱۰۰۰ دوربین روی یک زمین و یک ساعتِ نورِ طلایی قفل است و کلِ کار، ۲۹ ثانیه ثابت نگه‌داشتنِ همین است. با ثانیه‌ای یک سنت می‌شود میزانسنِ هر بیت را قبل از خرجِ اعتبارِ Kling امتحان کرد. برای ما یک مزیتِ دیگر هم دارد: پرداختِ ثانیه‌ای با اعتبارِ API است، نه اشتراکِ ماهانه؛ یک تستِ ۱۵ ثانیه‌ای از حدودِ ۱۵ سنت شروع می‌شود. ۷۶۸p برای پیش‌تولید بس است، برای تحویل نه.
ارزشِ ElevenLabs دو برابر شد: ۲۲ میلیارد دلار
ElevenLabs روز ۸ مهر اعلام کرد فروشِ ۳۰۰ میلیون دلاری سهامِ کارمندان، به رهبریِ Wellington و T. Rowe Price، ارزشش را به ۲۲ میلیارد دلار رسانده؛ دو برابرِ دورِ سرمایه‌گذاریِ زمستانِ گذشته. ۵۵ درصدِ درآمدش از سازمان‌هاست، ایجنت‌هایش هفته‌ای بیش از ۱۵ میلیون گفت‌وگو را جواب می‌دهند — سه برابرِ زمستانِ گذشته — و بیش از ۹۰ زبان را پوشش می‌دهد. از همکاری با Hasbro برای کتابخانهٔ صدا نام برده و می‌گوید ایجنت‌های صوتیِ مشتری‌هایش مشکل را ۳۱ درصد سریع‌تر از چت حل می‌کنند (ElevenLabs).
برداشت من: پول در صدایی است که به مشتری جواب می‌دهد، نه صدایی که متن می‌خواند. یعنی کاراکترِ برند از آگهی به کانالِ پشتیبانی می‌رود. ببرِ کت‌چرمیِ پفان باربیکیو کاراکتری است که برای یک فیلمِ ۵۴ ثانیه‌ای طراحی کردم. اگر برندی بخواهد چنین کاراکتری با مشتری حرف بزند، صدا دیگر یک قلمِ هزینهٔ تولید نیست؛ قرارداد است: مالِ کیست، کجا حق دارد حرف بزند، چه چیزی را هرگز نباید بگوید. Eleven v4 حالا فارسی را هم پوشش می‌دهد (ElevenLabs، ۶ مهر). پس این سؤال برای برندهای ایرانی هم دیگر فرضی نیست. عددِ ۳۱ درصد تحلیلِ خودِ ElevenLabs است. بریفِ صدا را قبل از بریفِ ایجنت بنویس.
امروز چه کنم؟
یک تصویرِ تأییدشده که بسته‌بندی تویش هست بردار. پنج ویرایشِ پشت‌سرهم در Ideogram 4.5 بزن: رنگِ پس‌زمینه، نور، یک خطِ متن، و آخر ترجمهٔ شعار. نتیجهٔ پنجم را با بزرگنماییِ ۱۰۰ درصد روی فایلِ اصلی بینداز و فقط به بسته‌بندی نگاه کن. اگر لوگو و رنگ ماند، برای نسخه‌های اندازه‌های مختلف به کار می‌آید. اگر نه، فعلاً جایش مودبورد است. اگر می‌خواهی ببینی بقیهٔ خطِ تولید را چطور می‌چینم، این‌جا توضیح داده‌ام.
منابع
- Ideogram — معرفیِ Ideogram 4.5، ۸ مهر ۱۴۰۵ — x.com/ideogram_ai
- Ideogram — صفحهٔ مدلِ Ideogram 4.5، بازدید ۹ مهر ۱۴۰۵ — ideogram.ai
- HeyGen — عرضهٔ HeyGen Video، ۸ مهر ۱۴۰۵ — developers.heygen.com
- HeyGen — مستنداتِ مدلِ Video 1، بازدید ۹ مهر ۱۴۰۵ — developers.heygen.com
- OpenRouter — صفحهٔ HeyGen: Video 1، ۸ مهر ۱۴۰۵ — openrouter.ai
- ElevenLabs — ارزش‌گذاریِ ۲۲ میلیارد دلاری، ۸ مهر ۱۴۰۵ — elevenlabs.io
- ElevenLabs — معرفیِ Eleven v4، ۶ مهر ۱۴۰۵ — elevenlabs.io