لنفترض أنك رفعت كوبًا أبيض، ومنضدة قهوة، وحبوب قهوة، لكن الفيديو يظهر كوبًا مختلفًا في غرفة عامة. لاستخدام Gemini Omni 1.2 Flash multiple reference images بشكل جيد، اختر Reference-to-Video، وامنح كل صورة مهمة مميزة، ووصف تلك المهام بترتيب الرفع. ابدأ بلقطة قصيرة، ثم افحص البداية، والوسط، والنهاية، والحركة بينها. المرجع يوجّه عملية التوليد؛ لكنه لا يضمن نسخًا مطابقًا بكسلًا ببكسل.
يستخدم بروتوكول الاختبار لقطة الكوب نفسها مرتين: أولًا بصورة الكوب فقط، ثم مع الكوب، والمقهى، والحبوب. مثال ثانٍ يستخدم صورًا خارجية وداخلية للبانثيون لاختبار وجهة نظر متحركة. تقارن المقارنة ما يطلبه الموجّه بما يُظهره الناتج فعليًا، حتى يمكنك أن تقرر ما إذا كان مرجع آخر قد ساعد أم أضاف تعارضًا.
النقاط الرئيسية
- اختر Reference-to-Video عندما ينبغي أن توجّه الصور المحتوى دون أن تفرض الإطار الافتتاحي.
- امنح كل صورة مرفوعة دورًا وسمّه حسب ترتيب الرفع في الموجّه.
- قارن خط أساس قصير بصورة واحدة بتشغيل بثلاث صور قبل زيادة التعقيد.
- افحص الهوية، والمكان، والعناصر، والحركة عبر المقطع كاملًا، لا الإطار الأول فقط.
ما الذي تتحكم به الصور المرجعية المتعددة في Gemini Omni 1.2 Flash
يمكن لمجموعة مرجعية متعددة الصور أن تصف عدة أجزاء من لقطة واحدة. قد تحدد صورة منتجًا، وأخرى قد توفّر موقعًا، وثالثة قد تحدد عنصرًا. يمكنك أيضًا استخدام الصور لشخصية أو نمط بصري. تكون هذه الأدوار مفيدة فقط عندما يحدد الموجّه الميزات المرئية التي تنتمي إلى أي صورة. "استخدم كل الصور" تترك للنموذج قرار ما إذا كان الكوب الثاني في صورة مقهى منتجًا ثانيًا أم فوضى في الخلفية.
في اختبار الكوب، تحدد الصورة 1 الكوب الخزفي الأبيض والمقبض. الصورة 2 توفّر منضدة البار وإعدادًا داخليًا دافئًا. الصورة 3 توفّر حبوبًا ظاهرة قرب الكوب. لا نطلب من النموذج نقل الخلفية البيضاء لصورة الحبوب أو كل كائن على منضدة المقهى. هذا الاستبعاد مهم: فصورة مرجعية غالبًا ما تحتوي على معلومات مرئية أكثر من المهمة التي تريدها أن تؤديها.
لا تستطيع المجموعة المرجعية إزالة كل غموض. قد تخفي يد المقبض. وقد تكشف حركة الكاميرا جانبًا من الكوب لم تظهره الصورة المصدر قط. قد تتعارض الإضاءة وزوايا الكاميرا عبر الصور المصدر الثلاث. تعامل مع الموجّه كتسلسل هرمي للأولويات، بحيث يكون شكل الكوب فوق المطابقة الدقيقة لأثاث الخلفية. في إعلانه الصادر في نوفمبر 2026، تصف Google متابعة مرجعية أقوى في Gemini Omni 1.2 Flash مع الإشارة إلى أن الحركة السريعة والفيزياء المعقدة لا تزالان مجالات تحتاج إلى تحسين.
قبل الرفع، اكتب جملة واحدة لكل مصدر: "هذه الصورة تحدد X؛ تجاهل Y." إذا لم تستطع فعل ذلك دون إعطاء صورتين المهمة نفسها، فبسّط المجموعة. ثم اختر وضع الإدخال الذي يطابق هدفك.
Reference-to-Video أو الإطار الأول والأخير؟
يكون Reference-to-Video هو الوضع المناسب عندما ينبغي أن تؤثر صورك في لقطة متحركة جديدة. إذا كنت تحتاج إلى صورة افتتاحية دقيقة، فاستخدم سير عمل الإطار الأول أو Image-to-Video بدلًا من ذلك. إذا كنت تحتاج إلى نقطتي نهاية محددتين، فاستخدم سير عمل الإطار الأول والأخير حيث يتوفر. قد تلعب الصورة المرفوعة نفسها دورًا مختلفًا جدًا حسب الوضع المحدد، ولا يمكن لجملة في الموجّه أن تتجاوز عقد الإدخال الخاص بالوضع دائمًا.
| الوضع | ما يتحكم به الإدخال | الافتتاحية المتوقعة | أفضل استخدام |
|---|---|---|---|
| Reference-to-Video | إشارات الموضوع أو المشهد أو العنصر أو النمط | عرض مُولَّد موجّه بالمراجع | دمج كوب ومقهى وحبوب في لقطة واحدة |
| Image-to-Video / الإطار الأول | الحالة البصرية الابتدائية | مرتبط ارتباطًا وثيقًا بالصورة الأولى الموفّرة | تحريك صورة ثابتة معينة |
| الإطار الأول والأخير | الحالتان البصريتان الابتدائية والنهائية | يبدأ من الصورة الأولى المحددة | تخطيط انتقال بين نقطتي نهاية ثابتتين |
توثيق الصور المرجعية من Google Cloud، الذي تم الوصول إليه في نوفمبر 2026، يصف الصور المرجعية كإرشاد إضافي للتوليد. الفرق عملي: إذا ظهرت الصورة الأولى المرفوعة دون تغيير تقريبًا كإطار 1 وأردت افتتاحية مُركّبة حديثًا، فافحص الوضع وخانة الصورة قبل إعادة كتابة الموجّه الإبداعي.
يمكن لكوب أبيض على خلفية مصدر بسيطة أن يصبح بشكل معقول كوبًا على منضدة مقهى في Reference-to-Video. هذه هي التجربة هنا. بالنسبة للبانثيون، ستوجّه صور الخارج والقبة مشهدين، لكنها ليست إطارين أول وآخر مفروضين. مهمتها جعل العناصر المعمارية قابلة للتعرف أثناء حركة مستمرة.
ابنِ مجموعة مرجعية يستطيع النموذج قراءتها
اختر مرجعًا رئيسيًا واضحًا قبل جمع الصور الداعمة. ينبغي أن يكون الكوب كبيرًا بما يكفي للحكم على حافته وجسمه ومقبضه. في صورة المصدر المعتمدة، الكوب صغير ويبدو كريميًا باهتًا رغم أن اسم الملف يسميه أبيض. هذا يجعل هذا الإدخال اختبار ضغط مفيدًا، لكن أي فقدان لتفاصيل المقبض قد يبدأ من المصدر. الكوب الصغير في صورة مقهى مزدحمة مرجع منتج ضعيف لأن النموذج يملك معلومات قليلة محددة عن الشكل ليحتفظ بها. صورة المقهى الداعمة لها مهمة مختلفة: ينبغي أن تجعل البيئة واضحة، خصوصًا المنضدة ومعدات الإسبريسو. صورة الحبوب ينبغي أن تحدد عنصرًا، لا أن توفّر تكوينًا منافسًا.
حافظ على ترتيب الرفع ثابتًا. يقول الموجّه أدناه "الأول"، و"الثاني"، و"الثالث"؛ هذه الكلمات تساعد فقط إذا طابق ترتيب الملفات. إذا استبدلت مصدرًا خلال إعادة محاولة، فافحص واجهة المستخدم مجددًا قبل التشغيل. عندما تُظهر صور متعددة أكوابًا متشابهة، فأزل الكوب الإضافي أو استبعده صراحةً. وإلا فقد يمزج النموذج المقابض أو النسب أو الألوان من الاثنين. بالنسبة لمنتج ذي تغليف معقد، قد تكون زوايا متعددة للكائن نفسه أكثر قيمة من مرجع نمط منفصل.
| الرفع | التفصيل المستهدف | لا ترث |
|---|---|---|
| 1: الكوب الأبيض | جسم الكوب، الحافة، والمقبض | خلفية الصورة المصدر |
| 2: بار قهوة روما | المنضدة، المعدات، الجو الداخلي | أكواب أو أشخاص آخرين كمراجع منتج |
| 3: حبوب القهوة | حبوب قابلة للتعرف بجانب الكوب | الخلفية البيضاء لصورة الحبوب |
تأتي الصور الثلاث من Wikimedia Commons: صورة الكوب الخزفي الأبيض وصورة بار القهوة في روما موسومتان CC0، وصورة حبوب القهوة موسومة كملكية عامة. حالة إعادة الاستخدام المعلنة تجعل العرض التوضيحي أسهل في التتبع؛ لكنها لا تحوّل الناتج المُولَّد إلى صورة موثقة لمنتج حقيقي.
تفصل الصور المصدر الثلاث بين المنتج، والمكان، والعنصر قبل توليد أي فيديو.
سير عمل جاهز للنسخ: كوب واحد، 3 مراجع، لقطة متحركة واحدة
نزّل الصور المصدر بالحجم الكامل واحتفظ بملاحظة لكل صفحة ملف على Commons. في Gemini Omni 1.2 Flash Reference-to-Video playground، اختر نموذج Reference-to-Video، لا نسخة Image-to-Video. ارفع الكوب وحده للتشغيل A1. اضبط 8 ثوانٍ، 16:9، 1080p، والتفكير الافتراضي. تأكد من ظهور الملف المرفوع في حقل الصور المرجعية. الصق هذا الموجّه حرفيًا:
plaintext1Create an eight-second product video featuring the white ceramic cup in the first reference image. Preserve its recognizable cup shape and handle. Begin with the cup resting still on a counter. The camera itself physically travels in a smooth semicircular arc around the stationary cup, so the counter and café background shift with clear parallax while the cup keeps the same orientation relative to the counter. Do not spin or rotate the cup, and do not place it on a turntable. After the camera arc, raise the camera to a slightly elevated viewpoint as a hand briefly lifts the cup and sets it back down without twisting it. Natural café ambience, no dialogue, no logos or added text. Use the uploaded image as a product reference, not as a literal opening frame.
شغّل A1 وشاهد الناتج كاملًا. الرفع الأول هو خط الأساس، لذا لاحظ شكل الكوب وما إذا حدث كل من الدوران والمنظر المرتفع. لا تعاقب A1 على إغفال مقهى معين أو حبوب: لم يُوفَّر أي منهما كمرجع. احفظ تلك النتيجة منفصلة قبل تغيير النموذج.
للتشغيل A2، استخدم النموذج والإعدادات نفسها. ارفع الكوب، وبار القهوة، والحبوب بهذا الترتيب. تأكد من ظهور الصور المصغرة الثلاث في حقل المرجع، ثم الصق:
plaintext1Create an eight-second product video. The first reference image defines the white ceramic cup: preserve its recognizable shape and handle. The second reference image defines the espresso bar counter and its warm indoor atmosphere, but do not copy any other cup from that image. The third reference image defines the coffee beans placed beside the cup, not the background. Begin with the cup and beans on the counter. Move the camera in a smooth semicircle around the cup, then change to a slightly elevated viewpoint as a hand lifts the cup and sets it down. Keep the same cup and counter through the whole shot. Natural café ambience, no dialogue, no logos or added text. Use all three images as references rather than literal opening frames.
شغّل A2 وانتظر ناتجه المكتمل. راجع الملف المولَّد، لا الصورة المصغرة فقط. يعرض المقطعان المكتملان أدناه أي التفاصيل نجت من حركة الكاميرا وحركة اليد.
ما الذي يتغير مع الصورة الثانية والثالثة؟
قارن المقطعين بحجم عرض واحد. شغّل كلًا منهما من البداية إلى النهاية، ثم توقف قرب البداية، والمنتصف، والنهاية. لهوية الكوب، افحص ملف الحافة، وجانب المقبض، ونسب الجسم، خصوصًا بعد أن ترفعه اليد. للبيئة، ابحث عن منضدة وإشارات بار إسبريسو بدلًا من غرفة بنية عامة. للحبوب، تحقق مما إذا كانت عناصر مميزة بجانب الكوب بدلًا من ملمس غير واضح.
يحافظ A1 على كوب أبيض ومقبض ظاهر خلال رفع اليد. إزاحة الكاميرا طفيفة وليست دورانًا نصف دائري واضح.
يضيف A2 حبوب قهوة ظاهرة وإعداد بار إسبريسو أكثر تحديدًا. يبدو الكوب كريمي اللون وأقل انتظامًا في الشكل من كوب A1.
| الفحص | A1: صورة واحدة | A2: 3 صور | ما الذي تبحث عنه |
|---|---|---|---|
| شكل الكوب ومقبضه | يبقى الجسم الأبيض والمقبض ظاهرين | يبقى المقبض ظاهرًا؛ يبدو الجسم كريميًا وأقل انتظامًا | الكائن نفسه القابل للتعرف بعد تحرك الكاميرا |
| منضدة المقهى | إعداد مقهى عام | آلة الإسبريسو والمنضدة واضحتان | تشبه البيئة مصدر المنضدة |
| حبوب القهوة | غير ظاهرة | ظاهرة بجانب الكوب | حبوب مميزة بجانب الكوب |
| الحركة | ترفع اليد الكوب؛ إزاحة الكاميرا طفيفة | ترفع اليد الكوب؛ تتغير وجهة النظر بشكل طفيف | الدوران، المنظر المرتفع، الرفع، والإنزال |
تجعل المراجع المضافة من الأسهل التعرف على المنضدة والحبوب، لكن لون الكوب وشكله يتغيران. لا يكمل أي من المقطعين بوضوح حركة الكاميرا نصف الدائرية المطلوبة. هذه نواتج فردية، لذا فهي أمثلة تشخيصية لا إحصائية أداء. إذا كانت هوية الكوب هي الأهم، فينبغي أن يقوّي الاختبار التالي مرجع الكوب أو يبسّط حركة اليد مع إبقاء الإعدادات الأخرى ثابتة.
اختبار معماري بصورتين
يسأل اختبار الكوب ما إذا كانت عدة أنواع من التفاصيل تتعايش في لقطة منتج واحدة. تسأل صورتان للبانثيون سؤالًا مختلفًا: هل يمكن لمرجعي الخارج والداخل أن يوجها وجهة نظر متحركة متماسكة؟ تُظهر صورة Commons الأولى الواجهة الخارجية؛ وتُظهر الثانية القبة الداخلية والفتحة. تشير صفحتا ملف Wikimedia Commons لصورتي الخارج والقبة إلى أنهما موسومتان CC0.
توفّر صورتا الخارج والقبة إشارات مشهد منفصلة لممر مُولَّد داخل المبنى.
ارفع صورة الخارج أولًا، والداخل ثانيًا، في نموذج Reference-to-Video نفسه. اضبط 12 ثانية، 16:9، 1080p، والتفكير الافتراضي. استخدم الموجّه أدناه:
plaintext1Create a twelve-second architectural concept video guided by the two reference photographs of the Pantheon in Rome. The first image defines the exterior facade and entrance; the second defines the interior dome and oculus. Begin from a human-height viewpoint outside, move steadily toward and through the entrance, then tilt upward inside to reveal the dome and oculus. Use a continuous moving viewpoint with clear parallax and no sudden teleporting or isolated zoom. Keep the building recognizable while treating the result as a generated visualization, not documentary footage. Natural footsteps and room ambience, no dialogue, no titles or labels. Both images are scene references, not mandatory first and last frames.
ينتقل الممر المولَّد من الواجهة عبر الرواق وإلى منظر القبة والفتحة.
احكم على المقطع من خلال الميزات المرئية وجودة الانتقال، لا الدقة الجغرافية. الواجهة والرواق والقبة قابلة للتعرف، وتتقدم وجهة النظر نحو المدخل قبل النظر إلى الأعلى في الداخل. النتيجة تصور بالذكاء الاصطناعي مبني على صور فوتوغرافية، وليست لقطات وثائقية أو مسحًا معماريًا موثوقًا. سيجيب إعداد الإطار الأول والأخير على سؤال آخر: كيفية ربط صورتين محددتين كنقطتي نهاية.
ثلاثة أدوار مرجعية في لقطة واحدة مدتها 15 ثانية
يقارن اختبار الكوب بين منتج ومكان وعنصر. تمنح هذه اللقطة الإضافية ثلاثة مراجع أدوارًا أكثر تطلبًا: حيوان متحرك، وبيئة ملونة، ومجموعة متحركة تدخل لاحقًا. السؤال هو ما إذا كانت الثلاثة تبقى واضحة بينما تتبع الكاميرا الحركة، بدلًا من الظهور في إطارات معزولة فقط.
الصورة 1 هي صورة سلحفاة بحرية خضراء من Wikimedia Commons لصدفة السلحفاة العريضة ورأسها وزعانفها. الصورة 2 هي صورة شعاب مرجانية من Wikimedia Commons لأشكال مرجان وردية وكريمية ومياه صافية. الصورة 3 هي صورة سرب أسماك ذي ذيل أصفر من Wikimedia Commons لأجسام الأسماك وحركة السرب. تشير صفحة كل ملف إلى أن صورته ملكية عامة. تأتي المصادر من أماكن مختلفة، لذا المشهد المولَّد مفهوم بصري، وليس سجلًا لشعبة مرجانية حقيقية واحدة.
تمنح عمليات الرفع الثلاث النموذج موضوعًا، ومكانًا، ومجموعة ينبغي أن تدخل اللقطة لاحقًا.
ارفعها بهذا الترتيب في Reference-to-Video. اختر 15 ثانية، 16:9، 1080p، والتفكير الافتراضي. استخدم هذا الموجّه:
plaintext1Create a 15-second, single continuous underwater concept film using the three uploaded photographs as references in their exact upload order. The first image defines one green sea turtle: preserve its broad mottled oval shell, head, and four flippers, but ignore that photo's background. The second image defines the setting: vivid pink and cream branching corals, rounded coral heads, clear turquoise water, and rippling sunlight; it is not a mandatory first frame. The third image defines a dense school of slender silver fish with yellow tails; use the fish as moving animals, not as a background texture or a copy of their original seabed. In the opening five seconds, the turtle swims forward above the colorful reef with visible flipper strokes while the camera tracks alongside it. In the middle five seconds, the yellow-tailed fish school sweeps across the frame and curves around the turtle as the camera rises to a three-quarter overhead view. In the final five seconds, the camera widens and arcs to show the same turtle, reef, and fish school together in one coherent underwater space. Keep the turtle's shell pattern and the fish appearance consistent throughout. Show real subject movement, water particles, soft sunbeams, and clear parallax. Smooth camera movement, no cuts, no teleporting, no spinning turtle, no additional turtles, no text, logos, or narration. This is a generated visualization, not documentary footage.
يبدأ المقطع المولَّد البالغ 15 ثانية بالسلحفاة فوق المرجان، ثم يُدخل السرب ذا الذيل الأصفر في المشهد المتحرك نفسه.
تبقى صدفة السلحفاة المنقّطة وزعانفها قابلة للتعرف من البداية إلى النهاية. يكون المرجان الوردي أوضح قرب البداية؛ وتدخل الأسماك الفضية ذات الذيول الصفراء نحو المنتصف وتشارك الإطار مع السلحفاة لاحقًا. تتبع الكاميرا وتتسع، رغم أن وجهة النظر العلوية المطلوبة لا تتأسس بوضوح. يُظهر هذا الناتج الفردي الأدوار المرجعية الثلاثة تعمل معًا، بينما يُظهر أيضًا أين تم اتباع تعليمة الكاميرا في الموجّه جزئيًا فقط.
أصلح انحراف المرجع دون إعادة بدء الفكرة كلها
عندما يتغير شكل الكوب، حدد الإطار الدقيق الذي يحدث فيه ذلك. إذا اختفى المقبض فقط بينما تغطيه يد، فقد يكون ذلك حجبًا. إذا عاد على الجانب الخطأ أو تغيّر ملف الحافة بعد إنزال الكوب، فقد انحرفت هوية المنتج. اجعل الكوب أكبر وأوضح في المرجع، أو ببسّط الرفع، أو حدد وجهة نظر تُبقي المقبض ظاهرًا. احفظ الناتج السابق لتعرف ما إذا كان التغيير قد ساعد.
إذا انتقل المكان بين مقاهٍ، فافحص مجموعة المصادر بحثًا عن غرف أو إضاءة أو كائنات متشابهة متعارضة. استبدل صورة المشهد الضعيفة أو أزل مرجعًا يوفّر أثاثًا غير مرغوب. في الموجّه، وضّح أي صورة تملك المنضدة وأي العناصر المرئية يجب تجاهلها. قد تخلق قائمة أطول من التعليمات السلبية غموضًا أكثر؛ وعادةً يكون بيان دور واحد دقيق أسهل في الاختبار.
إذا فقدت الثواني الأخيرة التفاصيل، فقصّر الحركة بدلًا من إضافة المزيد من الأسماء. اطلب دورانًا مستمرًا واحدًا ورفعًا صغيرًا قبل محاولة تسلسل أطول بعدة انتقالات. تشير ملاحظة إطلاق Google إلى أن النموذج يدعم التحرير اللاحق، لكن لا تفترض أن التحرير سيحتفظ بكل تفصيل لم يُلمس. افحص أي تحرير بنفس فحوص البداية، والمنتصف، والنهاية.
غيّر متغيرًا واحدًا في كل إعادة محاولة: اختيار المرجع، أو صياغة الموجّه، أو المدة، أو مهمة الكاميرا. احتفظ بسجل للملفات والإعدادات الدقيقة. يحوّل ذلك ناتجًا مخيبًا إلى تشخيص قابل للتنفيذ ويمنع اعتبار إطار محظوظ تحكمًا متسقًا.
الحدود، والتكلفة، وأين تجربه
أعلنت Google عن Gemini Omni 1.2 Flash في 5 نوفمبر 2026، مع مقاطع أصلية تصل إلى 15 ثانية. تسرد صفحة نموذج Atlas Cloud Reference-to-Video حاليًا 1–10 صور مرجعية، وخيارات مدة من 3–15 ثانية، ونسب أبعاد 16:9 أو 9:16، وخيارات إخراج 360p و720p و1080p و4K. يتم رفع دقة خياري 1080p و4K من إطارات مولَّدة أصليًا. قد تختلف حدود الإدخال حسب مسار الوصول، لذا افحص الحقل في الواجهة التي تستخدمها. لا يحتاج هذا الدليل سوى 1 أو 2 أو 3 صور.
للأمثلة الدقيقة، استخدم صفحة النموذج المرتبطة في سير العمل وافحص عرض السعر الحالي قبل كل تشغيل. يوفّر Atlas Cloud model catalog مكانًا ثانيًا لفحص التوفر والتسعير الحالي. قد لا يصف سعر رئيسي لكل ثانية كل دقة أو حالة حساب، لذا ضع الميزانية بناءً على عناصر التحكم المحددة فعليًا بدلًا من نسخ سعر إطلاق إلى خطة إنتاج.
الخطوة العملية التالية لـ Gemini Omni 1.2 Flash multiple reference images هي تشغيل خط أساس الكوب أولًا. احفظ موجّهه وناتجه بدقة. أضف المقهى والحبوب فقط بعد أن تستطيع تحديد التفصيل الذي يفتقده خط الأساس، ثم احكم على مقطع الحركة الكامل مقابل الفحوص الأربعة أعلاه.
الأسئلة الشائعة
هل يمكنني دمج مراجع الصور مع مقطع مرجعي للحركة؟
تصف Google دعمًا لمراجع حركة قصيرة، لكن هذا مزيج إدخال مختلف عن اختبارات الصور الثابتة هنا. افحص الحدود وقواعد المدة لنقطة الدخول المحددة قبل دمجهما. أبقِ أدوار الصور صريحة حتى عندما تُوفَّر الحركة بشكل منفصل.
هل سينسخ النموذج صوري المرجعية بدقة؟
لا. توجّه المراجع الهوية، أو المكان، أو العناصر، أو النمط. قد يغيّر الإطار المولَّد زاوية الكاميرا، أو الإضاءة، أو الأسطح المخفية، أو تفاصيل صغيرة. إذا كنت تحتاج إلى إطار بداية دقيق، فاختر سير عمل الإطار الأول وراجع بقية المقطع رغم ذلك.
هل يمكنني استخدام صور شخص آخر أو أصول تحمل علامات تجارية؟
استخدم مواد لديك إذن باستخدامها وراجع ترخيصها لمنشورك المقصود. تشير صفحات ملف Wikimedia Commons للصور المصدر إلى شروط إعادة استخدامها. افحص كل ترخيص معمول به قبل النشر. لا تمنح حالة المصدر هذه حقوقًا في شعارات أو أشخاص أو أصول غير مرتبطة قد تضيفها لاحقًا.
