همه می‌گویند ویرایش‌های ویدیویی هوش مصنوعی بی‌روح و ماشینی از آب درمی‌آید. یک کاربر که خود را مسئول محتوای یک مجموعه فناوری معرفی می‌کند، تصمیم گرفت ویدیویی بسازد که هیچ‌کس آن را ساخته هوش مصنوعی تشخیص ندهد؛ و به گفته او نتیجه آن‌قدر طبیعی بود که در پاسخ‌های پست، یکی از تولیدکنندگان محتوا از مدیرش پرسید آیا تدوینگر تازه‌ای استخدام کرده است و در فهرست تماس‌هایش افرادی بودند که می‌پرسیدند آیا این پست واقعی است. نکته قابل توجه این است که او پیش از این هرگز در عمرش ویدیویی تدوین نکرده بود.
به گفته او، نخستین نسخه برش‌خورده با مدل کلود اوپوس ۵.۵ (Claude Opus 5.5) کمی بیش از یک ساعت زمان برد؛ یعنی حدود یک‌سوم زمانی که یک تدوینگر حرفه‌ای در نیم‌روز صرف می‌کند. هزینه آن هم تنها بخشی از یک اشتراک ۲۰ دلاری بود، یعنی تقریباً ۳۰ برابر کمتر از دستمزد یک فریلنسر. کل ماجرا به سه چیز بستگی داشت: مهارت‌های درست، پرامپت‌های دقیق و صفر خط کد از سوی کاربر.
گام اول: کلود را به «مدرسه تدوین» بفرستید
او یک کلیپ ۴K با مدت ۲۴.۶ ثانیه را بارگذاری کرد، اما مستقیماً درخواست تدوین نکرد. ابتدا از کلود خواست مهارت‌های تدوین ویدیو را پیدا و نصب کند و سپس تدوین را آغاز کند، با این شرط که «سؤال‌های زیادی بپرسد و برای هر تصمیم، گزینه‌های مختلف پیش بگذارد».
به نوشته او، همین خط نخست اهمیت زیادی دارد. یک مدل بدون زمینه (Context)، به میانگین‌ترین پاسخ ممکن بسنده می‌کند و «میانگین» دقیقاً همان چیزی است که ظاهر بی‌روح و ماشینی ویرایش‌های هوش مصنوعی را می‌سازد. در معماری کلود، یک مهارت (Skill) پوشه‌ای از دستورالعمل‌هاست که مدل تنها هنگام نیاز به آن، آن را بارگذاری می‌کند. بنابراین پیش از دست زدن به فایل ویدیو، شش راهنمای تدوین را خواند که شامل طراحی حرکت (Motion Design)، زوم‌های پانچ‌این (Punch-in Zoom)، زیرنویس، تصاویر مکمل (B-roll) و قواعد رسمی کتابخانه Remotion می‌شد.
خط دوم درخواست، سلیقه هنری را در اختیار کاربر نگه می‌دارد. هر تصمیم خلاقانه، از حس‌وحال کلی و سبک زیرنویس تا موسیقی و جای قلاب (Hook)، در قالب دو یا سه گزینه قابل کلیک همراه با پیش‌نمایش ارائه می‌شد. به گفته او، انتخاب کردن از میان گزینه‌ها هم سریع‌تر از بازتولید کل کار است و هم بسیار کم‌هزینه‌تر.
گام دوم: به کلود چشم، گوش و کرنومتر بدهید
یک نکته را بسیاری نادیده می‌گیرند: کلود ویدیو را همان‌طور که انسان می‌بیند تماشا نمی‌کند؛ او متن می‌خواند و به فریم‌های ثابت نگاه می‌کند. به همین دلیل کاربر کاری کرد که تدوین بر پایه اندازه‌گیری دقیق انجام شود، نه حس شخصی. کلود گفتار ترکیبی هندی-انگلیسی او را با برچسب زمانی در سطح کلمه (Word-level Timestamp) رونویسی کرد تا هر گرافیک دقیقاً روی همان هجایی بنشیند که کاربر روی آن تأکید می‌کند.
سپس ابزار ردیابی دست مدیاپایپ (MediaPipe) گوگل روی تمام ۱۴۷۶ فریم اجرا شد و لحظه‌هایی که انگشت کاربر از روی گوشی برداشته می‌شود، در ثانیه‌های ۰٫۱۸، ۱٫۴۱، ۲٫۸۲، ۴٫۴۲ و ۵٫۸۶ شناسایی شد. او خواست لوگوی هر اپلیکیشن درست پس از این لحظه‌ها ظاهر شود تا حس سوایپ کردن آن‌ها از روی صفحه ایجاد شود؛ ترفندی واقعیت‌افزوده‌ای که کی‌فریم‌گذاری دستی آن زمان بسیار زیادی از یک تدوینگر انسانی می‌گیرد.
فرایند رندر هم به همان اندازه حساب‌شده بود. هر گرافیک یک صفحه وب است که یک مرورگر بدون رابط گرافیکی (Headless Browser) آن را فریم‌به‌فریم پیش می‌برد. این کار هر فریم را تابعی خالص از زمان می‌کند، بنابراین اصلاح یک بخش هرگز بخش مجاور را خراب نمی‌کند. کلود سپس از رندر خودش برگه‌های تماس تصویری (Contact Sheet) می‌ساخت، آن‌ها را پیش از نمایش به کاربر بررسی می‌کرد و صدای خروجی را با استاندارد −۱۴ LUFS اینستاگرام تنظیم می‌کرد، چون توانایی شنیدن ندارد.
گام سوم: مسیرهای میان‌بر را ببندید
به گفته کاربر، بازنگری‌ها جایی است که می‌آموزید کلود واقعاً چگونه فکر می‌کند: مدل برای برآورده کردن یک پرامپت، کم‌مقاومت‌ترین مسیر را انتخاب می‌کند. بنابراین او دور هر درخواست حصار کشید. دستور «دقیقاً همین سه تغییر، نه بیشتر و نه کمتر» در ۲۵ دقیقه دقیقاً سه تغییر به او داد و درخواست «سه گزینه بده» برای متن قلاب، سه نسخه رندرشده روی فریم واقعی او تولید کرد.
نقطه اوج ماجرا صبح روز بعد رقم خورد؛ زمانی که از کلود خواست ریلز را جاندارتر کند و «کوتاه‌ترین مسیر را انتخاب نکند تا شبیه ویرایش هوش مصنوعی نباشد، بلکه مثل کار یک انسان واقعی به نظر برسد». او دو قاعده دیگر هم افزود: پژوهش کن چرا ویرایش‌های آنلاین به‌ظاهر هوش‌مصنوعی‌ساخته می‌شوند، و هیچ سؤالی از من نپرس.
همین دستور، کلود را به منتقد خودش تبدیل کرد. مدل نشانه‌های ظاهری ویرایش ماشینی را بررسی کرد و سپس از پیش‌نویس خودش ایراد گرفت: استفاده همه‌جا از فونت Inter، تأکیدهای ایتالیک سریف، کارت‌های شیشه‌ای مات و منحنی‌های حرکت یکسان. پنجاه‌ویک دقیقه بعد، ریلز را با برچسب‌های کاغذی برش‌خورده، یادداشت‌های دست‌نویس و گرافیک‌هایی با نرخ ۱۲ فریم بر ثانیه به سبک استاپ‌موشن بازسازی کرد و حتی یک افکت توقف نوار (Tape-stop) در موسیقی، درست روی عبارت «but, but, but» گذاشت. همین نسخه بود که فراگیر شد.
گام چهارم: کلود را وادار کنید مجموعه تدوین خودش را بسازد
یک پرامپت فقط یک بار کار می‌کند، اما یک فرایند هر بار. به همین دلیل کاربر این روش را به یک روند تبدیل کرد: یک بریف ۵۷۸ کلمه‌ای نوشت و از کلود خواست افزونه‌ای به نام A-Roll Studio با سه مهارت بسازد. این افزونه با سه مسیر خلاقانه رندرشده روی فایل کاربر آغاز می‌شود، سپس تأیید او را برای اصلاح رنگ (Grade)، صدا، نسخه زمان‌بندی‌شده متن و یکی از سه حالت قلاب می‌گیرد.
یک کتاب قواعد مکتوب ضد‌ویرایش‌ماشینی، سقف تعداد گرافیک، زوم و افکت صوتی را در هر ۱۰ ثانیه مشخص می‌کند و یک مرحله کنترل کیفیت (QC)، محدوده‌های امن، قرار گرفتن متن روی چهره، زمان مطالعه و بلندی صدا را بررسی می‌کند. بخش‌های متحرک سنگین‌تر از پروژه متن‌باز HyperFrames شرکت HeyGen تأمین می‌شوند. تصمیم‌های کاربر در فایل پروژه ثبت می‌شود، بنابراین در نشست جدید هرگز یک سؤال دو بار پرسیده نمی‌شود.
نکته پایانی هم تایم‌لاین است؛ صفحه‌ای تعاملی که کاربر می‌تواند فریم‌به‌فریم جابه‌جا شود، عناصر را بکشد، کی‌فریم‌ها را ویرایش کند یا کلید K را بزند و بنویسد «ضربه BUT را بزرگ‌تر کن». چون موتور از پیش ساخته شده، کلود توکن‌هایش را صرف خود تدوین می‌کند، نه بازنویسی حدود ۱۵۵۰ خط کد، و به گفته کاربر مصرف اشتراکش تقریباً تکان نخورد. نسخه تازه این ابزار ۲۰ سبک تدوین را در خود دارد که از ۷۰ تولیدکننده محتوا و ۲۱۷ کلیپ اندازه‌گیری شده‌اند و همه‌چیز در فضای کاری ابری کلود رندر می‌شود، بنابراین یک لپ‌تاپ ویندوزی هم به‌خوبی از عهده آن برمی‌آید.
معادله ۳۰ برابری هزینه
به نوشته کاربر، همین‌جا است که صرفه ۳۰ برابری معنا پیدا می‌کند. قیمت‌های فریلنسری برای یک ریلز کوتاه با گرافیک متحرک سفارشی از حدود ۱۵۰ دلار شروع می‌شود و تا بیش از ۱۰۰۰ دلار می‌رسد؛ بنابراین حتی یک پروژه ۶۰۰ دلاری هم ۳۰ برابر هزینه ماهانه اشتراک کلود او تمام می‌شود.
پس آن تدوینگر تازه‌ای که مدیرش ظاهراً استخدام کرده بود چه کسی بود؟ خودِ کاربر؛ کسی که می‌دانست کلود چگونه فکر می‌کند، و کلودی که تمام کی‌فریم‌ها را ساخته بود. توصیه پایانی او این است: اگر ویرایش‌های هوش مصنوعی شما هنوز کلیشه‌ای و بی‌روح به نظر می‌رسد، هنوز مدل را عوض نکنید؛ مسیر میان‌بر را ببندید، گزینه بخواهید و کاری کنید که کلود پیش از نمایش حتی یک فریم، سلیقه انسانی را مطالعه کند.