شرکت VAST (سازنده‌ی Tripo AI) روز ۱ آبان ۱۴۰۵ (۲۳ اکتبر ۲۰۲۶) مدل EdenLive را روی Hugging Face منتشر کرد؛ رندرکننده‌ی زنده‌ای که یک ویدیوی خام از بازی یا صحنه‌ی سه‌بعدی را تقریباً هم‌زمان به ویدیوی صیقل‌خورده یا سبک‌دار تبدیل می‌کند. صفحه‌ی مدل سرعت بیش از ۲۴ فریم در ثانیه و تولید در مقیاس چند دقیقه را گزارش می‌دهد.
EdenLive چطور کار می‌کند؟
طبق صفحه‌ی رسمی مدل EdenLive سه چیز می‌گیرد: یک ویدیوی راهنما (از موتور بازی، صحنه‌ی ۲بعدی یا سه‌بعدی یا ضبط)، یک فریم اول هدف و یک متن. مدل هر فریم راهنما را با یک رمزگذار بینایی DINOv3 می‌خواند و آن را برای هدایت یک مدل ویدیوی انتشاری (Diffusion Transformer) به کار می‌برد. نتیجه این است که شکل و حرکت از صحنه‌ی ساده می‌آید و ظاهر از مدل. نمونه‌ی کاربرد: موتور بازی صحنه‌ی خام می‌فرستد و مدل آن را «واقع‌گرایانه» یا «کارتونی» رندر می‌کند.
نسخه‌ها و سخت‌افزار
- دو اندازه: مدل ۱۴ میلیاردی برای ۴۸۰p و مدل ۵ میلیاردی برای ۷۲۰p، هر کدام در دو نسخه: چندمرحله‌ای زنده (autoregressive) و دوطرفه.
- پایه: بر دو مدل ویدیوی متن‌باز ساخته شده است. جزئیات فنی دیگر در صفحه‌ی مدل آمده.
- سخت‌افزار: مدل ۵ میلیاردی روی یک کارت گرافیک در ۷۲۰p اجرا می‌شود. مثال مدل ۱۴ میلیاردی دو کارت گرافیک می‌خواهد. وزن‌ها حدود ۲۱۰ گیگابایت‌اند. خبرها از ۲۴ فریم روی RTX 5090 می‌گویند، اما این عدد را مستقل نسنجیده‌ایم.
مجوز
مجوز ترکیبی است. بخش اصلی مدل، رمزگشاها و زمان‌بند Apache 2.0 هستند؛ رمزگذار بینایی با مجوز DINOv3 است؛ و بخشی که فریم اول را در میز کار زنده می‌سازد مجوز غیرتجاری FLUX دارد و برای تولید تجاری نیست. اگر قصد استفاده‌ی تجاری دارید، مجوز تک‌تک بخش‌ها را بخوانید.
این خبر برای کاربر فارسی‌زبان یعنی چه؟
برای سازندگان بازی و ویدیو، این روش یعنی می‌توان صحنه‌ی ساده ساخت و رندر نهایی را به مدل سپرد. اما نیاز به کارت گرافیک قوی و دانش فنی دارد و آماده‌ی کاربر عادی نیست. برای کارت گرافیک بخوانید سخت‌افزار مورد نیاز مدل‌های ساخت تصویر. اگر فقط می‌خواهید ویدیو بسازید، ساخت ویدیو با هوش مصنوعی: مقایسه‌ی ابزارها و Kling 4.0 ساده‌ترند. درباره‌ی مدل‌هایی که جهان تعاملی می‌سازند هم Odyssey-3 مرتبط است. در ابزارهای هوش‌نو ساخت عکس و ویدیو را بدون نصب و کارت گرافیک امتحان کنید.
چرا این خبر مهم است؟
تا امروز بیشتر مدل‌های ویدیو یک کلیپ کوتاه می‌سازند و تماشاگر باید صبر کند تا پردازش تمام شود. رندر زنده یعنی خروجی هم‌زمان با ورودی می‌آید؛ برای بازی، پخش زنده و ابزار طراحی صحنه، این یعنی گردش کار کاملاً فرق می‌کند. به‌جای نوشتن یک متن بلند و انتظار برای هر نسخه، سازنده صحنه را حرکت می‌دهد و ظاهر نهایی را همان لحظه می‌بیند. این هنوز مرحله‌ی پژوهشی است و درباره‌ی ثبات تصویر در چند دقیقه یا کیفیت روی صحنه‌های پیچیده، آزمون مستقلی ندیده‌ایم.
چه چیزهایی نیاز است؟
برای اجرای آن باید پایتون، چارچوب PyTorch و کارت گرافیک قدرتمند داشته باشید. صفحه‌ی مدل نصب مرحله‌به‌مرحله ندارد که برای کاربر عادی ساده باشد و هیچ سرویس میزبانی‌شده‌ای هم برای آن اعلام نشده است. بنابراین EdenLive فعلاً ابزار توسعه‌دهنده و پژوهشگر است. برای همین، اگر هدفتان فقط ساخت ویدیو از متن یا عکس است، بهتر است سراغ سرویس‌های آماده بروید و سرمایه‌ی کارت گرافیک را خرج چیزی نکنید که بعداً ممکن است عوض شود.
مقایسه‌ی ساده با ابزارهای رایج
- ویدیو از متن: متن می‌نویسید و کلیپ می‌گیرید. کنترل کم، سادگی زیاد.
- ویدیو از عکس: یک عکس را متحرک می‌کنید. کنترل حرکت محدود است.
- رندر زنده با ویدیوی راهنما (EdenLive): حرکت و ترکیب‌بندی را خودتان تعیین می‌کنید و مدل ظاهر را می‌سازد. کنترل زیاد، پیچیدگی زیاد.
سؤالات متداول
EdenLive رایگان است؟
وزن‌ها روی Hugging Face است، اما مجوزها ترکیبی است و بخشی غیرتجاری است.
روی کارت گرافیک معمولی اجرا می‌شود؟
مدل ۵ میلیاردی روی یک کارت اجرا می‌شود، ولی نیازمندی دقیق حافظه در صفحه‌ی مدل نیامده است.
فرقش با مدل ویدیوی معمولی چیست؟
مدل معمولی از متن یا عکس ویدیو می‌سازد؛ EdenLive یک ویدیوی راهنما را هم می‌گیرد و رندر زنده می‌کند.
