الدليل الكامل + قوالب أوامر جاهزة

في مؤتمر Google I/O 2026، ماكانتش المفاجأة في تحديث تدريجي لموديل قديم، لكن في نموذج جديد بالكامل اسمه Gemini Omni. النموذج ده مش مجرد “مولّد فيديو تاني” يضاف لقايمة طويلة من الأدوات — هو محاولة جوجل لإعادة تعريف العلاقة نفسها بين الإنسان وصناعة الفيديو بالذكاء الاصطناعي، من خلال فكرة مركزية واحدة: التعديل بالمحادثة بدل إعادة الكتابة من الصفر في كل مرة.

في المقال ده هنشرح إيه هو Gemini Omni فعليًا، وإيه اللي بيميّزه عن الموديلات اللي قبله، وبعد كده هنوصل للجزء العملي: قوالب أوامر جاهزة تقدر تاخدها وتستخدمها كما هي أو تعدّل فيها حسب مشروعك.

أولًا: إيه هو Gemini Omni بالضبط؟

Gemini Omni هو موديل Google DeepMind الجديد “من أي شيء إلى أي شيء” (Any-to-Any)، مصمّم أساسًا لتوليد وتعديل الفيديو من أي تركيبة من المدخلات: نص، وصورة، وصوت، وفيديو، في نفس الوقت. أول نسخة إنتاجية منه اسمها Gemini Omni Flash، وهي دلوقتي متاحة بشكل preview عبر Interactions API، وبشكل مجاني في تطبيقي YouTube Shorts Remix وYouTube Create لمستخدمين 18+، وكمان داخل تطبيق Gemini وGoogle Flow لمشتركي AI Plus وPro وUltra.

جوجل وصفته في الإعلان بجملة بسيطة وواضحة: نموذج “بيقدر يصنع أي حاجة من أي مدخل، ابتداءً من الفيديو” — وده فرق جوهري عن الجيل اللي قبله (زي Veo)، اللي كان بيركّز بالأساس على جودة التوليد الأولي، من غير قدرة حقيقية على “المحادثة” مع النتيجة بعد كده.

أين يقف Omni من عائلة Gemini؟

جوجل أطلقت في نفس الحدث موديلين مختلفين في الغرض:

الموديل	الغرض الأساسي
Gemini Omni (Flash)	توليد وتعديل الفيديو من نص/صورة/صوت/فيديو، بمحادثة تفاعلية
Gemini 3.5 Flash	تشغيل الوكلاء (Agents) اللي بتخطط وتستخدم أدوات ومهام طويلة المدى

يعني الاتنين مش منافسين لبعض داخل عائلة جوجل — واحد لصناعة المحتوى المرئي، والتاني لأتمتة المهام المعقدة.

ثانيًا: التلات ميزات اللي بتميّز Omni فعليًا

١. التعددية الوسائطية الأصيلة (Native Multimodality)

Omni بيقرأ النص والصورة والصوت والفيديو مع بعض في نفس اللحظة، مش كل وسيط لوحده ثم دمجهم بعد كده. النتيجة العملية: تماسك أعلى بكتير بين العناصر المختلفة في المشهد الواحد، وقلة في “التشوهات” اللي كانت بتحصل لما موديلات منفصلة (فيديو + صوت + صورة) تتحط مع بعض بالقوة.

٢. التعديل بالمحادثة (Conversational Editing)

ده قلب الموضوع كله. بدل ما تعيد صياغة البرومبت بالكامل عشان تغيّر تفصيلة واحدة، إنت بتـ”تكلّم” الموديل زي ما تكلّم مونتير حقيقي: “شيلي الكوباية من إيده” أو “خلّي الإضاءة أدفى شوية”. الموديل بيحتفظ بكل حاجة زي ما هي، وبيطبّق بس التعديل اللي طلبته.

٣. المعرفة بالعالم الواقعي (World Knowledge)

Omni مش بس بيفهم الفيزياء (الجاذبية، الطفو، التصادم)، هو كمان مربوط بمعرفة Gemini التاريخية والعلمية والثقافية. يعني لو طلبت مشهد من فترة تاريخية معيّنة، التفاصيل (الملابس، الأدوات، البيئة) بتيجي أقرب للصحة بدل “الطابع العام” اللي بيميّز أغلب مولّدات الفيديو.

ثالثًا: التفاصيل التقنية اللي محتاج تعرفها

• مدة الفيديو: حتى ١٠ ثواني لكل مقطع.
• الدقة: 720p (بنسب 16:9 أو 9:16).
• الصوت: مدمج وتلقائي مع كل فيديو، ومتزامن مع الحركة.
• العلامة المائية: كل فيديو بيحمل علامة SynthID غير مرئية للمشاهد لكن قابلة للتحقق برمجيًا، وبتفضل موجودة حتى بعد إعادة الترميز أو تغيير الحجم.
• اسم الموديل في الـ API: gemini-omni-flash-preview.
• اللغة: الإنجليزية مدعومة بالكامل؛ اللغات التانية (وفيها العربية) لسه ما اتقيّمتش رسميًا، فالنتائج ممكن تتفاوت — ولذلك كل القوالب في المقال ده مكتوبة بالإنجليزي عمدًا، لأن ده اللي بيدّي أفضل نتيجة حاليًا.

رابعًا: أنواع المهام الأربعة في Omni

قبل ما توصل لكتابة الأمر، Omni بيحتاج يعرف نوع المهمة اللي إنت بتطلبها. جوجل حدّدت أربع مهام رسمية عبر باراميتر task:

المهمة	الاستخدام
text_to_video	توليد فيديو كامل من وصف نصي بس
image_to_video	تحريك صورة ثابتة (رسمة، منتج، صورة فوتوغرافية)
reference_to_video	دمج عناصر من أكتر من صورة مرجعية (شخصية + منتج + مكان) في مشهد واحد
edit	تعديل فيديو موجود بالفعل (مولَّد أو مرفوع) بمحادثة

لو ما حددتش الـtask، الموديل بيحاول يستنتجه من صياغة الأمر نفسه — لكن التحديد الصريح بيدّي نتيجة أدق.

خامسًا: قوالب الأوامر الجاهزة (Prompt Templates)

خلّينا نتفق على حاجة من الأول: أي أمر فيديو بيتقسم لجزئين مستقلين تمامًا — جزء بصري وجزء صوتي. الناس بتغلط لما بتخلطهم في جملة واحدة.

  الجزء البصري  +  الجزء الصوتي

الجزء البصري

  الجزء البصري في حالة النص بيتكوّن من خمس عناصر بالترتيب ده: نوع اللقطة، وبعدين الشخصية، وبعدين الحركة، وبعدين المكان، وأخيرًا الستايل. والستايل ده بالذات هو سر الإحساس السينمائي.

المعادلة البصرية: [نوع اللقطة] + [الشخصية] + [الحركة] + [المكان/السياق] + [الستايل السينمائي]

الجزء الصوتي

  والجزء الصوتي بيتكوّن من حاجتين بس: الحوار، والصوت المحيط أو المؤثرات.

المعادلة الصوتية: [الحوار] + [الموسيقى الخلفية / المؤثرات الصوتية]

  هنبدأ من الصفر. عايزين نبني شخصية اسمها آدم — رجل في نص الأربعينات، وجهه فيه حكاية، بطل درامي — وهو ده اللي هيفضل معانا في الفيديو كله.

الأمر (اللي أغلبنا بيكتبه)

الطريقة الغلط “عايز فيديو لراجل بيتكلم، شكله واثق، مكان حلو، إضاءة سينمائية، والكاميرا تتحرك شوية.”

الأمر ده مافيهوش أي غلط في المعنى، لكنه فاضي من التفاصيل. مافيهوش نوع لقطة، ولا وصف دقيق للشخصية، ولا عدسة، ولا نوع إضاءة، ولا صوت. النتيجة هتبقى راجل عشوائي مختلف كل مرة.

الأمر الصح — بالمعادلة الكاملة وبإحساس سينمائي

المثال الأول — Text-to-Video الجزء البصري:   نوع اللقطة: لقطة قريبة متوسطة، بزاوية منخفضة بسيطة، بعدسة 50mm وعمق ميدان ضحل يعزل الوجه عن الخلفية. الشخصية: رجل في نهاية الأربعينات، بشرة سمراء خشنة، لحية رمادية قصيرة مهذّبة، عينان عسليتان غائرتان بنظرة متعبة، ندبة رفيعة فوق الحاجب الأيسر، يرتدي معطفًا صوفيًا داكنًا فوق قميص كحلي، تعبير جاد وهادئ. الحركة: يرفع رأسه ببطء وينظر مباشرة إلى الكاميرا، ثم يبتسم ابتسامة خفيفة بالكاد تظهر. المكان/السياق: مكتب قديم خافت الإضاءة، مطر يتساقط على النافذة خلفه، وضوء نيون أزرق يتسلل من الشارع. الستايل السينمائي: مظهر سينمائي نوار، إضاءة جانبية قوية من اليسار (Rembrandt lighting)، تباين عالٍ، تدرّج ألوان بارد مائل للأزرق والكهرماني، حبيبات فيلم خفيفة.   الجزء الصوتي:   الحوار: الرجل يقول: النهارده هنبني شخصية واحدة، ونخليها ثابتة في كل مشهد. الصوت: صوت مطر خافت على الزجاج، مع طنين منخفض جدًا لمكيّف بعيد.

المثال الثاني: Image-to-Video

معادلة Image-to-Video [حركة الكاميرا] + [تحريك الشخصية] + [تغيّر البيئة] [الحوار] + [صوت مرتبط بالحركة]

الأمر العادي

الطريقة الغلط “اعمل فيديو للراجل اللي في الصورة، صاحب اللحية الرمادية والعين العسلية، في مكتب قديم، الكاميرا تبعد زي الدرون، وهو بيتكلم.”

  أشّر على السطر اللي فيه وصف الوش وقول “ده السطر اللي بيخرب كل حاجة”.

  شوفتوا الغلطة؟ إحنا وصفنا الوش والمكان تاني، رغم إنهم موجودين في الصورة. والنتيجة إن الموديل بيعيد تخيّل الشخصية بدل ما يحرّكها.

الأمر الصح

المثال الثاني — Image-to-Video الصورة المصدر: [ارفع صورة آدم المرجعية هنا]   الجزء البصري:   حركة الكاميرا: دفع بطيء وثابت للأمام (push-in) من لقطة متوسطة إلى لقطة قريبة، مع اهتزاز خفيف جدًا يوحي بكاميرا محمولة. تحريك الشخصية: يلتفت برأسه قليلًا ناحية الكاميرا ويرمش بشكل طبيعي وهو يتكلم، ثم يخفض نظره للحظة. تغيّر البيئة: قطرات المطر على النافذة خلفه تتحرك، وأضواء النيون الزرقاء تتراقص برفق كلما اقتربت الكاميرا.   الجزء الصوتي:   الحوار: الرجل يقول: لاحظوا إني ما وصفتش وشّي تاني — الصورة عملت ده بالفعل. صوت مرتبط بالحركة: صوت مطر هادئ على الزجاج، مع صرير خفيف لكرسي جلد كلما تحرّك.

  لاحظوا حاجتين هنا. الأولى: مافيش ولا كلمة عن شكل الشخصية. الثانية: كل الأفعال مكتوبة بصيغة الفعل المستمر — يلتفت، يرمش، تتحرك — وده بيقول للموديل إن الحركة مستمرة على طول المشهد، مش لقطة ثابتة.

  صفر وصف للشكل + أفعال مستمرة = حركة نظيفة

المثال الثالث: Reference-to-Video

الخطوة ١: جهّز الصور وحدّد دور كل واحدة

الصور المرجعية الصورة ١: البورتريه المعتمد لآدم (مرجع الشخصية). الصورة ٢: صورة لساعة يد فضية قديمة على خلفية بيضاء. الصورة ٣: صورة لرصيف ميناء ضبابي وقت الفجر، وقوارب صيد راسية.

لاحظوا إن كل صورة ليها دور واحد بس: صورة للشخصية، صورة للحاجة اللي هيمسكها، صورة للمكان. ما تحطّش صورتين بيعملوا نفس الدور، لأن الموديل ساعتها بيتلخبط ويدمجهم مع بعض.

الخطوة ٢: اكتب الجملة الرابطة بإحساس سينمائي

المثال الثالث — Reference-to-Video الأمر المنطقي: لقطة واسعة سينمائية للرجل من [الصورة ١] واقفًا على رصيف الميناء من [الصورة ٣] وقت الفجر، ممسكًا ساعة اليد الفضية من [الصورة ٢] وينظر إليها، والضباب يلفّ المكان خلفه، بعدسة عريضة 24mm وإضاءة فجر باردة.   الجزء الصوتي:   الحوار: الرجل يقول: نفس الوجه، مكان جديد — ده بالظبط اللي الـ Reference-to-Video بيعمله. الصوت: أمواج خفيفة تضرب الرصيف، مع نداء نورس بعيد وصرير حبال القوارب.