Alibaba: Wan 2.6

Alibaba Wan 2.6 er en familie til videogenerering med særskilte profiler til tekst-til-video, billede-til-video fra et første billede og reference-til-video. Producenten dokumenterer synkroniseret lyd og fortællinger med flere optagelser. En skrevet scene kan blive til et klip, et forberedt stillbillede kan fastlægge åbningen, eller visuelle referencer kan styre figurer og genstande i en ny scene. Det nyttige output er den færdige korte video og dens lyd, klar til gennemgang eller brug i en redigeret sekvens.

Til tekstgenerering skal du beskrive motiv, omgivelser, bevægelse, kamera og lyd. Den ældre tekstvejledning til 2.6 accepterer kinesiske eller engelske prompts på op til 1.500 tegn med en separat negativ prompt på 500 tegn; længere tekst afkortes. I en produktanimation kan du følge en legetøjsvarevogn, der kører over en arbejdsbænk, holde en pause ved en lille pakke og afslutte med kameraet rettet mod pakken, mens en afdæmpet mekanisk lyd markerer stoppet. Hold sekvensen så enkel, at dens centrale handling fortsat er let at vurdere.

Kontrol med flere optagelser er en specifik del af 2.6-arbejdsgangen. Producentens tekstvejledning tilbyder indstillingerne single eller multi for shot_type med single som standard. I denne teksttilstand har indstillingen virkning, når promptomskrivning er aktiveret, og parameteren har forrang frem for modstridende formuleringer i beskrivelsen. Beskriv optagelser og timing, så de stemmer overens med den valgte indstilling. Den senere Wan 2.7-vejledning fortolker i stedet optagelsesstrukturen direkte fra prompten, så denne nyere fremgangsmåde bør ikke ubemærket erstatte denne udgaves dokumenterede kontroller.

Generering fra et første billede bruger et billede til at fastlægge åbningen og en prompt til at beskrive det efterfølgende forløb. Forbered den ønskede beskæring, motivet og de visuelle detaljer i stillbilledet, før du beder om bevægelse. Producentens sammenligning angiver første-/sidstebillede og fortsættelse af kildeklip som tilføjelser i 2.7-billedarbejdsgangen, frem for kontroller, der kan tildeles 2.6-profilen for første billede. Ved en produktanimation skal du gennemgå genstanden gennem hele bevægelsen og undersøge, om dens form, mærkning og scene forbliver egnede til den ønskede optagelse.

Det aktuelle ældre reference-API til 2.6 accepterer billeder og videoer via en ordnet referenceliste. Det tillader op til fem billeder og tre videoer med højst fem filer tilsammen. Hver reference bør indeholde ét motiv. Den første knyttes til character1, den anden til character2 og så videre; brug disse identifikatorer i prompten i stedet for at låne Wan 2.7-udgavens typespecifikke betegnelser. Beskriv hver figurs handling og replikker tydeligt, så samspil mellem flere figurer kan kontrolleres for korrekt taler og identitet.

Referencevejledningen angiver JPEG/JPG, PNG uden gennemsigtighed, BMP og WEBP som billedformater på op til 20 MB med hver dimension mellem 240 og 8.000 pixels. Referencevideo kan være MP4 eller MOV på op til 100 MB; det aktuelle reference_urls-felt accepterer videoer på et til tredive sekunder. Det udfasede felt, der kun er til video, har en anden minimumsvarighed og følger ikke de samme krav til forberedelse. Vælg den kildepassage og det motiv, der skal præge scenen, og hold referencernes roller tydelige. En genkendelig figur kan stadig blive placeret forkert eller få tildelt en forkert stemme i resultatet.

Producentens tekstgenerering understøtter medsendt lyd via det dokumenterede lydkildefelt, og outputtilstandene omfatter lyd, der er synkroniseret med billedet. Angiv den ønskede dialog, fremførelse og atmosfære i beskrivelsen, og kontrollér de faktiske ord og effekter. Reference-API'ets valgfrie lydkontakt er specifikt mærket til Flash-referencevarianten; den er ikke en universel kontrol til lydløs video, som kan antages at gælde for alle 2.6-tilstande. Både lyd og billede skal kontrolleres op mod den ønskede scene.

Producentens aktuelle specifikationer angiver output i 720p og 1080p med tekst- og billedgenerering på to til femten sekunder og referencegenerering på to til ti sekunder. Videovejledningerne beskriver MP4 ved 30 fps, mens reference-API'et vælger en udtrykkelig størrelse som bredde gange højde frem for en ren formatbetegnelse. Liggende, stående og kvadratiske muligheder har hver deres dokumenterede dimensioner. Bevar den valgte tilstands regler for varighed og størrelse sammen med beskrivelsen frem for at låne Wan 3.0-udgavens tilladte tredive sekunders generering eller en anden udgaves adaptive konfiguration.

Genereringen behandles som en opgave, og et vellykket resultat angiver videoens placering. Producenten dokumenterer fireogtyve timers gyldighed for resultatlinket. Gem selve klippet, kildereferencerne og prompten til redigeringsgennemgangen. Et fast seed kan hjælpe med at sammenligne anmodninger, men den ældre vejledning siger udtrykkeligt, at det ikke garanterer identiske resultater. Gennemgå kontinuitet, referenceidentitet, kontakt mellem genstande, den ønskede optagelsesstruktur, dialog og synlige detaljer. Den næste rettelse bør løse det konkret fundne problem og samtidig bevare optagelsens vellykkede retning.