Alibaba: Wan 3.0

Alibaba Wan 3.0 er en samlet profil til videoproduktion, der omsætter en beskrivelse og understøttende materiale til en scene med tilhørende lyd. Producenten angiver standardmodellen som wan3.0-video. Generering udelukkende fra tekst, indledende og afsluttende billeder, multimodale referencer, redigering og fortsættelse bruger forskellige kombinationer af input inden for denne profil. Nyttige resultater omfatter en kort fortælling, en produktpræsentation, en billedbaseret overgang eller et revideret kildeklip, hvor ændringerne følger en bestemt kreativ retning.

Til en scene baseret udelukkende på tekst skal du beskrive motiv, sted, handling, kamera, visuel stil og lyd. Producenten understøtter enkeltoptagelser og storyboards med flere optagelser og anbefaler en struktur med cirka fire til seks sekunder pr. optagelse samt valgfrie tidsintervaller. I en kort fortælling kan du introducere en lille mekanisk fugl på en arbejdsbænk, følge dens første bevægelse og afslutte med et fastholdt nærbillede, mens rummets baggrundslyd fortsætter. Beskriv den visuelle sammenhæng mellem disse øjeblikke, så de tilladte tredive sekunder bruges på én sammenhængende fortælling frem for en række løsrevne handlinger.

Generering fra et første billede animerer et medsendt stillbillede. Stillbilledet fastlægger den indledende komposition, mens prompten forklarer bevægelse og kameraføring. Generering fra et første og sidste billede forankrer også slutningen og beskriver overgangen mellem de to billeder. Forbered start- og slutbilleder med en kompatibel scene og den ønskede indramning. Vejledningen anbefaler adaptivt valg af billedformat til disse tilstande. Deres billedinput holdes adskilt fra kombinationerne af referencebilleder, referencevideo, referencelyd, filer og weblinks, så vælg den materialetilstand, der passer til den planlagte optagelse.

Referencetilstanden kombinerer op til ti billeder, fem videoklip og fem lydklip inden for en samlet grænse på tyve materialer. Billedreferencer kan angive en figur, en genstand, et miljø eller en stil; video kan styre bevægelse eller kameraføring, og lyd kan styre fremførelse eller rytme. Typespecifikke betegnelser som Image 1, Video 1 og Audio 1 følger inputrækkefølgen hver for sig. Giv hver reference en rolle, og beskriv, hvordan den skal indgå sammen med de andre. En figur, der ser rigtig ud i et forkert miljø, er en anden fejl end et kamera, der ikke følger den ønskede bevægelse.

De dokumenterede størrelsesgrænser for referencefiler er 20 MB pr. billede, 100 MB pr. video og 15 MB pr. lydklip. Referencevideoer må tilsammen vare højst femten sekunder, og lydreferencer har en separat samlet grænse på femten sekunder. Ét dokument eller én offentlig webside kan medsendes som reference sammen med referencematerialet; et dokument og et link kan ikke bruges samtidig. Kilden skal være offentligt tilgængelig uden login. Forbered en fokuseret kilde, og angiv, hvilket indhold der skal præge klippet, især når et dokument indeholder mere information, end scenen kan bruge.

Indbygget lyd kombinerer dialog, baggrundsmusik, atmosfære og lydeffekter med det genererede billede. Angiv de ord, der skal siges, hvem der siger dem og hvordan, de vigtige effekter, og om der skal være baggrundsmusik. Lyd er slået til som standard i producentens vejledning og kan slås fra. I en demonstrationsscene kan en kort indledende replik komme før en produktdetalje, mens en afdæmpet mekanisk lyd markerer bevægelsen. Lyt til det færdige klip for at kontrollere den faktiske ordlyd, hvem der taler, og synkroniseringen frem for at vurdere lyden ud fra den skrevne beskrivelse alene.

Ved redigering skal du beskrive ændringen og det indhold, der skal bevares. Vejledningen omfatter tilføjelse eller fjernelse af elementer, udskiftning af egenskaber, ændring af visuel stil eller belysning og revision af dialog. Ved fortsættelse skal du beskrive, hvad der skal ske før, efter eller omkring det eksisterende klip. Adaptiv billedindramning og intelligent varighed hjælper arbejdsgangen med kildevideo med at bevare dens form og tidsmæssige hensigt. Når der indgår videoinput, må den dokumenterede samlede varighed af input- og outputvideo ikke overstige 30 sekunder. Bevar den oprindelige kilde, og undersøg både det ændrede område og kontinuiteten i hele klippet.

Output er MP4 ved 30 fps med en opløsning på 480p, 720p eller 1080p. Varigheden ved nygenerering spænder fra to til tredive sekunder, eller en indstilling for intelligent varighed kan lade modellen vælge længden. Liggende, kvadratiske og stående formater er dokumenteret, og adaptiv billedindramning egner sig til medsendt materiale. Producenten behandler anmodningen som et job og returnerer en placering for den færdige video, som er gyldig i fireogtyve timer. Gem det faktiske resultat, beskrivelsen og referencerne som produktionsdokumentation, og kontrollér den returnerede varighed og indramning, før du sætter videoen sammen med andre klip.

Standardudgaven af Wan 3.0 og dens Prime-variant deler de dokumenterede samlede tilstande; Prime lægger vægt på hurtig generering. Wan 2.7 og 2.6 har særskilte opgavespecifikke regler for varighed og referencer, så deres grænseflader bør ikke behandles som denne udgaves konfiguration. Gennemgå den færdige scene for figur- og produktidentitet, rumlig kontinuitet, tale, effekter, detaljer fra kildematerialet samt den ønskede begyndelse og slutning. En konkret næste rettelse bevarer den vellykkede retning og afhjælper samtidig den faktiske fejl, der er fundet i klippet.