Zhipu AI: CogVideoX 3

CogVideoX 3 er en videomodel fra Zhipu AI med dokumenteret tekst-til-video-, billede-til-video- og første-og-sidste-frame-generering. Producenten fremhæver billedstabilitet, instruktionsfølgning og realistiske eller tredimensionelle visuelle stilarter. Vælg tekst, når scenen begynder som en skriftlig opgavebeskrivelse, ét billede, når dens visuelle grundlag allerede findes, eller to endepunktsbilleder, når sekvensen kræver en defineret åbnings- og afslutningsvisning.

Beskriv motivet og én tydelig handling ved en tekstopgave. Angiv omgivelserne, synsvinklen og vigtige fysiske forhold, så scenen kan vurderes mod en klar hensigt. En figur, der løfter et objekt, kræver en anden sekvens end et kamera, der afslører objektet. Beskriv kun begge, når deres forhold er vigtigt for optagelsen.

Forbered referencen, så motivets særlige kendetegn er synlige, ved en billedbaseret sekvens. Producenten accepterer PNG-, JPEG- og JPG-billeder på højst 5 MB, leveret via en URL eller kodede billeddata. Bevar den faktiske reference sammen med det genererede resultat, så udseende og billedudsnit kan sammenlignes med kilden frem for med en husket udgave af den.

Producentens endepunktsframetilstand accepterer to billeder i rækkefølge: Det første fastlægger åbningsbilledet, og det andet afslutningsbilledet. Forbered dem som de to tilsigtede tilstande i én optagelse. Beskriv den overgang eller handling, der forbinder dem, og gennemgå derefter, om motivet forbliver sammenhængende mellem endepunkterne. Et par gode stillbilleder viser ikke i sig selv, at den mellemliggende bevægelse passer til den ønskede fortælling.

Prompten kan indeholde op til 512 tegn. Brug den tilgængelige tekst til handlingen, dens retning og de visuelle detaljer, som adskiller et vellykket resultat. Hold opgavebeskrivelsen fokuseret på det, der skal ske på skærmen. Beskriv den bevægelse og timing, der skal udvikles mellem eller ud fra billederne, når inputbillederne allerede fastlægger motivets udseende.

Producenten dokumenterer output på fem eller ti sekunder med fem sekunder som standard og 30 eller 60 billeder pr. sekund. Understøttede størrelser omfatter 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 og 3840×2160. Vælg størrelsen og timingen til destinationen, og undersøg derefter det færdige klip for billedudsnit og tempoet i den faktiske handling.

Tilstandene quality og speed dokumenteres adskilt fra den valgfrie AI-lydeffektindstilling. Bevar disse valg sammen med prompten, billederne og resultatet. Producentens visuelle egenskaber og inputmuligheder beskriver modellen; de tilgængelige indstillinger i en bestemt genereringsmetode leveres af den metodes kontrakt. Bevar de faktisk anvendte indstillinger, når kandidatoptagelser sammenlignes.

Bevar den oprindelige opgaveidentitet, indtil videoen er færdig, og gem de returnerede optagelser til redigering. Gennemgå hele sekvensen, herunder motivets udseende under store bevægelser, interaktioner med sceneobjekter og slutkompositionen. Undersøg begge endepunkter og overgangen mellem dem ved arbejde med endepunktsframes. Revidér den konkrete visuelle afvigelse med bevarelse af de vellykkede referencer og optagelsesplanen, og sammenlign de færdige videoer frem for kun forhåndsvisningsbillederne.