Zhipu AI: CogVideoX 3

CogVideoX 3 ist Zhipu AIs Videomodell mit dokumentierter Text-zu-Video-, Bild-zu-Video- und Erzeugung aus erstem und letztem Einzelbild. Der Hersteller betont Bildstabilität, Anweisungsbefolgung und realistische oder dreidimensionale Bildstile. Wählen Sie Text, wenn die Szene als schriftlicher Auftrag beginnt, ein Bild, wenn ihre visuelle Grundlage bereits besteht, oder zwei Endpunktbilder, wenn die Sequenz eine definierte Anfangs- und Schlussansicht benötigt.

Beschreiben Sie für einen Textauftrag das Motiv und eine klar erkennbare Handlung. Nennen Sie Umgebung, Blickwinkel und wichtige räumliche Beziehungen, damit die Szene anhand einer klaren Absicht beurteilt werden kann. Eine Figur, die ein Objekt aufhebt, benötigt eine andere Sequenz als eine Kamera, die dieses Objekt enthüllt. Beschreiben Sie beides nur, wenn ihre Beziehung für die Aufnahme wichtig ist.

Bereiten Sie bei einer bildgestützten Sequenz die Referenz so vor, dass die charakteristischen Merkmale des Motivs sichtbar sind. Der Hersteller akzeptiert PNG-, JPEG- und JPG-Bilder bis zu 5 MB, bereitgestellt über eine URL oder kodierte Bilddaten. Bewahren Sie die tatsächliche Referenz zusammen mit dem erzeugten Ergebnis auf, damit Aussehen und Bildausschnitt mit der Quelle statt mit einer erinnerten Version verglichen werden können.

Der Endpunktbildmodus des Herstellers akzeptiert zwei Bilder in dieser Reihenfolge: Das erste bestimmt das Anfangsbild, das zweite das Schlussbild. Bereiten Sie sie als die beiden gewünschten Zustände einer Aufnahme vor. Beschreiben Sie den verbindenden Übergang oder die Handlung und prüfen Sie anschliessend, ob das Motiv zwischen den Endpunkten konsistent bleibt. Ein Paar guter Standbilder zeigt für sich nicht, dass die Bewegung dazwischen zur gewünschten Geschichte passt.

Der Prompt kann bis zu 512 Zeichen enthalten. Verwenden Sie den verfügbaren Text für die Handlung, ihre Richtung und die visuellen Details, die ein erfolgreiches Ergebnis auszeichnen. Halten Sie den Auftrag auf das sichtbare Geschehen ausgerichtet. Wenn Eingabebilder bereits das Motivaussehen bestimmen, beschreiben Sie Bewegung und zeitlichen Ablauf, die sich zwischen diesen Bildern oder aus ihnen entwickeln sollen.

Der Hersteller dokumentiert Ausgaben von fünf oder zehn Sekunden mit fünf Sekunden als Standard sowie 30 oder 60 Bilder pro Sekunde. Unterstützte Grössen umfassen 1’280×720, 720×1’280, 1’024×1’024, 1’920×1’080, 1’080×1’920, 2’048×1’080 und 3’840×2’160. Wählen Sie Grösse und Zeitablauf für das Verwendungsziel und prüfen Sie dann den fertigen Clip auf Bildausschnitt und Tempo der tatsächlichen Handlung.

Modi für Qualität und Geschwindigkeit sind getrennt von der optionalen KI-Toneffekteinstellung dokumentiert. Bewahren Sie diese Auswahl zusammen mit Prompt, Bildern und Ergebnis auf. Die visuellen und Eingabefähigkeiten des Herstellers beschreiben das Modell; die verfügbaren Steuerungen einer bestimmten Generierungsmethode ergeben sich aus den Vorgaben dieser Methode. Erhalten Sie beim Vergleich möglicher Aufnahmen die tatsächlich verwendeten Einstellungen.

Erhalten Sie die ursprüngliche Aufgabenkennung, bis das Video fertig ist, und speichern Sie das zurückgegebene Material für die Bearbeitung. Prüfen Sie die gesamte Sequenz einschliesslich des Motivaussehens bei grösseren Bewegungen, der Interaktionen mit Szenenobjekten und der Schlusskomposition. Prüfen Sie bei Endpunktbildern beide Endpunkte und den Übergang dazwischen. Überarbeiten Sie die konkrete visuelle Abweichung bei Erhalt erfolgreicher Referenzen und des Aufnahmeplans und vergleichen Sie fertige Videos statt nur ihrer Vorschaubilder.