Alibaba: Wan 2.6

Alibaba Wan 2.6 es una familia de generación de vídeo con perfiles distintos de texto a vídeo, imagen a vídeo con primer fotograma y referencia a vídeo. El fabricante documenta audio sincronizado y narraciones de varios planos. Una escena escrita puede convertirse en un clip, una imagen fija preparada puede establecer la apertura o referencias visuales pueden orientar personajes y objetos en una escena nueva. La salida útil es el vídeo corto completado y su sonido, preparados para revisión o uso en una secuencia editada.

Para generación de texto, describa el sujeto, el entorno, el movimiento, la cámara y el sonido. La guía de texto heredada de 2.6 acepta instrucciones en chino o inglés de hasta 1500 caracteres, con una instrucción negativa independiente de 500 caracteres; el texto más largo se trunca. Para una animación de producto, siga una furgoneta de reparto de juguete que cruza un banco de trabajo, se detiene junto a un paquete pequeño y termine sobre el paquete mientras un sonido mecánico discreto marca la parada. Mantenga la secuencia lo bastante sencilla para que su acción central siga siendo fácil de juzgar.

El control de varios planos es una parte específica del flujo 2.6. La guía de texto del fabricante ofrece ajustes shot_type single o multi, con single como predeterminado. En ese modo de texto, el ajuste entra en vigor cuando está activada la reescritura de instrucciones y el parámetro tiene prioridad sobre una redacción contradictoria del encargo. Describa los planos y los tiempos de forma coherente con el ajuste seleccionado. La guía posterior Wan 2.7 interpreta en cambio la estructura de planos directamente desde la instrucción, por lo que esa preparación más reciente no debe sustituir silenciosamente a los controles documentados de esta edición.

La generación con primer fotograma utiliza una imagen para establecer la apertura y una instrucción para describir lo que sigue. Prepare el recorte, el sujeto y los detalles visuales previstos en la imagen fija antes de pedir movimiento. La comparación del fabricante identifica el primer y último fotograma y la continuación de clips de origen como incorporaciones del flujo de imagen 2.7, en lugar de controles que deban asignarse al perfil de primer fotograma de 2.6. Para una animación de producto, revise el objeto durante todo el movimiento y examine si su forma, marcas y escena siguen siendo adecuados para el plano previsto.

La API actual heredada de referencias 2.6 acepta imágenes y vídeos mediante una lista ordenada de referencias. Permite hasta cinco imágenes y tres vídeos, con un máximo combinado de cinco archivos. Cada referencia debe contener un sujeto. La primera corresponde a character1, la segunda a character2 y así sucesivamente; utilice esos identificadores en la instrucción, en lugar de tomar las etiquetas específicas de tipo de Wan 2.7. Describa claramente las acciones y frases de cada personaje para poder comprobar la atribución e identidad en una interacción entre varios personajes.

La guía de referencias enumera imágenes JPEG/JPG, PNG sin transparencia, BMP y WEBP de hasta 20 MB, con cada dimensión entre 240 y 8000 píxeles. El vídeo de referencia puede ser MP4 o MOV de hasta 100 MB; el campo actual reference_urls acepta vídeos de uno a treinta segundos. El campo obsoleto exclusivo de vídeo tiene una duración mínima diferente y no constituye el mismo contrato de preparación. Elija el pasaje de origen y el sujeto que deben informar la escena y mantenga explícitas las funciones de referencia. Un personaje reconocible puede seguir estando colocado incorrectamente o tener una voz equivocada en el resultado.

La generación de texto del fabricante admite audio proporcionado mediante su campo documentado de fuente de audio, y los modos de salida incluyen sonido sincronizado con la imagen. Indique el diálogo, la interpretación y la atmósfera previstos en el encargo y revise las palabras y los efectos reales. El interruptor opcional de audio de la API de referencias está etiquetado específicamente para la variante Flash de referencias; no es un control universal de vídeo silencioso que deba asumirse para todos los modos 2.6. Tanto sonido como imagen requieren revisión frente a la escena prevista.

Las especificaciones actuales del fabricante enumeran salida de 720p y 1080p, con generación de texto e imagen de dos a quince segundos y generación de referencias de dos a diez segundos. Sus guías de vídeo describen MP4 a 30 fps, mientras que la API de referencias selecciona un tamaño explícito de ancho por alto, en lugar de una simple etiqueta de relación. Las opciones horizontal, vertical y cuadrada tienen sus propias dimensiones documentadas. Conserve con el encargo las reglas de duración y tamaño del modo seleccionado, en lugar de tomar el margen de treinta segundos de generación de Wan 3.0 o la configuración adaptable de otra edición.

La generación se procesa como una tarea y un resultado satisfactorio proporciona la ubicación del vídeo. El fabricante documenta validez de veinticuatro horas para el enlace de resultados. Conserve el clip real, las referencias de origen y la instrucción para la revisión de edición. Una semilla fija puede ayudar a comparar solicitudes, pero la guía heredada indica explícitamente que no garantiza resultados idénticos. Revise continuidad, identidad de referencias, contacto entre objetos, estructura de planos solicitada, diálogo y detalles visibles. La siguiente corrección debe abordar el problema específico encontrado y conservar la dirección satisfactoria del plano.