Alibaba: Wan 2.7

Alibaba Wan 2.7 es una familia de generación de vídeo con perfiles específicos de texto a vídeo, imagen a vídeo y generación guiada por referencias. El fabricante documenta escenas sincronizadas con audio y narraciones de varios planos, mientras que su flujo de imagen añade generación con primer y último fotograma y continuación de un vídeo inicial. El resultado útil es un clip corto con su sonido, como una transición de producto, una historia compacta o una continuación que encaje con un plano existente. Seleccione el modo según el material de origen y el control necesario sobre el comienzo o el final.

Para texto a vídeo, describa el sujeto, el escenario, la acción, la cámara, el estilo y el sonido. Un guion gráfico puede identificar cada plano e intervalo temporal, mientras que un encargo de plano único debe indicar que la acción permanece continua. La guía de instrucciones Wan 2.7 permite que el modelo interprete la estructura de planos a partir del encargo escrito, en lugar de utilizar el control shot_type de 2.6. La API de texto actual acepta instrucciones en chino o inglés de hasta 5000 caracteres, con una instrucción negativa independiente de 500 caracteres; el texto excedente se trunca. Mantenga claras la acción esencial y las restricciones dentro de ese margen.

Imagen a vídeo con primer fotograma anima una imagen de apertura proporcionada. La generación con primer y último fotograma también define el extremo final y el movimiento que lo conecta. La guía de imagen 2.7 admite una fuente de audio conductora junto a esas combinaciones de fotogramas. Prepare extremos que compartan escena y sujeto previsto y describa la transición, en lugar de pedir al modelo que reinterprete ambas imágenes como referencias estilísticas sin relación. La salida aproxima las proporciones de la primera imagen; la guía trata la resolución como un nivel de número de píxeles y redondea las dimensiones codificadas de forma adecuada.

La continuación de vídeo comienza con un clip de origen y también puede utilizar una imagen de cierre. La duración solicitada es la del vídeo total devuelto, incluido el segmento original. El ejemplo de la guía combina un original de dos segundos con diez segundos de contenido nuevo en un resultado de doce segundos. Prepare la acción final del original e indique lo que ocurre después, para que cámara y sujeto continúen en una dirección coherente. Revise la unión para comprobar aspecto, movimiento, luz y sonido, en lugar de evaluar solo el final recién generado.

El perfil actual independiente de referencias del fabricante utiliza imágenes o vídeo para orientar personajes, objetos o una escena. Su guía permite hasta cinco imágenes y vídeos de referencia en total y utiliza etiquetas específicas de tipo, como Image 1 y Video 1. Describa la función de cada material y la interacción prevista. Para una escena guiada por referencias, muestre al personaje de una referencia transportando el objeto de otra por una localización especificada. El encuadre por referencias difiere de la generación con primer fotograma: el encargo puede establecer una composición nueva, en lugar de exigir que el vídeo comience en una imagen fija proporcionada.

Para audio personalizado en generación de texto, los formatos documentados son WAV y MP3, con duración de dos a treinta segundos y máximo de 15 MB. La duración seleccionada de vídeo determina la parte utilizada: un audio más largo se recorta a esa duración, mientras que un audio más corto que el vídeo deja silencioso el resto. Prepare el pasaje exacto de audio que pertenece al plano y deje espacio para la acción visual prevista. Sin un archivo de audio proporcionado, el fabricante describe generar música de fondo o efectos adecuados a la escena; examine el sonido real y cualquier voz solicitada junto con la imagen.

La matriz actual de modelos enumera MP4 de 720p o 1080p a 30 fps, con salida de texto e imagen de dos a quince segundos. El perfil independiente de referencias está limitado a entre dos y diez segundos. La generación de texto ofrece encuadres 16:9, 9:16, 1:1, 4:3 y 3:4. Las tareas condicionadas por imagen utilizan sus propias reglas aproximadas de proporciones de origen, por lo que debe preparar el recorte de entrada para el destino previsto. Una regla de duración o aspecto del perfil de referencias no debe sustituir a la del flujo de fotogramas o continuación.

El flujo documentado del fabricante es asíncrono: un identificador de tarea permite seguir el procesamiento y un resultado satisfactorio proporciona la ubicación del vídeo. Los resultados se documentan con validez de enlace de veinticuatro horas, por lo que debe conservar el clip real y los materiales creativos para una revisión de edición. Las opciones de reescritura de instrucciones, marca de agua y semilla corresponden a la interfaz seleccionada. El fabricante indica que una semilla fija puede mejorar la reproducibilidad, pero no garantiza un resultado idéntico. Compare el recurso devuelto con el encargo, en lugar de asumir que los ajustes por sí solos conservan todos los detalles.

Frente a Wan 2.6, la guía de imagen 2.7 añade específicamente control de primer y último fotograma y continuación de vídeo mediante entradas multimedia multimodales. Wan 3.0 introduce una estructura integrada diferente y un margen de generación más largo. Este perfil 2.7 conserva sus controles y límites específicos por tarea. Revise toda la escena para comprobar continuidad del sujeto, anclajes de fotograma, identidad de referencias, diálogo, movimiento y uniones, y haga que la siguiente corrección sea específica del problema real encontrado.