Alibaba: Wan 3.0

Alibaba Wan 3.0 es un perfil integrado de creación de vídeo diseñado para convertir un encargo y material de apoyo en una escena con su sonido. El fabricante identifica el modelo estándar como wan3.0-video. La generación solo con texto, los fotogramas de apertura y cierre, las referencias multimodales, la edición y la continuación utilizan disposiciones de entrada diferentes dentro de ese perfil. Entre los recursos útiles están una narración breve, una presentación de producto, una transición basada en imágenes o un clip de origen revisado cuyos cambios siguen una dirección creativa específica.

Para una escena solo con texto, prepare el sujeto, la localización, la acción, la cámara, el estilo visual y el sonido. El fabricante admite planos únicos y guiones gráficos de varios planos, con una estructura recomendada de aproximadamente cuatro a seis segundos por plano e intervalos temporales opcionales. Para una historia breve, presente un pequeño pájaro mecánico sobre un banco de trabajo, siga su primer movimiento y termine con un primer plano sostenido mientras continúa el ambiente de la habitación. Describa la relación visual entre esos momentos para que el margen de treinta segundos sirva a una historia coherente, en lugar de a una lista de acciones desconectadas.

La generación con primer fotograma anima una imagen fija proporcionada. La imagen define la composición inicial, mientras que la instrucción explica el movimiento y el trabajo de cámara. La generación con primer y último fotograma también fija el final y describe la transición entre las dos imágenes. Prepare extremos con escena compatible y encuadre previsto. La guía recomienda selección adaptable de aspecto para estos modos. Sus entradas de fotogramas se mantienen separadas de las disposiciones de imagen de referencia, vídeo de referencia, audio de referencia, archivo y enlace web, por lo que debe seleccionar el modo de material que corresponda al plano previsto.

El modo de referencias combina hasta diez imágenes, cinco clips de vídeo y cinco clips de audio, dentro de un margen total de veinte materiales. Las referencias de imagen pueden identificar un personaje, objeto, escenario o estilo; el vídeo puede orientar movimiento o trabajo de cámara y el audio puede orientar interpretación o ritmo. Las etiquetas específicas de tipo, como Image 1, Video 1 y Audio 1, siguen el orden de entrada de forma independiente. Asigne una función a cada referencia y describa cómo debe interactuar con las demás. Un personaje de aspecto correcto en el escenario equivocado es un fallo distinto de una cámara que no recoge el movimiento previsto.

Los límites documentados de archivos de referencia son 20 MB por imagen, 100 MB por vídeo y 15 MB por clip de audio. Los vídeos de referencia juntos están limitados a quince segundos y las referencias de audio tienen un límite combinado independiente de quince segundos. Un documento o una referencia de página web pública pueden acompañar al material de referencia; un documento y un enlace se excluyen mutuamente. La fuente debe ser accesible públicamente sin iniciar sesión. Prepare una fuente centrada e indique qué contenido debe informar el clip, especialmente cuando un documento contenga más información de la que la escena pueda utilizar.

El audio nativo combina diálogo, música de fondo, ambiente y efectos sonoros con la imagen generada. Indique las palabras que deben pronunciarse, el hablante y la interpretación, los efectos importantes y si debe haber música de fondo. El audio está activado de forma predeterminada en la guía del fabricante y puede desactivarse. Para una escena de demostración, una frase introductoria breve puede preceder a un detalle de producto mientras un sonido mecánico discreto marca el movimiento. Escuche el clip completado para comprobar la redacción real, la atribución y la sincronización, en lugar de juzgar el audio solo a partir del encargo escrito.

Para una edición, describa el cambio y el contenido que se conserva. La guía abarca añadir o eliminar elementos, sustituir atributos, cambiar el estilo visual o la iluminación y modificar diálogo. Para continuación, describa lo que debe ocurrir antes, después o alrededor del clip existente. El encuadre adaptable y la duración inteligente ayudan al flujo de vídeo de origen a conservar su forma y su intención temporal. Cuando se proporciona entrada de vídeo, la duración combinada documentada del vídeo de entrada y salida no debe superar 30 segundos. Conserve el original y examine tanto la zona modificada como la continuidad de todo el clip.

La salida es MP4 a 30 fps, con resolución de 480p, 720p o 1080p. Las duraciones de generación nueva van de dos a treinta segundos, o un ajuste de duración inteligente puede permitir que el modelo elija la longitud. Se documentan formas horizontales, cuadradas y verticales, con encuadre adaptable adecuado al material proporcionado. El fabricante procesa la solicitud como una tarea y devuelve una ubicación de vídeo completado válida durante veinticuatro horas. Conserve el resultado real, el encargo y las referencias como registro de producción y verifique la duración y el encuadre devueltos antes de disponerlos con otros clips.

Wan 3.0 estándar y su variante Prime comparten los modos integrados documentados; Prime destaca la velocidad de generación. Wan 2.7 y 2.6 tienen reglas diferentes de duración y referencias por tarea, por lo que sus interfaces no deben tratarse como la configuración de esta edición. Revise la escena terminada para comprobar identidad de personajes y productos, continuidad espacial, voz, efectos, detalles derivados de la fuente y comienzo y final previstos. Una siguiente corrección específica conserva la dirección satisfactoria mientras aborda el defecto real encontrado en el clip.