Zhipu AI: CogVideoX 3

CogVideoX 3 es el modelo de vídeo de Zhipu AI con generación documentada de texto a vídeo, de imagen a vídeo y a partir de fotogramas inicial y final. El fabricante destaca la estabilidad de los fotogramas, el seguimiento de instrucciones y los estilos visuales realistas o tridimensionales. Elige texto cuando la escena parta de unas indicaciones escritas, una imagen cuando su base visual ya exista o dos imágenes de los extremos cuando la secuencia necesite una vista inicial y una final definidas.

Para unas indicaciones de texto, describe el sujeto y una acción clara. Indica el entorno, el punto de vista y las relaciones físicas importantes para evaluar la escena frente a una intención definida. Un personaje que recoge un objeto necesita una secuencia distinta de la de una cámara que deja a la vista ese objeto. Describe ambas acciones solo cuando su relación importe para el plano.

Para una secuencia basada en imágenes, prepara la referencia de modo que se vean los rasgos distintivos del sujeto. El fabricante acepta imágenes PNG, JPEG y JPG de un máximo de 5 MB, proporcionadas mediante una URL o datos de imagen codificados. Conserva la referencia real junto con el resultado generado para comparar el aspecto y el encuadre con la fuente y no con una versión recordada.

El modo del fabricante basado en fotogramas de los extremos acepta dos imágenes en orden: la primera establece el fotograma inicial y la segunda el final. Prepáralas como los dos estados deseados de un mismo plano. Describe la transición o la acción que los conecta y revisa si el sujeto se mantiene coherente entre ambos extremos. Una pareja de buenas imágenes estáticas no demuestra por sí sola que el movimiento intermedio encaje con la historia deseada.

Las instrucciones pueden contener hasta 512 caracteres. Utiliza el texto disponible para la acción, su dirección y los detalles visuales que distingan un resultado logrado. Mantén las indicaciones centradas en lo que debe ocurrir en pantalla. Cuando las imágenes de entrada ya establezcan el aspecto del sujeto, describe el movimiento y los tiempos que deben desarrollarse entre ellas o a partir de ellas.

El fabricante documenta salidas de cinco o diez segundos, con cinco segundos como valor predeterminado, y 30 o 60 fotogramas por segundo. Los tamaños admitidos incluyen 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 y 3840×2160. Elige el tamaño y la duración para el destino y examina después el clip completo para comprobar el encuadre y el ritmo de la acción real.

Los modos de calidad y velocidad están documentados por separado del ajuste opcional de efectos de sonido de IA. Conserva estas opciones junto con las instrucciones, las imágenes y el resultado. Las capacidades visuales y de entrada del fabricante describen el modelo; los controles disponibles en un método de generación concreto se establecen en las especificaciones de ese método. Conserva los ajustes realmente utilizados al comparar planos candidatos.

Conserva el identificador de la tarea original hasta que el vídeo esté completo y guarda el material devuelto para editarlo. Revisa toda la secuencia, incluidos el aspecto del sujeto durante movimientos amplios, las interacciones con los objetos de la escena y la composición final. Para el trabajo con fotogramas de los extremos, examina ambos extremos y la transición entre ellos. Corrige la discrepancia visual concreta conservando las referencias y el plan del plano que funcionen, y compara los vídeos completos en lugar de solo sus imágenes de vista previa.