Zhipu AI: CogVideoX 3

CogVideoX 3 est le modèle vidéo de Zhipu AI avec des modes documentés de génération à partir de texte, d’une image, ou d’images initiale et finale. L’éditeur met en avant la stabilité des images, le respect des instructions et les styles visuels réalistes ou tridimensionnels. Choisissez le texte lorsque la scène part d’une description écrite, une image lorsque sa base visuelle existe déjà, ou deux images d’extrémité lorsque la séquence nécessite une vue d’ouverture et une vue de fin définies.

Pour une description textuelle, présentez le sujet et une action lisible. Précisez le décor, le point de vue et les relations physiques importantes pour pouvoir évaluer la scène par rapport à une intention claire. Un personnage qui ramasse un objet nécessite une séquence différente d’un mouvement de caméra qui révèle cet objet. Ne décrivez les deux que si leur relation importe pour le plan.

Pour une séquence fondée sur une image, préparez la référence afin que les caractéristiques distinctives du sujet soient visibles. L’éditeur accepte des images PNG, JPEG et JPG ne dépassant pas 5 MB, fournies par une URL ou des données d’image encodées. Conservez la référence réelle avec le résultat généré pour comparer l’apparence et le cadrage à la source, plutôt qu’au souvenir que vous en avez.

Le mode d’images d’extrémité de l’éditeur accepte deux images dans l’ordre : la première définit l’image d’ouverture et la seconde l’image de fin. Préparez-les comme les deux états souhaités d’un même plan. Décrivez la transition ou l’action qui les relie, puis vérifiez si le sujet reste cohérent entre ces extrémités. Deux bonnes images fixes ne prouvent pas à elles seules que le mouvement intermédiaire correspond au récit souhaité.

Le prompt peut contenir jusqu’à 512 caractères. Utilisez le texte disponible pour l’action, sa direction et les détails visuels qui caractérisent un résultat réussi. Centrez la description sur ce qui doit se passer à l’écran. Lorsque les images d’entrée définissent déjà l’apparence du sujet, décrivez le mouvement et le rythme qui doivent se développer entre ces images ou à partir d’elles.

L’éditeur documente une sortie de cinq ou dix secondes, avec cinq secondes par défaut, et 30 ou 60 images par seconde. Les dimensions prises en charge comprennent 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 et 3840×2160. Choisissez les dimensions et la durée en fonction de la destination, puis examinez le clip terminé pour vérifier le cadrage et le rythme de l’action réelle.

Les modes de qualité et de vitesse sont documentés séparément du réglage facultatif des effets sonores par IA. Conservez ces choix avec le prompt, les images et le résultat. Les capacités visuelles et d’entrée publiées par l’éditeur décrivent le modèle ; les paramètres disponibles pour une méthode de génération particulière sont définis par le contrat de cette méthode. Préservez les paramètres réellement utilisés lorsque vous comparez des plans candidats.

Conservez l’identifiant d’origine de la tâche jusqu’à la fin de la vidéo et enregistrez les séquences renvoyées pour le montage. Examinez toute la séquence, notamment l’apparence du sujet pendant les mouvements amples, les interactions avec les objets de la scène et la composition finale. Pour un travail avec des images d’extrémité, vérifiez les deux extrémités et la transition entre elles. Corrigez l’écart visuel précis en conservant les références et le découpage du plan qui fonctionnent, et comparez les vidéos terminées plutôt que leurs seules images d’aperçu.