Alibaba: HappyHorse 1.1

Az Alibaba HappyHorse 1.1 videógeneráló kiadás külön megnevezett szöveg-videó, első képkockás kép-videó és referencia-videó profilokkal. A gyártó a jobb képi részletezést, mozgást, klipek közötti karakterazonosságot, szövegstabilitást és kép-hang szinkront hangsúlyozza. Az eredmény rövid, hangos videó, amely termékfelvételhez, portréanimációhoz vagy kis karakterjelenethez hasznos. A bemeneti módot annak alapján válaszd, mi határozza meg a jelenetet: írott koncepció, pontos nyitókép vagy több vizuális referencia.

Szöveg-videó módban írd le a témát, helyszínt, cselekvést, képkivágást, kameramozgást és hangszándékot. Rövid akciójelenetben egy kerékpáros álljon meg folyóparti kávézó mellett, miközben a kamera finoman a leparkolt kerékpár felé mozdul. A cselekvés illjen rövid kliphez, és a végső pillanatot is írd le. A gyártó jelenlegi szöveges útmutatója legfeljebb 5 000 nem kínai vagy 2 500 kínai karaktert enged, a többletet levágja. Úgy szervezd a leírást, hogy lényegi témája és cselekvése egyértelmű legyen, ne ismétlődő jelzők közé temetve szerepeljen.

Az első képkockás kép-videó mód pontosan egy képet használ nyitásként. Ebben az állóképben készítsd elő a témát, kompozíciót és kívánt kivágást, majd írd le, minek kell mozognia vagy hogyan változzon a kamera. A dokumentált képformátum JPEG/JPG, PNG és WEBP, legfeljebb 20 MB-tal, mindkét irányban legalább 300 pixellel és 1:2.5 és 2.5:1 közötti oldalaránnyal. A kimenet megközelíti a kiválasztott felbontási szintet, miközben megőrzi a forráskép arányait. Az álló eredmény tehát megfelelő álló kompozícióval indul, nem egy független oldalarány-utasítással.

A referencia-videó mód egy–kilenc képet fogad. A prompt [Image 1], [Image 2] és további pozíciók használatával azonosítja őket bemeneti sorrendben. Add meg minden referencia szerepét és nevezd meg a releváns tárgyat vagy személyt, hogy a jelenetképet ne tévessze össze karakterforrással. A referenciaútmutató JPEG/JPG, PNG vagy WEBP képet fogad legfeljebb 20 MB-tal; a legrövidebb oldal legyen legalább 400 pixel, és tiszta, legalább 720p-s referenciát ajánl. Kerüld az erősen tömörített referenciát, amelyből az azonosító részlet már hiányzik.

Több referenciás jelenetben helyezd az egyik képen látható személyt a másik szobájába, egy harmadik képről származó kabát vagy termék megtartásával. Ugyanabban a leírásban add meg a kölcsönhatást és a kamerát. Az 1.1 referenciaprofil a témák, jelenetstílus és filmszerű mozgás stabilitását emeli ki; a tényleges eredményen ellenőrizd a kívánt azonosságot, termékjelöléseket és térbeli elhelyezést. Több kép több információt ad a leírásnak, az ellenőrzésnek azonban továbbra is vizsgálnia kell, mely jellemzők kerültek át a videóba.

A gyártó az 1.1 generálási módjaihoz 480p, 720p és 1080p kimenetet sorol fel, egész másodpercben három–tizenöt másodperces időtartammal és 24 fps-es MP4-gyel. Az API-válasz H.264 kódolást ír le. A szöveges és referenciagenerálás formái között 16:9, 9:16, 1:1, 4:3, 3:4, 4:5, 5:4, 9:21 és 21:9 szerepel; az első képkockás generálás a bemeneti képet követi. A célfelülethez válassz formát, és hagyj helyet későbbi feliratoknak vagy elrendezési elemeknek. A visszaadott videó tényleges képkivágását a tervezett megjelenítési méretben vizsgáld meg.

A modellcsalád kimenete hangot tartalmaz. Az előadásmódnak vagy hangulatnak adj világos szerepet a leírásban, és minden párbeszédet, effektust vagy háttérsávot a képpel együtt ellenőrizz. A beszélt anyag legyen elég rövid a cselekvéshez és szünetekhez, ne hosszú forgatókönyvet zsúfolj egyetlen rövid felvételbe. Beszédnél ellenőrizd az ajakmozgást, a beszélőhöz rendelést és a tényleges szöveget. A prompt nyelvének elfogadása önmagában nem határoz meg garantált kiejtést vagy külön hangreferencia-bemenetet.

A dokumentált gyártói folyamat aszinkron: feladatazonosító követi a feldolgozást, siker esetén pedig megkapod a videó helyét. Az eredménylinkhez és feladatlekérdezésekhez huszonnégy órás érvényességi időt dokumentálnak. Módosítási nyilvántartásként őrizd meg a kész klipet, referenciákat és promptot. Az útmutatók seed- és vízjelvezérlőket is dokumentálnak. A rögzített seed segítheti az összevetést, de a gyártó kifejezetten kimondja, hogy nem garantál azonos eredményt, ezért a visszaadott alkotást értékeld, ne feltételezd, hogy egyetlen beállítás minden képkockát rögzít.

A HappyHorse 1.0 és 1.1 külön kiadás. Az 1.1 kimeneti táblázata az 1.0 720p és 1080p lehetőségeihez 480p-t ad, az 1.1 modelloldalai pedig részletezés-, mozgás- és következetességbeli fejlesztéseket írnak le. A külön megnevezett HappyHorse 1.0 videószerkesztési profilnak saját bemenetei és korlátai vannak, és nem rendelhető észrevétlenül szerkesztési módként az 1.1-hez. Ellenőrizd a teljes 1.1 klip azonosságát, mozgását, képkivágását, szövegét és hangját, majd végezz konkrét javítást a leírás sikeres részeinek megőrzésével.