Alibaba: Wan 2.6

Az Alibaba Wan 2.6 videógeneráló család különálló szöveg-videó, első képkockás kép-videó és referencia-videó profilokkal. A gyártó szinkronizált hangot és többfelvételes történeteket dokumentál. Írott jelenetből klip készülhet, előkészített állókép rögzítheti a nyitást, vagy vizuális referenciák irányíthatják egy új jelenet karaktereit és tárgyait. A hasznos kimenet a kész rövid videó és hangja, ellenőrzésre vagy szerkesztett sorozatban való használatra előkészítve.

Szöveges generálásnál írd le a témát, környezetet, mozgást, kamerát és hangot. A korábbi 2.6 szöveges útmutató kínai vagy angol promptot fogad legfeljebb 1 500 karakterrel, külön 500 karakteres negatív prompttal; a hosszabb szöveget levágja. Termékanimációnál kövess egy munkapadon áthaladó játék áruszállító furgont, állítsd meg egy kis csomag mellett, majd a csomagon zárj, miközben halk mechanikus hang jelöli a megállást. A sorozat legyen elég egyszerű ahhoz, hogy központi cselekvése könnyen értékelhető maradjon.

A többfelvételes irányítás a 2.6 munkafolyamat sajátos része. A gyártó szöveges útmutatója single vagy multi shot_type beállítást kínál, alapértelmezetten single értékkel. Ebben a szöveges módban a beállítás bekapcsolt promptátírás mellett hat, és a paraméter elsőbbséget élvez a leírás ellentmondó megfogalmazásával szemben. A felvételeket és időzítésüket a kiválasztott beállítással összhangban írd le. A későbbi Wan 2.7 útmutató közvetlenül a promptból értelmezi a felvételszerkezetet, ezért annak újabb előkészítése nem helyettesítheti észrevétlenül e kiadás dokumentált vezérlőit.

Az első képkockás generálás képpel rögzíti a nyitást, prompttal írja le a folytatást. A mozgás kérése előtt az állóképen készítsd elő a kívánt kivágást, témát és vizuális részleteket. A gyártó összehasonlítása az első/utolsó képkockát és forrásklip-folytatást a 2.7 képes munkafolyamat kiegészítéseként azonosítja, nem a 2.6 első képkockás profiljához rendelendő vezérlőként. Termékanimációnál a teljes mozgáson át vizsgáld meg a tárgyat, és ellenőrizd, hogy alakja, jelölései és környezete megfelelőek maradnak-e a kívánt felvételhez.

A korábbi 2.6 család jelenlegi referencia-API-ja rendezett referencialistában fogad képeket és videókat. Legfeljebb öt képet és három videót enged, együtt legfeljebb öt fájlban. Minden referencia egy témát tartalmazzon. Az első a character1, a második a character2 azonosítóhoz kerül, és így tovább; a promptban ezeket használd a Wan 2.7 típusonkénti címkéinek átvétele helyett. Világosan írd le minden karakter cselekvését és mondatait, hogy többkarakteres kölcsönhatásnál ellenőrizhető legyen a hozzárendelés és azonosság.

A referenciaútmutató JPEG/JPG, átlátszóság nélküli PNG, BMP és WEBP képeket sorol fel legfeljebb 20 MB-tal, mindkét irányban 240–8 000 pixellel. A referenciavideó MP4 vagy MOV lehet legfeljebb 100 MB méretben; a jelenlegi reference_urls mező egy–harminc másodperces videót fogad. Az elavult, csak videós mező minimális időtartama eltér, és nem azonos előkészítési szerződést jelent. Válaszd ki a jelenetet alakító forrásrészletet és témát, a referenciaszerepek pedig maradjanak kifejezettek. Egy felismerhető karaktert az eredmény még helytelenül helyezhet el vagy szólaltathat meg.

A gyártó szöveges generálása dokumentált hangforrásmezőjén keresztül támogat megadott hangot, a kimeneti módok pedig a képpel szinkronizált hangot tartalmaznak. A leírásban add meg a kívánt párbeszédet, előadásmódot és hangulatot, majd ellenőrizd a tényleges szavakat és effektusokat. A referencia-API opcionális hangkapcsolója kifejezetten a Flash referenciaváltozathoz van címkézve; nem feltételezhető univerzális néma-videó vezérlőként minden 2.6 módhoz. A hangot és képet egyaránt a kívánt jelenethez kell mérni.

A jelenlegi gyártói specifikáció 720p és 1080p kimenetet sorol fel, két–tizenöt másodperces szöveges és képes, illetve két–tíz másodperces referenciagenerálással. Videóútmutatói 30 fps-es MP4-et írnak le, a referencia-API pedig egyszerű aránycímke helyett konkrét szélesség × magasság méretet választ. A fekvő, álló és négyzetes lehetőségeknek saját dokumentált méreteik vannak. A kiválasztott mód időtartam- és méretszabályait tartsd a leírással együtt, a Wan 3.0 harmincmásodperces generálási keretének vagy más kiadás adaptív konfigurációjának átvétele helyett.

A generálás feladatként kerül feldolgozásra, siker esetén pedig megkapod a videó helyét. A gyártó huszonnégy órás eredménylink-érvényességet dokumentál. Szerkesztési ellenőrzéshez őrizd meg magát a klipet, a forrásreferenciákat és a promptot. A rögzített seed segítheti a kérések összevetését, de a korábbi útmutató kifejezetten kimondja, hogy nem garantál azonos eredményt. Ellenőrizd a folytonosságot, referenciaazonosságot, tárgyak érintkezését, kért felvételszerkezetet, párbeszédet és látható részleteket. A következő javítás a talált konkrét problémát kezelje, a felvétel sikeres irányának megőrzésével.