Alibaba: Wan 3.0 Prime

Az Alibaba Wan 3.0 Prime a Wan 3.0 videócsalád gyorsított kiadása. A gyártó wan3.0-video-prime néven jelöli, és ugyanazokat a mindent egyben feladatkategóriákat dokumentálja hozzá, mint a normál Wan 3.0-hoz; a kiadás megkülönböztető hangsúlya a sebesség. Írott leírás, kezdőkép, vizuális vagy hangreferenciák, illetve forrásvideó irányíthatja a hangos klipet. Hasznos eredmény lehet termékjelenet, rövid történetsor, animált állókép vagy egy meglévő felvétel irányított módosítása.

Szöveg-videó módban írd le a témát, jelenetet, mozgást, kamerát, vizuális megoldást és hangot. A 3.0 útmutató egyetlen felvételt vagy felvételcímkékkel és időtartományokkal ellátott storyboardot támogat, felvételenként nagyjából négy–hat másodpercet ajánlva. Termékklipnél indulj az asztalon álló táska stabil tág képéből, válts közeli anyagrészletre, majd tartsd meg a zárókompozíciót egy rövid mondat elhangzása alatt. A sorozatnak legyen egyértelmű célja; ellenőrizd, hogy a kamera, a tempó és a termék azonossága összhangban marad-e.

Első képkockás generálásnál a megadott kép rögzíti a nyitást, a prompt pedig a mozgást és kameramunkát írja le. Az első/utolsó képkockás generálás mindkét végpontot megadja, és a köztük lévő átmenetet kéri. Azonos jelenethez tartozó végpontokat és a kívánt kimenettel összhangban álló célformát készíts elő. A gyártó képalapú feladatokhoz adaptív képkivágást ajánl. A végpontmód és a külön referenciamódok eltérő anyagkombinációs szabályokat használnak: az első vagy utolsó képkockát egy kérésen belül nem keverik referenciaképes, referenciavideós vagy referenciahangos bemenettel.

A referenciamód legfeljebb tíz képet, öt videóklipet és öt hangklipet fogad, összesen húsz multimodális referenciaanyagon belül. A dokumentált fájlonkénti korlát referenciaképnél 20 MB, videónál 100 MB, hangnál 15 MB. A videóreferenciák együtt legfeljebb tizenöt másodpercesek lehetnek; a hangreferenciákra külön tizenöt másodperces összesített keret vonatkozik. Nevezd meg minden anyag szerepét, és használd a típushoz tartozó indexét, például Image 1, Video 1 vagy Audio 1. Egy személyt, terméket, kameramozgást és hangot ne hagyj felcserélhető referenciaként.

A gyártó egy dokumentumot vagy egy nyilvános weboldal-referenciát is támogat, amely más referenciaanyagokat kísérhet. A fájl és webes hivatkozás kölcsönösen kizárja egymást, a forrásnak pedig bejelentkezés nélkül elérhetőnek kell lennie. Dokumentumalapú jelenetnél a releváns termék- vagy történettartalom adhat kontextust, miközben egy vizuális referencia meghatározza a megjelenést. A ténylegesen felhasználandó anyagot készítsd elő, és nevezd meg a fontos elemeket. A generált jelenet tényszerű vizuális részleteit és szövegét ehhez a forráshoz mérd, ne fogadj el pusztán vonzó, de módosított ábrázolást.

A beszéd, környezeti hang, hangeffektusok és háttérzene a képpel együtt készülnek. Írd le a kimondandó szavakat, a beszélő azonosságát, előadásmódját és a hang jelenetbeli helyét. Az útmutató alapértelmezetten engedélyezett hangot és néma videóhoz való vezérlőt dokumentál. Párbeszédben adj a beszélőknek egyedi vizuális és hangjegyeket, és hagyj elég időt a megszólalásokra. Hallgasd meg az eredményt a tényleges szöveg, beszélőhöz rendelés, valamint az effektus és látható cselekvés kapcsolata szempontjából. Az integrált hang a jelenet része, ezért ugyanolyan ellenőrzést igényel, mint a kép.

A gyártó mindent egyben útmutatója referenciavideóból történő szerkesztést és meghosszabbítást is dokumentál. A szerkesztési leírás nevezze meg a hozzáadandó, eltávolítandó vagy cserélendő elemet és a megtartandó jellemzőket. A meghosszabbítás leírása mondja el, mi legyen a meglévő klip előtt, után vagy körül. Ezekhez a munkafolyamatokhoz adaptív képkivágást és intelligens időtartamot használj. Videóbemenet megadásakor a dokumentált bemeneti és kimeneti videó összesített hossza legfeljebb 30 másodperc lehet. Világosan készítsd elő a forrásrészletet és a kívánt változást; az átmenetet, megtartott témát és hangot ellenőrizd, ne csak egy vonzó képkockát értékelj.

A dokumentált kimenet 30 fps-es MP4, 480p, 720p vagy 1080p felbontásban, új generálásnál két–harminc másodperces időtartammal. Az intelligens időtartam lehetővé teszi, hogy a modell megfelelő hosszt válasszon. Négyzetes, fekvő és álló képkivágás érhető el, az adaptív képkivágás a megadott anyagot követi. A gyártó feladatként dolgozza fel a generálást, és visszaadja a kész videó helyét; útmutatója szerint ez huszonnégy óráig érvényes. Szerkesztés vagy sorozat előkészítésekor őrizd meg magát a klipet és az alkotói leírást, és használat előtt ellenőrizd a teljes eredményt.

A Prime és a normál Wan 3.0 közös dokumentált módokat és előkészítési szerkezetet használ. A Prime a sebességre optimalizált választás, rögzített elkészülési időre szóló garancia nélkül. A korábbi Wan 2.7 és 2.6 módoknak saját időtartam-, referencia- és kimeneti szabályaik vannak; ezek nem határozzák meg ezt a 3.0 kiadást. Hasznos ellenőrzéskor vizsgáld meg a tárgyak és karakterek folytonosságát, a végpontok képkivágását, a kért szerkesztéseket, a párbeszédet és minden forrásfüggő részletet. A következő javítást fogalmazd meg konkrétan, hogy a jelenet sikeres elemei stabilak maradjanak az azonosított probléma módosítása közben.