Alibaba: Wan 3.0

Az Alibaba Wan 3.0 mindent egyben videókészítési profil, amely leírásból és támogató anyagból hangos jelenetet készít. A gyártó a normál modellt wan3.0-video néven azonosítja. A csak szöveges generálás, nyitó- és záróképkockák, multimodális referenciák, szerkesztés és folytatás különböző bemeneti összeállításokat használ e profilon belül. Hasznos eredmény lehet rövid történet, termékbemutató, képalapú átmenet vagy meghatározott alkotói irány szerint módosított forrásklip.

Csak szöveges jelenethez készítsd elő a témát, helyszínt, cselekvést, kamerát, vizuális stílust és hangot. A gyártó egyfelvételes és többfelvételes storyboardokat támogat, felvételenként nagyjából négy–hat másodperces ajánlott szerkezettel és opcionális időtartományokkal. Rövid történetben mutass be egy kis mechanikus madarat a munkapadon, kövesd első mozdulatát, majd fejezd be kitartott közelképpel, miközben a szoba környezeti hangja folytatódik. Írd le az ütemek vizuális kapcsolatát, hogy a harmincmásodperces keret egy összefüggő történetet szolgáljon, ne független cselekvések listáját.

Az első képkockás generálás egy megadott állóképet animál. Az állókép a kezdeti kompozíciót határozza meg, a prompt pedig a mozgást és kameramunkát magyarázza el. Az első/utolsó képkockás generálás a befejezést is rögzíti, és leírja a két kép közötti átmenetet. Összeillő jelenetű és kívánt képkivágású végpontokat készíts elő. Az útmutató ezekhez a módokhoz adaptív oldalarány-választást ajánl. Képkockabemeneteik elkülönülnek a referenciakép-, referenciavideó-, referenciahang-, fájl- és webhivatkozás-összeállításoktól, ezért a tervezett felvételhez illő anyagmódot válaszd.

A referenciamód legfeljebb tíz képet, öt videóklipet és öt hangklipet egyesít, összesen húsz anyagos keretben. A képreferencia karaktert, tárgyat, környezetet vagy stílust azonosíthat; a videó mozgást vagy kameramunkát, a hang előadásmódot vagy ritmust irányíthat. A típusonkénti Image 1, Video 1 és Audio 1 címkék egymástól függetlenül követik a bemeneti sorrendet. Adj minden referenciának szerepet, és írd le, hogyan hasson a többire. A megfelelő megjelenésű karakter rossz környezetben más hiba, mint amikor a kamera elmulasztja a kívánt mozgást.

A dokumentált referenciafájl-korlát képenként 20 MB, videónként 100 MB, hangklipenként 15 MB. A videóreferenciák együtt tizenöt másodpercre korlátozottak, a hangreferenciákra külön tizenöt másodperces összesített korlát vonatkozik. A referenciaanyaghoz egy dokumentum vagy egy nyilvános weboldal-referencia társítható; a dokumentum és hivatkozás kölcsönösen kizárja egymást. A forrásnak bejelentkezés nélkül, nyilvánosan hozzáférhetőnek kell lennie. Célzott forrást készíts elő, és add meg, mely tartalom alakítsa a klipet, különösen ha a dokumentum több információt tartalmaz, mint amennyit a jelenet használhat.

A natív hang a generált képhez párbeszédet, háttérzenét, környezeti hangot és hangeffektusokat kapcsol. Add meg a kimondandó szavakat, beszélőt és előadásmódot, a fontos effektusokat és azt, legyen-e háttérzene. A gyártó útmutatójában a hang alapértelmezetten engedélyezett és kikapcsolható. Bemutatójelenetben rövid bevezető mondat előzhet meg egy termékrészletet, miközben halk mechanikus hang jelöli a mozgást. A kész klipet hallgasd meg a tényleges szöveg, hozzárendelés és szinkron szempontjából; a hangot ne csak az írott leírásból ítéld meg.

Szerkesztéshez írd le a változást és a megtartandó tartalmat. Az útmutató elemek hozzáadását vagy eltávolítását, tulajdonságcserét, vizuális stílus vagy világítás módosítását és párbeszéd átírását tárgyalja. Folytatáshoz mondd el, mi történjen a meglévő klip előtt, után vagy körül. Az adaptív képkivágás és intelligens időtartam segíti a forrásvideós munkafolyamat alakjának és időzítési szándékának megőrzését. Videóbemenet esetén a dokumentált bemeneti és kimeneti videó összesített hossza legfeljebb 30 másodperc lehet. Tartsd meg az eredeti forrást, és a módosított terület mellett a teljes klip folytonosságát is ellenőrizd.

A kimenet 30 fps-es MP4, 480p, 720p vagy 1080p felbontással. Új generálásnál az időtartam két–harminc másodperc, vagy az intelligens időtartam beállításával a modell választhatja meg a hosszt. Fekvő, négyzetes és álló formák dokumentáltak, a megadott anyaghoz illő adaptív képkivágással. A gyártó feladatként dolgozza fel a kérést, és huszonnégy óráig érvényes készvideó-helyet ad vissza. Éles felhasználási nyilvántartásként őrizd meg a tényleges eredményt, leírást és referenciákat, és más klipekhez illesztés előtt ellenőrizd a visszaadott időtartamot és képkivágást.

A normál Wan 3.0 és Prime változata közös dokumentált mindent egyben módokat használ; a Prime a generálási sebességet hangsúlyozza. A Wan 2.7 és 2.6 eltérő, feladatspecifikus időtartam- és referenciaszabályokkal rendelkezik, ezért felületeik nem tekinthetők e kiadás konfigurációjának. A kész jelenetben ellenőrizd a karakter és termék azonosságát, térbeli folytonosságot, beszédet, effektusokat, forrásból származó részleteket és a tervezett kezdetet és befejezést. Egy konkrét következő javítás megőrzi a sikeres irányt, miközben a klip tényleges hibáját kezeli.