Zhipu AI: CogVideoX 3

CogVideoX 3 è il modello video di Zhipu AI con generazione documentata da testo a video, da immagine a video e da fotogrammi iniziale e finale. Il produttore evidenzia la stabilità dei fotogrammi, il rispetto delle istruzioni e stili visivi realistici o tridimensionali. Scegliete il testo quando la scena nasce come descrizione scritta, un’immagine quando la base visiva esiste già o due immagini degli estremi quando la sequenza richiede una vista iniziale e finale definite.

Per una descrizione testuale, indicate il soggetto e un’azione leggibile. Precisate l’ambientazione, il punto di vista e le relazioni fisiche importanti, affinché la scena possa essere valutata rispetto a un’intenzione chiara. Un personaggio che raccoglie un oggetto richiede una sequenza diversa da una camera che rivela quell’oggetto. Descrivete entrambi soltanto quando la loro relazione conta per l’inquadratura.

Per una sequenza basata su immagini, preparate il riferimento in modo che le caratteristiche distintive del soggetto siano visibili. Il produttore accetta immagini PNG, JPEG e JPG non superiori a 5 MB, fornite tramite URL o dati immagine codificati. Conservate il riferimento effettivo insieme al risultato generato, affinché aspetto e inquadratura possano essere confrontati con la fonte, anziché con una versione ricordata.

La modalità del produttore basata sui fotogrammi degli estremi accetta due immagini in ordine: la prima stabilisce il fotogramma iniziale e la seconda quello finale. Preparatele come i due stati desiderati di un’unica inquadratura. Descrivete la transizione o l’azione che li collega, poi esaminate se il soggetto rimanga coerente tra gli estremi. Una coppia di buone immagini fisse non dimostra da sola che il movimento intermedio sia adatto alla storia desiderata.

Il prompt può contenere fino a 512 caratteri. Usate il testo disponibile per l’azione, la sua direzione e i dettagli visivi che distinguono un risultato riuscito. Mantenete la descrizione concentrata su ciò che deve accadere sullo schermo. Quando le immagini di input stabiliscono già l’aspetto del soggetto, descrivete il movimento e i tempi che devono svilupparsi tra quelle immagini o a partire da esse.

Il produttore documenta output di cinque o dieci secondi, con cinque secondi come valore predefinito, e 30 o 60 fotogrammi al secondo. Le dimensioni supportate comprendono 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 e 3840×2160. Scegliete dimensioni e durata per la destinazione, poi esaminate il filmato completato per l’inquadratura e il ritmo dell’azione effettiva.

Le modalità qualità e velocità sono documentate separatamente dall’impostazione facoltativa degli effetti sonori dell’IA. Conservate queste scelte insieme al prompt, alle immagini e al risultato. Le capacità visive e di input del produttore descrivono il modello; i controlli disponibili per un particolare metodo di generazione sono forniti dalle specifiche di quel metodo. Preservate le impostazioni effettivamente usate quando confrontate inquadrature candidate.

Conservate l’identificatore dell’attività originale fino al completamento del video e salvate il filmato restituito per il montaggio. Esaminate l’intera sequenza, includendo l’aspetto del soggetto durante grandi movimenti, le interazioni con gli oggetti della scena e la composizione finale. Per il lavoro basato sui fotogrammi degli estremi, esaminate entrambi gli estremi e la transizione tra loro. Rivedete la discrepanza visiva specifica conservando i riferimenti riusciti e il piano dell’inquadratura e confrontate i video completati, anziché soltanto le immagini di anteprima.