Alibaba: Wan 3.0

Alibaba Wan 3.0は、指示と補助素材を音を伴うシーンへ変える、統合型の動画制作プロファイルです。メーカーは標準モデルをwan3.0-videoと識別しています。テキストのみ、開始・終了フレーム、マルチモーダル参照、編集、続きの制作は、このプロファイル内で異なる入力構成を使います。短い物語、商品紹介、画像による遷移、特定の創作方針に沿って変更した元クリップなどが成果物になります。

テキストのみのシーンでは、被写体、場所、動作、カメラ、視覚スタイル、音を準備します。メーカーは単一ショットと複数ショットの絵コンテに対応し、各ショット約4〜6秒の構成と任意の時間範囲を推奨しています。短い物語なら、作業台に小さな機械仕掛けの鳥を登場させ、最初の動きを追い、室内の環境音を続けながら静かなクローズアップで終えられます。30秒の枠をばらばらな動作の一覧にせず、一貫した物語にするため、各場面の視覚的な関係を説明します。

開始フレーム生成は入力静止画を動画化します。静止画が最初の構図、プロンプトが動きとカメラワークを定めます。開始・終了フレーム生成では末尾も固定し、二つの画像の遷移を記述します。両端でシーンと意図する構図が合うよう準備します。ガイドはこれらのモードに適応型アスペクト選択を勧めています。フレーム入力は、参照画像、参照動画、参照音声、ファイル、ウェブリンクの構成とは分けられているため、計画したショットに合う素材モードを選びます。

参照モードは、画像最大10枚、動画5本、音声5本を、合計最大20素材の枠内で組み合わせます。画像はキャラクター、物体、場所、スタイルを示し、動画は動きやカメラワーク、音声は演技やリズムを導けます。Image 1、Video 1、Audio 1など種類別ラベルは、それぞれ独立に入力順で付きます。各参照に役割を与え、相互の関わりを説明します。キャラクターの見た目が正しくても場所が違う場合と、カメラが意図した動きを捉えない場合は別の失敗です。

文書化された参照ファイルの上限は、画像各20 MB、動画各100 MB、音声各15 MBです。参照動画の合計は15秒、参照音声も別枠で合計15秒です。文書一つか公開ウェブページ参照一つを参照素材に添えられますが、文書とリンクは同時に使えません。元素材はログインなしで公開アクセスできる必要があります。特に文書がシーンで使える以上の情報を含む場合は、焦点を絞った元資料を準備し、どの内容を反映するかを指定します。

ネイティブ音声は、生成映像に対話、背景音楽、環境音、効果音を組み合わせます。話す言葉、話者、話し方、重要な効果音、背景音楽の有無を述べます。メーカーガイドでは音声は既定で有効で、無効にもできます。実演シーンなら、短い導入のせりふの後に商品の細部を映し、静かな機械音で動きを示せます。文章の指示だけで音を判断せず、完成クリップで実際の文言、話者、同期を聞きます。

編集では、変更と維持する内容を説明します。ガイドは要素の追加・削除、属性の置き換え、視覚スタイルや照明の変更、対話の修正を扱います。続きの制作では、既存クリップの前、後、周囲で何が起きるかを記述します。適応型の構図とスマートな長さ設定が、元動画フローで形とタイミングの意図を保つのに役立ちます。動画入力がある場合、文書化された入力と出力の動画時間の合計は30秒以下です。元映像を保持し、変更部分とクリップ全体の一貫性を確認します。

出力は30fpsのMP4で、480p、720p、1080pです。新規生成は2〜30秒、またはスマートな長さ設定でモデルに時間を選ばせられます。横向き、正方形、縦向きが文書化され、入力素材には適応型の構図が向きます。メーカーはリクエストをジョブとして処理し、24時間有効な完成動画の場所を返します。実際の結果、指示、参照を制作記録として保存し、他のクリップと並べる前に返された時間と構図を確認します。

標準Wan 3.0とPrimeは、文書化された統合モードを共有し、Primeは生成速度を重視します。Wan 2.7と2.6にはタスク別の時間・参照規則があるため、その画面をこのエディションの設定として扱いません。完成シーンで、キャラクターと商品の識別性、空間の一貫性、発話、効果音、元資料由来の細部、意図した冒頭と末尾を確認します。実際に見つかった欠点へ具体的な修正を行い、成功した方向性を保ちます。