Alibaba: Wan 3.0 Prime

Alibaba Wan 3.0 Prime er den akselererte utgaven i videofamilien Wan 3.0. Produsenten kaller den wan3.0-video-prime og dokumenterer de samme alt-i-ett-oppgavekategoriene som for standardutgaven av Wan 3.0, med hastighet som utgavens særlige vektlegging. En skriftlig beskrivelse, et startbilde, visuelle referanser eller lydreferanser, eller en kildevideo kan styre et klipp med tilhørende lyd. Nyttige leveranser omfatter en produktscene, en kort fortellende sekvens, et animert stillbilde eller en styrt bearbeiding av et eksisterende opptak.

For tekst-til-video beskriver du motiv, scene, bevegelse, kamera, visuell behandling og lyd. Veiledningen for 3.0 støtter enkeltopptak eller et storyboard med opptaksnavn og tidsintervaller, og anbefaler omtrent fire til seks sekunder per opptak. For et produktklipp kan du gå fra et stabilt oversiktsbilde av en veske på et bord til en nærmere materialdetalj, og så holde sluttkomposisjonen mens en kort replikk blir sagt. Gi sekvensen ett tydelig formål, og vurder om kamera, tempo og produktidentitet forblir sammenhengende.

Ved generering fra første bilde etablerer det innsendte bildet åpningen, mens teksten beskriver bevegelse og kameraføring. Generering fra første og siste bilde angir begge endepunktene og ber om overgangen mellom dem. Forbered endebilder som tilhører samme scene, og et målformat som passer den tiltenkte leveransen. Produsenten anbefaler adaptiv innramming for bildebaserte oppgaver. Endebildemodus og de separate referansemodusene har ulike regler for kombinasjon av materiale: første eller siste bilde blandes ikke med referansebilder, referansevideo eller referanselyd i én forespørsel.

Referansemodus tar imot opptil ti bilder, fem videoklipp og fem lydklipp, innenfor tjue multimodale referanseelementer totalt. De dokumenterte grensene per fil er 20 MB for et referansebilde, 100 MB for video og 15 MB for lyd. Referansevideoklipp kan til sammen vare høyst femten sekunder; referanselydklipp har sin egen samlede grense på femten sekunder. Navngi rollen til hvert materiale, og bruk den typespesifikke indeksen, for eksempel Image 1, Video 1 eller Audio 1. En person, et produkt, en kamerabevegelse og en stemme bør ikke stå som referanser som kan byttes om på.

Produsenten støtter også én dokumentreferanse eller én referanse til en offentlig nettside, som kan følge annet referansemateriale. Fil og nettlenke kan ikke brukes samtidig, og kilden må kunne nås uten innlogging. En dokumentbasert scene kan bruke relevant produkt- eller historieinnhold som kontekst, mens en visuell referanse definerer utseendet. Forbered materialet som faktisk skal forme klippet, og angi hvilke elementer som betyr noe. Kontroller faktabaserte visuelle detaljer og tekst i den genererte scenen mot kilden, i stedet for å godta en tiltalende, men endret fremstilling.

Talt dialog, miljølyd, lydeffekter og bakgrunnsmusikk genereres sammen med bildet. Beskriv ordene som skal sies, hvem som snakker, fremføringen og lydens plass i scenen. Veiledningen dokumenterer lyd som aktivert som standard og en kontroll for video uten lyd. Gi talerne særskilte visuelle kjennetegn og stemmekjennetegn i en dialog, og la utvekslingen få nok tid. Lytt etter den faktiske ordlyden, riktig tilordning av talere og forholdet mellom en effekt og den synlige handlingen. Integrert lyd er en del av scenen og trenger derfor samme gjennomgang som bildet.

Produsentens alt-i-ett-veiledning dokumenterer også redigering og utvidelse fra referansevideo. En redigeringsbeskrivelse bør angi elementet som skal legges til, fjernes eller erstattes, og egenskapene som skal beholdes. En utvidelsesbeskrivelse bør beskrive innhold før, etter eller rundt det eksisterende klippet. Bruk adaptiv innramming og smart varighet i disse arbeidsflytene. Når video leveres som input, må dokumentert samlet varighet av input- og outputvideo ikke overstige 30 sekunder. Forbered kildesekvensen og den tiltenkte endringen tydelig; vurder overgangen, motivet som er beholdt, og lyden, fremfor bare ett tiltalende bilde.

Dokumentert output er MP4 med 30 fps, oppløsning på 480p, 720p eller 1080p og varighet fra to til tretti sekunder for ny generering. Smart varighet lar modellen velge en passende lengde. Kvadratisk, liggende og stående innramming er tilgjengelig, og adaptiv innramming følger det innsendte materialet. Produsenten behandler generering som en jobb og returnerer plasseringen til den ferdige videoen; veiledningen sier at resultatplasseringen er gyldig i tjuefire timer. Behold selve klippet og den kreative beskrivelsen når du forbereder en redigering eller sekvens, og se gjennom hele leveransen før bruk.

Prime og standardutgaven av Wan 3.0 deler de dokumenterte modusene og forberedelsesstrukturen. Prime er det hastighetsoptimaliserte valget, uten garanti for en fast fullføringstid. Tidligere Wan 2.7- og 2.6-moduser har egne regler for varighet, referanser og output; disse grensene definerer ikke denne 3.0-utgaven. En nyttig gjennomgang kontrollerer kontinuitet for objekter og figurer, innramming ved endepunktene, forespurte redigeringer, dialog og kildespesifikke detaljer. Gjør neste korreksjon konkret, slik at vellykkede deler av scenen forblir stabile mens det identifiserte problemet rettes.