Alibaba: Wan 3.0

Alibaba Wan 3.0 er en samlet profil for videoskaping som er utviklet for å gjøre en beskrivelse og tilhørende materiale om til en scene med lyd. Produsenten identifiserer standardmodellen som wan3.0-video. Generering fra bare tekst, åpnings- og sluttbilder, multimodale referanser, redigering og videreføring bruker ulike inndataoppsett innenfor denne profilen. Nyttige resultater omfatter en kort fortelling, en produktpresentasjon, en bildebasert overgang eller et bearbeidet kildeklipp der endringene følger en bestemt kreativ retning.

For en scene med bare tekst klargjør du motiv, lokasjon, handling, kamera, visuell stil og lyd. Produsenten støtter enkeltopptak og storyboard med flere opptak, med en anbefalt struktur på omtrent fire til seks sekunder per opptak og valgfrie tidsintervaller. I en kort historie kan du introdusere en liten mekanisk fugl på en arbeidsbenk, følge den første bevegelsen og avslutte med et holdt nærbilde mens rommets bakgrunnslyd fortsetter. Beskriv den visuelle sammenhengen mellom disse momentene, slik at rammen på tretti sekunder tjener én sammenhengende historie fremfor en liste over løsrevne handlinger.

Generering fra første bilde animerer et innsendt stillbilde. Stillbildet definerer startkomposisjonen, mens prompten forklarer bevegelse og kameraføring. Generering fra første/siste bilde forankrer også avslutningen og beskriver overgangen mellom de to bildene. Klargjør endepunkter med en forenlig scene og ønsket utsnitt. Veiledningen anbefaler tilpasset valg av sideforhold for disse modusene. Bildeinndataene deres holdes atskilt fra oppsettene for referansebilder, referansevideo, referanselyd, filer og nettlenker, så velg materialmodusen som passer det planlagte opptaket.

Referansemodus kombinerer opptil ti bilder, fem videoklipp og fem lydklipp, innenfor en samlet ramme på tjue materialer. Bildereferanser kan angi en karakter, et objekt, omgivelser eller en stil; video kan styre bevegelse eller kameraføring, og lyd kan styre fremføring eller rytme. Typespesifikke etiketter som Image 1, Video 1 og Audio 1 følger inndatarekkefølgen uavhengig av hverandre. Gi hver referanse en rolle, og beskriv hvordan den skal samspille med de andre. En karakter som ser riktig ut i feil omgivelser, er en annen feil enn et kamera som bommer på den ønskede bevegelsen.

De dokumenterte grensene for referansefiler er 20 MB per bilde, 100 MB per video og 15 MB per lydklipp. Referansevideoene er samlet begrenset til femten sekunder, og lydreferansene har en egen samlet grense på femten sekunder. Ett dokument eller én offentlig nettsidereferanse kan følge referansematerialet; et dokument og en lenke utelukker hverandre. Kilden må være offentlig tilgjengelig uten innlogging. Klargjør en avgrenset kilde, og angi hvilket innhold som skal påvirke klippet, særlig når et dokument inneholder mer informasjon enn scenen kan bruke.

Innebygd lyd kombinerer dialog, bakgrunnsmusikk, atmosfære og lydeffekter med det genererte bildet. Angi ordene som skal sies, taleren og fremføringen, viktige effekter og om bakgrunnsmusikk skal være med. Lyd er aktivert som standard i produsentens veiledning og kan deaktiveres. I en demonstrasjonsscene kan en kort innledende replikk komme før en produktdetalj, mens en dempet mekanisk lyd markerer bevegelsen. Lytt til det ferdige klippet for å kontrollere faktisk ordlyd, hvem som snakker og synkronisering, fremfor å vurdere lyden bare fra den skriftlige beskrivelsen.

For en redigering beskriver du endringen og innholdet som skal beholdes. Veiledningen dekker å legge til eller fjerne elementer, erstatte egenskaper, endre visuell stil eller lyssetting og bearbeide dialog. For videreføring beskriver du hva som skal skje før, etter eller rundt det eksisterende klippet. Tilpasset utsnitt og smart lengde hjelper arbeidsflyten med kildevideo å bevare hensikten med format og timing. Når videoinndata sendes inn, må den dokumenterte samlede lengden på inngangs- og utdatavideo ikke overstige 30 sekunder. Behold originalkilden, og undersøk både det endrede området og kontinuiteten gjennom hele klippet.

Resultatet er MP4 ved 30 bilder per sekund, med oppløsning på 480p, 720p eller 1080p. Lengden ved nygenerering varierer fra to til tretti sekunder, eller en innstilling for smart lengde lar modellen velge varigheten. Liggende, kvadratiske og stående formater er dokumentert, med tilpasset utsnitt egnet for innsendt materiale. Produsenten behandler forespørselen som en jobb og returnerer en adresse til den ferdige videoen som er gyldig i tjuefire timer. Behold selve resultatet, beskrivelsen og referansene som produksjonsgrunnlag, og kontroller returnert lengde og utsnitt før du setter det sammen med andre klipp.

Standardutgaven Wan 3.0 og Prime-varianten deler de dokumenterte, samlede modusene; Prime legger vekt på genereringshastighet. Wan 2.7 og 2.6 har egne oppgavespesifikke regler for lengde og referanser, så grensesnittene deres skal ikke behandles som denne utgavens konfigurasjon. Vurder den ferdige scenen for karakter- og produktidentitet, romlig kontinuitet, tale, effekter, detaljer fra kildene og den ønskede begynnelsen og avslutningen. En konkret neste korrigering bevarer den vellykkede retningen samtidig som den håndterer den faktiske mangelen i klippet.