Zhipu AI: CogVideoX 3

CogVideoX 3 er Zhipu AIs videomodell med dokumentert tekst-til-video-, bilde-til-video- og første-og-siste-bilde-generering. Produsenten fremhever bildestabilitet, instruksjonsfølging og realistiske eller tredimensjonale visuelle stiler. Velg tekst når scenen begynner som en skriftlig beskrivelse, ett bilde når det visuelle grunnlaget allerede finnes, eller to endepunktbilder når sekvensen trenger en definert åpnings- og sluttvisning.

For en tekstbeskrivelse oppgis motivet og én lesbar handling. Beskriv miljø, synsvinkel og viktige fysiske forhold, slik at scenen kan vurderes mot en tydelig hensikt. En figur som plukker opp et objekt, trenger en annen sekvens enn et kamera som avdekker objektet. Beskriv begge bare når forholdet mellom dem er viktig for opptaket.

For en bildebasert sekvens klargjøres referansen slik at motivets særtrekk er synlige. Produsenten godtar PNG-, JPEG- og JPG-bilder på høyst 5 MB, oppgitt som URL eller kodede bildedata. Behold selve referansen sammen med det genererte resultatet, slik at utseende og utsnitt kan sammenlignes med kilden fremfor en husket versjon av den.

Produsentens endepunktbildemodus godtar to bilder i rekkefølge: det første etablerer åpningsbildet og det andre sluttbildet. Klargjør dem som de to tiltenkte tilstandene i ett opptak. Beskriv overgangen eller handlingen som forbinder dem, og vurder deretter om motivet forblir sammenhengende mellom endepunktene. Et par gode stillbilder viser ikke i seg selv at bevegelsen imellom passer den ønskede historien.

Prompten kan inneholde opptil 512 tegn. Bruk teksten til handlingen, retningen og de visuelle detaljene som kjennetegner et vellykket resultat. Hold beskrivelsen rettet mot det som skal skje på skjermen. Når inndatabildene allerede etablerer motivets utseende, beskriv bevegelsen og timingen som skal utvikle seg mellom eller fra bildene.

Produsenten dokumenterer utdata på fem eller ti sekunder, med fem sekunder som standard, og 30 eller 60 bilder per sekund. Støttede størrelser omfatter 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 og 3840×2160. Velg størrelse og timing for bruksstedet, og undersøk deretter det ferdige klippet for utsnitt og tempoet i den faktiske handlingen.

Kvalitets- og hastighetsmoduser dokumenteres separat fra den valgfrie KI-lydeffektinnstillingen. Behold disse valgene sammen med prompt, bilder og resultat. Produsentens visuelle egenskaper og inndataegenskaper beskriver modellen; tilgjengelige kontroller for en bestemt genereringsmetode angis av kontrakten for den metoden. Behold innstillingene som faktisk ble brukt, når kandidatopptak sammenlignes.

Behold den opprinnelige oppgaveidentiteten til videoen er ferdig, og lagre det returnerte materialet for redigering. Vurder hele sekvensen, inkludert motivets utseende under store bevegelser, samspill med sceneobjekter og sluttkomposisjonen. For arbeid med endepunktbilder undersøkes begge endepunktene og overgangen mellom dem. Revider det konkrete visuelle avviket, behold vellykkede referanser og opptaksplanen, og sammenlign ferdige videoer fremfor bare forhåndsvisningsbildene.