Alibaba: Wan 2.6

Alibaba Wan 2.6 to rodzina modeli generowania wideo z odrębnymi profilami tworzenia z tekstu, z obrazu pierwszej klatki i z referencji. Producent dokumentuje zsynchronizowany dźwięk oraz opowieści z wieloma ujęciami. Opisana scena może stać się klipem, przygotowany obraz może ustalić początek, a referencje wizualne — kierować postaciami i przedmiotami w nowej scenie. Użytecznym wynikiem jest gotowy krótki film z dźwiękiem, przygotowany do oceny lub wykorzystania w montowanej sekwencji.

Przy generowaniu z tekstu opisz temat, otoczenie, ruch, kamerę i dźwięk. Starszy przewodnik tekstowy 2.6 przyjmuje prompty po chińsku lub angielsku do 1500 znaków oraz osobny prompt negatywny do 500 znaków; dłuższy tekst jest obcinany. W animacji produktu podążaj za zabawkowym samochodem dostawczym przejeżdżającym po stole warsztatowym, zatrzymaj się obok małej paczki i zakończ na paczce, gdy cichy mechaniczny dźwięk zaznacza zatrzymanie. Utrzymuj sekwencję na tyle prostą, aby jej główna akcja pozostała łatwa do oceny.

Sterowanie wieloma ujęciami jest konkretnym elementem procesu 2.6. Przewodnik tekstowy producenta oferuje ustawienia shot_type o wartościach single lub multi, domyślnie single. W tym trybie tekstowym ustawienie działa przy włączonym przepisywaniu promptu, a parametr ma pierwszeństwo przed sprzecznym sformułowaniem w opisie. Opisuj ujęcia i ich czas zgodnie z wybranym ustawieniem. Późniejszy przewodnik Wan 2.7 interpretuje strukturę ujęć bezpośrednio z promptu, dlatego nowszy sposób przygotowania nie powinien po cichu zastępować udokumentowanych elementów sterowania tej wersji.

Generowanie z pierwszej klatki używa obrazu do ustalenia początku i promptu do opisania dalszego przebiegu. Przygotuj zamierzony kadr, obiekt lub postać i szczegóły wizualne na obrazie przed zleceniem ruchu. Porównanie producenta wskazuje pierwszą i ostatnią klatkę oraz kontynuację klipu źródłowego jako dodatki w procesie obrazowym 2.7, a nie funkcje przypisywane profilowi pierwszej klatki 2.6. W animacji produktu oceniaj przedmiot przez cały ruch i sprawdzaj, czy jego kształt, oznaczenia i scena nadal odpowiadają zamierzonemu ujęciu.

Obecne starsze API referencyjne 2.6 przyjmuje obrazy i filmy przez uporządkowaną listę referencji. Dopuszcza maksymalnie pięć obrazów i trzy filmy, przy łącznym limicie pięciu plików. Każda referencja powinna zawierać jeden obiekt lub jedną postać. Pierwsza odpowiada character1, druga character2 i tak dalej; używaj tych identyfikatorów w prompcie, zamiast zapożyczać etykiety właściwe dla typów z Wan 2.7. Jasno opisuj działania i kwestie każdej postaci, aby interakcję wielu postaci można było sprawdzić pod kątem przypisania i tożsamości.

Przewodnik referencyjny wymienia obrazy JPEG/JPG, PNG bez przezroczystości, BMP i WEBP do 20 MB, z każdym wymiarem od 240 do 8000 pikseli. Referencyjne wideo może mieć format MP4 lub MOV i do 100 MB; obecne pole reference_urls przyjmuje filmy o długości od jednej do trzydziestu sekund. Wycofane pole wyłącznie wideo ma inną minimalną długość i nie stanowi tej samej umowy przygotowania danych. Wybierz fragment źródła i temat, które mają wpłynąć na scenę, oraz jasno określ role referencji. Rozpoznawalna postać nadal może zostać niepoprawnie umieszczona lub otrzymać niewłaściwy głos w wyniku.

Generowanie tekstowe producenta obsługuje dostarczone audio przez udokumentowane pole źródła dźwięku, a tryby wyjściowe obejmują dźwięk zsynchronizowany z obrazem. Określ w opisie zamierzony dialog, sposób wykonania i atmosferę oraz sprawdź rzeczywiste słowa i efekty. Opcjonalny przełącznik audio w API referencyjnym jest oznaczony konkretnie dla wariantu referencyjnego Flash; nie należy zakładać, że jest uniwersalnym sterowaniem cichym wideo dla każdego trybu 2.6. Zarówno dźwięk, jak i obraz wymagają sprawdzenia względem zamierzonej sceny.

Obecne specyfikacje producenta podają wynik w 720p i 1080p, z generowaniem z tekstu i obrazu o długości od dwóch do piętnastu sekund oraz z referencji od dwóch do dziesięciu sekund. Przewodniki wideo opisują MP4 przy 30 kl./s, a API referencyjne wybiera konkretny rozmiar szerokość–wysokość zamiast samej etykiety proporcji. Warianty poziome, pionowe i kwadratowe mają własne udokumentowane wymiary. Zachowaj z opisem reguły czasu trwania i rozmiaru wybranego trybu, zamiast zapożyczać trzydziestosekundowy limit generowania z Wan 3.0 lub adaptacyjną konfigurację innej wersji.

Generowanie odbywa się jako zadanie, a pomyślny wynik zawiera adres filmu. Producent dokumentuje dwudziestoczterogodzinną ważność odnośników do wyników. Zachowaj sam klip, referencje źródłowe i prompt do oceny montażowej. Stałe ziarno losowości może pomagać w porównywaniu żądań, ale starszy przewodnik wyraźnie podaje, że nie gwarantuje identycznych wyników. Oceń ciągłość, tożsamość referencji, kontakt przedmiotów, żądaną strukturę ujęć, dialog i widoczne szczegóły. Kolejna poprawka powinna rozwiązywać konkretny znaleziony problem, zachowując udany kierunek ujęcia.