Alibaba: Wan 3.0

Alibaba Wan 3.0 är en samlad profil för videoskapande, utformad för att göra en instruktion och stödmaterial till en scen med ljud. Tillverkaren identifierar standardmodellen som wan3.0-video. Generering med enbart text, öppnings- och slutbilder, multimodala referenser, redigering och fortsättning använder olika indataupplägg inom profilen. Användbara leveranser omfattar en kort berättelse, en produktpresentation, en bildbaserad övergång eller ett bearbetat källklipp vars ändringar följer en specifik kreativ inriktning.

För en scen med enbart text förbereder du motiv, plats, handling, kamera, visuell stil och ljud. Tillverkaren stöder enskilda tagningar och storyboard med flera tagningar, med en rekommenderad struktur på ungefär fyra till sex sekunder per tagning och valfria tidsintervall. En kort berättelse kan introducera en liten mekanisk fågel på en arbetsbänk, följa dess första rörelse och avsluta med en kvarhållen närbild medan rummets atmosfärljud fortsätter. Beskriv den visuella relationen mellan dessa moment så att möjligheten till trettio sekunder tjänar en sammanhängande berättelse i stället för en lista med fristående handlingar.

Generering från första bildrutan animerar en inskickad stillbild. Stillbilden definierar den inledande kompositionen, medan prompten förklarar rörelse och kameraarbete. Generering från första/sista bildruta förankrar även slutet och beskriver övergången mellan de två bilderna. Förbered ändpunkter med förenlig scen och avsett bildutsnitt. Guiden rekommenderar adaptivt val av bildförhållande för dessa lägen. Deras bildruteindata hålls åtskilda från uppläggen för referensbilder, referensvideo, referensljud, filer och webblänkar, så välj det materialläge som passar den planerade tagningen.

Referensläget kombinerar upp till tio bilder, fem videoklipp och fem ljudklipp, inom en total gräns på tjugo material. Bildreferenser kan identifiera en karaktär, ett föremål, en miljö eller en stil; video kan styra rörelse eller kameraarbete och ljud kan styra framförande eller rytm. Typspecifika etiketter som Image 1, Video 1 och Audio 1 följer indataordningen var för sig. Ge varje referens en roll och beskriv hur den ska samverka med de andra. En karaktär som ser rätt ut i fel miljö är ett annat fel än en kamera som missar den avsedda rörelsen.

De dokumenterade filgränserna för referenser är 20 MB per bild, 100 MB per video och 15 MB per ljudklipp. Referensvideor är tillsammans begränsade till femton sekunder, och ljudreferenser har en separat sammanlagd gräns på femton sekunder. Ett dokument eller en referens till en offentlig webbsida kan åtfölja referensmaterial; dokument och länk utesluter varandra. Källan måste vara offentligt åtkomlig utan inloggning. Förbered en fokuserad källa och ange vilket innehåll som ska ligga till grund för klippet, särskilt när ett dokument innehåller mer information än scenen kan använda.

Inbyggt ljud kombinerar dialog, bakgrundsmusik, atmosfär och ljudeffekter med den genererade bilden. Ange orden som ska sägas, talaren och framförandet, viktiga effekter och om bakgrundsmusik ska finnas. Ljud är aktiverat som standard i tillverkarens guide och kan inaktiveras. I en demonstrationsscen kan en kort inledande replik föregå en produktdetalj medan ett tyst mekaniskt ljud markerar rörelsen. Lyssna på det färdiga klippet för faktisk ordalydelse, talartilldelning och synkronisering i stället för att bedöma ljudet enbart utifrån den skrivna instruktionen.

För en redigering beskriver du ändringen och innehållet som ska bevaras. Guiden omfattar att lägga till eller ta bort element, ersätta egenskaper, ändra visuell stil eller ljus och bearbeta dialog. För en fortsättning beskriver du vad som ska hända före, efter eller runt det befintliga klippet. Adaptiva bildutsnitt och smart längd hjälper källvideoflödet att bevara dess form och avsedda tajmning. När videoindata skickas in får den dokumenterade sammanlagda längden på in- och utdatavideo inte överstiga 30 sekunder. Behåll originalkällan och granska både det ändrade området och kontinuiteten genom hela klippet.

Utdata är MP4 med 30 bilder per sekund och upplösningen 480p, 720p eller 1080p. Nygenererade klipp är två till trettio sekunder långa, eller så kan en inställning för smart längd låta modellen välja längden. Liggande, kvadratiska och stående format dokumenteras, med adaptivt bildutsnitt lämpat för inskickat material. Tillverkaren bearbetar förfrågan som ett jobb och returnerar en plats för den färdiga videon som gäller i tjugofyra timmar. Behåll det faktiska resultatet, instruktionen och referenserna som produktionsunderlag och kontrollera returnerad längd och bildutsnitt innan du ordnar det med andra klipp.

Vanliga Wan 3.0 och varianten Prime delar de dokumenterade samlade lägena; Prime betonar genereringshastighet. Wan 2.7 och 2.6 har separata uppgiftsspecifika regler för längd och referenser, så deras gränssnitt ska inte behandlas som denna utgåvas konfiguration. Granska den färdiga scenen för karaktärs- och produktidentitet, rumslig kontinuitet, tal, effekter, källbaserade detaljer samt avsedd början och avslutning. En specifik nästa korrigering bevarar den lyckade inriktningen samtidigt som den hanterar den faktiska bristen i klippet.