Az Alibaba Cloud szerint a Wan3.0 a kész briefből indítaná az AI-videózást

A prompt helyett a meglévő projektanyag kerül előtérbe

Az Alibaba Cloud blogja szerint a generatív videóról kialakult népszerű kép gyakran egy üres szövegmezővel kezdődik, miközben a professzionális kreatív munka jellemzően nem így néz ki. Egy marketinges már rendelkezhet termékbemutatóval, kampánybrieffel, weboldallal, táblázattal, márkareferenciával, zenével vagy meglévő videóval. Egy rendező pedig ismerheti a karaktereket, a helyszínt, a kameranyelvet és a hangulatot.

A bejegyzés állítása szerint a probléma sokszor nem az információ hiánya, hanem annak átalakítása. A csak szöveges promptolás arra kényszeríti a csapatokat, hogy egy teljes produkciós briefet egyetlen utasításba sűrítsenek, ami közben fontos részletek veszhetnek el.

A Wan3.0 ezért az Alibaba Cloud leírása alapján úgy kezeli a referenciákat, hogy a felhasználó a már meglévő anyagokból indulhasson ki, és a prompt inkább rendezői utasításként működjön. A szöveges instrukció így nem minden tény hordozója, hanem az alkotói szándék, a közönség, a hangnem, a tempó, a vizuális nyelv, a hangsúlyok és a kívánt kimenet leírására szolgálhat.

Mit fogad a Wan3.0 referenciaként?

A blogbejegyzés szerint a Wan3.0 szöveget, képeket, hangot és videót fogad referencia bemenetként, emellett strukturált dokumentumokat és weboldalakat is. A támogatott dokumentumformátumok között szerepel a DOC, XLS, PPT, PDF, TXT, KEY, Pages, Numbers és Markdown. Szöveges utasításként szabad formájú instrukciók adhatók meg, médiaként képek, hangok és videók használhatók, webes forrásként pedig nyilvános weboldalak.

Az Alibaba Cloud a beviteli korlátokat is megadta: kérésenként egy fájl vagy link használható, legfeljebb 100MB méretig, 50 oldalas oldalkorláttal. A cég szerint ezek a számok határozzák meg, mennyi kontextus kerülhet be egyetlen generálásba.

A bejegyzés egy négyrétegű kontextusmodellt is leír. Az első réteg a forrásigazság, vagyis azok a tények, termékrészletek, szkriptek vagy adatok, amelyeknek meg kell maradniuk a kimenetben. A második az identitás: karakterek, termékek, környezetek, színek, vizuális referenciák és hangok. A harmadik az irányítás, ide tartozik a szándék, a keretezés, a hangnem, a hierarchia, a kameranyelv és a tempó. A negyedik a kimeneti korlátok köre, például az időtartam, a felbontás, a formátum és az, hogy mit kell ellenőrizni publikálás előtt.

Marketingeseknek és fejlesztőknek is más munkafolyamatot ígér

Az Alibaba Cloud szerint a marketingcsapatok sok strukturált tartalmat tárolnak: bevezetési prezentációkat, értékesítési anyagokat, termékoldalakat, márkaútmutatókat, elemzői anyagokat, képzési dokumentumokat, eseményprezentációkat, ügyfél GYIK-eket és jelentéseket. A blog szerint a nehézséget eddig az jelentette, hogyan lehet ezeket az álló anyagokat elfogadható sebességgel és költséggel mozgóképpé alakítani.

A cikk példái szerint egy termékprezentációból márkafilm vagy bevezető reklám, egy képzési diasorból videós tananyag, táblázatos adatokból animált grafikonok, egy üzleti jelentésből pedig narrált tájékoztató készülhet. A hangsúly a bejegyzés szerint azon van, hogy a modell abból az üzleti dokumentumból indulhat, amelyet a szervezet már használ, ahelyett hogy mindent kézzel újra kellene írni.

A fejlesztői oldalon a blog a fal nevű fejlesztői platformot említi példaként, ahol a reference-to-video felület dokumentum URL-t és nyilvános weboldal URL-t is kínál referencia képek, videó és hang mellett. Az Alibaba Cloud szerint így az alkalmazásépítők olyan termékeket tervezhetnek, amelyekben a felhasználó üzleti vagy kreatív kontextust ad meg, a rendszer pedig ebből irányított videós munkafolyamatot készít.

A felsorolt alkalmazási lehetőségek között kampánygenerátorok, termékdemó-rendszerek, képzési videókészítés, turisztikai tartalom, belső kommunikáció, adatmesélés és olyan alkotói eszközök szerepelnek, amelyek strukturált forrásanyagból indulnak.

A több kontextus nagyobb forrásfegyelmet igényel

A bejegyzés külön kiemeli, hogy a gazdagabb bemenet nem jelenti azt, hogy minden dokumentumnak be kell kerülnie a modellbe. Az Alibaba Cloud szerint a relevancia továbbra is fontos, ahogyan az ügynököknél és a RAG rendszereknél használt kontextustervezési elv esetében is.

A cikk példái szerint egy 50 oldalas prezentáció tartalmazhat ismétlődő állításokat, elavult diákat, belső jegyzeteket vagy olyan anyagot, amelynek nem szabadna nyilvános tartalomban megjelennie. Egy weboldal idővel megváltozhat, egy táblázat pedig tartalmazhat olyan mezőket, amelyek nem kerülhetnek publikált videóba. A blog arra is figyelmeztet, hogy ez nem érv bizalmas prezentációk, személyes adatok, még be nem jelentett termékinformációk vagy engedély nélküli, harmadik féltől származó szerzői jogi anyagok modellbe töltése mellett.

Az Alibaba Cloud hatlépéses gyakorlati keretet javasol: ki kell választani a projekt igazságát legjobban képviselő forrást, ki kell szűrni az elavult, bizalmas, irreleváns vagy márkaidegen részeket, meg kell adni a közönséget, a hangnemet, a tempót, a kameranyelvet és a kívánt eredményt, majd a megfelelő felbontás és időtartam kiválasztása után ellenőrizni kell, hogy a modell megőrizte-e a tényeket, az identitást, a vizuális logikát és az üzenetet. A végén azt is mérlegelni kell, szerkeszthető vagy bővíthető-e az anyag újrakezdés helyett.

A blog egyértelműen rögzíti, hogy a dokumentumbemenet nem garantál tényszerű hűséget. Az ellenőrzésnek a munkafolyamat része kell maradnia.

Mit jelent ez a felhasználóknak és a piacnak?

A Wan3.0 leírt megközelítése a felhasználók számára azt jelenti, hogy a videógenerálás kiindulópontja közelebb kerülhet a megszokott üzleti objektumokhoz: prezentációhoz, jelentéshez, weboldalhoz, termékhez, kampányhoz, leckéhez vagy tájékoztatóhoz. Az Alibaba Cloud szerint a vállalati felhasználók gyakran nem promptmérnökökké akarnak válni, hanem a már meglévő anyagaikat szeretnék megadni, és leírni az átalakítást, amelyre szükségük van.

A piac szempontjából a bejegyzés azt hangsúlyozza, hogy a generatív média első szakaszában a prompt volt a termékfelület, a következő szakaszt pedig az határozhatja meg, mennyire jól fogadják a rendszerek a valódi kreatív munka rendezetlen, multimodális kontextusát. A gyakorlati kezdőpont az Alibaba Cloud szerint egyszerű: egy jóváhagyott forrásdokumentummal kell indulni, ki kell szűrni, ami nem kerülhet be, szándékot kell adni a modellnek, majd publikálás előtt ellenőrizni kell a kimenetet.