Az Alibaba Cloud Wan3.0 már 30 másodperces videókat generál
Az Alibaba Cloud bemutatta a Wan3.0 videógeneráló modellcsalád új generációját, amely egyetlen generálással akár 30 másodperces videót készít. A rendszer szöveget, képet, hangot, videót, valamint dokumentumokat is képes bemenetként használni.
- A Wan3.0 egyetlen generálással akár 30 másodperces videót készít.
- Szöveg, kép, hang, videó és dokumentum is lehet a bemenet.
- Támogatott a DOC, XLS, PPT, PDF, TXT, KEY, Pages, Numbers és MD formátum.
- Az API ára 480P esetén 0,05, 720P esetén 0,10, 1080P esetén 0,20 dollár másodpercenként.
- A generált videó képi világa, cselekménye és párbeszéde is szerkeszthető.
Dokumentumokból is készülhet videó
Az Alibaba Cloud augusztus 27-én közölte, hogy a Wan3.0 elérhető az Alibaba Cloud Model Studio szolgáltatásban. A modell a vállalat szerint a Wan család első olyan tagja, amely dokumentumokat is be tud olvasni. Támogatja többek között a DOC, XLS, PPT, PDF, TXT, KEY, Pages, Numbers és MD formátumokat.
Egy kéréshez legfeljebb egy fájl vagy hivatkozás adható meg, legfeljebb 100 MB méretben és 50 oldalig. A dokumentumhoz megadott utasítás alapján a rendszer például termékbemutató prezentációból reklámfilmet, oktatási anyagból videós kurzust, táblázatos adatokból animált diagramokat, üzleti jelentésből pedig narrált videós összefoglalót készíthet.
Hosszabb jelenetek és szerkeszthető videók
A Wan3.0 legfeljebb 30 másodperces videót generál egyetlen lépésben. Az Alibaba Cloud szerint ez lehetőséget ad összetettebb jelenetek, folyamatos kameramozgások és akár egyetlen beállításban felvett történetek létrehozására. A modell intelligens időtartam-ajánlást is kínál, így egy rövid termékjelenethez nem feltétlenül készít indokolatlanul hosszú videót.
A már létrehozott videó meghosszabbítható, így a történet több szegmensben folytatható. A Wan2.7-ben bevezetett szerkesztési funkciók is megmaradtak: a felhasználó a képi világot, a cselekményt és a párbeszédeket is módosíthatja anélkül, hogy a teljes videót elölről kellene generálnia.
Arcok, tárgyak és helyszínek következetes megjelenítése
Az Alibaba Cloud a Wan3.0 egyik kiemelt fejlesztéseként a valósághűbb emberi arcokat és a referencia alapján készített videók következetességét emeli ki. A szövegből videót készítő módban a modell változatos arcokat, természetesebb érzelmi kifejezéseket és finomabb mimikát céloz. Csoportos jelenetekben az egyes szereplők eltérő érzelmi jegyeket kaphatnak.
Referencia-videós módban a rendszer igyekszik megőrizni a szereplők arcvonásait, frizuráját, hajszínét, testalkatát, ruházatát és kiegészítőit. A vállalat szerint a kellékek több nézetben is következetesek maradhatnak, miközben a térbeli viszonyok, a kameranézőpont és a vizuális stílus is stabilabb lehet.
Az Alibaba Cloud ugyanakkor két jelenlegi korlátozást is megnevezett. A hangzás részletessége és a képernyőn megjelenő szövegek renderelési pontossága még fejlesztés alatt áll.
API-s árak és felhasználási területek
A Wan3.0 API-ja a generált videó másodpercei és a kimeneti felbontás alapján számláz. A 480P felbontás másodpercenként 0,05 dollárba, a 720P 0,10 dollárba, az 1080P pedig 0,20 dollárba kerül. Így egy teljes, 30 másodperces 1080P videó ára 6 dollár, míg egy 30 másodperces 480P vázlat 1,50 dollár.
A szolgáltatást a vállalat filmekhez, rövid videókhoz, reklámokhoz, dizájnmunkákhoz és turisztikai marketinghez ajánlja. A Wan3.0 az Alibaba Cloud szerint termékbemutatók, márkafilmek, felhasználói felületekről készített bemutatók, adatvizualizációk és úti célokat bemutató videók előállítására is használható. Az elérhetőség jelenleg az Alibaba Cloud Model Studio platformra vonatkozik.
Alibaba Cloud: Wan3.0: 30-Second AI Video Generation from Any Input
