Alibaban videomalli Wan3.0 avaa julkisen betan: Dokumentit ja PowerPointit voivat muuttua videoksi

Elokuun 6. päivänä Alibaba avasi video-generointimallinsa Wan 3.0:n julkisen betaversion, joka tuo parannuksia generoinnin kestoon, universaaliin luomiseen, kaikenkattavaan referenssiin ja todellisen maailman palauttamiseen. Se pystyy tuottamaan 30 sekunnin videon yhdellä ajolla, mikä ilmaisee täysin luovan tarkoituksen. Ensimmäistä kertaa se tukee tekstin, kuvan, äänen ja videon perusmuotojen lisäksi myös dokumenttimuotoja, kuten doc, xls, ppt, pdf ja md. Malli pyrkii palauttamaan todellisen maailman tarkasti, jokaisella henkilöllä on ainutlaatuinen ulkonäkö ja jokainen kehys on sekä realistinen että uskottava. Generoinnin keston pidentäminen on intuitiivisin parannus, joka mahdollistaa monimutkaiset kameran liikkeet, kuten jatkuvan panorointi- ja yhden otoksen kuvaukset. Wan3.0:ssa on myös älykäs keston toiminto, joka suosittelee automaattisesti sopivan keston kehotteen perusteella. Se siirtyy videogenerointimallista tiedon ilmaisuvälineeksi, joka pystyy lukemaan rakenteellista tietoa dokumenteista ja esityksistä ja tuottamaan opetusmateriaaleja, tuote-esittelyjä ja liikeraportteja yhdistettynä kehotteisiin. Tuetut muodot kattavat doc, xls, ppt, pdf ja md, ja yksittäiset tiedostot tai linkit eivät saa ylittää 100 megatavua tai 50 sivua. Esimerkiksi älylasien esityksen lataaminen kehotteen kanssa tuottaa täydellisen mainosvideon. Tämän taustalla on mallin vahva kehotesuunnittelu ja ohjeiden noudattamisen kyky, jotka muuttavat kehotteet keskitukseksi syötteen aikatauluttamiseen ja ilmaisun hallintaan. Videogenerointimallit kehittyvät sisällöntuotannosta tuottavuustyökaluiksi, ja käyttäjät vaativat paitsi selkeyttä myös realismia. Wan3.0 toistaa tarkasti sekä todelliset kohtaukset että digitaalisen tiedon, ja tuotetut ihmishahmot pyrkivät ainutlaatuisiin kasvoihin, yksityiskohtaisiin piirteisiin ja ihoon, luonnollisiin ja hillittyihin tunneilmaisuihin sekä koordinoituihin mikroilmeisiin ja kehon liikkeisiin. Kaikenkattavissa referenssitehtävissä hienovaraiset ominaisuudet, kuten hahmo, rekvisiitta, ääni, tila-suhteet ja tyyli, pysyvät vakaina. Digitaalisen tiedon visuaalinen laatu myös paranee, antaen kaavioille, datalle ja käyttöliittymäsisällölle tekstuurin tunteen. Lisäksi Wan3.0:n videoeditointiominaisuudet ovat parantuneet huomattavasti, tukien muutoksia visuaalisiin elementteihin, juoneen ja dialogiin. Äänenlaadussa ja tekstin tarkkuudessa on vielä parantamisen varaa. Wan3.0 on heti julkisessa betavaiheessa Alibaba Cloud Bailianissa, Wanjing Yikessä, Wanxiangin virallisella verkkosivustolla, Qianwen Creation PC:ssä, IF STUDIOssa ja Duojiussa, ja Qianwen-sovelluksessa harmaasävyjulkaisu. API-hinnat 480P, 720P ja 1080P resoluutioille ovat 0,3, 0,6 ja 1,2 yuania sekunnilta, ja API-rajapinta avataan pian kokonaan.