阿里影業の映像モデルWan3.0がパブリックベータ版を公開：文書やPPTも映像に変換可能

8月6日、阿里巴巴は動画生成大規模モデル「Wan 3.0」の一般公開ベータ版を開始した。生成時間の延長、汎用生成、万能参照、実世界の再現などが強化され、1回の生成で30秒の動画を作成でき、クリエイティブな意図を十分に表現できる。初めて文書形式の入力をサポートし、テキスト、画像、音声、動画の4つの基本モダリティに加えて、doc、xls、ppt、pdf、md形式のファイルも入力できる。このモデルは実世界を正確に再現することを目指しており、一人ひとりの外見がユニークで、すべてのフレームが現実的で信頼性がある。生成時間の延長は最も直感的なアップグレードであり、連続パンやワンショット撮影などの複雑なカメラワークを可能にする。また、Wan 3.0にはインテリジェントな時間長機能があり、プロンプトに基づいて適切な時間長を自動推奨する。このモデルは動画生成モデルから情報表現の手段へと進化しており、文書やPPTに含まれる構造化情報を読み取り、プロンプトと組み合わせて教材、製品デモ、ビジネスレポートを生成できる。対応形式はdoc、xls、ppt、pdf、mdで、ファイルサイズは100MB以下、ページ数は50ページ以下とする。例えば、スマートグラスのPPTをアップロードし、プロンプトを入力すると、完全なプロモーションビデオが生成される。これは、モデルの強力なプロンプトエンジニアリングと指示追従能力に支えられており、プロンプトを入力のスケジューリングと表現の制御のハブにしている。動画生成モデルは、コンテンツ生成から生産性ツールへとアップグレードしており、ユーザーは鮮明さだけでなく、リアリティも求めている。Wan 3.0は、実世界のシーンとデジタル情報の両方を正確に再現・提示し、生成される人物は、ユニークな顔、詳細な顔の特徴と肌、自然で控えめな感情表現、調和のとれた微表情と身体の動きを目指している。万能参照タスクでは、キャラクター、小道具、音声、空間関係、スタイルなどの細かい要素が安定して維持される。デジタル情報の視覚品質も向上し、チャート、データ、インターフェースコンテンツに質感が加わる。さらに、Wan 3.0の動画編集機能も大幅に強化され、ビジュアル、プロット、対話の変更をサポートする。音質とテキストの正確性にはまだ改善の余地がある。Wan 3.0は、即日よりアリババクラウドの百煉、万景逸柯、万象公式サイト、通義千問PC版、IF STUDIO、堆積にて一般公開ベータ版を開始し、通義千問アプリでは段階的に展開される予定です。API価格は480P、720P、1080Pそれぞれ秒あたり0.3元、0.6元、1.2元で、APIインターフェースは近日中に全面開放される予定です。