Multimodalna kontrola referencji w Wan 3.0
Opis referencyjny może zawierać do 10 obrazów, 5 klipów wideo i 5 klipów audio oraz obsługiwany dokument lub publiczną stronę. Nadaj każdemu wejściu jasny cel.
Rozumie multimedia, dokumenty i strony internetowe, zapewniając generowaniu wideo pełniejszy kontekst twórczy.
Generator wideo AI Wan 3.0
Wan 3.0 to model generowania wideo firmy Alibaba. Ten obszar roboczy oferuje tryby Tekst, Klatki i Referencje, więc możesz zacząć od opisu sceny, kompozycji początkowej lub materiałów kierujących tematem i akcją.
Opis referencyjny może zawierać do 10 obrazów, 5 klipów wideo i 5 klipów audio oraz obsługiwany dokument lub publiczną stronę. Nadaj każdemu wejściu jasny cel.
Dostępne opcje rozdzielczości to 480P, 720P i 1080P. Dla sceny wybierz opcję Adaptacyjna lub stałe płótno 16:9, 4:3, 1:1, 3:4 albo 9:16.
Szczegółowe polecenie może mieć do 20,000 znaków. Obrazy klatek, dźwięk i powtarzalny seed dają dodatkowe sposoby kierowania ujęciami i porównywania ich.
Użyj zdjęć produktu, aby określić wygląd, oraz dokumentu, aby potwierdzić fakty. Zbuduj polecenie wokół jednego odkrycia lub pokazu, który mieści się w wybranym czasie trwania.
Pozwól, by odniesienie audio wyznaczało rytm, a obrazy lub wideo ustalały wykonawcę i scenerię. Wyjaśnij, jak widoczne działanie wiąże się z dźwiękiem.
Zaplanuj jeden moment fabularny z jasnym podmiotem, działaniem i zakończeniem. Przypisz odniesienia do postaci, miejsca lub kierunku kamery.
Dostarcz obsługiwany plik lub publiczną stronę jako kontekst, a następnie opisz historię wizualną, którą chcesz z niej zaczerpnąć. Zweryfikuj fakty przed publikacją.
Określają wygląd podmiotu, scenerię lub sposób opracowania wizualnego.
Pokazuje ruch, tempo lub kierunek kamery, za którym powinno podążać nowe ujęcie.
Nadaje scenie głos, rytm muzyczny lub odniesienie nastrojowe.
Dostarczają scenariusz, opis produktu lub tło faktograficzne dla sceny.
Użyj dostępnej publicznej strony, aby dostarczyć kontekst dla zamówionego wideo.
Wybierz Klatki dla obrazów początkowego i końcowego albo Odniesienia dla multimediów, dokumentu lub publicznej strony.
Użyj oznaczeń Image1, Video1 i Audio1, aby wskazać dane wejściowe, i określ, co każde z nich wnosi do nowej sceny.
Wybierz tryb generowania, długość, rozdzielczość, proporcje i dźwięk, a następnie sprawdź kredyty przed wysłaniem.
Opisz zdarzenie, które widz powinien zrozumieć do końca klipu. Ustal podmiot i scenerię, a następnie opisz działanie i jeden ruch kamery. Krótkie odkrycie wymaga mniej czasu niż scena z podejściem, interakcją i odejściem. Po wygenerowaniu sprawdź, czy ten przebieg rzeczywiście nastąpił, zanim dodasz kolejne postacie lub szczegóły wizualne.
Tryb Klatki zaczyna się od wymaganego obrazu początkowego i może również wykorzystać obraz końcowy. Polecenie powinno opisywać działanie między tymi kompozycjami, a nie tylko ponownie opisywać obrazy. Na przykład kamera może przejść od drzwi w stronę ekspozycji, kończąc na szczególe pokazanym w ostatniej klatce. Użyj zamiast tego Odniesień, gdy obrazy są ogólnymi wskazówkami dotyczącymi tożsamości lub stylu, a nie punktami końcowymi.
Traktuj przesłane zasoby jako części polecenia. Wskaż Image1, Video1 lub Audio1 i określ informacje, które każde z nich dostarcza: kształt produktu, rytm kroków lub kierunek dźwięku. Usuń sprzeczne odniesienia i zachowaj spójność cech charakterystycznych podmiotu w całym zestawie. Dzięki temu łatwiej ocenić wygenerowane ujęcie względem zamierzonej sceny.
| Model | Wan 3.0 | Wan 2.7 | Seedance 2.5 |
|---|---|---|---|
| Parametry wejściowe | Tekst · Obrazy · Filmy · Dźwięk · Dokumenty / Link internetowy | Tekst · Obrazy · Filmy · Dźwięk | Tekst · Obrazy · Filmy · Dźwięk |
| Format wyjściowy | MP4 | MP4 | MP4 |
| Czas trwania (sekundy) | 2–30 / Automatycznie | 2–15; Materiały referencyjne: 2–10 | 4–30 / Automatycznie |
| Rozdzielczość natywna | 480P / 720P / 1080P | 720P / 1080P | 480P / 720P / 1080P |
| Proporcje obrazu | Adaptacyjne / 16:9 / 4:3 / 1:1 / 3:4 / 9:16 | 16:9 / 9:16 / 1:1 / 4:3 / 3:4 | 1:1 / 21:9 / 4:3 / 3:4 / 16:9 / 9:16 / Adaptacyjne |
| Limit polecenia (znaki) | 20000 | 5000 | 10000 |
Te przykładowe polecenia pokazują, jak połączyć zasób, działanie i zakończenie. Zastąp odniesienia własnymi materiałami i dostosuj długość do opisywanego ruchu.
Użyj Image1 dla czerwonego emaliowanego czajnika, a Image2 dla kuchni. Zacznij od czajnika obok pustej filiżanki, miękkie światło z okna pada z lewej. Zbliżaj się powoli do dzióbka, gdy unosi się cienka smuga pary. Zachowaj niezmieniony kształt uchwytu i czerwone wykończenie. Zakończ, gdy czajnik i filiżanka będą w pełni widoczne, pozostawiając nad nimi wolne miejsce na późniejszy podpis. Cichy szum pomieszczenia, bez mowy.
Użyj Image1 dla rowerzysty, a Image2 dla ścieżki nad rzeką. Rowerzysta w szarej kurtce idzie obok zielonego roweru w stronę drewnianej ławki. Śledź go z boku w tempie kroku w późnopopołudniowym świetle. Zachowaj spójność ramy roweru i kurtki. Zakończ, gdy rowerzysta zatrzyma się obok ławki. Dodaj odległy szum wody i ciche kroki, bez muzyki i dialogu.
Użyj przesłanego opisu dla faktów o składanym organizerze na biurko. Pokaż zamknięty organizer na czystym stole, rękę otwierającą jego przegródki i końcowy widok z ułożonymi w środku długopisami i kartami. Użyj nieruchomej kamery i miękkiego światła z góry. Zachowaj kształt produktu z dostarczonych obrazów. Nie dodawaj twierdzeń o działaniu ani specyfikacji nieobecnych w opisie; dokładne etykiety pozostaw do montażu.