Китайските инструменти с изкуствен интелект привличат все повече внимание, и то напълно заслужено. Този път ново решение за генериране на видео представи Alibaba, на която дължим и моделите Qwen. Тяхната най-нова версия дебютира в началото на август.
Wan3.0 е мултимодален модел за генериране и редактиране на видео, който може да създава динамично видеосъдържание с продължителност до 30 секунди, използвайки голямо количество входни данни — видео, изображения, звук и текст. Разработчиците са го проектирали специално с идеята да бъде възможно най-полезен в ежедневната работа. Затова мултимодалните му възможности включват и обработка на PDF файлове, PowerPoint презентации и други документи, а като източници могат да му се подават и връзки към уебстраници.
Засега Wan3.0 се предлага в бета версия, което е напълно обичайно при толкова остра конкуренция. Alibaba се гордее най-вече с продължителността на видеата, които моделът може да създава наведнъж — при предишния Wan2.7-Video ограничението беше 15 секунди. Потребителите вече могат да създават прецизно планирани сцени със сложни движения на камерата, което може значително да ускори работата. Wan3.0 дори може да генерира кратки реклами изцяло наведнъж.
Разработчиците вече предлагат и интелигентно определяне на продължителността на видеото. Това означава, че системата може да прецени колко дълга трябва да бъде сцената въз основа на заданието и подадената информация. Тя няма да „халюцинира“ допълнително съдържание само за да достигне непременно зададената продължителност. Наред с това е налична и функция за удължаване, така че създадените видеа да бъдат достатъчно дълги и действително съдържателни.
Както при всяко съдържание, генерирано с ИИ, и във видеата често се появяват визуални неточности и изкривявания. За да ги отстрани, Wan3.0 осигурява висока визуална последователност между кадрите. Моделът може да създава и възпроизвежда изключително реалистични човешки лица със синхронизирани движения. Той генерира естествено звучаща реч на различни езици и дори може да изобразява стабилно софтуерни потребителски интерфейси и анимирани графики във видеата.
Моделът ще може да възпроизвежда референтните материали до най-фините им детайли, като стриктно спазва ключовите характеристики, пространствените отношения и последователността на звука. Именно тези способности ще го направят особено подходящ за създаване на рекламни материали за продукти.
Според Alibaba Wan3.0 дава на кинематографистите и създателите на съдържание мощен инструмент, който може да съкрати времето им за работа и да им позволи да създават по-вълнуващи материали. Моделът може да намери приложение и в образованието, тъй като с него могат да се създават нагледни учебни материали за деца. Нещо повече, компанията смята, че технологията вече може да е подходяща за създаване на реалистични видеа и симулации, които да се използват например за обучение на автономни автомобили. Така автомобилните производители и доставчиците им ще могат лесно да показват на системите например пътни произшествия.
Достъпът до Wan3.0 чрез API ще бъде осигурен скоро, но за него ще трябва да се изчака още малко. Новият модел с ИИ за генериране и редактиране на видео ще може да се използва при резолюция 480p на цена от едва 0,05 долара за секунда, като с всяка следваща стъпка нагоре в резолюцията тарифата се удвоява. Съответно генерирането на HD видео в 720p струва 0,1 долара за секунда, а създаването на Full HD съдържание се таксува по 0,2 долара за секунда.





























