Alibaba: Wan 3.0

Alibaba: Wan 3.0 ist ein Videogenerierungsmodell von Alibaba. Es gehört zur Kategorie Video und wird auf api14 als alibaba/wan-3.0 identifiziert. Das Modell wurde entwickelt, um Text und Bilder in Video umzuwandeln, und es steht neben Alibabas anderer generativer Arbeit, statt ein allgemeines Textmodell zu sein.

Wan 3.0 akzeptiert Text- und Bildeingaben und gibt Video als einzige Ausgabe zurück. Es unterstützt Text-zu-Video, Bild-zu-Video und referenzgesteuerte Videogenerierung. Die Ausgabe kann in 480p, 720p oder 1080p erzeugt werden, in Seitenverhältnissen von 16:9, 4:3, 1:1, 3:4 und 9:16. Die Dauern reichen von 2 bis 30 Sekunden. Das Modell kann auch Audio zusammen mit dem Video generieren. Für bildgesteuerte Arbeit kann ein first_frame-Bild bereitgestellt werden. Für dieses Modell ist keine Kontextlänge aufgeführt, planen Sie also mit den Videoparametern statt mit einem Token-Fenster.

Diese Fähigkeiten weisen auf eine ziemlich spezifische Gruppe von Anwendungen hin. Text-zu-Video eignet sich für kurze Clips, die aus einer schriftlichen Beschreibung generiert werden, etwa eine Szene, eine Produktaufnahme oder eine Konzeptvorschau. Bild-zu-Video mit einem first_frame ist nützlich, wenn Sie bereits ein Standbild haben und es bewegen möchten, was zu Storyboard-Animation, Werbevarianten oder dem Beleben eines einzelnen Frames passt. Referenzgesteuerte Generierung hilft, wenn die Ausgabe nahe an einer bereitgestellten visuellen Referenz bleiben muss. Der Bereich von 2 bis 30 Sekunden deckt kurze Social-Formate und kurze erzählerische Momente ab, und die quadratischen, vertikalen und horizontalen Verhältnisse bedeuten, dass dasselbe Modell Feed-, Story- und Breitbildplatzierungen bedienen kann. Audiogenerierung bedeutet, dass Sie für Clips, die sie benötigen, keinen separaten Tonschritt hinzufügen müssen.

Sie rufen Wan 3.0 über die OpenAI-kompatible API von api14 mit der Modell-ID alibaba/wan-3.0 auf. Die Anfrage akzeptiert max_tokens, presence_penalty, response_format, seed, temperature und top_p. Seed ist es wert, gesetzt zu werden, wenn Sie reproduzierbare Ausgaben über mehrere Läufe hinweg möchten, und temperature und top_p geben Ihnen Kontrolle über Variation. Da die Ausgabe Video ist, ist response_format der Parameter, den Sie prüfen sollten, wenn Sie eine bestimmte Rückgabeform benötigen. Die Videoeinstellungen selbst, wie Auflösung, Seitenverhältnis, Dauer und das first_frame-Bild, sind Teil der Anfrage, die Sie für dieses Modell erstellen.

Es ist keine Kontextlänge aufgeführt, und maxOutput wird als 0 angegeben, behandeln Sie dies also als einen Generierungsendpunkt statt als ein Langkontext-Reasoning-Modell. Wenn Ihre Aufgabe Text, Code oder Analyse ist, passt ein Sprachmodell besser. Wan 3.0 ist die richtige Wahl, wenn das Ergebnis ein kurzer Videoclip ist, der aus Text, einem Bild oder einer Referenz erstellt wird.