Alibaba: Wan 3.0 Prime

Wan 3.0 Prime は Alibaba の動画生成モデルで、api14 にモデル ID alibaba/wan-3.0-prime として掲載されています。これは Alibaba の Wan 3.0 の高速モード版であり、その目的として text-to-video と first-frame image-to-video 生成が挙げられています。すでに Wan シリーズに馴染みがあるなら、別のモデルファミリーではなく、より高速な兄弟モデルと考えてください。

このモデルはテキストと画像を入力として受け取り、唯一の出力として動画を生成します。first frame 画像を受け付けるため、用意した静止画からクリップを動かしたり、文章プロンプトだけから完全に生成したりできます。出力は 480p、720p、1080p で要求でき、アスペクト比は 16:9、4:3、1:1、3:4、9:16 に対応しており、横長、正方形、縦長のフォーマットをカバーします。クリップの長さは 2 秒から 30 秒まで 1 秒刻みなので、短いループや長めのシーケンスを結合なしで要求できます。音声生成も利用可能で、つまり 1 回のリクエストで無音トラックではなく音声付きの動画を返せます。このモデルにはコンテキスト長が公開されていないため、トークン予算ではなく動画パラメータを基準に計画してください。

これらの機能は、かなり特定の用途群を示しています。短い長さの縦長 9:16 出力はソーシャルやモバイル向け配置に適し、高解像度の 16:9 はウェブ、プレゼンテーション、放送スタイルのコンテンツに合います。first-frame image-to-video は、承認済みのアートワーク、商品写真、絵コンテのコマがある場合に、新たな解釈ではなくそこから動きを導きたいときに便利です。2 秒から 30 秒の範囲は、ティザー、アニメーション化した静止画、背景プレート、ループ可能なクリップに使えます。音声生成により、単純な作品で別途サウンド処理を行う必要性が減ります。正方形と 4:3 の比率は、同じアセットを複数チャネルで展開する必要がある場合に役立ちます。

これは api14 の OpenAI 互換 API を通じて、モデル ID alibaba/wan-3.0-prime を使って呼び出します。そのため、既存の OpenAI スタイルのクライアントコードは、モデル文字列を変更する程度でほぼ済みます。サポートされるリクエストパラメータは max_tokens、presence_penalty、response_format、seed、temperature、top_p です。実行間で再現可能な出力が必要なときは seed を使ってください。temperature と top_p は生成間のばらつきを制御できます。max_tokens は、このモデルの出力が動画であってもパラメータとしてサポートされており、公開されている maxOutput 値は 0 なので、クリップ長を制限するために依存しないでください。duration、resolution、aspect ratio は、トークンパラメータではなく動画固有のフィールドで設定します。

公開されているコンテキスト長はなく、このモデルは動画専用であるため、テキストチャット、分類、要約、またはテキストや構造化レスポンスを期待するあらゆるタスクには適していません。それらが必要な場合は、テキストモデルのほうが適切です。動画作業では、計画時に考慮すべき主な制約は duration です。30 秒が上限なので、より長い作品はセグメントに分けて生成し、後で結合する必要があります。