Alibaba: Wan 2.7

Wan 2.7 to model generowania wideo od Alibaba, wymieniony na api14 pod identyfikatorem modelu alibaba/wan-2.7. Należy do kategorii wideo i jest to jedyna kategoria, którą obsługuje. Jeśli budujesz pipeline, który musi zamieniać pisane prompty lub nieruchome obrazy na krótkie klipy wideo, to jest model do oceny, a nie ogólny model tekstowy lub obrazowy.

Model przyjmuje dane wejściowe w postaci tekstu i obrazu, a jako wynik zwraca wideo. Obsługuje text-to-video, image-to-video z kontrolą pierwszej i ostatniej klatki oraz reference-to-video, gdzie wiele obrazów referencyjnych kieruje stylem i treścią wyniku. Rozdzielczości wyjściowe to 720p i 1080p, a do wyboru są proporcje obrazu 16:9, 9:16, 1:1, 4:3 i 3:4. Czas trwania klipów wynosi od 2 do 10 sekund w krokach co jedną sekundę. Generowanie dźwięku jest dostępne, więc zwrócone wideo może zawierać wygenerowaną ścieżkę dźwiękową. Dla tego modelu nie opublikowano długości kontekstu, więc planuj w oparciu o dostarczone prompty i dane wejściowe referencyjne, a nie o budżet tokenów.

Te możliwości wskazują na dość konkretny zestaw zadań. Text-to-video pasuje do krótkich klipów promocyjnych, postów społecznościowych i ujęć koncepcyjnych, w których opisujesz scenę i potrzebujesz ruchomego wyniku. Image-to-video z kontrolą pierwszej i ostatniej klatki jest przydatne, gdy klip musi zaczynać się i kończyć na określonych klatkach, na przykład podczas animowania między dwoma ujęciami produktu lub dwiema kluczowymi pozami. Reference-to-video pomaga, gdy projekt wymaga spójnego stylu wizualnego lub powracającego motywu w kilku klipach, ponieważ wiele obrazów referencyjnych może kierować wyglądem. Proporcja 9:16 pasuje do formatów pionowych, natomiast 16:9, 1:1, 4:3 i 3:4 obejmują panoramiczną, kwadratową i inne układy. Ponieważ dźwięk można generować razem z wideo, możesz wyprodukować gotowy krótki klip bez osobnego etapu audio.

Model wywołujesz przez API zgodne z OpenAI na api14, używając identyfikatora modelu alibaba/wan-2.7. Obsługiwane parametry żądania to max_tokens, temperature i top_p, więc możesz kontrolować długość generowanego wyniku i dostosowywać zachowanie próbkowania w taki sam sposób, jak w przypadku innych modeli w bramie. Dane wejściowe pochodzą z pól tekstu i obrazu, a wyniki są zwracane jako wideo. Rozdzielczości, proporcje obrazu, czasy trwania oraz opcje pierwszej klatki, ostatniej klatki i dźwięku są ustawiane przez żądanie, zgodnie z informacjami o modelu na tej stronie.

Wan 2.7 generuje wyłącznie krótkie klipy, o czasie trwania ograniczonym do 10 sekund, i nie opublikowano dla niego długości kontekstu. Jeśli potrzebujesz generowania statycznych obrazów, długich materiałów wideo lub zadania wyłącznie tekstowego, lepiej pasować będzie model z innej kategorii na api14. W obrębie swojej kategorii połączenie obrazów referencyjnych, kontroli pierwszej i ostatniej klatki, konfigurowalnej rozdzielczości i proporcji obrazu oraz generowania dźwięku czyni go praktycznym wyborem do krótkiej, reżyserowanej pracy z wideo.