Alibaba: Wan 3.0

Alibaba: Wan 3.0 é um modelo de geração de vídeo da Alibaba. Pertence à categoria de vídeo e é identificado em api14 como alibaba/wan-3.0. O modelo foi criado para transformar texto e imagens em vídeo, e situa-se ao lado de outros trabalhos generativos da Alibaba, em vez de ser um modelo de texto de uso geral.

Wan 3.0 aceita entradas de texto e imagem e devolve vídeo como única saída. Suporta text-to-video, image-to-video e geração de vídeo guiada por referência. A saída pode ser produzida em 480p, 720p ou 1080p, em proporções de 16:9, 4:3, 1:1, 3:4 e 9:16. As durações variam entre 2 e 30 segundos. O modelo também pode gerar áudio juntamente com o vídeo. Para trabalho orientado por imagem, pode ser fornecida uma imagem first_frame. Não está listado nenhum comprimento de contexto para este modelo, por isso planeie em torno dos parâmetros de vídeo e não de uma janela de tokens.

Estas capacidades apontam para um conjunto bastante específico de utilizações. O text-to-video adequa-se a clipes curtos gerados a partir de uma descrição escrita, como uma cena, uma fotografia de produto ou uma pré-visualização de conceito. O image-to-video com um first_frame é útil quando já tem uma imagem estática e quer que ela se mova, o que se aplica a animação de storyboard, variações de anúncios ou dar vida a uma única frame. A geração guiada por referência ajuda quando a saída tem de permanecer próxima de uma referência visual fornecida. O intervalo de 2 a 30 segundos cobre formatos sociais curtos e breves momentos narrativos, e as proporções quadrada, vertical e horizontal significam que o mesmo modelo pode servir colocações para feed, stories e ecrã largo. A geração de áudio significa que não tem de acrescentar um passo de som separado para clipes que dele precisem.

Chama o Wan 3.0 através da API compatível com OpenAI do api14, usando o id de modelo alibaba/wan-3.0. O pedido aceita max_tokens, presence_penalty, response_format, seed, temperature e top_p. Vale a pena definir seed quando quer uma saída reproduzível entre execuções, e temperature e top_p dão-lhe controlo sobre a variação. Como a saída é vídeo, response_format é o parâmetro a verificar quando precisa de uma forma de retorno específica. As próprias definições de vídeo, como resolução, proporção, duração e a imagem first_frame, fazem parte do pedido que constrói para este modelo.

Não está listado nenhum comprimento de contexto, e maxOutput é reportado como 0, por isso trate isto como um endpoint de geração e não como um modelo de raciocínio de contexto longo. Se a sua tarefa for texto, código ou análise, um modelo de linguagem encaixará melhor. O Wan 3.0 é a escolha certa quando o resultado é um clipe de vídeo curto construído a partir de texto, de uma imagem ou de uma referência.