Alibaba એ Wan3.0 લોન્ચ કર્યું: મલ્ટિમોડલ AI વિડિયો જનરેશનની નવી વ્યાખ્યા

Alibaba એ સત્તાવાર રીતે Wan3.0 ના બીટા તબક્કામાં પ્રવેશ કર્યો છે, જે એક શક્તિશાળી નવું વિડિયો જનરેશન મોડેલ છે જે 30 સેકન્ડ સુધીના ઉચ્ચ-ગુણવત્તાવાળા ક્લિપ્સ બનાવી શકે છે. દસ્તાવેજો અને જટિલ મલ્ટિમોડલ પ્રોમ્પ્ટ્સનો સમાવેશ કરવા માટે ઇનપુટ ક્ષમતાઓને વિસ્તારીને, Wan3.0 સર્જકો, માર્કેટર્સ અને રોબોટિક્સ એન્જિનિયરો માટે એક બહુમુખી સાધન તરીકે પોતાને સ્થાપિત કરે છે.

લંબાઈ બમણી કરવી અને મલ્ટિમોડલ ઇનપુટ્સનું વિસ્તરણ

Wan3.0 તેના પૂર્વવર્તી Wan2.5 ની સરખામણીમાં મહત્તમ વિડિયો સમયગાળાને બમણો કરીને 30 સેકન્ડ સુધી પહોંચાડીને એક મહત્વપૂર્ણ પ્રગતિ દર્શાવે છે. જે બાબત આ મોડેલને ખરેખર અલગ પાડે છે તે તેનું અત્યાધુનિક મલ્ટિમોડલ પ્રોસેસિંગ એન્જિન છે. પરંપરાગત ટેક્સ્ટ-ટુ-વિડિયો સાધનોથી વિપરીત, Wan3.0 એકસાથે ટેક્સ્ટ, ઈમેજ, વિડિયો અને ઓડિયો પ્રોસેસ કરી શકે છે.

આ મોડેલ અત્યંત જટિલ પ્રોમ્પ્ટિંગને સપોર્ટ કરે છે, જે વપરાશકર્તાઓને એક જ વિનંતીમાં દસ ઈમેજ, પાંચ વિડિયો અને પાંચ ઓડિયો ક્લિપ્સનો સમાવેશ કરવાની મંજૂરી આપે છે. કદાચ સૌથી આશ્ચર્યજનક બાબત એ છે કે, Wan3.0 PDF, વેબ પેજ અને PowerPoint પ્રેઝન્ટેશન જેવા બિન-પરંપરાગત મીડિયાને પણ સ્વીકારી શકે છે, જે સ્થિર વ્યાવસાયિક દસ્તાવેજોને અસરકારક રીતે ગતિશીલ વિડિયો કન્ટેન્ટમાં રૂપાંતરિત કરે છે. સિસ્ટમમાં એક બુદ્ધિશાળી સુવિધા પણ સામેલ છે જે વપરાશકર્તાના ચોક્કસ પ્રોમ્પ્ટના આધારે શ્રેષ્ઠ વિડિયો લંબાઈની ભલામણ કરે છે.

વિઝ્યુઅલ ડ્રિફ્ટ (Visual Drift) ના પડકારનું નિરાકરણ

AI વિડિયો જનરેશનમાં સૌથી મોટો અને સતત રહેતો અવરોધ "visual drift" છે—જેમાં પાત્રો, ચહેરાના લક્ષણો અને સ્પેસિયલ લેઆઉટ સમય જતાં અકુદરતી રીતે વિકૃત થવા અથવા બદલાવાની વૃત્તિ હોય છે. Alibaba એ ખાસ કરીને આ અસંગતતાઓનો સામનો કરવા માટે Wan3.0 તૈયાર કર્યું છે.

સંદર્ભ સામગ્રીમાંથી વિગતો જાળવી રાખવાને પ્રાથમિકતા આપીને, આ મોડેલ પાત્રો, પ્રોપ્સ અને જટિલ યુઝર ઇન્ટરફેસ માટે ઘણી ઉચ્ચ સચોટતા જાળવી રાખે છે. ટેમ્પોરલ ક consistancy (સમયાનુરૂપ સુસંગતતા) પર આ ધ્યાન કેન્દ્રિત કરવાથી આ મોડેલ વ્યાવસાયિક વર્કફ્લો માટે વધુ વ્યવહારુ બને છે, જ્યાં બ્રાન્ડ ઓળખ અને પાત્રની સાતત્યતા અનિવાર્ય હોય છે.

સ્કેલેબલ પ્રાઇસિંગ અને ઉદ્યોગના ઉપયોગો

Wan3.0 wan.video વેબસાઇટ, Alibaba Cloud Model Studio, અથવા Qwen Cloud પર API દ્વારા ઉપલબ્ધ છે. Alibaba બે અલગ-અલગ સ્તર પ્રદાન કરે છે: એક Standard વર્ઝન (હાલમાં 30% ડિસ્કાઉન્ટ પર) અને એક હાઇ-સ્પીડ Prime વર્ઝન. કિંમત રિઝોલ્યુશન સાથે બદલાય છે, જે Standard સ્તર પર 480p 30-સેકન્ડની ક્લિપ માટે $1.50 થી લઈને Prime સ્તર પર 1080p ક્લિપ માટે $8.40 સુધી છે.

તેની તૈનાત વ્યૂહરચના ત્રણ અલગ-અલગ ક્ષેત્રોને લક્ષ્ય બનાવે છે:

• Entertainment: ફિલ્મ ઉત્પાદનને ઝડપી બનાવવું અને ટૂંકા ડ્રામા અથવા સોશિયલ મીડિયા ક્લિપ્સ જનરેટ કરવી.
• Enterprise: માર્કેટિંગ કોપી અને તાલીમ મેન્યુઅલને આકર્ષક વિડિયો એસેટ્સમાં રૂપાંતરિત કરવા.
• Deep Tech: સ્વાયત્ત વાહનો (autonomous vehicles) અને રોબોટિક્સ સિસ્ટમને તાલીમ આપવા માટે વાસ્તવિક સિમ્યુલેશન ફૂટેજ પૂરું પાડવું.

આ લોન્ચ Alibaba દ્વારા કરવામાં આવેલા મોટા મૂડી રોકાણ પછી આવ્યું છે, જેણે તાજેતરમાં તેના આક્રમક AI વિસ્તરણ માટે શેરના મોટા વેચાણ દ્વારા ભંડોળ મેળવ્યું છે, ભલે ઊંચા રોકાણ ખર્ચને ત્રિમાસિક નફા પર અસર કરી હોય.

મુખ્ય મુદ્દાઓ

• વધારે સારી મલ્ટિમોડાલિટી: Wan3.0 PDF, PowerPoint અને વેબ પેજને વિડિયોમાં રૂપાંતરિત કરી શકે છે, જે 20 સંયુક્ત મીડિયા એસેટ્સ સાથે જટિલ પ્રોમ્પ્ટ્સને સપોર્ટ કરે છે.
• સુધારેલી સુસંગતતા: આ મોડેલ ખાસ કરીને વિઝ્યુઅલ ડ્રિફ્ટને સંબોધિત કરે છે, જે 30 સેકન્ડના સમયગાળા દરમિયાન પાત્રો, પ્રોપ્સ અને વાતાવરણ માટે વધુ સારી સ્થિરતા સુનિશ્ચિત કરે છે.
• વ્યાપક ઉપયોગિતા: સોશિયલ મીડિયા ક્લિપ્સની જરૂર હોય તેવા કન્ટેન્ટ ક્રિએટર્સથી લઈને રોબોટિક્સ તાલીમ માટે સિમ્યુલેશન ડેટાની જરૂર હોય તેવા એન્જિનિયરો સુધીના વિવિધ વપરાશકર્તાઓ માટે ડિઝાઇન કરવામાં આવ્યું છે.