AlibabaがWan3.0をリリース：マルチモーダルAIビデオ生成を再定義
Alibabaは、最大30秒間の高品質なクリップを生成できる強力な新しいビデオ生成モデル「Wan3.0」のベータ版を正式に開始しました。ドキュメントや複雑なマルチモーダルプロンプトを含む入力機能を拡張することで、Wan3.0はクリエイター、マーケター、そしてロボット工学エンジニアのいずれにとっても多用途なツールとしての地位を確立しています。
動画時間の倍増とマルチモーダル入力の拡張
Wan3.0は、最大動画時間を30秒へと倍増させることで、前身のWan2.5から大幅な飛躍を遂げました。このモデルを真に際立たせているのは、その高度なマルチモーダル処理エンジンです。従来のテキストからビデオを生成するツールとは異なり、Wan3.0はテキスト、画像、ビデオ、音声を同時に処理することができます。
このモデルは非常に複雑なプロンプティングをサポートしており、ユーザーは1回の要求で最大10枚の画像、5つのビデオ、5つのオーディオクリップを含めることができます。おそらく最も印象的なのは、Wan3.0がPDF、ウェブページ、PowerPointプレゼンテーションなどの非伝統的なメディアを取り込めることであり、静的な専門文書をダイナミックなビデオコンテンツへと効果的に変換します。さらに、ユーザーの特定のプロンプトに基づいて最適なビデオの長さを推奨するインテリジェントな機能も備わっています。
「ビジュアルドリフト」の課題を解決
AIビデオ生成における最も根強い障害の一つは、「ビジュアルドリフト（visual drift）」、つまり時間の経過とともにキャラクター、顔の特徴、空間レイアウトが歪んだり不自然に変化したりする傾向です。Alibabaは、これらの不整合に特に対処するようにWan3.0を設計しました。
リファレンス素材の詳細保持を優先することで、このモデルはキャラクター、小道具、複雑なユーザーインターフェースにおいて、より高い忠実度を維持します。この時間的一貫性への注力により、ブランドアイデンティティやキャラクターの継続性が不可欠なプロフェッショナルなワークフローにおいて、このモデルは極めて実用的なものとなっています。
スケーラブルな価格設定と業界への応用
Wan3.0は、wan.videoのウェブサイト、Alibaba Cloud Model Studio、またはQwen Cloud上のAPIを通じて利用可能です。Alibabaは、Standard版（現在30%割引）と高速なPrime版の2つの異なるティアを提供しています。価格は解像度に応じて変動し、Standardティアの480p・30秒クリップの1.50ドルから、Primeティアの1080pクリップの8.40ドルまで幅があります。
展開戦略は、以下の3つの異なるセクターをターゲットとしています：
- エンターテインメント: 映画制作のスピードアップや、ショートドラマ、ソーシャルメディア用クリップの生成。
- エンタープライズ: マーケティングコピーやトレーニングマニュアルを、魅力的なビデオ資産へと変換。
- ディープテック: 自動運転車やロボットシステムのトレーニング用に、リアルなシミュレーション映像を提供。
今回のリリースは、Alibabaによる大規模な資本注入に続くものです。同社は、高い投資コストが四半期利益に影響を与えている中でも、積極的なAI拡大の資金を確保するために、最近大規模な株式売却を実施しました。
主なポイント
- 強化されたマルチモーダル機能: Wan3.0はPDF、PowerPoint、ウェブページをビデオに変換でき、最大20個のメディア資産を組み合わせた複雑なプロンプトをサポートします。
- 一貫性の向上: このモデルはビジュアルドリフトに特に対処しており、30秒間の動画全体を通じて、キャラクター、小道具、環境のより高い安定性を確保します。
- 幅広い用途: ソーシャルメディア用のクリップを必要とするコンテンツクリエイターから、ロボットトレーニング用のシミュレーションデータを必要とするエンジニアまで、幅広いユーザー向けに設計されています。