Alibaba Wan3.0 ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ: ಮಲ್ಟಿಮೋಡಲ್ AI ವಿಡಿಯೋ ಜನರೇಷನ್ ಮರು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ

Alibaba ಅಧಿಕೃತವಾಗಿ Wan3.0 ನ ಬೀಟಾ ಹಂತಕ್ಕೆ ಪ್ರವೇಶಿಸಿದೆ. ಇದು 30 ಸೆಕೆಂಡುಗಳವರೆಗೆ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಕ್ಲಿಪ್‌ಗಳನ್ನು ತಯಾರಿಸಬಲ್ಲ ಶಕ್ತಿಯುತವಾದ ಹೊಸ ವಿಡಿಯೋ ಜನರೇಷನ್ ಮಾಡೆಲ್ ಆಗಿದೆ. ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳು ಮತ್ತು ಸಂಕೀರ್ಣ ಮಲ್ಟಿಮೋಡಲ್ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಇನ್‌ಪುಟ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವಿಸ್ತರಿಸುವ ಮೂಲಕ, Wan3.0 ರಚನಾಕಾರರು, ಮಾರ್ಕೆಟರ್‌ಗಳು ಮತ್ತು ರೋಬೊಟಿಕ್ಸ್ ಎಂಜಿನಿಯರ್‌ಗಳಿಗೆ ಬಹುಮುಖಿ ಸಾಧನವಾಗಿ ಹೊರಹೊಮ್ಮಿದೆ.

ಉದ್ದವನ್ನು ದ್ವಿಗುಣಗೊಳಿಸುವುದು ಮತ್ತು ಮಲ್ಟಿಮೋಡಲ್ ಇನ್‌ಪುಟ್‌ಗಳ ವಿಸ್ತರಣೆ

Wan3.0 ತನ್ನ ಹಿಂದಿನ ಮಾದರಿಯಾದ Wan2.5 ಗಿಂತ ಗಣನೀಯವಾದ ಪ್ರಗತಿಯನ್ನು ಸಾಧಿಸಿದೆ, ಇದು ಗರಿಷ್ಠ ವಿಡಿಯೋ ಅವಧಿಯನ್ನು 30 ಸೆಕೆಂಡುಗಳಿಗೆ ದ್ವಿಗುಣಗೊಳಿಸಿದೆ. ಈ ಮಾಡೆಲ್‌ನ ನಿಜವಾದ ವಿಶೇಷತೆಯೆಂದರೆ ಅದರ ಅತ್ಯಾಧುನಿಕ ಮಲ್ಟಿಮೋಡಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಇಂಜಿನ್. ಸಾಂಪ್ರದಾಯಿಕ ಟೆಕ್ಸ್ಟ್-ಟು-ವಿಡಿಯೋ ಪರಿಕರಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, Wan3.0 ಏಕಕಾಲದಲ್ಲಿ ಪಠ್ಯ, ಚಿತ್ರಗಳು, ವಿಡಿಯೋ ಮತ್ತು ಆಡಿಯೋವನ್ನು ಪ್ರೊಸೆಸ್ ಮಾಡಬಲ್ಲದು.

ಈ ಮಾಡೆಲ್ ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಇದು ಬಳಕೆದಾರರು ಒಂದೇ ವಿನಂತಿಯಲ್ಲಿ ಹತ್ತು ಚಿತ್ರಗಳು, ಐದು ವಿಡಿಯೋಗಳು ಮತ್ತು ಐದು ಆಡಿಯೋ ಕ್ಲಿಪ್‌ಗಳನ್ನು ಸೇರಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಬಹುಶಃ ಅತ್ಯಂತ ಆಕರ್ಷಕ ವಿಷಯವೆಂದರೆ, Wan3.0 ಪಿಡಿಎಫ್‌ಗಳು (PDFs), ವೆಬ್ ಪುಟಗಳು ಮತ್ತು ಪವರ್‌ಪಾಯಿಂಟ್ ಪ್ರೆಸೆಂಟೇಶನ್‌ಗಳಂತಹ ಅಸಾಂಪ್ರದಾಯಿಕ ಮಾಧ್ಯಮಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಬಲ್ಲದು, ಇದು ಸ್ಥಿರವಾದ ವೃತ್ತಿಪರ ದಾಖಲೆಗಳನ್ನು ಡೈನಾಮಿಕ್ ವಿಡಿಯೋ ಕಂಟೆಂಟ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಬಳಕೆದಾರರ ನಿರ್ದಿಷ್ಟ ಪ್ರಾಂಪ್ಟ್ ಆಧಾರದ ಮೇಲೆ ಅತ್ಯುತ್ತಮ ವಿಡಿಯೋ ಉದ್ದವನ್ನು ಶಿಫಾರಸು ಮಾಡುವ ಬುದ್ಧಿವಂತ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಸಹ ಈ ಸಿಸ್ಟಮ್ ಒಳಗೊಂಡಿದೆ.

'ವಿಶುವಲ್ ಡ್ರಿಫ್ಟ್' (Visual Drift) ಸವಾಲನ್ನು ಪರಿಹರಿಸುವುದು

AI ವಿಡಿಯೋ ಜನರೇಷನ್‌ನಲ್ಲಿ ಎದುರಾಗುವ ಅತ್ಯಂತ ಕಠಿಣ ಸವಾಲುಗಳಲ್ಲಿ ಒಂದೆಂದರೆ "ವಿಶುವಲ್ ಡ್ರಿಫ್ಟ್" (visual drift) — ಅಂದರೆ ಪಾತ್ರಗಳು, ಮುಖದ ಲಕ್ಷಣಗಳು ಮತ್ತು ಸ್ಥಳೀಯ ವಿನ್ಯಾಸಗಳು ಕಾಲಾನಂತರದಲ್ಲಿ ಅಸ್ವಾಭಾವಿಕವಾಗಿ ವಿರೂಪಗೊಳ್ಳುವ ಅಥವಾ ಬದಲಾಗುವ ಪ್ರವೃತ್ತಿ. ಈ ಅಸಂಗತತೆಗಳನ್ನು ಎದುರಿಸಲು Alibaba ವಿಶೇಷವಾಗಿ Wan3.0 ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದೆ.

ರೆಫರೆನ್ಸ್ ಮೆಟೀರಿಯಲ್‌ಗಳಿಂದ ವಿವರಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು ಆದ್ಯತೆ ನೀಡುವ ಮೂಲಕ, ಈ ಮಾಡೆಲ್ ಪಾತ್ರಗಳು, ಪ್ರಾಪ್ಸ್ (props) ಮತ್ತು ಸಂಕೀರ್ಣ ಯೂಸರ್ ಇಂಟರ್ಫೇಸ್‌ಗಳಿಗೆ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ. ಸಮಯದ ಸ್ಥಿರತೆಯ ಮೇಲಿನ (temporal consistency) ಈ ಗಮನವು, ಬ್ರ್ಯಾಂಡ್ ಗುರುತು ಮತ್ತು ಪಾತ್ರಗಳ ನಿರಂತರತೆ ಅತ್ಯಗತ್ಯವಾಗಿರುವ ವೃತ್ತಿಪರ ಕೆಲಸದ ಹರಿವುಗಳಿಗೆ (workflows) ಈ ಮಾಡೆಲ್ ಅನ್ನು ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗಿಸುತ್ತದೆ.

ಸ್ಕೇಲೆಬಲ್ ಬೆಲೆ ಮತ್ತು ಉದ್ಯಮದ ಅನ್ವಯಿಕೆಗಳು

Wan3.0 ಅನ್ನು wan.video ವೆಬ್‌ಸೈಟ್, Alibaba Cloud Model Studio, ಅಥವಾ Qwen Cloud ನಲ್ಲಿನ API ಮೂಲಕ ಬಳಸಬಹುದು. Alibaba ಎರಡು ವಿಭಿನ್ನ ಹಂತಗಳನ್ನು ನೀಡುತ್ತದೆ: ಸ್ಟ್ಯಾಂಡರ್ಡ್ (Standard) ಆವೃತ್ತಿ (ಪ್ರಸ್ತುತ 30% ರಿಯಾಯಿತಿ ಇದೆ) ಮತ್ತು ಹೈ-ಸ್ಪೀಡ್ ಪ್ರೈಮ್ (Prime) ಆವೃತ್ತಿ. ಬೆಲೆಯು ರೆಸಲ್ಯೂಶನ್ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದ್ದು, ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಹಂತದಲ್ಲಿ 480p 30-ಸೆಕೆಂಡ್ ಕ್ಲಿಪ್‌ಗೆ $1.50 ರಿಂದ ಪ್ರೈಮ್ ಹಂತದಲ್ಲಿ 1080p ಕ್ಲಿಪ್‌ಗೆ $8.40 ರವರೆಗೆ ಇರುತ್ತದೆ.

ಇದರ ನಿಯೋಜನಾ ತಂತ್ರವು ಮೂರು ವಿಭಿನ್ನ ವಲಯಗಳನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡಿದೆ:

• ಮನರಂಜನೆ (Entertainment): ಚಲನಚಿತ್ರ ನಿರ್ಮಾಣವನ್ನು ವೇಗಗೊಳಿಸುವುದು ಮತ್ತು ಕಿರು ನಾಟಕಗಳು ಅಥವಾ ಸೋಶಿಯಲ್ ಮೀಡಿಯಾ ಕ್ಲಿಪ್‌ಗಳನ್ನು ತಯಾರಿಸುವುದು.
• ಉದ್ಯಮ (Enterprise): ಮಾರ್ಕೆಟಿಂಗ್ ಕಾಪಿ ಮತ್ತು ತರಬೇತಿ ಕೈಪಿಡಿಗಳನ್ನು ಆಕರ್ಷಕ ವಿಡಿಯೋ ಆಸ್ತಿಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದು.
• ಡೀಪ್ ಟೆಕ್ (Deep Tech): ಸ್ವಾಯತ್ತ ವಾಹನಗಳು ಮತ್ತು ರೋಬೊಟಿಕ್ಸ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ವಾಸ್ತವಿಕ ಸಿಮ್ಯುಲೇಶನ್ ದೃಶ್ಯಾವಳಿಗಳನ್ನು ಒದಗಿಸುವುದು.

ಈ ಬಿಡುಗಡೆಯು Alibaba ಮಾಡುವ ಬೃಹತ್ ಬಂಡವಾಳ ಹೂಡಿಕೆಯ ನಂತರ ನಡೆದಿದೆ. ಹೆಚ್ಚಿನ ಹೂಡಿಕೆಯ ವೆಚ್ಚಗಳು ತ್ರೈಮಾಸಿಕ ಲಾಭದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಿದ್ದರೂ ಸಹ, ತನ್ನ ಆಕ್ರಮಣಕಾರಿ AI ವಿಸ್ತರಣೆಗೆ ಧನಸಹಾಯ ನೀಡಲು Alibaba ಇತ್ತೀಚೆಗೆ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಷೇರು ಮಾರಾಟವನ್ನು ಮಾಡಿದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

• ಸುಧಾರಿತ ಮಲ್ಟಿಮೋಡಾಲಿಟಿ: Wan3.0 ಪಿಡಿಎಫ್‌ಗಳು, ಪವರ್‌ಪಾಯಿಂಟ್‌ಗಳು ಮತ್ತು ವೆಬ್ ಪುಟಗಳನ್ನು ವಿಡಿಯೋ ಆಗಿ ಪರಿವರ್ತಿಸಬಲ್ಲದು, ಮತ್ತು 20 ಸಂಯೋಜಿತ ಮಾಧ್ಯಮ ಆಸ್ತಿಗಳವರೆಗೆ ಸಂಕೀರ್ಣ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
• ಸುಧಾರಿತ ಸ್ಥಿರತೆ: ಈ ಮಾಡೆಲ್ ವಿಶೇಷವಾಗಿ 'ವಿಶುವಲ್ ಡ್ರಿಫ್ಟ್' ಅನ್ನು ಪರಿಹರಿಸುತ್ತದೆ, ಇದು 30 ಸೆಕೆಂಡುಗಳ ಅವಧಿಯಲ್ಲಿ ಪಾತ್ರಗಳು, ಪ್ರಾಪ್ಸ್ ಮತ್ತು ಪರಿಸರಗಳಿಗೆ ಉತ್ತಮ ಸ್ಥಿರತೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.
• ವ್ಯಾಪಕ ಉಪಯುಕ್ತತೆ: ಸೋಶಿಯಲ್ ಮೀಡಿಯಾ ಕ್ಲಿಪ್‌ಗಳು ಬೇಕಾದ ಕಂಟೆಂಟ್ ಕ್ರಿಯೇಟರ್‌ಗಳಿಂದ ಹಿಡಿದು ರೋಬೊಟಿಕ್ಸ್ ತರಬೇತಿಗಾಗಿ ಸಿಮ್ಯುಲೇಶನ್ ಡೇಟಾ ಬೇಕಾದ ಎಂಜಿನಿಯರ್‌ಗಳವರೆಗೆ ವಿವಿಧ ರೀತಿಯ ಬಳಕೆದಾರರಿಗಾಗಿ ಇದನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.