Alibaba Wan3.0 പുറത്തിറക്കി: മൾട്ടിമോഡൽ AI വീഡിയോ ജനറേഷൻ പുനർനിർവചിക്കപ്പെടുന്നു

30 സെക്കൻഡ് വരെ ദൈർഘ്യമുള്ള ഉയർന്ന നിലവാരമുള്ള ക്ലിപ്പുകൾ നിർമ്മിക്കാൻ ശേഷിയുള്ള Wan3.0 എന്ന ശക്തമായ പുതിയ വീഡിയോ ജനറേഷൻ മോഡലിന്റെ ബീറ്റാ ഘട്ടത്തിലേക്ക് Alibaba ഔദ്യോഗികമായി പ്രവേശിച്ചു. ഡോക്യുമെന്റുകളും സങ്കീർണ്ണമായ മൾട്ടിമോഡൽ പ്രോംപ്റ്റുകളും ഉൾക്കൊള്ളുന്ന രീതിയിൽ ഇൻപുട്ട് ശേഷി വിപുലീകരിച്ചതിലൂടെ, ക്രിയേറ്റർമാർക്കും മാർക്കറ്റർമാർക്കും റോബോട്ടിക്സ് എഞ്ചിനീയർമാർക്കും ഒരുപോലെ ഉപയോഗപ്രദമായ ഒരു ടൂളായി Wan3.0 മാറുന്നു.

ദൈർഘ്യം ഇരട്ടിയാക്കുന്നു, മൾട്ടിമോഡൽ ഇൻപുട്ടുകൾ വിപുലീകരിക്കുന്നു

പരമാവധി വീഡിയോ ദൈർഘ്യം 30 സെക്കൻഡായി ഇരട്ടിയാക്കിക്കൊണ്ട് Wan3.0 അതിന്റെ മുൻഗാമിയായ Wan2.5-നെക്കാൾ വലിയൊരു കുതിച്ചുചാട്ടം നടത്തുന്നു. ഈ മോഡലിനെ മറ്റുള്ളവയിൽ നിന്ന് വ്യത്യസ്തമാക്കുന്നത് അതിന്റെ അത്യാധുനികമായ മൾട്ടിമോഡൽ പ്രോസസ്സിംഗ് എഞ്ചിനാണ്. പരമ്പരാഗത ടെക്സ്റ്റ്-ടു-വീഡിയോ ടൂളുകളിൽ നിന്ന് വ്യത്യസ്തമായി, Wan3.0-ന് ടെക്സ്റ്റ്, ഇമേജ്, വീഡിയോ, ഓഡിയോ എന്നിവ ഒരേസമയം പ്രോസസ്സ് ചെയ്യാൻ കഴിയും.

സങ്കീർണ്ണമായ പ്രോംപ്റ്റുകളെ പിന്തുണയ്ക്കുന്ന ഈ മോഡലിൽ, ഒരു സിംഗിൾ റിക്വസ്റ്റിൽ പത്ത് ഇമേജുകൾ, അഞ്ച് വീഡിയോകൾ, അഞ്ച് ഓഡിയോ ക്ലിപ്പുകൾ എന്നിവ വരെ ഉൾപ്പെടുത്താൻ ഉപയോക്താക്കൾക്ക് സാധിക്കും. ഏറ്റവും ശ്രദ്ധേയമായ കാര്യം, PDF-കൾ, വെബ് പേജുകൾ, പവർപോയിന്റ് പ്രസന്റേഷനുകൾ തുടങ്ങിയ പരമ്പരാഗതമല്ലാത്ത മീഡിയകൾ ഉപയോഗിക്കാനും Wan3.0-ന് സാധിക്കുന്നു എന്നതാണ്; ഇത് സ്റ്റാറ്റിക് ആയ പ്രൊഫഷണൽ ഡോക്യുമെന്റുകളെ ഡൈനാമിക് വീഡിയോ ഉള്ളടക്കമാക്കി മാറ്റുന്നു. ഉപയോക്താവിന്റെ പ്രോംപ്റ്റിന് അനുസരിച്ചുള്ള ഏറ്റവും അനുയോജ്യമായ വീഡിയോ ദൈർഘ്യം നിർദ്ദേശിക്കുന്ന ഒരു ഇന്റലിജന്റ് ഫീച്ചറും ഈ സിസ്റ്റത്തിലുണ്ട്.

വിഷ്വൽ ഡ്രിഫ്റ്റ് (Visual Drift) എന്ന വെല്ലുവിളി പരിഹരിക്കുന്നു

AI വീഡിയോ ജനറേഷനിലെ ഏറ്റവും വലിയ വെല്ലുവിളികളിലൊന്നാണ് "വിഷ്വൽ ഡ്രിഫ്റ്റ്" (visual drift)—അതായത്, വീഡിയോയുടെ ദൈർഘ്യം കൂടുന്തോറും കഥാപാത്രങ്ങൾ, മുഖഭാവങ്ങൾ, സ്പേഷ്യൽ ലേഔട്ടുകൾ എന്നിവ സ്വാഭാവികമല്ലാത്ത രീതിയിൽ മാറുന്നതോ വികൃതമാകുന്നതോ ആയ അവസ്ഥ. ഈ അസ്ഥിരതകളെ നേരിടാനാണ് Alibaba Wan3.0 രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.

റെഫറൻസ് മെറ്റീരിയലുകളിൽ നിന്നുള്ള വിവരങ്ങൾ കൃത്യമായി നിലനിർത്തുന്നതിന് മുൻഗണന നൽകുന്നതിലൂടെ, കഥാപാത്രങ്ങൾ, പ്രോപ്പുകൾ, സങ്കീർണ്ണമായ യൂസർ ഇന്റർഫേസുകൾ എന്നിവയുടെ കൃത്യത ഈ മോഡൽ ഉറപ്പാക്കുന്നു. ബ്രാൻഡ് ഐഡന്റിറ്റിയും കഥാപാത്രങ്ങളുടെ തുടർച്ചയും അനിവാര്യമായ പ്രൊഫഷണൽ ജോലികൾക്ക് ഈ മോഡൽ കൂടുതൽ അനുയോജ്യമാക്കുന്നു.

സ്കെയിലബിൾ പ്രൈസിംഗും വ്യവസായ പ്രയോഗങ്ങളും

wan.video വെബ്സൈറ്റ്, Alibaba Cloud Model Studio, അല്ലെങ്കിൽ Qwen Cloud-ലെ API എന്നിവയിലൂടെ Wan3.0 ലഭ്യമാണ്. Alibaba രണ്ട് തരം സേവനങ്ങളാണ് വാഗ്ദാനം ചെയ്യുന്നത്: ഒരു Standard വേർഷനും (നിലവിൽ 30% ഡിസ്കൗണ്ട് ലഭ്യമാണ്), ഹൈ-സ്പീഡ് Prime വേർഷനും. റെസല്യൂഷന് അനുസരിച്ചാണ് വില നിശ്ചയിക്കുന്നത്; Standard ടയറിലെ 480p 30-സെക്കൻഡ് ക്ലിപ്പിന് $1.50 മുതൽ Prime ടയറിലെ 1080p ക്ലിപ്പിന് $8.40 വരെയാണ് നിരക്ക്.

ഈ വിന്യാസ തന്ത്രം മൂന്ന് വ്യത്യസ്ത മേഖലകളെ ലക്ഷ്യമിടുന്നു:

• വിനോദം (Entertainment): ചലച്ചിത്ര നിർമ്മാണം വേഗത്തിലാക്കാനും ചെറിയ നാടകങ്ങളോ സോഷ്യൽ മീഡിയ ക്ലിപ്പുകളോ നിർമ്മിക്കാനും സഹായിക്കുന്നു.
• എന്റർപ്രൈസ് (Enterprise): മാർക്കറ്റിംഗ് കോപ്പികളും ട്രെയിനിംഗ് മാനുവലുകളും ആകർഷകമായ വീഡിയോകളാക്കി മാറ്റുന്നു.
• ഡീപ്പ് ടെക് (Deep Tech): സ്വയം നിയന്ത്രിത വാഹനങ്ങളെയും റോബോട്ടിക് സംവിധാനങ്ങളെയും പരിശീലിപ്പിക്കുന്നതിന് യഥാർത്ഥമെന്ന് തോന്നുന്ന സിമുലേഷൻ ദൃശ്യങ്ങൾ നൽകുന്നു.

ഉയർന്ന നിക്ഷേപച്ചെലവ് കാരണം പാദലാഭങ്ങളെ ബാധിച്ചുവെങ്കിലും, തങ്ങളുടെ ആക്രമണാത്മകമായ AI വിപുലീകരണത്തിന് ഫണ്ട് കണ്ടെത്തുന്നതിനായി അടുത്തിടെ ഓഹരികൾ വിറ്റഴിച്ച Alibaba, വൻതോതിലുള്ള മൂലധന നിക്ഷേപത്തിന് ശേഷമാണ് ഈ ഉൽപ്പന്നം പുറത്തിറക്കുന്നത്.

പ്രധാന വിവരങ്ങൾ

• മെച്ചപ്പെട്ട മൾട്ടിമോഡാലിറ്റി: PDF-കൾ, പവർപോയിന്റുകൾ, വെബ് പേജുകൾ എന്നിവയെ വീഡിയോയാക്കി മാറ്റാൻ Wan3.0-ന് സാധിക്കും; കൂടാതെ 20 വരെ മീഡിയ അസറ്റുകൾ ഉൾപ്പെടുത്തിയ സങ്കീർണ്ണമായ പ്രോംപ്റ്റുകളെയും ഇത് പിന്തുണയ്ക്കുന്നു.
• മെച്ചപ്പെട്ട സ്ഥിരത: വിഷ്വൽ ഡ്രിഫ്റ്റ് പരിഹരിക്കുന്നതിലൂടെ, 30 സെക്കൻഡ് ദൈർഘ്യമുള്ള വീഡിയോകളിൽ കഥാപാത്രങ്ങൾ, പ്രോപ്പുകൾ, ചുറ്റുപാടുകൾ എന്നിവയുടെ മികച്ച സ്ഥിരത ഉറപ്പാക്കുന്നു.
• വിപുലമായ ഉപയോഗം: സോഷ്യൽ മീഡിയ ക്ലിപ്പുകൾ ആവശ്യമുള്ള കണ്ടന്റ് ക്രിയേറ്റർമാർ മുതൽ റോബോട്ടിക്സ് പരിശീലനത്തിനായി സിമുലേഷൻ ഡാറ്റ ആവശ്യമുള്ള എഞ്ചിനീയർമാർ വരെയുള്ള വൈവിധ്യമാർന്ന ഉപയോക്താക്കൾക്കായി ഇത് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു.