Alibaba ने Wan3.0 लाँच केले: मल्टिमॉडल AI व्हिडिओ जनरेशनची नवी व्याख्या

Alibaba ने अधिकृतपणे Wan3.0 च्या बीटा टप्प्यात प्रवेश केला आहे, जे एक शक्तिशाली नवीन व्हिडिओ जनरेशन मॉडेल असून ३० सेकंदांपर्यंतचे उच्च-गुणवत्तेचे क्लिप्स तयार करण्यास सक्षम आहे. डॉक्युमेंट्स आणि जटिल मल्टिमॉडल प्रॉम्प्ट्सचा समावेश करून इनपुट क्षमतांचा विस्तार केल्यामुळे, Wan3.0 हे क्रिएटर्स, मार्केटर्स आणि रोबोटिक्स इंजिनिअर्ससाठी एक अष्टपैलू साधन म्हणून समोर येत आहे.

व्हिडिओची लांबी दुप्पट आणि मल्टिमॉडल इनपुट्सचा विस्तार

Wan3.0 ने व्हिडिओची कमाल कालावधी ३० सेकंद करून आपल्या पूर्ववर्ती Wan2.5 च्या तुलनेत एक मोठी झेप घेतली आहे. या मॉडेलला खऱ्या अर्थाने वेगळे ठरवणारी गोष्ट म्हणजे त्याचे प्रगत मल्टिमॉडल प्रोसेसिंग इंजिन. पारंपारिक टेक्स्ट-टू-व्हिडिओ टूल्सच्या उलट, Wan3.0 एकाच वेळी मजकूर (text), प्रतिमा (images), व्हिडिओ आणि ऑडिओवर प्रक्रिया करू शकते.

हे मॉडेल अत्यंत जटिल प्रॉम्प्टिंगला सपोर्ट करते, ज्यामुळे वापरकर्ते एकाच विनंतीमध्ये दहा प्रतिमा, पाच व्हिडिओ आणि पाच ऑडिओ क्लिप्सचा समावेश करू शकतात. कदाचित सर्वात प्रभावी गोष्ट म्हणजे, Wan3.0 PDF, वेब पेजेस आणि PowerPoint प्रेझेंटेशन्स सारख्या गैर-पारंपारिक मीडिया फाइल्स स्वीकारू शकते, ज्यामुळे स्थिर व्यावसायिक कागदपत्रांचे प्रभावीपणे डायनॅमिक व्हिडिओ कंटेंटमध्ये रूपांतर होते. या प्रणालीमध्ये एक इंटेलिजेंट फीचर देखील आहे जे वापरकर्त्याच्या विशिष्ट प्रॉम्प्टवर आधारित सर्वोत्तम व्हिडिओ लांबी सुचवते.

'व्हिज्युअल ड्रिफ्ट'च्या आव्हानावर उपाय

AI व्हिडिओ जनरेशनमधील सर्वात मोठे अडथळेंपैकी एक म्हणजे "व्हिज्युअल ड्रिफ्ट" (visual drift)—ज्यामध्ये पात्रे, चेहऱ्याची वैशिष्ट्ये आणि स्पेसियल लेआउट्स कालांतराने विरूप किंवा नैसर्गिकरित्या बदलण्याची प्रवृत्ती असते. Alibaba ने Wan3.0 खास करून या विसंगतींचा सामना करण्यासाठी तयार केले आहे.

संदर्भ साहित्यातील तपशील जतन करण्याला प्राधान्य देऊन, हे मॉडेल पात्रे, प्रॉप्स आणि जटिल युजर इंटरफेससाठी अधिक उच्च दर्जाची अचूकता (fidelity) राखते. काळाच्या ओघात सातत्य (temporal consistency) राखण्यावर असलेला हा भर, ब्रँड ओळख आणि पात्रांची सातत्यता अत्यंत आवश्यक असलेल्या व्यावसायिक वर्कफ्लोसाठी या मॉडेलला अधिक उपयुक्त बनवतो.

स्केलेबल किंमत आणि औद्योगिक उपयोजन

Wan3.0 हे wan.video वेबसाइट, Alibaba Cloud Model Studio किंवा Qwen Cloud वरील API द्वारे उपलब्ध आहे. Alibaba दोन वेगळे टियर्स (tiers) ऑफर करते: एक Standard व्हर्जन (सध्या ३०% सवलतीत) आणि एक हाय-स्पीड Prime व्हर्जन. किंमत रिझोल्यूशननुसार बदलते, ज्यामध्ये Standard टियरवरील ४८०p च्या ३० सेकंदाच्या क्लिपसाठी $१.५० पासून ते Prime टियरवरील १०८०p च्या क्लिपसाठी $८.४० पर्यंत दर आहेत.

याची उपयोजन रणनीती तीन प्रमुख क्षेत्रांना लक्ष्य करते:

  • मनोरंजन: चित्रपट निर्मितीचा वेग वाढवणे आणि लघू नाटके किंवा सोशल मीडिया क्लिप्स तयार करणे.
  • एंटरप्राइझ: मार्केटिंग कॉपी आणि प्रशिक्षण मॅन्युअल्सचे आकर्षक व्हिडिओ मालमत्तेमध्ये (video assets) रूपांतर करणे.
  • डीप टेक: स्वायत्त वाहने (autonomous vehicles) आणि रोबोटिक्स सिस्टम्सना प्रशिक्षित करण्यासाठी वास्तववादी सिम्युलेशन फुटेज प्रदान करणे.

हे लाँच Alibaba कडून झालेल्या मोठ्या भांडवली गुंतवणुकीनंतर आले आहे, ज्याने अलीकडेच आपल्या आक्रमक AI विस्तारासाठी मोठ्या प्रमाणात शेअर्सची विक्री केली आहे, जरी उच्च गुंतवणूक खर्चामुळे तिमाही नफ्यावर परिणाम झाला असला तरीही.

मुख्य मुद्दे

  • वर्धित मल्टिमॉडॅलिटी: Wan3.0 PDF, PowerPoint आणि वेब पेजेसचे व्हिडिओमध्ये रूपांतर करू शकते, आणि २० एकत्रित मीडिया मालमत्तांसह जटिल प्रॉम्प्ट्सना सपोर्ट करते.
  • सुधारित सातत्य: हे मॉडेल विशेषतः 'व्हिज्युअल ड्रिफ्ट'वर उपाय शोधते, ज्यामुळे ३० सेकंदांच्या कालावधीत पात्रे, प्रॉप्स आणि वातावरणासाठी अधिक चांगली स्थिरता सुनिश्चित होते.
  • व्यापक उपयुक्तता: सोशल मीडिया क्लिप्सची गरज असलेल्या कंटेंट क्रिएटर्सपासून ते रोबोटिक्स प्रशिक्षणासाठी सिम्युलेशन डेटाची आवश्यकता असलेल्या इंजिनिअर्सपर्यंत विविध वापरकर्त्यांसाठी डिझाइन केलेले.