Alibaba Wan3.0ను లాంచ్ చేసింది: మల్టీమోడల్ AI వీడియో జనరేషన్ కొత్త నిర్వచనం

Alibaba అధికారికంగా Wan3.0 యొక్క బీటా దశలోకి ప్రవేశించింది. ఇది 30 సెకన్ల వరకు అధిక నాణ్యత కలిగిన క్లిప్‌లను రూపొందించగల శక్తివంతమైన కొత్త వీడియో జనరేషన్ మోడల్. డాక్యుమెంట్లు మరియు సంక్లిష్టమైన మల్టీమోడల్ ప్రాంప్ట్‌లను కూడా ఇన్‌పుట్‌గా తీసుకునేలా తన సామర్థ్యాలను విస్తరించడం ద్వారా, Wan3.0 క్రియేటర్లు, మార్కెటర్లు మరియు రోబోటిక్స్ ఇంజనీర్లకు ఒక బహుముఖ సాధనంగా నిలుస్తుంది.

నిడివిని రెట్టింపు చేయడం మరియు మల్టీమోడల్ ఇన్‌పుట్‌లను విస్తరించడం

Wan3.0 తన పూర్వ వెర్షన్ Wan2.5 కంటే గణనీయమైన పురోగతిని సాధించింది, ఇది గరిష్ట వీడియో నిడివిని 30 సెకన్లకు రెట్టింపు చేసింది. ఈ మోడల్‌ను ప్రత్యేకంగా నిలిపే అంశం దాని అధునాతన మల్టీమోడల్ ప్రాసెసింగ్ ఇంజిన్. సాంప్రదాయ టెక్స్ట్-టు-వీడియో సాధనాలకు భిన్నంగా, Wan3.0 టెక్స్ట్, ఇమేజెస్, వీడియో మరియు ఆడియోలను ఒకేసారి ప్రాసెస్ చేయగలదు.

ఈ మోడల్ అత్యంత సంక్లిష్టమైన ప్రాంప్టింగ్ విధానాన్ని సపోర్ట్ చేస్తుంది, దీని ద్వారా వినియోగదారులు ఒకే రిక్వెస్ట్‌లో పది ఇమేజెస్, ఐదు వీడియోలు మరియు ఐదు ఆడియో క్లిప్‌లను చేర్చవచ్చు. అన్నిటికంటే ఆశ్చర్యకరమైన విషయం ఏమిటంటే, Wan3.0 PDFలు, వెబ్ పేజీలు మరియు PowerPoint ప్రెజెంటేషన్‌ల వంటి సాంప్రదాయేతర మీడియాను కూడా స్వీకరించగలదు, తద్వారా స్థిరమైన (static) ప్రొఫెషనల్ డాక్యుమెంట్లను డైనమిక్ వీడియో కంటెంట్‌గా సమర్థవంతంగా మారుస్తుంది. వినియోగదారుని నిర్దిష్ట ప్రాంప్ట్ ఆధారంగా సరైన వీడియో నిడివిని సూచించే ఇంటెలిజెంట్ ఫీచర్ కూడా ఈ సిస్టమ్‌లో ఉంది.

'విజువల్ డ్రిఫ్ట్' సవాలును పరిష్కరించడం

AI వీడియో జనరేషన్‌లో ఎదురయ్యే అతిపెద్ద సవాళ్లలో ఒకటి "విజువల్ డ్రిఫ్ట్" (visual drift)—అంటే సమయం గడిచేకొద్దీ పాత్రలు, ముఖ కవళికలు మరియు స్పేషియల్ లేఅవుట్‌లు వికృతంగా మారడం లేదా సహజంగా లేని విధంగా మార్పు చెందడం. ఈ అసమానతలను ఎదుర్కోవడానికి Alibaba ప్రత్యేకంగా Wan3.0ను రూపొందించింది.

రిఫరెన్స్ మెటీరియల్స్ నుండి వివరాలను భద్రపరచడానికి ప్రాధాన్యత ఇవ్వడం ద్వారా, ఈ మోడల్ పాత్రలు, ప్రాప్స్ (props) మరియు సంక్లిష్టమైన యూజర్ ఇంటర్‌ఫేస్‌ల విషయంలో అత్యధిక ఖచ్చితత్వాన్ని (fidelity) కలిగి ఉంటుంది. కాలక్రమేణా మారకుండా ఉండే ఈ స్థిరత్వం (temporal consistency), బ్రాండ్ గుర్తింపు మరియు పాత్రల కొనసాగింపు (character continuity) చాలా ముఖ్యమైన ప్రొఫెషనల్ వర్క్‌ఫ్లోలకు ఈ మోడల్‌ను మరింత ఉపయోగకరంగా మారుస్తుంది.

స్కేలబుల్ ధరలు మరియు పరిశ్రమల అనువర్తనాలు

Wan3.0ను wan.video వెబ్‌సైట్, Alibaba Cloud Model Studio లేదా Qwen Cloud లోని API ద్వారా ఉపయోగించవచ్చు. Alibaba రెండు రకాల ప్లాన్‌లను అందిస్తోంది: ఒక Standard వెర్షన్ (ప్రస్తుతం 30% తగ్గింపుతో ఉంది) మరియు హై-స్పీడ్ Prime వెర్షన్. ధర అనేది రిజల్యూషన్‌పై ఆధారపడి ఉంటుంది; Standard ప్లాన్‌లో 480p 30-సెకన్ల క్లిప్ కోసం $1.50 నుండి Prime ప్లాన్‌లో 1080p క్లిప్ కోసం $8.40 వరకు ఉంటుంది.

దీని వినియోగ వ్యూహం మూడు ప్రత్యేక రంగాలను లక్ష్యంగా చేసుకుంది:

  • వినోదం (Entertainment): సినిమా ఉత్పత్తిని వేగవంతం చేయడం మరియు చిన్న డ్రామాలు లేదా సోషల్ మీడియా క్లిప్‌లను రూపొందించడం.
  • ఎంటర్‌ప్రైజ్ (Enterprise): మార్కెటింగ్ కాపీ మరియు శిక్షణ మాన్యువల్‌లను ఆకర్షణీయమైన వీడియో ఆస్తులుగా (video assets) మార్చడం.
  • డీప్ టెక్ (Deep Tech): స్వయంప్రతిపత్తి కలిగిన వాహనాలు (autonomous vehicles) మరియు రోబోటిక్స్ వ్యవస్థలకు శిక్షణ ఇవ్వడానికి వాస్తవిక సిమ్యులేషన్ ఫుటేజీని అందించడం.

అధిక పెట్టుబడి ఖర్చులు త్రైమాసిక లాభాలపై ప్రభావం చూపినప్పటికీ, Alibaba తన దూకుడుగా ఉన్న AI విస్తరణకు నిధులు సమకూర్చుకోవడానికి ఇటీవల భారీ షేర్ల అమ్మకాన్ని చేపట్టింది. ఈ లాంచ్ ఆ భారీ పెట్టుబడి తర్వాత జరిగింది.

ముఖ్య అంశాలు

  • మెరుగుపరచబడిన మల్టీమోడాలిటీ: Wan3.0 PDFలు, PowerPointలు మరియు వెబ్ పేజీలను వీడియోలుగా మార్చగలదు, మరియు 20 వరకు కలిపి ఉన్న మీడియా అసెట్‌లతో సంక్లిష్టమైన ప్రాంప్ట్‌లను సపోర్ట్ చేస్తుంది.
  • మెరుగైన స్థిరత్వం: ఈ మోడల్ ప్రత్యేకంగా 'విజువల్ డ్రిఫ్ట్' సమస్యను పరిష్కరిస్తుంది, తద్వారా 30 సెకన్ల నిడివిలో పాత్రలు, ప్రాప్స్ మరియు వాతావరణం మెరుగైన స్థిరత్వాన్ని కలిగి ఉంటాయి.
  • విస్తృత వినియోగం: సోషల్ మీడియా క్లిప్‌లు కావాలనుకునే కంటెంట్ క్రియేటర్ల నుండి రోబోటిక్స్ శిక్షణ కోసం సిమ్యులేషన్ డేటా అవసరమయ్యే ఇంజనీర్ల వరకు, వివిధ రకాల వినియోగదారుల కోసం దీనిని రూపొందించారు.