علیبابا از Wan3.0 رونمایی کرد: بازتعریف تولید ویدیو با هوش مصنوعی چندوجهی
علیبابا رسماً وارد مرحله بتای Wan3.0 شده است؛ یک مدل قدرتمند و جدید برای تولید ویدیو که قادر به ساخت کلیپهای باکیفیت تا مدت زمان ۳۰ ثانیه است. Wan3.0 با گسترش قابلیتهای ورودی برای شامل شدن اسناد و دستورهای (prompts) چندوجهی پیچیده، خود را به عنوان ابزاری همهکاره برای تولیدکنندگان محتوا، بازاریابان و مهندسان رباتیک معرفی میکند.
دو برابر شدن طول ویدیو و گسترش ورودیهای چندوجهی
Wan3.0 با دو برابر کردن حداکثر مدت زمان ویدیو به ۳۰ ثانیه، جهش قابلتوجهی نسبت به نسخه قبلی خود، یعنی Wan2.5، محسوب میشود. آنچه این مدل را واقعاً متمایز میکند، موتور پردازش چندوجهی پیشرفته آن است. برخلاف ابزارهای سنتی تبدیل متن به ویدیو، Wan3.0 میتواند بهطور همزمان متن، تصویر، ویدیو و صدا را پردازش کند.
این مدل از دستورهای بسیار پیچیده پشتیبانی میکند و به کاربران اجازه میدهد تا در یک درخواست واحد، حداکثر از ده تصویر، پنج ویدیو و پنج کلیپ صوتی استفاده کنند. شاید چشمگیرترین ویژگی این باشد که Wan3.0 میتواند رسانههای غیرسنتی مانند PDF، صفحات وب و ارائههای PowerPoint را دریافت کرده و بهطور مؤثری اسناد حرفهای ایستا را به محتوای ویدیویی پویا تبدیل کند. این سیستم حتی شامل یک قابلیت هوشمند است که بر اساس دستور خاص کاربر، طول بهینه ویدیو را پیشنهاد میدهد.
حل چالش انحراف بصری (Visual Drift)
یکی از مداومترین موانع در تولید ویدیو با هوش مصنوعی، «انحراف بصری» (visual drift) است؛ یعنی تمایل شخصیتها، ویژگیهای چهره و چیدمانهای فضایی به تغییر یا دگرگونی غیرطبیعی در طول زمان. علیبابا Wan3.0 را بهطور ویژه برای مقابله با این ناهماهنگیها طراحی کرده است.
این مدل با اولویت دادن به حفظ جزئیات از مواد مرجع، وفاداری (fidelity) بسیار بالاتری را برای شخصیتها، اشیاء و رابطهای کاربری پیچیده حفظ میکند. این تمرکز بر ثبات زمانی (temporal consistency)، مدل را برای جریانهای کاری حرفهای که در آنها هویت برند و تداوم شخصیت غیرقابل مذاکره است، بسیار کاربردیتر میکند.
قیمتگذاری مقیاسپذیر و کاربردهای صنعتی
Wan3.0 از طریق وبسایت wan.video، Alibaba Cloud Model Studio یا از طریق یک API در Qwen Cloud قابل دسترسی است. علیبابا دو سطح متمایز ارائه میدهد: نسخه Standard (در حال حاضر با ۳۰٪ تخفیف) و نسخه پرسرعت Prime. قیمتگذاری بر اساس رزولوشن تغییر میکند و از ۱.۵۰ دلار برای یک کلیپ ۳۰ ثانیهای با کیفیت 480p در سطح Standard تا ۸.۴۰ دلار برای یک کلیپ 1080p در سطح Prime متغیر است.
استراتژی استقرار این مدل سه بخش متمایز را هدف قرار داده است:
- سرگرمی: سرعت بخشیدن به تولید فیلم و تولید درامهای کوتاه یا کلیپهای شبکههای اجتماعی.
- سازمانی: تبدیل متنهای بازاریابی و دفترچههای راهنمای آموزشی به داراییهای ویدیویی جذاب.
- فناوریهای پیشرفته (Deep Tech): ارائه تصاویر شبیهسازی واقعگرایانه برای آموزش خودروهای خودران و سیستمهای رباتیک.
این عرضه پس از تزریق سرمایه عظیم توسط علیبابا صورت میگیرد؛ شرکتی که اخیراً برای تأمین مالی گسترش تهاجمی خود در حوزه هوش مصنوعی، فروش گسترده سهام را انجام داد، حتی با وجود اینکه هزینههای بالای سرمایهگذاری بر سودهای فصلی تأثیر گذاشته بود.
نکات کلیدی
- چندوجهی بودن ارتقایافته: Wan3.0 میتواند PDFها، PowerPointها و صفحات وب را به ویدیو تبدیل کند و از دستورهای پیچیده با حداکثر ۲۰ دارایی رسانهای ترکیبی پشتیبانی میکند.
- ثبات بهبودیافته: این مدل بهطور ویژه مشکل انحراف بصری را برطرف میکند و پایداری بهتری را برای شخصیتها، اشیاء و محیطها در طول مدت زمان ۳۰ ثانیه تضمین میکند.
- کاربرد گسترده: طراحی شده برای طیف وسیعی از کاربران، از تولیدکنندگان محتوا که به کلیپهای شبکههای اجتماعی نیاز دارند تا مهندسانی که به دادههای شبیهسازی برای آموزش رباتیک نیاز دارند.