Alibaba ने Wan3.0 लॉन्च किया: मल्टीमॉडल AI वीडियो जनरेशन की नई परिभाषा
Alibaba ने आधिकारिक तौर पर Wan3.0 के बीटा चरण में प्रवेश कर लिया है, जो एक शक्तिशाली नया वीडियो जनरेशन मॉडल है और 30 सेकंड तक के उच्च गुणवत्ता वाले क्लिप बनाने में सक्षम है। इनपुट क्षमताओं का विस्तार करके दस्तावेज़ों और जटिल मल्टीमॉडल प्रॉम्प्ट्स को शामिल करने के साथ, Wan3.0 खुद को क्रिएटर्स, मार्केटर्स और रोबोटिक्स इंजीनियरों के लिए एक बहुमुखी उपकरण के रूप में स्थापित करता है।
लंबाई को दोगुना करना और मल्टीमॉडल इनपुट का विस्तार करना
Wan3.0 अपने पूर्ववर्ती Wan2.5 की तुलना में एक महत्वपूर्ण छलांग है, क्योंकि इसने अधिकतम वीडियो अवधि को दोगुना करके 30 सेकंड कर दिया है। जो चीज़ इस मॉडल को वास्तव में अलग बनाती है, वह है इसका परिष्कृत मल्टीमॉडल प्रोसेसिंग इंजन। पारंपरिक टेक्स्ट-टू-वीडियो टूल्स के विपरीत, Wan3.0 एक साथ टेक्स्ट, इमेज, वीडियो और ऑडियो को प्रोसेस कर सकता है।
यह मॉडल अत्यधिक जटिल प्रॉम्प्टिंग का समर्थन करता है, जिससे उपयोगकर्ता एक ही अनुरोध में दस इमेज, पांच वीडियो और पांच ऑडियो क्लिप तक शामिल कर सकते हैं। शायद सबसे प्रभावशाली बात यह है कि Wan3.0 PDF, वेब पेज और PowerPoint प्रेजेंटेशन जैसे गैर-पारंपरिक मीडिया को भी ग्रहण कर सकता है, जिससे स्थिर पेशेवर दस्तावेज़ प्रभावी रूप से गतिशील वीडियो कंटेंट में बदल जाते हैं। सिस्टम में एक इंटेलिजेंट फीचर भी शामिल है जो उपयोगकर्ता के विशिष्ट प्रॉम्प्ट के आधार पर इष्टतम वीडियो लंबाई की सिफारिश करता है।
विजुअल ड्रिफ्ट (Visual Drift) की चुनौती का समाधान
AI वीडियो जनरेशन में सबसे निरंतर बाधाओं में से एक "विजुअल ड्रिफ्ट" (visual drift) है—जिसमें समय के साथ पात्रों, चेहरे के फीचर्स और स्थानिक लेआउट (spatial layouts) के विकृत होने या अस्वाभाविक रूप से बदलने की प्रवृत्ति होती है। Alibaba ने विशेष रूप से इन विसंगतियों से निपटने के लिए Wan3.0 को तैयार किया है।
संदर्भ सामग्री (reference materials) से विवरणों के संरक्षण को प्राथमिकता देकर, यह मॉडल पात्रों, प्रॉप्स और जटिल यूजर इंटरफेस के लिए बहुत अधिक शुद्धता (fidelity) बनाए रखता है। टेम्पोरल कंसिस्टेंसी (temporal consistency) पर यह ध्यान मॉडल को पेशेवर वर्कफ़्लो के लिए कहीं अधिक व्यवहार्य बनाता है, जहाँ ब्रांड पहचान और पात्रों की निरंतरता से समझौता नहीं किया जा सकता।
स्केलेबल प्राइसिंग और उद्योग अनुप्रयोग
Wan3.0 को wan.video वेबसाइट, Alibaba Cloud Model Studio, या Qwen Cloud पर एक API के माध्यम से एक्सेस किया जा सकता है। Alibaba दो अलग-अलग टियर प्रदान करता है: एक Standard वर्शन (वर्तमान में 30% छूट पर) और एक हाई-स्पीड Prime वर्शन। इसकी कीमत रेजोल्यूशन के साथ बढ़ती है, जो Standard टियर पर 480p के 30-सेकंड के क्लिप के लिए $1.50 से लेकर Prime टियर पर 1080p क्लिप के लिए $8.40 तक है।
इसकी तैनाती रणनीति तीन अलग-अलग क्षेत्रों को लक्षित करती है:
- Entertainment (मनोरंजन): फिल्म निर्माण में तेजी लाना और लघु नाटक या सोशल मीडिया क्लिप बनाना।
- Enterprise (एंटरप्राइज): मार्केटिंग कॉपी और ट्रेनिंग मैनुअल को आकर्षक वीडियो एसेट्स में बदलना।
- Deep Tech (डीप टेक): स्वायत्त वाहनों (autonomous vehicles) और रोबोटिक्स सिस्टम को प्रशिक्षित करने के लिए यथार्थवादी सिमुलेशन फुटेज प्रदान करना।
यह लॉन्च Alibaba द्वारा भारी पूंजी निवेश के बाद आया है, जिसने हाल ही में अपने आक्रामक AI विस्तार के लिए बड़े पैमाने पर शेयरों की बिक्री की है, भले ही उच्च निवेश लागत ने तिमाही मुनाफे को प्रभावित किया हो।
मुख्य बातें
- बेहतर मल्टीमोडैलिटी: Wan3.0 PDF, PowerPoint और वेब पेज को वीडियो में बदल सकता है, जो 20 तक संयुक्त मीडिया एसेट्स के साथ जटिल प्रॉम्प्ट्स का समर्थन करता है।
- बेहतर निरंतरता: यह मॉडल विशेष रूप से विजुअल ड्रिफ्ट को संबोधित करता है, जिससे 30 सेकंड की अवधि के दौरान पात्रों, प्रॉप्स और वातावरण के लिए बेहतर स्थिरता सुनिश्चित होती है।
- व्यापक उपयोगिता: इसे उपयोगकर्ताओं के एक विस्तृत दायरे के लिए डिज़ाइन किया गया है, जिसमें सोशल मीडिया क्लिप की आवश्यकता वाले कंटेंट क्रिएटर्स से लेकर रोबोटिक्स ट्रेनिंग के लिए सिमुलेशन डेटा की आवश्यकता वाले इंजीनियर तक शामिल हैं।