Alibaba ਨੇ Wan3.0 ਲਾਂਚ ਕੀਤਾ: ਮਲਟੀਮੋਡਲ AI ਵੀਡੀਓ ਜਨਰੇਸ਼ਨ ਦੀ ਮੁੜ ਪਰਿਭਾਸ਼ਾ

Alibaba ਨੇ ਅਧਿਕਾਰਤ ਤੌਰ 'ਤੇ Wan3.0 ਦੇ ਬੀਟਾ ਪੜਾਅ ਵਿੱਚ ਪ੍ਰਵੇਸ਼ ਕਰ ਲਿਆ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਨਵਾਂ ਵੀਡੀਓ ਜਨਰੇਸ਼ਨ ਮਾਡਲ ਹੈ ਜੋ 30 ਸੈਕਿੰਡ ਤੱਕ ਦੀ ਲੰਬਾਈ ਵਾਲੀਆਂ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਕਲਿੱਪਾਂ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੈ। ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ ਗੁੰਝਲਦਾਰ ਮਲਟੀਮੋਡਲ ਪ੍ਰੋਂਪਟਸ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਇਨਪੁਟ ਸਮਰੱਥਾਵਾਂ ਦਾ ਵਿਸਤਾਰ ਕਰਕੇ, Wan3.0 ਆਪਣੇ ਆਪ ਨੂੰ ਕ੍ਰਿਏਟਰਾਂ, ਮਾਰਕੀਟਰਾਂ ਅਤੇ ਰੋਬੋਟਿਕਸ ਇੰਜੀਨੀਅਰਾਂ ਲਈ ਇੱਕ ਬਹੁਮੁਖੀ ਸਾਧਨ ਵਜੋਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ।

ਲੰਬਾਈ ਨੂੰ ਦੁੱਗਣਾ ਕਰਨਾ ਅਤੇ ਮਲਟੀਮੋਡਲ ਇਨਪੁਟਸ ਦਾ ਵਿਸਤਾਰ ਕਰਨਾ

Wan3.0 ਆਪਣੇ ਪੂਰਵਜ, Wan2.5 ਦੇ ਮੁਕਾਬਲੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਛਾਲ ਮਾਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵੱਧ ਤੋਂ ਵੱਧ ਵੀਡੀਓ ਦੀ ਮਿਆਦ ਨੂੰ ਦੁੱਗਣਾ ਕਰਕੇ 30 ਸੈਕਿੰਡ ਕਰ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਜੋ ਚੀਜ਼ ਇਸ ਮਾਡਲ ਨੂੰ ਸੱਚਮੁੱਚ ਵੱਖਰਾ ਬਣਾਉਂਦੀ ਹੈ, ਉਹ ਇਸਦਾ ਉੱਨਤ ਮਲਟੀਮੋਡਲ ਪ੍ਰੋਸੈਸਿੰਗ ਇੰਜਣ ਹੈ। ਰਵਾਇਤੀ ਟੈਕਸਟ-ਟੂ-ਵੀਡੀਓ ਟੂਲਸ ਦੇ ਉਲਟ, Wan3.0 ਇੱਕੋ ਸਮੇਂ ਟੈਕਸਟ, ਚਿੱਤਰਾਂ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰ ਸਕਦਾ ਹੈ।

ਇਹ ਮਾਡਲ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਪ੍ਰੋਂਪਟਿੰਗ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਜੋ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਰਿਕਵੈਸਟ ਵਿੱਚ ਦਸ ਤੱਕ ਚਿੱਤਰ, ਪੰਜ ਵੀਡੀਓ ਅਤੇ ਪੰਜ ਆਡੀਓ ਕਲਿੱਪ ਸ਼ਾਮਲ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤੌਰ 'ਤੇ, Wan3.0 PDF, ਵੈੱਬ ਪੇਜਾਂ ਅਤੇ PowerPoint ਪ੍ਰੈਜ਼ੈਂਟੇਸ਼ਨਾਂ ਵਰਗੇ ਗੈਰ-ਰਵਾਇਤੀ ਮੀਡੀਆ ਨੂੰ ਅਪਣਾ ਸਕਦਾ ਹੈ, ਜੋ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸਥਿਰ ਪੇਸ਼ੇਵਰ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਗਤੀਸ਼ੀਲ ਵੀਡੀਓ ਸਮੱਗਰੀ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਇਸ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਇੱਕ ਸਮਾਰਟ ਫੀਚਰ ਵੀ ਸ਼ਾਮਲ ਹੈ ਜੋ ਉਪਭੋਗਤਾ ਦੇ ਵਿਸ਼ੇਸ਼ ਪ੍ਰੋਂਪਟ ਦੇ ਅਧਾਰ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਵੀਡੀਓ ਲੰਬਾਈ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦਾ ਹੈ।

ਵਿਜ਼ੂਅਲ ਡ੍ਰਿਫਟ (Visual Drift) ਦੀ ਚੁਣੌਤੀ ਦਾ ਹੱਲ ਕਰਨਾ

AI ਵੀਡੀਓ ਜਨਰੇਸ਼ਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀ ਰੁਕਾਵਟਾਂ ਵਿੱਚੋਂ ਇੱਕ "ਵਿਜ਼ੂਅਲ ਡ੍ਰਿਫਟ" (visual drift) ਹੈ—ਪਾਤਰਾਂ, ਚਿਹਰੇ ਦੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਸਪੇਸ਼ਲ ਲੇਆਉਟ ਦੇ ਸਮੇਂ ਦੇ ਨਾਲ ਅਸਧਾਰਨ ਤੌਰ 'ਤੇ ਵਿਗਾੜਨ ਜਾਂ ਬਦਲਣ ਦੀ ਪ੍ਰਵਿਰਤੀ। Alibaba ਨੇ ਖਾਸ ਤੌਰ 'ਤੇ ਇਹਨਾਂ ਅਸੰਗਤਤਾਵਾਂ ਦਾ ਮੁਕਾਬਲਾ ਕਰਨ ਲਈ Wan3.0 ਨੂੰ ਤਿਆਰ ਕੀਤਾ ਹੈ।

ਰੈਫਰੈਂਸ ਸਮੱਗਰੀ ਤੋਂ ਵੇਰਵਿਆਂ ਨੂੰ ਬਚਾਉਣ ਨੂੰ ਤਰਜੀਹ ਦੇ ਕੇ, ਇਹ ਮਾਡਲ ਪਾਤਰਾਂ, ਪ੍ਰੌਪਸ (props) ਅਤੇ ਗੁੰਝਲਦਾਰ ਯੂਜ਼ਰ ਇੰਟਰਫੇਸ ਲਈ ਬਹੁਤ ਉੱਚੀ ਫਿਡੈਲਿਟੀ (fidelity) ਬਣਾਈ ਰੱਖਦਾ ਹੈ। ਸਮੇਂ ਦੀ ਇਕਸਾਰਤਾ (temporal consistency) 'ਤੇ ਇਹ ਫੋਕਸ ਮਾਡਲ ਨੂੰ ਪੇਸ਼ੇਵਰ ਵਰਕਫਲੋ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਉਪਯੋਗੀ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਬ੍ਰਾਂਡ ਦੀ ਪਛਾਣ ਅਤੇ ਪਾਤਰਾਂ ਦੀ ਨਿਰੰਤਰਤਾ ਅਟੱਲ ਹੁੰਦੀ ਹੈ।

ਸਕਲੇਬਲ ਕੀਮਤਾਂ ਅਤੇ ਉਦਯੋਗਿਕ ਐਪਲੀਕੇਸ਼ਨਾਂ

Wan3.0 wan.video ਵੈੱਬਸਾਈਟ, Alibaba Cloud Model Studio, ਜਾਂ Qwen Cloud 'ਤੇ ਇੱਕ API ਰਾਹੀਂ ਉਪਲਬਧ ਹੈ। Alibaba ਦੋ ਵੱਖ-ਵੱਖ ਟਾਇਰ ਪੇਸ਼ ਕਰਦਾ ਹੈ: ਇੱਕ Standard ਵਰਜ਼ਨ (ਮੌਜੂਦਾ ਸਮੇਂ ਵਿੱਚ 30% ਛੋਟ 'ਤੇ) ਅਤੇ ਇੱਕ ਹਾਈ-ਸਪੀਡ Prime ਵਰਜ਼ਨ। ਕੀਮਤ ਰੈਜ਼ੋਲੂਸ਼ਨ ਦੇ ਅਨੁਸਾਰ ਵਧਦੀ ਹੈ, ਜੋ Standard ਟਾਇਰ 'ਤੇ 480p 30-ਸੈਕਿੰਡ ਦੀ ਕਲਿੱਪ ਲਈ $1.50 ਤੋਂ ਲੈ ਕੇ Prime ਟਾਇਰ 'ਤੇ 1080p ਕਲਿੱਪ ਲਈ $8.40 ਤੱਕ ਹੈ।

ਤੈਲੇਰੀ (Deployment) ਰਣਨੀਤੀ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦੀ ਹੈ:

• ਮਨੋਰੰਜਨ: ਫਿਲਮ ਉਤਪਾਦਨ ਨੂੰ ਤੇਜ਼ ਕਰਨਾ ਅਤੇ ਛੋਟੇ ਡਰਾਮੇ ਜਾਂ ਸੋਸ਼ਲ ਮੀਡੀਆ ਕਲਿੱਪ ਤਿਆਰ ਕਰਨਾ।
• ਕਾਰੋਬਾਰ (Enterprise): ਮਾਰਕੀਟਿੰਗ ਕਾਪੀ ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਮੈਨੂਅਲ ਨੂੰ ਦਿਲਚਸਪ ਵੀਡੀਓ ਐਸੇਟਸ ਵਿੱਚ ਬਦਲਣਾ।
• ਡੀਪ ਟੈਕ (Deep Tech): ਸਵੈ-ਚਾਲਿਤ ਵਾਹਨਾਂ ਅਤੇ ਰੋਬੋਟਿਕਸ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਯਥਾਰਥਵਾਦੀ ਸਿਮੂਲੇਸ਼ਨ ਫੁਟੇਜ ਪ੍ਰਦਾਨ ਕਰਨਾ।

ਇਹ ਲਾਂਚ Alibaba ਦੁਆਰਾ ਇੱਕ ਵੱਡੇ ਪੂੰਜੀ ਨਿਵੇਸ਼ ਤੋਂ ਬਾਅਦ ਆਇਆ ਹੈ, ਜਿਸ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਆਪਣੇ ਹਮਲਾਵਰ AI ਵਿਸਤਾਰ ਲਈ ਫੰਡ ਇਕੱਠਾ ਕਰਨ ਲਈ ਸ਼ੇਅਰਾਂ ਦੀ ਇੱਕ ਵੱਡੀ ਵਿਕਰੀ ਕੀਤੀ ਹੈ, ਭਾਵੇਂ ਕਿ ਉੱਚ ਨਿਵੇਸ਼ ਲਾਗਤਾਂ ਨੇ ਤਿਮਾਹੀ ਮੁਨਾਫੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਹੈ।

ਮੁੱਖ ਗੱਲਾਂ (Key Takeaways)

• ਵਧੀ ਹੋਈ ਮਲਟੀਮੋਡੈਲਿਟੀ: Wan3.0 PDF, PowerPoint ਅਤੇ ਵੈੱਬ ਪੇਜਾਂ ਨੂੰ ਵੀਡੀਓ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ, ਜੋ 20 ਤੱਕ ਮਿਲੇ-ਜੁਲੇ ਮੀਡੀਆ ਐਸੇਟਸ ਦੇ ਨਾਲ ਗੁੰਝਲਦਾਰ ਪ੍ਰੋਂਪਟਸ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ।
• ਸੁਧਰੀ ਹੋਈ ਇਕਸਾਰਤਾ: ਇਹ ਮਾਡਲ ਖਾਸ ਤੌਰ 'ਤੇ ਵਿਜ਼ੂਅਲ ਡ੍ਰਿਫਟ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ, ਜੋ 30-ਸੈਕਿੰਡ ਦੀ ਮਿਆਦ ਦੌਰਾਨ ਪਾਤਰਾਂ, ਪ੍ਰੌਪਸ ਅਤੇ ਵਾਤਾਵਰਣ ਲਈ ਬਿਹਤਰ ਸਥਿਰਤਾ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ।
• ਵਿਆਪਕ ਉਪਯੋਗਤਾ: ਸਮੱਗਰੀ ਨਿਰਮਾਤਾਵਾਂ ਤੋਂ ਲੈ ਕੇ ਰੋਬੋਟਿਕਸ ਸਿਖਲਾਈ ਲਈ ਸਿਮੂਲੇਸ਼ਨ ਡੇਟਾ ਦੀ ਲੋੜ ਵਾਲੇ ਇੰਜੀਨੀਅਰਾਂ ਤੱਕ, ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ।