Wan 2.1 (Alibaba)

Wan 1 i Wan 2 to wersje narzędzi do generowania wideo napędzanych sztuczną inteligencją opracowanych przez Alibaba. Wan 1 to wersja początkowa, oferująca podstawowe funkcje takie jak przekształcanie tekstu lub obrazów w wideo. Stworzyła fundamenty dla treści wideo generowanych przez AI. Wan 2, jako ulepszona wersja, oferuje zaawansowane możliwości, takie jak lepsza precyzja ruchu, tworzenie treści wielomodalnych (tekst-na-wideo i obraz-na-wideo) oraz potężne narzędzia do edycji. Wan 2 kładzie nacisk na dostarczanie wyższej jakości wizualizacji, płynniejsze przepływy pracy i więcej opcji kreatywnych. Przejście od Wan 1 do Wan 2 podkreśla znaczące ulepszenia funkcjonalności, czyniąc platformę bardziej wszechstronną i wydajną do tworzenia wideo.

Wan 2.1 to zaawansowany model generowania wideo opracowany przez Alibaba Cloud, który przekształca opisy tekstowe w wysokiej jakości wideo. Wykorzystuje zaawansowane technologie, takie jak VAE (Variational Autoencoder) i DiT (Denoising Diffusion Transformer), aby zapewnić realistyczne rezultaty z płynnymi przejściami i precyzyjną fizyką.

Wan 2.1 wyróżnia się wysokim wynikiem VBench wynoszącym 84,7%, zaawansowanymi możliwościami generowania ruchu oraz wersjami zawierającymi 14 miliardów i 1,3 miliarda parametrów. Wan 2.1 oferuje potężne możliwości dynamicznego generowania wizualnego, wykazując wyjątkowe umiejętności w rozumieniu koncepcji i twórczości kombinacyjnej. Bez problemu obsługuje różne style artystyczne, dostarczając wizualizacje na poziomie kinowym. Dodatkowo wspiera wiele języków oraz generowanie o zmiennych rozdzielczościach.

Monica oferuje darmowy dostęp próbny do Wan 2.1 po prostym zarejestrowaniu się. Oficjalna wersja Wan 2.1 zawiera kod źródłowy i zasoby dostępne na GitHub i Hugging Face, umożliwiając programistom eksplorację, dostosowanie oraz integrację modelu z ich projektami.

Wan 1.3B obejmuje T2V-1.3B i I2V-1.3B, kładąc nacisk na efektywność i dostępność. T2V-1.3B potrafi wygenerować 5-sekundowy film w rozdzielczości 480p w ciągu 4 minut na karcie Nvidia RTX 4090, podczas gdy I2V-1.3B skupia się na wydajnym przekształcaniu obrazów w filmy, co czyni go odpowiednim dla badaczy, deweloperów i zwykłych użytkowników z ograniczonym sprzętem. Wan 14B obejmuje T2V-14B i I2V-14B, priorytetowo traktując jakość wyjściową dla profesjonalnych zastosowań. T2V-14B doskonale nadaje się do tworzenia szczegółowych, dynamicznych filmów, a I2V-14B koncentruje się na produkcji wysoko zaawansowanych, profesjonalnej jakości transformacji obrazu na film. Aby zapewnić użytkownikom najlepsze doświadczenie, Monica zdecydowało się udostępnić najwyższej klasy model dużej skali, Wan 14B.

WAN 2.1, wprowadzony na rynek w tym roku, obsługuje efekty tekstowe w języku chińskim i angielskim, doskonale radzi sobie z realistycznymi wizualizacjami, skomplikowanymi ruchami i precyzyjnym wykonaniem. Veo2 koncentruje się na tworzeniu filmów w jakości kinowej 4K, oferując zaawansowaną kontrolę nad rodzajami ujęć, obiektywami i efektami. Zapewnia niezrównany realizm, naturalny ruch oraz wsparcie dla dynamicznych wideo w różnych proporcjach ekranu, idealnych dla platform takich jak YouTube i TikTok.

Wan 2.1 obsługuje przekształcanie tekstu na wideo i obrazu na wideo, oferując szeroki zakres możliwości twórczych. Obsługuje również teksty wejściowe w wielu językach.