Wan 2.7 Video

Краткое описание

wan2.7-video/image-to-video — модель генерации видео на основе изображений из серии Alibaba WAN, доступная через единый интерфейс HiAPI.ai. Она создаёт видео, отправной точкой которого служит изображение, а также поддерживает управление с помощью референсных изображений и референсных фрагментов, позволяя контролировать содержание кадра и движение камеры по текстовому запросу. Разрешение вывода выбирается из 720P или 1080P, длительность одного ролика — от 2 до 15 секунд, поддерживается комбинированный ввод первого кадра, последнего кадра, управляющего аудио и начального фрагмента. Модель подходит разработчикам, которым нужно создавать короткие ролики на основе уже имеющихся изображений, — для рекламных материалов, витрин товаров и раскадровок.

Ключевые особенности

• Генерация на основе изображений с управлением первым и последним кадром — можно одновременно задать изображения первого и последнего кадра, ограничив композицию начала и конца сцены и снизив затраты на повторную генерацию из-за случайности.
• Участие референсного фрагмента и управляющего аудио — помимо первого и последнего кадров можно передать начальный фрагмент и управляющее аудио, чтобы результат опирался на ритм движения и звуковую картину.
• Регулируемая длительность и разрешение — длительность одной генерации задаётся в пределах от 2 до 15 секунд, разрешение вывода выбирается из 720P или 1080P, что соответствует разным требованиям к сдаче.

Возможности

Генерация видео из изображений: создаёт видео на основе одного или нескольких изображений вместе с текстовым запросом длиной до 5000 символов — удобно для превращения имеющихся визуальных материалов в динамичный контент.

Комбинированное управление первым и последним кадром: в одном запросе можно одновременно задать первый и последний кадр, а также добавить начальный фрагмент в качестве отправной референсной точки, чтобы ограничить начальный и конечный кадры сцены.

Ввод управляющего аудио: поддерживается передача управляющего аудио в качестве медиаввода, благодаря чему сгенерированное видео по ритму соответствует заданному звуковому материалу и сокращает этап последующей синхронизации.

Расширение запроса и негативный запрос: prompt_extend включает автоматическое расширение запроса, negative_prompt позволяет указать элементы кадра, которых следует избегать, а seed даёт возможность воспроизвести тот же результат.

Параметризация разрешения и длительности: разрешение вывода и длительность являются параметрами запроса — в рамках одного интерфейса можно переключаться между 720P/1080P и длиной ролика от 2 до 15 секунд в зависимости от сценария.

Сценарии применения

• Электронная коммерция и бренды: динамичная витрина из изображений товара — на вход подаётся главное изображение товара и требования к показу, на выходе — короткий динамичный ролик продукта для страницы товара, ленты показов и материалов для соцсетей.
• Контент-команды: превращение изображений персонажа или сцены в фрагменты сцен — изображение персонажа используется как первый кадр или референс, и генерируется короткая сцена, соответствующая описанию раскадровки, для короткометражек, анимационных превизуализаций и креативных предложений.
• Дизайн-команды: переходные сцены с ограничением первого и последнего кадра — одновременно задаются начальный и конечный кадры, а между ними генерируется переходный фрагмент для титров, переходов и демонстрации визуальных решений.
• Работа с аудиоматериалом: генерация изображения под звук — передаются аудиоматериал и описание кадра, генерируется видеофрагмент, совпадающий с ритмом звука, для музыкальных коротких видео и контента с закадровым голосом.

Ограничения и рекомендации по выбору

Максимальная длительность одной генерации — 15 секунд; если нужен более длинный рассказ, придётся генерировать по частям и склеивать при постобработке, а согласованность между фрагментами зависит от управления запросом и референсными материалами. Разрешение вывода — две ступени, 720P и 1080P; более высокие требования к качеству изображения нужно оценивать отдельно. Медиаввод — не более трёх элементов, причём каждый тип может встречаться только один раз. Если задача основана преимущественно на текстовой идее и не требует опоры на изображения, стоит рассмотреть модели генерации видео из текста из той же серии; для очень длинных непрерывных сцен эта модель не подходит.