Recenzja Wan 2.5: tani sposób na dźwięk w klipie

Galeria zawiera opublikowane, bezpieczne do pracy przykłady ze strony modelu Wan 2.5.

Poranny skok do wody. Pływaczka przy kamiennym murze portowym otrząsa ramiona, skacze czysto i wynurza się śmiejąc się; plusk i towarzysząca mu ścieżka fal ląduje mniej więcej tam, gdzie rozbija się woda.

Satynowy obrót. Z portretowego zdjęcia, dziesięć sekund w 1080p: ona obraca ramiona, robi dwa kroki, a negatywny prompt nie dopuszcza biżuterii i dodatkowych osób do kadru.

Dziesięciosekundowe solo saksofonu. Jedno ciągłe ujęcie w barze jazzowym; sędziowie chwalili tu szczegółowość zbliżenia na twarz, mimo że w osobnym prompcie z gitarą wytknęli pracę palców na gryfie jako słaby punkt.

Poza kadrem, w naszej najnowszej partii testów z tymi samymi promptami, sceny nastawione na dźwięk (rozmowa w kawiarni, płaczliwe wyznanie, rozbijający się kieliszek, ogień na woku) pokazywały za każdym razem ten sam podział: dialog i emocje wychodzą dobrze, a im mocniej prompt wymaga precyzyjnej fizyki dłoni albo przedmiotów, tym bardziej model zaczyna zgadywać.

Nazwij źródło dźwięku w tym samym zdaniu co czynność, a Wan 2.5 zwykle zgra je bez dodatkowych instrukcji.

1. Zgraj dźwięk z widocznym źródłem (tekst na wideo).

A wine glass slides off the edge of a wooden table and shatters on a stone floor, with a sharp crash and the tinkle of scattering shards, in a quiet kitchen.

Uruchom ten prompt w Wan 2.5 →

2. Zachowaj twarz z portretu podczas obrotu (obraz na wideo).

She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward, the satin of the dress catching the light as it moves. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio, soft light.

Uruchom ten prompt w obrazie na wideo Wan 2.5 →

Słabo: „Kobieta tańczy w pokoju.” Brak wskazówki dźwiękowej, brak nazwanej czynności, za którą mogłaby podążać ścieżka audio. Mocno: nazwij obiekt albo głos wydający dźwięk oraz moment, w którym to się dzieje w ujęciu, tak jak w prompcie 1.

Wan 2.5 wyrenderował każdy poziom, który puściliśmy z tekstu i z obrazu, od scen L1 Sugestywny przez treści L3 Mocny, treści L4 Intensywny po prompty L5 Ekstremalny (L5a dobrowolne krępowanie i gra z bodźcem bólowym między dorosłymi, L5b kinowe gore). Jeden wyjątek: dwa z pięciu promptów L5a wysłanych jako sam tekst wróciły złagodzone zamiast pokazane zgodnie z opisem; ten sam scenariusz ze zdjęcia wyrenderował się w pełni za każdym razem, gdy próbowaliśmy. Etykieta strony to Bez cenzury: nie dokładamy żadnego własnego filtra treści. Pełne wskaźniki zaliczeń, według poziomu i typu wejścia, są w raporcie z testów tego modelu.

Tylko dorośli, w każdym prompcie, zdjęciu i wyniku. Prawdziwa, rozpoznawalna osoba musi wyrazić zgodę, a do każdego zdjęcia użytego jako kadr startowy musisz mieć prawa.

Wan 2.5 to wersja, która wyprowadziła linię Wan Alibaby poza otwarte wagi, a społeczność zauważyła to tego samego dnia. Na GitHubie w repozytorium wciąż otwartoźródłowego Wan 2.2 otwarto issue zatytułowane „Dziękujemy Alibabie za oszukanie i wykorzystanie społeczności open source”, argumentując, że wcześniejsze otwarte wydania służyły głównie jako marketing dla późniejszych zamkniętych modeli — w tym 2.5. Issue pozostaje otwarte.

Nasze własne testy nie odpowiadają na pytanie o otwarte wagi, ale potwierdzają wymianę, na którą zareagowała społeczność: 2.5 jest dostępne tylko przez API, i to właśnie ta wersja dodała natywny dźwięk, którego wcześniejszy otwarty Wan 2.2 nigdy nie miał.

• Ten sam pomysł z cięciami multi-shot? Wan 2.6 dodaje ponumerowane listy ujęć i casting z wideo referencyjnego w jednym wywołaniu, za podwójną cenę za sekundę.
• Jeszcze taniej, bez dźwięku? Wan 2.6 Flash rezygnuje z dźwięku i tekstu na wideo, ale kosztuje około jednej czwartej stawki Wan 2.6. Nasza recenzja Wan 2.6 Flash.
• Otwarte wagi, które uruchomisz sam? Wan 2.2 to ostatnia otwarcie wydana wersja Alibaby; nie ma natywnego dźwięku i wstrzymuje najtrudniejsze poziomy treści w porównaniu z 2.5.
• Zupełnie inna rodzina? MiniMax H3 też renderuje dźwięk i każdy testowany przez nas poziom treści, przy innej krzywej cenowej. Nasza recenzja MiniMax H3.