Model wideo od Alibaba: wiele ujęć i dialogi
Wyreżyseruj całą scenę jednym promptem: kilka ujęć, dialogi i pełna ścieżka dźwiękowa w jednym klipie 1080p.
WAN 2.6 to model wideo od Alibaba, który zamienia tekst i obrazy w filmy z natywnym dźwiękiem. Wpisz kwestię w cudzysłowie, a postać ją wypowie. Ponumeruj ujęcia, a model zmontuje je w całość. Tak powstał parowóz z tej strony: najpierw widok z lotu ptaka nad wiaduktem, potem konduktor sprawdzający zegarek i wreszcie pędzące koła. Wszystko w 15 sekund. Każdy przykład na tej stronie stworzyliśmy w Pixel Dojo i przy każdym znajdziesz dokładny prompt, którego użyliśmy. Wszystkie topowe modele, sześć studiów i Sensei, reżyser AI, są dostępne w jednym planie Pixel Dojo. Niewykorzystane kredyty przechodzą na kolejne okresy, dopóki masz aktywną subskrypcję, a każdy plan obejmuje użytek komercyjny.
10 credits ($0.63) W każdym planie, od 10 USD miesięcznie.
Masz już konto? Zaloguj się
Autor: Brian Lovett · Aktualizacja:
Siedem klipów, które stworzyliśmy w WAN 2.6 Standard, w tym cztery w 1080p. Każdy ma własną ścieżkę dźwiękową. Włącz dźwięk na kafelku, żeby jej posłuchać, a potem kliknij „Użyj tego promptu”, by zacząć od tego samego pomysłu.
Scena z trzech ujęć w 1080p, 15 sekund. Widok z lotu ptaka, dialog i zbliżenie na koła z jednego promptu. Na tle sapania lokomotywy konduktor mówi: „Punktualnie”.
Cinematic multi shot sequence. Shot 1: Aerial wide shot, a black steam locomotive with a glowing headlamp crosses a curved stone viaduct over a snowy pine valley at dusk, white steam trailing behind. Shot 2: Medium close-up inside a warm wood paneled dining car, a conductor in his sixties with a gray mustache and a navy cap checks a brass pocket watch and says, "Right on time." Shot 3: Low close-up of the iron wheels and pistons pounding through falling snow, sparks flying. 35mm lens, amber and teal grade. Sound: chugging engine, a long whistle, clinking glasses, wind.
Dialog w 1080p, 5 sekund. Uniesiona brew i suchy komentarz: „Kawa jest świeża. Ciasto już nie bardzo”, na tle deszczu i buczenia lodówki.
Medium close-up, slow push in. A tired diner waitress in her fifties with silver streaked red curls pinned up and a mint green uniform leans on the counter late at night, coffee pot in hand, a pink neon sign glowing through the rain streaked window behind her. She raises an eyebrow and says with a wry smile, "Coffee's fresh. The pie, not so much." Warm tungsten practicals against cold blue street light, 50mm lens, soft film grain. Sound: rain on glass, a humming refrigerator, her low raspy voice.
Ujęcie produktowe w 1080p, 5 sekund. Powolny objazd kamery, rozbryzg w kształcie korony i złote światło przesuwające się po szlifowanym szkle.
Macro product shot, slow orbit. An invented faceted amber glass perfume bottle with a brass cap stands on wet black slate as a single drop falls from above and bursts into a crown of water around its base, a slow sweep of golden light gliding across the glass. Pure black background, 100mm macro lens, crisp reflections, no text. Sound: a deep drip, a soft shimmer, a warm synth pad.
Taniec w 1080p, 9:16, 5 sekund. Złota wstążka kreśli łuki w porannej mgle, w pionowym kadrze do Reels i Shorts.
Vertical full body shot, slow handheld orbit. A dancer in her thirties with a sleek black bun and a flowing white linen outfit spins on a misty lakeside dock at sunrise, swirling two long saffron silk ribbons into wide spirals that ripple through the air, mist rising off the water behind her. Soft golden backlight, 35mm lens. Sound: the swish of silk, bare feet on wood, a slow solo erhu melody.
Akcja w 720p, 5 sekund. Błoto, rozbryzgi wody i pełny poślizg przez nawrót, z rykiem silnika na ścieżce dźwiękowej.
Low tracking shot at bumper height, the camera racing alongside. A mud splattered white rally car with no logos slides sideways through a hairpin bend on a rain soaked forest track, the rear tires flinging a thick rooster tail of mud and water toward the lens, headlights blazing through drifting mist between tall pines. 24mm lens, motion blur, desaturated green grade. Sound: engine scream, gravel and mud spray, rain.
Ujęcie z lotu ptaka w 720p, 5 sekund. Niski, szybki nalot na skalną iglicę, o którą rozbijają się fale Atlantyku.
Aerial drone shot flying low and fast over a black sand beach toward a towering basalt sea stack as huge Atlantic waves explode white against the rocks, seabirds wheeling through the spray, low silver sunrise light breaking through storm clouds. 24mm wide lens, epic scale, crisp detail. Sound: thundering surf, howling wind, distant gull cries.
Sporty ekstremalne w 720p, 5 sekund. Motocykl wybija się z grzbietu wydmy i ląduje w chmurze złotego piasku.
Low tracking shot from the sand, the camera racing alongside. A rider in a white and orange helmet and a sand colored jersey launches a red dirt bike off the crest of a tall desert dune, hangs in the air against a deep blue sky, and lands in a spray of golden sand that blasts toward the lens, low afternoon sun raking across the ripples. 24mm lens, motion blur, warm high contrast grade. Sound: a screaming two stroke engine, the thump of the landing, sand hissing.
Większość modeli wideo AI daje ci jedno ujęcie, a historię składasz później samodzielnie. WAN 2.6 tworzy całą scenę. Wpisz w prompcie „Ujęcie 1”, „Ujęcie 2”, „Ujęcie 3”, a model połączy je w jeden klip, zachowując tę samą postać, to samo światło i ciągłość ścieżki dźwiękowej między cięciami.
W prompcie z parowozem poprosiliśmy o widok z lotu ptaka nad wiaduktem, konduktora w wagonie restauracyjnym i zbliżenie na koła. WAN 2.6 stworzył wszystkie trzy ujęcia w 15 sekund, w 1080p. W środkowym konduktor mówi „Punktualnie”, a ujęcie jest zsynchronizowane z jego kwestią.
Dźwięk dostajesz w komplecie. Sprawdziliśmy klipy z dialogami za pomocą transkrypcji mowy na tekst. Każda kwestia zgadzała się słowo w słowo z zapisem. Odgłosy silników, deszczu, fal i wiatru są generowane tak, by pasowały do obrazu.
Pojedyncze ujęcia też robią wrażenie: od rozbryzgu w kształcie korony wokół flakonu perfum po motocykl wybijający się z wydmy.
Wybraliśmy nieruchomy kadr z konduktorem z naszej sceny z pociągiem i ożywiliśmy go w obu wersjach tym samym promptem: zatrzaskuje zegarek, podnosi wzrok i mówi „Następny przystanek: szczyt”. Obie wersje odtworzyły kwestię słowo w słowo, z turkotem kół na torach w tle. Standard kosztował 10 kredytów za 5 sekund w 720p, a Flash 7.5 kredytu.
WAN 2.6 Standard, obraz na wideo, 720p, 5 sekund, 10 kredytów.
Slow push in. The conductor snaps the brass pocket watch shut, looks up toward the lens with a warm grin and says, "Next stop, the summit." Snow streams past the windows behind him. Sound: the rhythmic clatter of the rails, the click of the watch, his deep friendly voice.
WAN 2.6 Flash, obraz na wideo, 720p, 5 sekund, 7.5 kredytu.
Slow push in. The conductor snaps the brass pocket watch shut, looks up toward the lens with a warm grin and says, "Next stop, the summit." Snow streams past the windows behind him. Sound: the rhythmic clatter of the rails, the click of the watch, his deep friendly voice.
Ponumeruj ujęcia, zapisz kwestie w cudzysłowie i otrzymaj zmontowaną scenę z dopasowanym dźwiękiem, jak nasza podróż pociągiem w trzech ujęciach.
Kelnerki, konduktorzy, prowadzący i narratorzy, którzy wypowiadają kwestie z odpowiednią ekspresją i we właściwym momencie.
Rozbryzgi, objazdy kamery i smugi światła w 1080p, gotowe do reklam i na strony produktów.
Rajdowe poślizgi, skoki z wydm i ujęcia śledzące, które nadążają za szybką akcją.
Niskie przeloty dronem nad wybrzeżami, dolinami i miastami, z szumem wiatru i fal na ścieżce dźwiękowej.
Wybierz format 9:16 do Reels, TikTok i Shorts, jak w naszym klipie z tancerką ze wstążką.
WAN 2.6 jest dostępny w każdym planie Pixel Dojo, od $10/miesiąc. Niewykorzystane kredyty przechodzą na kolejne okresy, dopóki masz aktywną subskrypcję. Rozliczenie jest za sekundę, a dźwięk jest w cenie. WAN 2.6 Standard kosztuje 2 kredyty za sekundę w 720p i 3 kredyty za sekundę w 1080p. WAN 2.6 Flash kosztuje 1.5 kredytu za sekundę w 720p i 2.25 kredytu za sekundę w 1080p.
Klipy trwają od 5 do 15 sekund. Klip Standard o długości 5 sekund kosztuje 10 kredytów w 720p i 15 kredytów w 1080p. Nasza scena z pociągiem, trwająca 15 sekund w 1080p, kosztowała 45 kredytów.
WAN 2.6 to model wideo AI od Alibaba, który zamienia tekst i obrazy w filmy. Generuje dźwięk razem z obrazem, wypowiada dialogi zapisane w cudzysłowie i montuje scenę z wielu ujęć w jednym klipie, w rozdzielczości do 1080p i o długości do 15 sekund.
Tak. Każdy klip na tej stronie ma wygenerowaną ścieżkę dźwiękową. Zapisz wypowiadane kwestie w cudzysłowie, a odgłosy wymień w wierszu „Dźwięk”. Nasza kelnerka i konduktor, także w scenie z pociągiem, wypowiadają swoje kwestie słowo w słowo.
Opisz ujęcia po kolei w jednym prompcie: „Ujęcie 1: Plan ogólny z lotu ptaka...”, „Ujęcie 2: Półzbliżenie...”, „Ujęcie 3: Zbliżenie z niskiej perspektywy...”. Wybierz dłuższy czas trwania, żeby każde ujęcie miało swoją przestrzeń. Nasza scena z pociągiem trwała 15 sekund i składała się z trzech ujęć.
Standard to wersja o wyższej jakości do generowania wideo z tekstu i obrazów, obsługująca 1080p. W 720p kosztuje 2 kredyty za sekundę. Flash to szybsza i tańsza opcja animacji obrazów, za 1.5 kredytu za sekundę w 720p. W obu wersjach nasz konduktor wypowiedział swoją kwestię słowo w słowo.
Tak. To, co tworzysz, należy do ciebie, w każdym planie.
Darmowe konto daje ci 3 darmowe efekty dziennie na wypróbowanie Pixel Dojo. WAN 2.6 jest dostępny w każdym planie od $10/miesiąc, a niewykorzystane kredyty przechodzą na kolejne okresy, dopóki masz aktywną subskrypcję. Klip Standard o długości 5 sekund w 720p kosztuje 10 kredytów.
Tak. Wyślij żądanie POST z promptem, trybem, czasem trwania i rozdzielczością na /api/v1/models/wan-2.6-standard/run lub użyj wan-2.6-flash do animacji obrazów.
Wpisz prompt powyżej albo zacznij od dowolnego przykładu z tej strony. Jeden plan obejmuje wszystkie topowe modele, sześć studiów i Sensei, a kredyty przechodzą na kolejny miesiąc.
Zacznij z WAN 2.6