O modelo de vídeo da Alibaba com múltiplos planos e falas
Dirija uma cena inteira com um só prompt: vários planos, falas e uma trilha sonora completa em um único clipe em 1080p.
WAN 2.6 é o modelo de vídeo da Alibaba que transforma texto e imagem em vídeo, com som nativo. Escreva uma fala entre aspas e o personagem fala. Numere os planos e ele faz os cortes entre eles, como no trem a vapor desta página: a cena passa de uma tomada aérea sobre um viaduto para um condutor conferindo o relógio e depois para as rodas em movimento, tudo em 15 segundos. Criamos todos os exemplos desta página no Pixel Dojo, e cada um mostra o prompt exato usado. Os melhores modelos, seis estúdios e Sensei, o diretor de IA, estão no mesmo plano do Pixel Dojo. Os créditos acumulam enquanto sua assinatura estiver ativa, e todos os planos incluem uso comercial.
10 credits ($0.63) Incluído em todos os planos, a partir de US$10/mês.
Já tem conta? Entrar
Por Brian Lovett · Atualizado em
Sete clipes que criamos com WAN 2.6 Standard, quatro deles em 1080p. Cada clipe tem sua própria trilha sonora. Ative o som de um vídeo para ouvir e toque em Usar este prompt para começar a partir dele.
Cena com três planos em 1080p, 15 segundos. Tomada aérea, fala e close nas rodas a partir de um só prompt, com o condutor dizendo "Bem na hora" sobre o som ritmado da locomotiva.
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.
Fala em 1080p, 5 segundos. Uma sobrancelha levantada e uma frase seca: "O café está fresco. A torta, nem tanto", ao som da chuva e do zumbido da geladeira.
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.
Tomada de produto em 1080p, 5 segundos. Um movimento orbital lento, um respingo em coroa e um feixe de luz dourada percorrendo o vidro facetado.
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.
Dança em 1080p, 9:16, 5 segundos. Uma fita dourada desenha arcos na névoa da manhã, com enquadramento vertical para Reels e 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.
Ação em 720p, 5 segundos. Lama, água e uma derrapagem completa pela curva fechada, com o ronco do motor na trilha sonora.
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.
Tomada aérea em 720p, 5 segundos. Uma aproximação baixa e rápida de um pilar rochoso no mar, com as ondas do Atlântico quebrando contra ele.
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.
Esportes radicais em 720p, 5 segundos. Uma moto salta do topo da duna e aterrissa em uma nuvem de areia dourada.
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.
A maioria dos modelos de vídeo com IA entrega um único plano, e você monta a história depois. WAN 2.6 trabalha com uma cena inteira. Escreva "Shot 1", "Shot 2", "Shot 3" no prompt e ele faz os cortes entre os planos em um único clipe, mantendo o mesmo personagem, a mesma luz e a mesma trilha sonora.
Nosso prompt do trem a vapor pedia uma tomada aérea sobre um viaduto, um condutor no vagão-restaurante e um close nas rodas. WAN 2.6 entregou os três em 15 segundos, em 1080p, e o condutor diz "Bem na hora" no plano do meio, com a fala sincronizada.
O som já vem junto. Conferimos nossos clipes com falas usando transcrição de áudio para texto, e todas as falas saíram exatamente como foram escritas. Motores, chuva, ondas e vento são gerados para combinar com a imagem.
Os planos únicos também brilham, de um respingo em coroa ao redor de um frasco de perfume a uma moto de trilha saltando de uma duna.
Pegamos um quadro estático do condutor na nossa cena do trem e o animamos com as duas versões, usando o mesmo prompt: ele fecha o relógio com um estalo, levanta o olhar e diz "Próxima parada, o cume." As duas reproduziram a fala palavra por palavra, com o barulho dos trilhos ao fundo. Standard custou 10 créditos por 5 segundos em 720p, e Flash custou 7,5 créditos.
WAN 2.6 Standard, imagem para vídeo, 720p, 5 segundos, 10 créditos.
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, imagem para vídeo, 720p, 5 segundos, 7,5 créditos.
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.
Numere os planos, escreva as falas entre aspas e receba uma cena montada com som sincronizado, como nossa viagem de trem em três planos.
Garçonetes, condutores, apresentadores e narradores que entregam a fala com a expressão e o timing certos.
Respingos, movimentos orbitais e feixes de luz em movimento em 1080p, prontos para anúncios e páginas de produtos.
Derrapagens de rali, saltos em dunas e tomadas de acompanhamento que seguem movimentos rápidos.
Voos baixos de drone sobre litorais, vales e cidades, com vento e ondas na trilha sonora.
Escolha o formato 9:16 para Reels, TikTok e Shorts, como no clipe da nossa dançarina com fita.
WAN 2.6 está incluído em todos os planos do Pixel Dojo, a partir de US$10/mês, e os créditos acumulam enquanto sua assinatura estiver ativa. A cobrança é por segundo, com som incluído. WAN 2.6 Standard custa 2 créditos por segundo em 720p e 3 créditos por segundo em 1080p. WAN 2.6 Flash custa 1,5 créditos por segundo em 720p e 2,25 créditos por segundo em 1080p.
Os clipes duram de 5 a 15 segundos. Um clipe de 5 segundos no Standard custa 10 créditos em 720p e 15 créditos em 1080p. Nossa cena de trem de 15 segundos em 1080p custou 45 créditos.
WAN 2.6 é o modelo de vídeo com IA da Alibaba que transforma texto e imagem em vídeo. Ele gera som junto com a imagem, reproduz as falas que você escreve entre aspas e monta uma cena com múltiplos planos em um único clipe de até 1080p e 15 segundos.
Sim. Todos os clipes desta página têm trilha sonora gerada. Coloque as falas entre aspas e liste os sons em uma linha Sound. A garçonete, o condutor e a cena do trem reproduzem todas as falas palavra por palavra.
Escreva os planos em ordem em um único prompt: "Shot 1: Plano geral aéreo...", "Shot 2: Meio primeiro plano...", "Shot 3: Close em ângulo baixo...". Escolha uma duração maior para dar espaço a cada plano. Nossa cena de trem de 15 segundos usou três planos.
Standard é a versão de maior qualidade para texto para vídeo, imagem para vídeo e 1080p, a 2 créditos por segundo em 720p. Flash é a opção mais rápida e de menor custo para imagem para vídeo, a 1,5 créditos por segundo em 720p. As duas fizeram nosso condutor dizer a fala palavra por palavra.
Sim. O que você cria é seu, em todos os planos.
Uma conta gratuita dá acesso a 3 efeitos grátis por dia para testar o Pixel Dojo. WAN 2.6 está incluído em todos os planos a partir de US$10/mês, e os créditos acumulam enquanto sua assinatura estiver ativa. Um clipe de 5 segundos no Standard em 720p custa 10 créditos.
Sim. Envie um prompt via POST com mode, duration e resolution para /api/v1/models/wan-2.6-standard/run, ou use wan-2.6-flash para imagem para vídeo.
Escreva um prompt acima ou comece por qualquer exemplo desta página. Um só plano cobre todos os principais modelos, seis estúdios e o Sensei, e seus créditos acumulam.
Comece com WAN 2.6