Alibaba запустил модель Wan3.0, создающую 30-секундные видео даже по PDF и презентациям

Китайский технологический гигант Alibaba представил бета-версию своей новой модели генерации видео Wan3.0, которая демонстрирует любопытный сдвиг в сторону мультимодальности. Как сообщает The Decoder, обновленный инструмент теперь способен создавать ролики длительностью до 30 секунд, что вдвое превышает возможности предыдущей итерации Wan2.5.

Интерес вызывает не столько сама длительность, сколько гибкость входных данных: система принимает не только привычные текстовые промпты или изображения, но и PDF-файлы, веб-страницы и презентации PowerPoint. Модель умеет самостоятельно анализировать контекст и рекомендовать оптимальную длину видео, а также предлагает инструменты для расширения уже существующих клипов, что может стать полезным подспорьем для тех, кому вечно не хватает пары секунд для идеального монтажа.

Техническая архитектура Wan3.0 позволяет обрабатывать текст, изображения, видео и аудио в едином потоке. В один запрос пользователь может включить до десяти изображений и по пять видео- и аудиофрагментов. Такой подход превращает статичные корпоративные отчеты или презентации в динамичный видеоконтент, что, возможно, заставит некоторых сотрудников иначе взглянуть на создание скучной квартальной отчетности.

Решение проблемы визуальных искажений и стоимость

Одной из главных «болей» разработчиков в сфере генеративного видео остается визуальный дрейф и искажение лиц или интерфейсов при движении камеры. В Alibaba заявляют, что в Wan3.0 эти артефакты сведены к минимуму за счет более строгого соблюдения пространственных макетов и сохранения деталей персонажей или реквизита из исходных материалов. Достичь идеальной стабильности в ИИ-видео пока сложно, но прогресс в сохранении консистентности заметен невооруженным глазом.

Доступ к модели организован через платформу wan.video, Alibaba Cloud Model Studio или через API на Qwen Cloud. Ценовая политика разделена на два уровня: стандартный и ускоренный (Prime). Для наглядности, стоимость создания контента распределяется следующим образом:

Способность Wan3.0 поглощать PDF и PPT для генерации видео — это не просто фича, а попытка монетизировать корпоративный хаос. Однако сохранение 30-секундной стабильности без «плывущих» лиц остается вызовом: даже при снижении искажений, вычислительная стоимость 1080p-роликов намекает, что массовое производство пока доступно лишь тем, чей бюджет не боится облачных счетов. Alibaba делает шаг к универсальности, но вопрос о том, увидим ли мы в этих роликах нечто большее, чем красивый шум, остается открытым.

Амбиции Alibaba и рыночный контекст

Компания позиционирует свой продукт для самого широкого спектра задач: от ускорения кинопроизводства и создания коротких драм для социальных сетей до генерации обучающих материалов для бизнеса. Разработчики беспилотного транспорта и робототехники могут использовать модель для создания реалистичных симуляций, что теоретически должно удешевить обучение нейросетей в виртуальной среде.

Запуск Wan3.0 происходит на фоне агрессивного наращивания расходов Alibaba на искусственный интеллект. Недавние финансовые отчеты компании зафиксировали падение квартальной прибыли на 75% по сравнению с прошлым годом, что напрямую связано с масштабными инвестициями в вычислительные мощности и разработку моделей. Похоже, компания готова жертвовать текущими доходами ради того, чтобы не опоздать к раздаче мест на Олимпе генеративных технологий.

В конечном итоге, Wan3.0 выглядит как попытка собрать все возможные типы данных в одну воронку и выдать на выходе нечто удобоваримое для бизнеса. Насколько качественным будет этот результат в руках рядового пользователя, покажут первые недели массового тестирования, но технический фундамент, заложенный разработчиками, определенно заслуживает внимания профессионального сообщества.