Alibaba представила Wan 3.0: видео из документов, презентаций и таблиц

Привет, друзья!

Я давно ждала, когда генераторы видео перестанут заставлять человека пересказывать презентацию своими словами. У команды уже есть отчёт, таблица, слайды, карточка товара, иногда целый сайт. Почему всё это сначала нужно ужимать в длинную текстовую инструкцию, надеясь, что модель ничего не потеряет?

Alibaba предложила более прямой путь. 6 августа компания открыла публичное бета-тестирование Wan 3.0, который умеет принимать PDF-файлы, документы, электронные таблицы, презентации и веб-страницы, а затем использовать их как основу для видео. За один запуск модель создаёт ролик продолжительностью до 30 секунд.

Звучит почти как кнопка «оживить квартальный отчёт». Но пока это бета-версия, доступ выдаётся по заявкам, а большинство красивых примеров показала сама Alibaba. Поэтому разберёмся, что уже подтверждено, где начинается реклама и зачем вообще генератору видео понадобился Excel.

Что выпустила Alibaba

Wan 3.0 продолжает линейку видеомоделей Alibaba. Предыдущая версия Wan 2.7 создавала ролики продолжительностью до 15 секунд. Новая модель увеличила предел вдвое: до 30 секунд за один запуск.

Полминуты всё ещё мало для полноценного обзора или урока, зато уже хватает на связную сцену, короткую демонстрацию продукта или рекламный ролик без склейки из нескольких случайно похожих фрагментов. Alibaba также добавила автоматический выбор продолжительности: модель оценивает текстовую инструкцию и предлагает подходящую длину. Готовое видео можно продолжить, если сюжет не поместился в первый фрагмент.

По данным официального сайта Wan, в одну задачу разрешено добавить до 20 исходных материалов. Это могут быть текст, изображения, аудио, другие видео, документы и веб-страницы. Модель пытается учитывать их одновременно, а не обрабатывать каждый файл в отдельном режиме.

Документ вместо пересказа документа

Самая любопытная часть релиза связана именно с исходниками. Официальный аккаунт Wan перечисляет документы, электронные таблицы, презентации, PDF-файлы, обычные текстовые файлы и веб-страницы. Среди поддерживаемых форматов названы DOC, XLS, PPT, PDF и файлы офисных приложений Apple.

На практике Alibaba предлагает такие сценарии:

• загрузить презентацию продукта и получить короткую видеодемонстрацию;
• превратить учебный PDF-файл в объясняющий ролик;
• взять таблицу с результатами и показать цифры в виде анимационной графики;
• смешать страницу сайта, фотографии товара и аудиодорожку в одном задании;
• собрать ролик по нескольким документам, не копируя данные вручную в текстовую инструкцию.

Полностью автоматической магии здесь нет. Пользователь всё равно задаёт цель, стиль и содержание ролика. Модель решает другую проблему: ей больше не нужно заново объяснять каждую строку исходного материала. Она сама разбирает файлы и выбирает из них сведения для сцены.

Зачем Wan 3.0 понадобились таблицы

Видео по таблице звучит немного комично. Никто не мечтает о кинематографичной прогулке по ячейкам бухгалтерского отчёта. Ценность в другом: таблица хранит структуру. В ней есть категории, значения, связи и порядок, которые легко потерять при ручном пересказе.

Если Wan 3.0 действительно научился надёжно извлекать эту структуру, модель сможет сама построить диаграмму, выбрать важные числа и превратить их в последовательность кадров. Для маркетинга это означает ролик по отчёту о продажах. Для обучения, анимационное объяснение сложной темы. Для разработчиков, демонстрацию интерфейса по документации и странице продукта.

Именно здесь релиз становится интереснее обычной гонки качества картинки. Alibaba пытается встроить генерацию видео в рабочий процесс: документ уже существует, модель читает его и готовит новую форму подачи. Человеку остаётся проверить, не превратила ли она рост на 12 процентов в красивый, но выдуманный взлёт на 120. Таблицы, знаете ли, не прощают творческой свободы.

Что обещают по качеству

Alibaba заявляет, что Wan 3.0 лучше сохраняет персонажей, предметы, расположение объектов и голоса из исходных материалов. Компания отдельно упоминает устойчивое отображение интерфейсов, диаграмм и анимационной графики. Для роликов по презентациям это важнее эффектных пейзажей: если кнопка меняет цвет и форму между кадрами, демонстрация продукта выглядит сломанной.

Ещё одно обещание касается лиц и речи. Модель должна синхронизировать микромимику с движением и создавать естественные голоса на разных языках. Проверять это нужно на независимых тестах. Пока опубликованные примеры принадлежат разработчику, а разработчики обычно не выкладывают тот дубль, где герой внезапно отращивает шестой палец.

Wan 3.0 также поддерживает редактирование по инструкции и по образцу. Пользователь может создать ролик с нуля или изменить готовое видео, сохранив нужного персонажа, товар, стиль или звуковую дорожку.

Официальный 30-секундный пример Wan 3.0. Источник: Alibaba Cloud.

Доступ и цена

На момент публикации Wan 3.0 находится в публичной бета-версии. Подать заявку можно через Qwen Cloud и международную платформу Alibaba Cloud Model Studio. На странице модели указано, что после заявки доступ должен одобрить разработчик.

Официальная цена зависит от разрешения:

• 480p: 0,05 доллара за секунду;
• 720p: 0,10 доллара за секунду;
• 1080p: 0,20 доллара за секунду.

Получается, 30-секундный ролик стоит 1,5, 3 или 6 долларов соответственно. В Qwen Cloud новым пользователям дают 30 бесплатных секунд. Ограничения бета-версии тоже уже видны: два одновременных задания, очередь до 50 задач и до 30 запросов в минуту.

Открытые веса Wan 3.0 Alibaba не выпускала. На странице Qwen Cloud модель прямо помечена как закрытая. Это стоит уточнить, потому что предыдущие версии Wan получили известность в том числе благодаря открытому коду, и название легко создаёт ложное ожидание, что новую модель можно скачать и запустить локально.

Где это пригодится

Самый очевидный рынок, корпоративные ролики, которые сейчас собирают вручную из слайдов, скриншотов и закадрового текста. Обновилась презентация продукта, изменились цифры в отчёте, появился новый раздел на сайте, и видео приходится делать заново. Модель, читающая исходники, сокращает этот путь.

Похожая механика пригодится в обучении. Преподаватель загружает методичку и получает короткое объяснение отдельной темы. Компания превращает инструкцию по технике безопасности в ролик. Магазин собирает карточку товара из описания, фотографий и характеристик.

Alibaba упоминает и более тяжёлый сценарий: синтетические видео для обучения систем беспилотного транспорта и роботов. Здесь я бы относилась к обещанию особенно осторожно. Красивый ролик и физически достоверная симуляция, на которой можно безопасно обучать машину, очень разные задачи.

Что меня здесь цепляет

Wan 3.0 интересен не тем, что рисует ещё один красивый 30-секундный клип. Таких генераторов уже достаточно. Важнее смена точки входа: вместо пустого поля для текста модель получает материал, с которым люди действительно работают.

Но вместе с удобством появляется новая обязанность. Если модель превращает документ в видео, зритель почти наверняка решит, что цифры, цитаты и выводы взяты из документа без искажений. Значит, проверка фактов становится обязательной частью монтажа. Особенно для таблиц, отчётов и учебных материалов.

Я бы пока не отдавала Wan 3.0 финальный ролик без редактора. Зато как первый черновик для демонстрации продукта или короткого объяснения технология выглядит очень практично. Если разбор документов окажется точным и на обычных пользовательских материалах, Alibaba нашла для генеративного видео куда более полезную работу, чем бесконечные кинематографичные котики.

Источники: официальный анонс Alibaba Cloud, официальная ветка Wan, карточка модели в Qwen Cloud и сайт Wan.