وان 2.1 (علی بابا)

وان 1 و وان 2 نسخه‌هایی از ابزار تولید ویدیو با هوش مصنوعی علی‌بابا هستند. وان 1 نسخه اولیه بوده و امکانات بنیادی مانند تبدیل متن یا تصاویر به ویدیو را ارائه می‌دهد. این نسخه پایه‌ای برای محتوای ویدیوی تولیدشده با هوش مصنوعی معرفی کرده است. وان 2، نسخه ارتقاءیافته، قابلیت‌های پیشرفته‌ای از جمله دقت بیشتر در حرکت، تولید محتوای چندوجهی (متن به ویدیو و تصویر به ویدیو) و ابزارهای ویرایشی قدرتمند را دارد. وان 2 بر ارائه تصاویر با کیفیت بالاتر، جریان کاری روان‌تر و گزینه‌های خلاقانه بیشتر تمرکز دارد. گذار از وان 1 به وان 2 بهبودهای قابل ملاحظه‌ای در عملکرد را نشان می‌دهد و آن را به پلتفرمی چندمنظوره و کارآمد برای ایجاد ویدیو تبدیل می‌کند.

وان 2.1 مدل پیشرفته تولید ویدیو از علی‌بابا کلود است که توضیحات متنی را به ویدیوهای با کیفیت بالا تبدیل می‌کند. از فناوری‌های پیشرفته‌ای نظیر VAE (رمزگذار خودکار متغیر) و DiT (مبدل انتشار نویززدایی) استفاده می‌کند تا نتایجی واقعی با انتقال‌های بدون درز و فیزیک دقیق ارائه دهد.

وان 2.1 با امتیاز VBench برتر 84.7%، توانایی‌های پیشرفته در تولید حرکات و ارائه نسخه‌هایی با 14 میلیارد و 1.3 میلیارد پارامتر برجسته است. وان 2.1 دارای قابلیت‌های قدرتمند تولید دینامیک بصری است و درک مفاهیم و خلق ترکیبی را با مهارت انجام می‌دهد. این مدل به راحتی از سبک‌های مختلف هنری پشتیبانی می‌کند و تصاویری با کیفیت سینمایی تولید می‌کند. علاوه بر این، از چندین زبان و تولید با وضوح متغیر پشتیبانی می‌کند.

Monica دسترسی برای آزمایش رایگان وان 2.1 را با یک ثبت‌نام ساده فراهم می‌کند. نسخه رسمی وان 2.1 شامل کد منبع و منابعی در GitHub و Hugging Face است که به توسعه‌دهندگان اجازه می‌دهد مدل را کشف، تنظیم و در پروژه‌های خود ادغام کنند.

وان 1.3B شامل T2V-1.3B و I2V-1.3B است که بر کارایی و دسترسی‌پذیری تمرکز دارند. T2V-1.3B قادر است در عرض 4 دقیقه و با استفاده از Nvidia RTX 4090 یک ویدیو 5 ثانیه‌ای با رزولوشن 480p تولید کند، در حالی که I2V-1.3B بر تولید کارآمد تصویر به ویدیو متمرکز است و برای محققان، توسعه‌دهندگان و کاربران معمولی با سخت‌افزار محدود مناسب است. وان 14B شامل T2V-14B و I2V-14B است که اولویت اصلی آن ارائه خروجی با کیفیت بالا برای استفاده حرفه‌ای است. T2V-14B در تولید ویدیوهای پویا و دقیق مهارت دارد و I2V-14B بر تولید تبدیل‌های تصویر به ویدیو با جزئیات بسیار حرفه‌ای متمرکز است. برای ارائه بهترین تجربه به کاربران، Monica تصمیم گرفته است مدل بزرگ و مقیاس‌بزرگ وان 14B را ارائه دهد.

Wan 2.1 که امسال عرضه شده است، از جلوه‌های متنی در زبان‌های چینی و انگلیسی پشتیبانی می‌کند و در ایجاد تصاویر واقعی، حرکات پیچیده و اجراهای دقیق بی‌نظیر است. Veo2 بر ایجاد ویدیوهای 4K با کیفیت سینمایی تمرکز دارد و کنترل‌های پیشرفته‌ای برای انواع شات، لنزها و جلوه‌ها ارائه می‌دهد. این مدل در ایجاد واقع‌گرایی بی‌نظیر، حرکات طبیعی و پشتیبانی از ویدیوهای پویا در نسبت‌های مختلف برای پلتفرم‌هایی مانند یوتیوب و تیک‌تاک عالی عمل می‌کند.

Wan 2.1 از متن به ویدیو و تصویر به ویدیو پشتیبانی می‌کند و طیف گسترده‌ای از امکانات خلاقانه ارائه می‌دهد. همچنین از ورودی متنی به زبان‌های متعدد پشتیبانی می‌کند.