Wan 3.0 po polsku: test modelu nr 1 w rankingu wideo - dialog, neon i film z PDF

👁 119 przeczytań

Wan 3.0 od Alibaby prowadzi w rankingu wideo Artificial Analysis: 1335 punktów Elo w kategorii tekst na wideo, przed Gemini Omni Flash i MiniMax H3. Robi do 30 sekund wideo w jednym przebiegu, z dźwiękiem, i potrafi zrobić film z dokumentu. Wydałem na testy 7,10 dolara: pięć klipów, w tym dialog po polsku, polski neon, jedno ujęcie na 30 sekund i film z pliku PDF. Poniżej wszystko, co wyszło - razem z tym, co nie wyszło.

Cztery kadry z moich testów Wan 3.0: dialog po polsku, neon ŻÓŁTA GĘŚ, ujęcie 30-sekundowe i nalewanie kawy. 720p, bez poprawek.

Wan 3.0 w liczbach

Ta sama stawka obowiązuje na fal.ai, przez które robiłem testy. Jest tam też wariant Wan 3.0 Prime - szybszy, za 0,14 USD za sekundę w 720p. Przeliczenie na złote po kursie 3,78 zł.

Ranking: prowadzenie o włos

Trzy punkty przewagi nad Gemini Omni Flash to w rankingu opartym na głosowaniach ludzi praktycznie remis. Ciekawostka: czwarty HappyHorse to też Alibaba, ale inna jednostka firmy (ATH) - dwa niezależne zespoły jednego koncernu w pierwszej czwórce.

Test 1: dialog po polsku

Polecenie opisywało kawiarnię w Warszawie w deszczowy wieczór i dwie kwestie po polsku: kobieta mówi „Nie wyjadę bez ciebie. Słyszysz? Nie wyjadę.”, mężczyzna odpowiada „Wiem.”.

Cztery klatki z 8-sekundowego klipu. Postacie, stolik, lampa i deszcz za oknem są spójne przez całe ujęcie.

Przepuściłem ścieżkę dźwiękową przez rozpoznawanie mowy Whisper. Wynik: „Nie wyjadę bez Ciebie, słyszysz? Nie wyjadę.” i „Wiem.” - słowo w słowo, język rozpoznany jako polski z pewnością 99%. Kwestie padają w kolejności z polecenia: pierwsza od 0 do 4 sekundy, druga w 5. sekundzie. To realna przewaga: w moich wcześniejszych pracach z Seedance polskie kwestie w ogóle nie wchodziły w grę.

Koszt: 0,80 USD. Czas generowania: 3 minuty 38 sekund.

Test 2: polski napis w kadrze

Nocna ulica starego miasta, czerwony neon z napisem „ŻÓŁTA GĘŚ” i kartka w oknie „Otwarte do północy”. Wszystkie polskie litery naraz: Ż, Ó, Ł, Ę, Ś.

Neon ŻÓŁTA GĘŚ z poprawnymi ogonkami - dwa razy, bo model sam dodał drugi neon w witrynie. Szyld nad oknem ma dopisane liczby, których nie było w poleceniu.

Neon wyszedł bezbłędnie - wszystkie znaki diakrytyczne na miejscu, i to w dwóch miejscach, bo model sam dołożył drugi neon w witrynie. Dopisał też szyld „100 ŻÓŁTA 121 GĘŚ” - poprawna pisownia, ale liczby wziął znikąd.

Kartka w oknie, powiększona. Słowo Otwarte jest czytelne, dalsza część napisu już nie.

Kartka pokazuje granicę: „Otwarte” jest czytelne, „do północy” - zniekształcone. Przy 720p i literach wysokości kilkunastu pikseli model nie utrzymał pisowni. Sama Alibaba przyznaje w ogłoszeniu, że dokładność tekstu w kadrze „wciąż się poprawia”. Wniosek praktyczny: duże napisy tak, drobny druk nie.

Test 3: fizyka i dłonie

Statyczne ujęcie z bliska: dłonie nalewają kawę ze szklanego dzbanka, strumień cienieje i się urywa, jedna dłoń podnosi filiżankę, druga wrzuca kostkę cukru.

Dziesięć klatek, co sekundę. Strumień urywa się około 6. sekundy, dłoń podnosi filiżankę, kostka cukru wpada w 9. sekundzie.

Strumień kawy, jego urwanie, para i ruch dłoni wyglądają naturalnie, a kolejność zdarzeń zgadza się z poleceniem. W klatkach, które przejrzałem co sekundę, dłonie wyglądają poprawnie. Koszt: 1,00 USD, czas: 4 minuty.

Test 4: 30 sekund bez cięcia

Najtrudniejszy test: jedno ciągłe ujęcie z ręki, 30 sekund. Chłopak w żółtej kurtce przechodzi przez targ, mija stragany z jabłkami i rybami, kupuje chleb, płaci, kiwa głową i wychodzi na ulicę, gdzie przejeżdża tramwaj.

Dziesięć klatek co 3 sekundy z jednego 30-sekundowego ujęcia. Jabłka, ryby, zakup chleba, wyjście na ulicę i tramwaj - w kolejności z polecenia.

Wszystkie elementy są w kolejności z polecenia, a postać jest spójna przez całe 30 sekund - ta sama twarz, kurtka i chleb w dłoni. Detektor zmian sceny w ffmpeg zareagował tylko między 20. a 22. sekundą - obejrzałem te klatki co ćwierć sekundy i to szybka, płynna panorama za bohaterem, a nie cięcie. Jedyne odstępstwo: zamiast słonecznej ulicy jest pochmurno.

Ale ten klip ma drugą historię. Za pierwszym razem filtr treści fal.ai zablokował wynik z komunikatem, że materiał „został oznaczony przez system kontroli treści”. W scenie nie ma niczego poza targiem, chlebem i tramwajem. Druga próba z identycznym poleceniem przeszła. Filtr jest więc niedeterministyczny i daje fałszywe alarmy - a dowiadujesz się o tym po kilkunastu minutach czekania. Udana wersja generowała się 13 minut 35 sekund i kosztowała 3 USD.

Test 5: film z dokumentu

To funkcja, którą Alibaba stawia w centrum premiery: podajesz plik albo adres strony, a model robi z niego film. Sprawdziłem obie drogi.

Klatki z 15-sekundowego filmu zrobionego z PDF hasła Żubr z polskiej Wikipedii. Cztery ujęcia, w tym czarno-białe przy zdaniu o tym, że gatunek prawie wyginął.

Efekt z PDF jest najciekawszy z całego testu. Model sam zmontował cztery ujęcia (detektor ffmpeg znalazł trzy cięcia: w 2,8, 8,2 i 10,2 sekundzie): żubr w zbliżeniu, stado w brzozowym lesie, czarno-biały kadr stylizowany na archiwalny i matka z młodym. Dodał lektora: „Meet the European bison, Europe’s largest land mammal. Once nearly extinct, they now roam these primeval forests.” - fakty zgodne z hasłem. Lektor mówi po angielsku, bo po angielsku było moje polecenie, choć dokument był polski. To jest moja interpretacja: żeby dostać polskiego lektora, trzeba o niego poprosić wprost.

Wniosek: wideo z dokumentu działa, ale tylko z plikiem. Na adresach stron w moich próbach nie zadziałało ani razu - przynajmniej przez fal.ai.

Ile to wszystko kosztowało

Koszt według stawki 0,10 USD za sekundę wideo w 720p. Średnio generowanie trwało około 25 sekund na każdą sekundę wideo. Do pracy „na żywo” to za wolno, do produkcji reklam i materiałów w social mediach - do przyjęcia.

Dla kogo jest Wan 3.0

• Dla twórców treści po polsku - dialog i duże napisy po polsku to rzadkość wśród modeli wideo. Opinia na podstawie jednego klipu z dialogiem.
• Dla firm robiących filmy z materiałów - prezentacja albo PDF zamienione w krótki film to realna oszczędność czasu.
• Nie dla niecierpliwych - 3-14 minut na klip i ryzyko fałszywego alarmu filtra.
• Nie do drobnego tekstu - napisy na kartkach, cenach czy etykietach się rozsypią.

Więcej o cenach wideo z AI: ile kosztuje sekunda wideo z AI. Inne chińskie premiery tego miesiąca: test pięciu modeli językowych po polsku.

Najczęstsze pytania

Czy Wan 3.0 mówi po polsku?

Tak. W moim teście postacie wypowiedziały polskie kwestie słowo w słowo - rozpoznawanie mowy Whisper potwierdziło to z pewnością 99%.

Ile kosztuje Wan 3.0?

0,05 USD za sekundę w 480p, 0,10 USD w 720p i 0,20 USD w 1080p. Klip 30-sekundowy w 1080p kosztuje 6 USD.

Czy Wan 3.0 jest open source?

Nie. W przeciwieństwie do wcześniejszych wersji Wan nie ma otwartych wag - działa tylko przez API, m.in. w Alibaba Cloud Model Studio i na fal.ai.

Jak długie wideo robi Wan 3.0?

Do 30 sekund w jednym przebiegu. Mój 30-sekundowy klip był jednym ujęciem bez cięcia i generował się 13,5 minuty.

Czy Wan 3.0 zrobi film z PDF?

Tak - w moim teście zrobił 15-sekundowy film z lektorem z hasła Wikipedii w PDF. Adres musi kończyć się rozszerzeniem pliku. Z adresów stron internetowych nie udało mi się uzyskać filmu.