KI-Erklärvideo

Eine Einstellung nach der anderen

002003004005

Bild, Darstellung und Sprechertext zusammen generiert

Jedes andere Erklärvideo-Werkzeug verlangt, dass du einen Avatar wählst, ein Skript einfügst und auf ein Rendering wartest. Wan 3.0 nimmt eine geschriebene Einstellung — was im Bild ist, was die Kamera tut, und die Zeile in Anführungszeichen — und generiert Bild und Sprache im selben Durchlauf, als eine MP4. Schreib auf Englisch, Chinesisch, Japanisch oder Koreanisch. Ein ganzer Film ist genau das, wiederholt: Es gibt keinen Parameter für die Anzahl der Einstellungen, ein Erklärvideo von zwei Minuten sind also zwölf bis zwanzig getrennte Generierungen, die du zusammenschneidest. Das Fehlen ist nachprüfbar statt eine Klage — Alibabas API-Referenz listet jeden Parameter auf, den das Modell nimmt, und eine Anzahl von Einstellungen ist nicht darunter; die Obergrenze für eine Anfrage liegt bei 30 Sekunden.

Der Sprechertext, zitiert

Im Prompt

Der Sprechertext, zitiert

Prompt und gesprochene Zeile

4 Sprachen

Prompt und gesprochene Zeile

Pro Einstellung, bei 30 fps

2–30 s

Pro Einstellung, bei 30 fps

Generierungen in einem Film von 2 Minuten

≈ 12–20

Generierungen in einem Film von 2 Minuten

• Kein Knopf von Skript zu Film — du schreibst und schneidest die Einstellungen selbst
• Keine Avatar-Bibliothek — der Sprecher wird generiert, oder er ist dein eigenes Referenzbild
• Keine Untertitelspur — verlang keinen Text im Bild und setz die Untertitel in deinem Schnittprogramm

• Datei · Link

• eine Einstellung, eine Zeile

• Es muss warnen, ohne den Schaden zu zeigen

  Ein Sicherheitsfilm darf den Unfall nicht darstellen, und „zeig X nicht“ ist eine schwache Anweisung — eine Sache zu benennen setzt sie dem Modell in den Kopf

  Beschreib die Prüfung, nicht das Versagen: den Aufbau, die Anzeige, die Hände, die haltende Last. Schreib, was im Bild ist, statt was verboten ist

  Aufbau des Prompts

• Es klingt wie eine Werbung

  Der Standard-Tonfall jedes Videomodells ist hell, warm und beschwingt, weil sein Material größtenteils so ist

  Nenn den Tonfall als Auflage neben dem Bild: „dokumentarisch, matte Oberflächen, gedeckte Farbpalette, keine Musik, zurückgenommene Sprechweise“. Tonfall ist ein Prompt-Feld wie jedes andere

  Aufbau des Prompts

• Das Prüfzeichen oder Logo kommt falsch heraus

  Zeichen sind klein, kontrastreich und rechtlich exakt — drei Eigenschaften, in denen Generierung am schwächsten ist

  Halt es mit dem Haltesatz, lass die Kamera in dieser Einstellung stehen, und kopier das echte Zeichen hinterher darüber, wenn es pixelgenau sein muss. Prüfzeichen sind eingetragene Marken mit veröffentlichten Darstellungsregeln — Japans SG-Zeichen ist ein durchgerechnetes Beispiel —, eine generierte Beinahe-Kopie ist also ein anderes Objekt als das Zeichen, das du zeigen darfst, so überzeugend der Frame auch aussieht

  Lies den Frame vor dem Veröffentlichen

• Der Film ist kürzer als der Zeitplan, den du geschrieben hast

  Eine Einstellungsliste wird nur befolgt, wenn ihre Sekunden auf etwas hinauslaufen, das das Modell rechnen kann. Jenseits von 30 Sekunden wird der Zeitplan nicht abgelehnt — er wird zusammengedrückt, stillschweigend, und jeder Takt bekommt weniger Zeit, als du ihm gegeben hast

  Mach die letzte Zahl in deiner Einstellungsliste zu 30 oder weniger, und sag die Gesamtlänge in der ersten Zeile laut an. Alle vier Beispiele oben auf dieser Seite sind Wans eigene, und sie teilen sich zwei zu zwei: Die beiden, die 120s und 150s verlangt haben, kamen mit 30,0s und 25,0s zurück, vier und fünf Einstellungen hineingequetscht, während die beiden, die vorab dreißig Sekunden angesagt haben — eines davon eröffnet mit „This video contains 6 shots, with a total duration of 30.0 seconds“ —, mit 30,0s und 30,1s zurückkamen und ihre Takte behielten. Spiel sie gegen die Prompts, die daneben abgedruckt sind; die Rechnung steht auf der Seite

  Aufbau des Prompts

• Einstellung sieben passt nicht zu Einstellung zwei

  Es gibt keinen Parameter für die Anzahl der Einstellungen und kein Gedächtnis zwischen Generierungen. Ein Film besteht aus getrennten Anfragen, die einander nie begegnet sind

  Leg Palette, Objektiv und Licht in einem Stilblock fest, den du in jeden Prompt einfügst, und schick jedes Mal dieselben Referenzbilder mit. Referenz zu Video

• Der Sprechertext hat den falschen Tonfall für die Sprache

  Eine aus dem Englischen übersetzte Zeile behält den englischen Rhythmus, und eine japanische oder koreanische Prüferin hört das sofort

  Schreib die gesprochene Zeile selbst in der Zielsprache und lass nur den Haltesatz auf Englisch. Genau diese Kombination nehmen hier die Konten, die nicht-englische Markenarbeit produzieren

Ein Durchlauf, der rundheraus scheitert, wird automatisch erstattet. Keines der fünf oben scheitert — jedes kommt fertig und unbrauchbar zurück, und das wird abgerechnet. Entwirf jede Einstellung in 480P, bis Tonfall und Auflagen halten, und lass dann die Keeper noch einmal laufen.

1. 1

   Schreib die Einstellungsliste, bevor du irgendetwas generierst

   Eine Zeile pro Einstellung: was im Bild ist, was gesagt wird, wie lang. Zwölf Zeilen für einen Film von zwei Minuten. Das ist der Teil, den das Werkzeug dir nicht abnehmen kann, und der Teil, der den Rest günstig macht.

   Zuerst das
2. 2

   Leg einen Stilblock fest und nimm ihn wortgleich wieder

   Palette, Objektiv, Licht, Oberflächen, Tonfall und „kein Text im Bild“. Füg denselben Block in jeden Prompt ein — er ist das Einzige, was zwanzig unabhängige Generierungen zusammenhält.

   In jeden Prompt kopieren
3. 3

   Generier eine Einstellung, mit ihrer Zeile in Anführungszeichen

   Der Sprechertext entsteht mit dem Bild, es gibt also nichts aufzunehmen und nichts zu synchronisieren. Schreib die Zeile in der Sprache, in der sie zu hören sein wird.

   Stimme im selben Durchlauf
4. 4

   Entwirf den ganzen Film in 480P, dann lass die Keeper neu laufen

   Schneide die Entwürfe zusammen und sieh dir das Ganze von Anfang bis Ende an, bevor du etwas für Auflösung ausgibst. Die meisten Umschriften sind strukturell, und ein Storyboard in 480P findet sie für ein Viertel des Preises.

   Bis zu 1080P

Die Zwei-Drittel-Regel aus den Unternehmensfilmen, die hier entstehen: Die Vorführung ist der Film. Auftakt und Abbinder sind günstig zu generieren und günstig zu schneiden — die Einstellungen, die die Freigabe verdienen, sind die, in denen die Sache tatsächlich getan wird.