Mô hình tạo video Wan3.0 của Alibaba đã mở thử nghiệm công khai trên toàn mạng vào ngày 24/8. Thời lượng tạo mỗi lần được kéo dài lên 30 giây, đồng thời lần đầu tiên hỗ trợ các định dạng tài liệu văn phòng như doc, xls, ppt, pdf, md làm đầu vào, cho phép chuyển trực tiếp tài liệu có sẵn thành video. Người dùng có thể trải nghiệm trên Alibaba Cloud Bailian, Wanjing Yike, trang chính thức Wanxiang và bản PC của Qwen Chat; trên ứng dụng Qwen thì đang mở dần theo từng đợt (gray release).
Ý nghĩa của mốc thời lượng này thể hiện rõ hơn trên bàn dựng phim. Một đoạn dưới 10 giây chỉ đủ chứa một cảnh quay, gần như không có chỗ cho các thủ pháp như chuyển cảnh liên tục hay quay một lèo (long take, one-shot); kéo dài lên 30 giây thì mới đủ chỗ cho một đoạn nhỏ hoàn chỉnh. Trong danh sách năng lực mà Alibaba công bố, tính nhất quán được xếp ở vị trí khá cao — nhân vật, đạo cụ, âm thanh, quan hệ không gian và phong cách phải giữ ổn định xuyên suốt cả đoạn, đây chính là điểm khó nhất khi thời lượng kéo dài.
Giá cả quyết định việc nó có lọt vào quy trình sản xuất hay không
Giá API được tính theo giây, ba mức 480P, 720P, 1080P lần lượt là 0,3 tệ, 0,6 tệ, 1,2 tệ mỗi giây. Từ 24/8 đến 23/9 có ưu đãi giảm 30%, ba mức giảm còn 0,21 tệ, 0,42 tệ, 0,84 tệ mỗi giây.
Quy đổi ra sản phẩm thực tế: một video 1080P dài 30 giây, giá gốc là 36 tệ, giá khuyến mãi là 25,2 tệ; cùng độ dài ở mức 480P, giá gốc 9 tệ, giá khuyến mãi 6,3 tệ.
Thử tính thô sang quy mô sản xuất thực tế. Một tập phim ngắn AI dài 5 phút, toàn bộ dùng 1080P và mỗi cảnh chỉ tạo một lần thành công, chi phí tạo thuần túy vào khoảng 360 tệ. Trong quy trình thực tế không tránh khỏi phế phẩm, ước tính theo tỷ lệ thành phẩm 1/3 thì chi phí rơi vào hơn 1.000 tệ. Mức này không cùng hạng mục với quay dựng thực tế, cũng cách xa các giải pháp tính theo phút với giá vài chục USD từng thấy trước đây. Với các bên cần sản xuất hàng loạt như phim ngắn, quảng cáo, quảng bá du lịch, chi phí đã chuyển từ mức "thử cho biết" sang mức "có thể đưa vào ngân sách".
Chia đều 30 giây theo số cảnh quay sẽ thấy rõ hơn ngưỡng khó nằm ở đâu. Một thành phẩm 30 giây theo nhịp độ thông thường có khoảng bốn đến sáu cảnh, mô hình phải giữ cho cùng một khuôn mặt, cùng một đạo cụ, cùng một bối cảnh không bị biến dạng qua từng lần chuyển cảnh. Ở các mô hình cấp 10 giây, thời lượng ngắn vô tình che giấu bớt sai số; còn ở 30 giây thì không còn lớp che đó nữa, tính nhất quán bị trục trặc sẽ lộ ra ngay trước mắt. Lần này Alibaba đưa cả năm yếu tố nhân vật, đạo cụ, âm thanh, quan hệ không gian và phong cách vào danh sách năng lực cùng lúc, về cơ bản là để giải quyết đúng vấn đề này.
Trên mốc 30 giây mỗi lần tạo, Wan3.0 không phải là mô hình đầu tiên chạm tới — trước đó Seedance 2.5 của ByteDance đã đưa thời lượng lên đủ 30 giây. Việc nhiều hãng trong nước cùng lúc đẩy cùng một chỉ số lên mức này cho thấy độ liền mạch của cảnh quay dài đã thay thế độ phân giải, trở thành chiến trường chính của cuộc đua lần này.
Chuyển cửa ngõ từ câu lệnh prompt sang một file PPT
Việc hỗ trợ đầu vào doc, xls, ppt, pdf, md là chi tiết đáng chú ý nhất lần này. Trước đây để làm một video giới thiệu sản phẩm, cần có người đọc hết tài liệu, chia thành từng cảnh, rồi viết lại thành prompt — công đoạn "dịch tay" này thường tốn thời gian hơn cả bước tạo video. Việc đưa thẳng tài liệu vào mô hình coi như bỏ qua công đoạn đó. Cái giá phải trả là khả năng kiểm soát giảm đi — mô hình tự quyết định trang nào làm hình ảnh, đoạn nào làm lời thoại nền, khi cần chỉnh sửa lại sẽ khó xác định vị trí; quy trình này phù hợp hơn với những tư liệu có mức độ chuẩn hóa cao.
Các kịch bản phía doanh nghiệp khớp khá sát: tài liệu đào tạo, sổ tay sản phẩm, giải trình báo cáo tài chính, thông báo nội bộ — vốn dĩ tư liệu đã nằm sẵn ở dạng PPT và PDF. Con đường này cũng lý giải phần nào vì sao Wan3.0 được đưa vào bản PC của Qwen Chat và Bailian — nó nhắm đến quy trình văn phòng, chứ không phải nội dung sáng tạo ngẫu hứng trên mạng xã hội.
Về chất lượng tạo hình, Alibaba nhấn mạnh vào chi tiết dựng hình người thật, biểu cảm vi mô, xử lý da và mắt là phần được trau chuốt kỹ trong lần này, việc hòa trộn màu sắc và phong cách cũng được điều chỉnh. Phản hồi từ ngành tập trung vào ba từ khóa: ổn định, chân thực, có chất lượng. Người dùng nhắc đến thay đổi cụ thể là mạch kể chuyện ở chuỗi cảnh dài liền mạch hơn, số lần phải chỉnh sửa tham số qua lại cũng giảm.
Những mô tả này hiện vẫn chỉ dừng ở mức cảm nhận, các đánh giá đối chiếu công khai vẫn chưa theo kịp. Câu trả lời thực sự sẽ đến sau tháng khuyến mãi này: có bao nhiêu video thương mại thực sự được tạo ra bằng công cụ này.
Nguồn tham khảo: thông báo của Alibaba Cloud, Quantum Bit, IT Home, CocoLoop; thời lượng 30 giây mỗi lần tạo, hỗ trợ đầu vào doc/xls/ppt/pdf/md, danh sách nền tảng ra mắt, cùng giá gốc và giá khuyến mãi giảm 30% cho ba mức 480P/720P/1080P (0,3/0,6/1,2 tệ mỗi giây) đều được đối chiếu theo các nguồn trên; chi phí sản xuất thành phẩm là ước tính thô của trang này.