アリババの動画生成モデル「Wan 3.0」が AI Gateway で利用可能に

アリババの「Wan 3.0」が、AI Gateway で「alibaba/wan-v3.0-video」として利用可能になりました。

このモデルは、テキストから動画への変換や画像からの動画生成、最初のフレームと最後のフレームを指定した制御、参照映像に基づく生成などに対応しています。また、画像・動画・音声のいずれも参照入力として扱えます。生成されるクリップは最大 30 秒間、30fps で、解像度は 480p、720p、1080p から選べます。デフォルトで音声も出力されます。

これは以前は複数のモデルに分かれていた機能を一本にまとめたものです。Wan 2.7 では「-t2v」と「-r2v」が別々の ID として提供されており、それぞれ 15 秒・24fps が上限でした。

動画生成の試行方法

AI Gateway では非同期生成に対応しています。リクエストを待たずにバックグラウンドでジョブを実行します。利用には 3 つのルートがあり、それぞれ「何待ちにするか」が異なります。

poll を指定すると、SDK が短い間隔でステータスを確認し続ける間にゲートウェイ側で生成を追跡します。これは通常の呼び出しから最も変更が少ない方法です。

experimental_startVideo は、ゲートウェイがジョブを受け付けた時点で即座に返却されます。待機処理はなく、ジョブは開始元のプロセスが終了した後も継続します。サーバーレス関数やキュー、バッチ処理の並列展開に適しています。

あるいは、ウェブフックを指定すれば、生成完了時にゲートウェイからエンドポイントへイベントが 1 回送信されます。ポーリングは一切不要です。

ドキュメントではこれら 3 つの方法すべてについて解説しており、配信の確認方法についても記載されています。

参照

入力参照は inputReferences に配置し、各項目に URL とメディアタイプを指定して、プロンプト内でシーンを記述してください。種類によって制限が異なります。

音声参照はホストされた URL である必要があり、画像は base64 も利用可能です。最初のフレームと最後のフレームの条件付けにはそれぞれ画像 1 枚ずつが必要で、これらは参照機能とは併用できません。

また、コードなしで Wan 3.0 を試すこともできます。モデルプレイグラウンドをご利用ください。さらに詳しく知りたい場合は、すべての動画モデルを閲覧してください。

続きを読む