Qwen का Wan 2.1: व्यावहारिक उदाहरणों के साथ एक मार्गदर्शिका

Qwen का Wan2.1 एक ओपन‑सोर्स वीडियो जनरेशन मॉडल है जिसे शक्तिशाली और सुलभ दोनों तरह से डिजाइन किया गया है, क्योंकि यह कंज़्यूमर‑ग्रेड GPUs पर भी चल सकता है।

बेहतरीन प्रदर्शन के साथ, Wan2.1 खुला‑स्रोत मॉडलों जैसे HunyuanVideo और SkyReels तथा वाणिज्यिक समाधानों जैसे Sora और Runway से प्रतिस्पर्धा करता है। 

इस लेख में, मैं बताऊंगा कि Wan2.1 क्या है, इसकी प्रमुख विशेषताएँ क्या हैं और यह कैसे काम करता है। साथ ही, मैं आपको इसे एक्सेस करने और विभिन्न प्रॉम्प्ट्स से वीडियो बनाने की प्रक्रिया दिखाऊंगा, ताकि आप इसकी क्षमताएँ क्रिया में देख सकें।

Wan 2.1 क्या है?

Wan 2.1, Qwen द्वारा विकसित एक उन्नत वीडियो जनरेशन मॉडल है। यह बड़े पैमाने के वीडियो फाउंडेशन मॉडलों के परिवार से संबंधित है, यानी यह विभिन्न प्रकार के इनपुट्स—यहाँ टेक्स्ट विवरण और इमेज—से उच्च‑गुणवत्ता वाले वीडियो बना सकता है।

Wan 2.1 शक्तिशाली वीडियो जनरेशन को सुलभता के साथ जोड़ता है। यह कंज़्यूमर‑ग्रेड GPUs पर चल सकता है, जबकि कई अन्य AI वीडियो मॉडल महंगे हार्डवेयर की मांग करते हैं—यह इसे अधिक व्यावहारिक बनाता है। साथ ही, यह ओपन सोर्स है।

यह डिफ्यूज़न ट्रांसफॉर्मर तकनीक पर आधारित है, जो इसे स्मूद और यथार्थपरक वीडियो प्रभावशाली मोशन क्वालिटी के साथ बनाने में सक्षम बनाती है। Wan 2.1 एक अनूठा वीडियो वैरिएशनल ऑटोएन्कोडर (VAE) भी पेश करता है, जो 1080p जैसी उच्च रेज़ोल्यूशन पर भी वीडियो की सुसंगति और विवरण बनाए रखने में मदद करता है।

इसकी प्रमुख विशेषताएँ इस प्रकार हैं:

1. अत्याधुनिक (SOTA) प्रदर्शन

Wan 2.1 कई बेंचमार्क्स पर ओपन‑सोर्स और वाणिज्यिक दोनों तरह के AI वीडियो मॉडलों से बेहतर प्रदर्शन करता है, यानी यह अनेक विकल्पों की तुलना में अधिक यथार्थपरक, उच्च‑गुणवत्ता वाले वीडियो पैदा करता है।

स्रोत: GitHub (Wan-Video/Wan2.1)

ऊपर दी गई तालिका में, विभिन्न Wan‑Bench आयामों पर वीडियो जनरेशन मॉडलों का तुलनात्मक मूल्यांकन दिखाया गया है, जिसमें मोशन जनरेशन, विज़ुअल स्थिरता, ऑब्जेक्ट शुद्धता और निर्देश पालन जैसे प्रमुख पहलुओं में प्रदर्शन आँका गया है। प्रत्येक श्रेणी में सर्वोच्च प्रदर्शन वाले मॉडल को बोल्ड में दर्शाया गया है।

Wan‑14B कुल मिलाकर उच्चतम वेटेड स्कोर (0.724) प्राप्त करता है, जो कई बेंचमार्क्स पर इसकी मजबूत क्षमताओं को दर्शाता है।

2. कंज़्यूमर‑ग्रेड GPUs पर काम करता है

अधिकांश हाई‑एंड AI वीडियो मॉडलों की तुलना में जिन्हें महंगे हार्डवेयर की आवश्यकता होती है, Wan 2.1 का T2V‑1.3B मॉडल केवल 8.19GB VRAM मांगता है। यानी आप RTX 4090 जैसे सामान्य GPU पर कुछ ही मिनटों में वीडियो बना सकते हैं—सुपरकंप्यूटर की जरूरत नहीं।

3. अलग‑अलग वीडियो जनरेशन कार्य और फीचर्स का समर्थन

Wan के साथ, आप सिर्फ Text‑to‑Video (T2V) से अधिक कर सकते हैं। यह वीडियो जनरेशन और कस्टमाइज़ेशन सुधारने के लिए उन्नत फीचर्स देता है, जिनमें शामिल हैं:

• प्रॉम्प्ट एन्हांसमेंट: यदि आप यह फीचर सक्षम करते हैं, तो मॉडल आपके प्रॉम्प्ट्स को बेहतर बनाकर उच्च‑गुणवत्ता, अधिक सटीक वीडियो जनरेट करेगा।
• आस्पेक्ट रेशियो नियंत्रण: आप आउटपुट के लिए उपयुक्त आस्पेक्ट रेशियो चुन सकते हैं: 16:9, 9:16, 1:1, 4:3 या 3:4।
• इंस्पिरेशन मोड: यह फीचर विज़ुअल्स को समृद्ध करने और अभिव्यक्तिकता बढ़ाने में मदद करता है। अधिक कलात्मक स्पर्श के लिए परिणाम इनपुट प्रॉम्प्ट्स से थोड़ा भिन्न हो सकते हैं।
• साउंड इफेक्ट्स: आप वीडियो के लिए उपयुक्त साउंड इफेक्ट्स या बैकग्राउंड म्यूज़िक बना सकते हैं।

इसके अलावा, Wan Image‑to‑Video (I2V) सपोर्ट करता है, ताकि आप स्थिर इमेज को एनीमेटेड वीडियो में बदल सकें। आप अधिक कंट्रोल के लिए वैकल्पिक टेक्स्ट प्रॉम्प्ट्स जोड़ सकते हैं और वीडियो की कंपोज़िशन और फ्लो तय करने के लिए पहला और आखिरी फ्रेम परिभाषित कर सकते हैं।

4. विज़ुअल टेक्स्ट जनरेशन (अंग्रेज़ी और चीनी)

Wan 2.1 पहला AI वीडियो मॉडल है जो अंग्रेज़ी और चीनी दोनों में वीडियो के अंदर पठनीय टेक्स्ट जनरेट कर सकता है। यह कैप्शंस, एनिमेटेड टेक्स्ट और ग्राफिक ओवरले बनाने के लिए बेहतरीन है।

5. वीडियो वैरिएशनल ऑटोएन्कोडर (VAE)

Wan 2.1 एक उन्नत वीडियो वैरिएशनल ऑटो एन्कोडर (Wan‑VAE) का उपयोग करता है, जो इसे सक्षम बनाता है:

• किसी भी लंबाई के उच्च‑रेज़ोल्यूशन 1080p वीडियो को स्मूद मोशन के साथ एन्कोड और डिकोड करना।
• विवरण और समयगत सुसंगति बनाए रखना ताकि ऑब्जेक्ट्स और कैरेक्टर्स फ्रेम्स के बीच टिमटिमाएँ या विकृत न हों।
• वीडियो डेटा को कुशलतापूर्वक संपीड़ित करना।

Wan 2.1 ऑनलाइन कैसे एक्सेस करें?

शुरू करने के कई तरीके हैं—आप इसे या तो ऑनलाइन आज़मा सकते हैं या अपने कंप्यूटर पर लोकल रूप से चला सकते हैं।

यदि आप बिना कुछ इंस्टॉल किए Wan 2.1 के साथ प्रयोग करना चाहते हैं, तो आप इसे यहाँ से एक्सेस कर सकते हैं:

1. Hugging Face स्पेस: आप मॉडल को सीधे वेब इंटरफेस में चला सकते हैं।

2. WanVideo वेबसाइट: यहाँ आप सिर्फ वीडियो जनरेट करने से अधिक कर सकते हैं। आधिकारिक वेबसाइट आपको इमेज बनाने और अन्य उपयोगकर्ताओं द्वारा बनाए गए वीडियो व इमेज की कलेक्शन को उनके प्रॉम्प्ट्स सहित देखने देती है।

ये विकल्प आपको सेटअप या हार्डवेयर की चिंता किए बिना मॉडल को जल्दी परीक्षण करने देते हैं।

Wan 2.1 को लोकल रूप से कैसे सेट अप और चलाएँ

यदि आप पूर्ण नियंत्रण और कस्टमाइज़ेशन चाहते हैं, तो आप अपने मशीन पर Wan 2.1 इंस्टॉल कर सकते हैं। आइए इसे चरणबद्ध तरीके से देखते हैं:

प्रारंभिक सेटअप

चरण 1: रिपॉज़िटरी क्लोन करें

सबसे पहले, GitHub से Wan 2.1 का कोड डाउनलोड करें:

git clone https://github.com/Wan-Video/Wan2.1.git
cd Wan2.1संचालित द्वारा

चरण 2: डिपेंडेंसीज़ इंस्टॉल करें

सुनिश्चित करें कि आपके पास Python और PyTorch (संस्करण 2.4.0 या बाद का) इंस्टॉल है, फिर आवश्यक लाइब्रेरीज़ इंस्टॉल करें:

pip install -r requirements.txtसंचालित द्वारा

चरण 3: मॉडल वेट्स डाउनलोड करें

आपको प्री‑ट्रेंड मॉडल फाइलें Hugging Face (अधिक जानकारी के लिए यहाँ) या ModelScope (अधिक जानकारी के लिए यहाँ) से डाउनलोड करनी होंगी।आप विभिन्न मॉडल डाउनलोड कर सकते हैं:

1.3B मॉडल 720P रेज़ोल्यूशन में वीडियो बना सकता है, लेकिन चूँकि इस गुणवत्ता पर इसका प्रशिक्षण कम हुआ है, 480P की तुलना में परिणाम कम स्थिर हो सकते हैं। सर्वोत्तम प्रदर्शन के लिए 480P रेज़ोल्यूशन की सिफारिश की जाती है।

Wan 2.1 के साथ टेक्स्ट‑टू‑वीडियो जनरेशन चलाना

Wan 2.1 आपको दो मॉडल वेरिएंट्स के साथ टेक्स्ट विवरणों से वीडियो जनरेट करने देता है:

• T2V-14B: बड़ा, अधिक शक्तिशाली, 480p और 720p दोनों रेज़ोल्यूशन सपोर्ट करता है।
• T2V-1.3B: छोटा, कम शक्ति मांगता है, केवल 480p सपोर्ट करता है।

यदि आप जल्दी से वीडियो जनरेट करना चाहते हैं, तो आप निम्न कमांड्स का उपयोग कर सकते हैं, जहाँ प्रॉम्प्ट एन्हांसमेंट सक्षम नहीं है।

T2V-14B मॉडल (ऊँची गुणवत्ता, बड़ा मॉडल) के लिए:

python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B --prompt "A futuristic city with flying cars and neon lights."संचालित द्वारा

T2V-1.3B मॉडल (छोटा, लोअर‑एंड GPUs पर चलता है) के लिए:

python generate.py --task t2v-1.3B --size 832*480 --ckpt_dir ./Wan2.1-T2V-1.3B --prompt "A futuristic city with flying cars and neon lights."संचालित द्वारा

यदि आपके कंप्यूटर में मेमोरी कम पड़ जाए (OOM एरर), तो आप मेमोरी उपयोग घटाने के लिए --offload_model True और --t5_cpu का उपयोग कर सकते हैं।

मल्टी‑GPU के साथ टेक्स्ट‑टू‑वीडियो चलाना (तेज़ प्रोसेसिंग के लिए)

यदि आपके पास कई GPUs हैं, तो आप यह कमांड चलाकर वीडियो जनरेशन तेज़ कर सकते हैं:

torchrun --nproc_per_node=8 generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B --dit_fsdp --t5_fsdp --ulysses_size 8 --prompt "A futuristic city with flying cars and neon lights.`संचालित द्वारा

यह वर्कलोड को कई GPUs में बाँट देता है, जिससे प्रक्रिया तेज़ हो जाती है।

प्रॉम्प्ट एक्सटेंशन का उपयोग (अधिक विस्तृत और यथार्थपरक वीडियो के लिए)

Wan 2.1 आपका प्रॉम्प्ट स्वतः बेहतर कर सकता है, जिससे वीडियो अधिक विस्तृत और आकर्षक दिखेगा।

प्रॉम्प्ट बढ़ाने के दो तरीके हैं:

• Dashscope API का उपयोग (API कुंजी आवश्यक)।
• लोकल मॉडल का उपयोग (बिना इंटरनेट आपकी मशीन पर चलता है)।

Dashscope API उपयोग करने के लिए:

DASH_API_KEY=your_key python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B --prompt "A futuristic city with flying cars and neon lights." --use_prompt_extend --prompt_extend_method 'dashscope'संचालित द्वारा

अपना लोकल मॉडल उपयोग करने के लिए:

python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B --prompt "A futuristic city with flying cars and neon lights." --use_prompt_extend --prompt_extend_method 'local_qwen'संचालित द्वारा

Diffusers के साथ Wan 2.1 चलाना

यदि आप रॉ स्क्रिप्ट्स चलाने के बजाय Hugging Face की Diffusers लाइब्रेरी उपयोग करना चाहते हैं, तो आप Python से वीडियो जनरेट कर सकते हैं:

import torch
from diffusers.utils import export_to_video
from diffusers import AutoencoderKLWan, WanPipeline
from diffusers.schedulers.scheduling_unipc_multistep import UniPCMultistepScheduler
# Available models: Wan-AI/Wan2.1-T2V-14B-Diffusers, Wan-AI/Wan2.1-T2V-1.3B-Diffusers
model_id = "Wan-AI/Wan2.1-T2V-14B-Diffusers"
# Load the autoencoder for video generation
vae = AutoencoderKLWan.from_pretrained(model_id, subfolder="vae", torch_dtype=torch.float32)
# Define the scheduler for controlling video motion flow
flow_shift = 5.0  # 5.0 for 720P, 3.0 for 480P
scheduler = UniPCMultistepScheduler(
    prediction_type='flow_prediction', 
    use_flow_sigmas=True, 
    num_train_timesteps=1000, 
    flow_shift=flow_shift
)
# Load the video generation pipeline with the model
pipe = WanPipeline.from_pretrained(model_id, vae=vae, torch_dtype=torch.bfloat16)
pipe.scheduler = scheduler
pipe.to("cuda")
# New prompt
prompt = "A futuristic city at sunset, filled with flying cars and neon lights. The buildings have a sleek, cyberpunk design, and people walk on glowing sidewalks. The scene is full of vibrant colors, reflections, and dynamic movement."
# New negative prompt
negative_prompt = "Dull colors, grainy texture, washed-out details, static frames, incorrect lighting, unnatural shadows, distorted faces, artifacts, low-resolution elements, flickering, blurry motion, repetitive patterns, unrealistic reflections, overly simplistic backgrounds, three legged people, walking backwards."
# Generate the video frames
output = pipe(
     prompt=prompt,
     negative_prompt=negative_prompt,
     height=720,
     width=1280,
     num_frames=81,
     guidance_scale=5.0,
).frames[0]
# Export the generated frames as a video
export_to_video(output, "output.mp4", fps=16)संचालित द्वारा

स्क्रिप्ट Wan2.1‑T2V‑14B‑Diffusers मॉडल लोड करने से शुरू होती है, जिसका उपयोग वीडियो बनाने के लिए होता है। यह एक VAE (ऑटोएन्कोडर) भी लोड करती है, जो वीडियो फ्रेम्स को प्रोसेस और बेहतर बनाने में मदद करता है। वीडियो में मोशन कितना स्मूद दिखे, इसे नियंत्रित करने के लिए स्क्रिप्ट एक शेड्यूलर (UniPCMultistepScheduler) का उपयोग करती है। flow_shift सेटिंग मूवमेंट हैंडलिंग को समायोजित करती है—720P के लिए 5.0 बेहतर है और 480P के लिए 3.0।

इसके बाद, स्क्रिप्ट वीडियो जनरेशन पाइपलाइन (WanPipeline) सेटअप करती है और फ्रेम्स के बीच स्मूद ट्रांज़िशन सुनिश्चित करने के लिए शेड्यूलर लागू करती है। प्रॉम्प्ट उड़ती कारों और चमकती नीयन लाइट्स वाले भविष्यवादी शहर का वर्णन करता है, जबकि नेगेटिव प्रॉम्प्ट धुंधले विवरण, फीके रंग और टिमटिमाते फ्रेम्स जैसी अवांछित चीज़ों को हटाने में मदद करता है।

मॉडल तब 81 फ्रेम्स बनाता है, जो 16 फ्रेम प्रति सेकेंड (FPS) पर लगभग 5 सेकेंड का वीडियो होता है। guidance_scale 5.0 पर सेट है, जो मॉडल को प्रॉम्प्ट का पालन करने में मदद करता है, साथ ही कुछ रचनात्मकता की गुंजाइश देता है। वीडियो जनरेट होने के बाद, फ्रेम्स को जोड़ा जाता है और 16 FPS पर "output.mp4" के रूप में सेव किया जाता है।

नेगेटिव प्रॉम्प्ट अंतिम वीडियो सुधारने में महत्वपूर्ण भूमिका निभाता है—यह मॉडल को बताता है कि किन बातों से बचना है। यह घटिया इमेज क्वालिटी, अजीब विकृतियाँ, या कोई भी ऐसी चीज़ हटाने में मदद करता है जो वीडियो को अवास्तविक दिखा सकती है। इस मामले में, यह सुनिश्चित करता है कि भविष्यवादी दृश्य साफ, शार्प और दृष्टिगत रूप से आकर्षक दिखे।

लोकल Gradio इंटरफेस के साथ Wan 2.1 चलाना

यदि आप कोड के बजाय इंटरैक्टिव वेब इंटरफेस से वीडियो जनरेट करना पसंद करते हैं, तो आप Gradio के साथ Wan 2.1 चला सकते हैं:

Dashscope प्रॉम्प्ट एक्सटेंशन के लिए:

DASH_API_KEY=your_key python t2v_14B_singleGPU.py --prompt_extend_method 'dashscope' --ckpt_dir ./Wan2.1-T2V-14Bसंचालित द्वारा

लोकल प्रॉम्प्ट एक्सटेंशन के लिए:

python t2v_14B_singleGPU.py --prompt_extend_method 'local_qwen' --ckpt_dir ./Wan2.1-T2V-14Bसंचालित द्वारा

टेक्स्ट‑टू‑वीडियो की तरह ही, इमेज‑टू‑वीडियो भी प्रॉम्प्ट एक्सटेंशन स्टेप के साथ और बिना—दोनों प्रक्रियाओं में विभाजित है। इम्प्लीमेंटेशन के अधिक विवरण के लिए, आप आधिकारिक GitHub पर जा सकते हैं। आप उनका Discord चैनल भी जॉइन कर सकते हैं—Wan2.1 पर चर्चा करने, अपने क्रिएशंस साझा करने, नई सुविधाओं और विकासों पर अपडेट पाने, और आधिकारिक वेबसाइट पर जेनरेटेड उदाहरणों का अन्वेषण करने के लिए।

Wan 2.1 कैसे काम करता है?

Wan 2.1 उच्च‑गुणवत्ता, यथार्थपरक वीडियो जनरेट करने के लिए उन्नत AI तकनीकों पर बना है। यह डिफ्यूज़न‑आधारित दृष्टिकोण अपनाता है और ट्रांसफॉर्मर्स को एकीकृत करता है, ताकि फ्रेम्स के बीच मूवमेंट स्मूद, सुसंगत और विस्तृत रहे। 

डिफ्यूज़न ट्रांसफॉर्मर तकनीक

Wan 2.1 डिफ्यूज़न मॉडल नामक तकनीक का उपयोग करता है, जो दो चरणों में काम करती है:

1. नॉइज़ से शुरू करें: मॉडल पूरी तरह यादृच्छिक, स्टैटिक जैसी इमेज से शुरू करता है।
2. धीरे‑धीरे परिष्कृत करें: कई चरणों में, मॉडल नॉइज़ हटाता है और इनपुट प्रॉम्प्ट से निर्देशित होते हुए फ्रेम‑दर‑फ्रेम वीडियो को आकार देता है।

यह कुछ वैसा ही है जैसे डार्करूम में फोटो डेवलप करना—शुरुआत में इमेज धुंधली और दानेदार होती है, लेकिन हर प्रोसेसिंग स्टेप के साथ स्पष्ट होती जाती है।

Wan 2.1 इस दृष्टिकोण को डिफ्यूज़न ट्रांसफॉर्मर (DiT) से बेहतर बनाता है, जो कई वीडियो फ्रेम्स बनाते समय शार्प विवरण और स्मूद मोशन बनाए रखने में मदद करता है।

स्रोत: GitHub (Wan-Video/Wan2.1)

यह डायग्राम दिखाता है कि Wan 2.1 डिफ्यूज़न मॉडल को डिफ्यूज़न ट्रांसफॉर्मर (DiT) से सशक्त बनाकर वीडियो फ्रेम्स कैसे जनरेट करता है। प्रक्रिया एक इनपुट विवरण (जैसे, "एक पांडा कार्डबोर्ड पकड़े है जिस पर 'Wan2.1' लिखा है") से शुरू होती है। यह टेक्स्ट UMT5 द्वारा प्रोसेस होता है, जो सिस्टम को प्रॉम्प्ट समझने और परिष्कृत करने में मदद करता है।

साथ ही, शुरुआती नॉइज़युक्त इमेज शुरुआती बिंदु के रूप में दी जाती है। Wan‑Encoder फिर इन इनपुट्स को प्रोसेस करता है, उन्हें ऐसे रूप में एन्कोड करता है जिसे मॉडल संशोधित कर सके। N × DiT ब्लॉक्स इमेज को क्रमिक रूप से परिष्कृत करते हैं।

डिफ्यूज़न मॉडल, प्रदान किए गए प्रॉम्प्ट के साथ आउटपुट को संरेखित करने के लिए क्रॉस‑अटेंशन का उपयोग करते हुए, फ्रेम्स से धीरे‑धीरे नॉइज़ हटाता है। टाइमस्टेप (t) डी‑नॉइज़िंग के क्रमिक चरणों को दर्शाता है, जिससे वीडियो समय के साथ स्मूद तरीके से विकसित होता है।

कई परिष्करण चरणों के बाद, Wan‑Decoder प्रोसेस्ड डेटा से अंतिम वीडियो फ्रेम्स का पुनर्निर्माण करता है। आउटपुट फ्रेम्स की एक श्रृंखला होती है जो मूल इनपुट विवरण के अनुरूप होती है, और शार्प विवरण, स्मूद मोशन और सुसंगति बनाए रखती है।

उच्च‑गुणवत्ता वाले वीडियो के लिए वीडियो वैरिएशनल ऑटोएन्कोडर (VAE)

Wan 2.1 में Wan‑VAE शामिल है, एक शक्तिशाली कंप्रेशन टूल जो मॉडल की मदद करता है:

• फ्रेम्स के बीच सुसंगति बनाए रखना ताकि ऑब्जेक्ट्स और लोग यादृच्छिक रूप से आकार न बदलें।
• सूक्ष्म विवरण संरक्षित रखना, 1080p जैसी उच्च रेज़ोल्यूशन पर भी।
• लंबे वीडियो प्रोसेस करना बिना पिछले सूचनाओं को खोए।

यह कुछ वैसा है जैसे आप वीडियो की फाइलें ज़िप करते हैं: यह प्रमुख विवरणों को संपीड़ित और संग्रहीत करता है, और फिर वीडियो जनरेट करते समय उन्हें सटीकता से पुनर्निर्मित करता है।

स्रोत: GitHub (Wan-Video/Wan2.1)

यह चार्ट विभिन्न वीडियो कंप्रेशन मॉडलों की तुलना वीडियो गुणवत्ता (PSNR) और दक्षता (वे फ्रेम्स को कितनी तेज़ी से प्रोसेस करते हैं) के आधार पर करता है। प्रत्येक बबल एक मॉडल का प्रतिनिधित्व करता है, और उसका आकार मॉडल के आकार को दर्शाता है। x‑अक्ष मापता है कि कोई मॉडल फ्रेम्स को कितनी कुशलता से प्रोसेस करता है—संख्या जितनी अधिक, मॉडल उतनी तेज़ी से काम करता है। y‑अक्ष वीडियो गुणवत्ता दिखाता है—संख्या जितनी अधिक, वीडियो उतना स्पष्ट और विस्तृत।

नारंगी रंग में दिखाया गया Wan‑VAE अन्य मॉडलों की तुलना में उच्च वीडियो गुणवत्ता और तेज़ प्रोसेसिंग के संतुलन के साथ बेहतर प्रदर्शन करता है, जबकि आकार में अपेक्षाकृत छोटा रहता है (127M पैरामीटर्स)। अन्य मॉडल, जैसे Step Video और Mochi, बहुत बड़े हैं लेकिन फ्रेम्स उतनी कुशलता से प्रोसेस नहीं करते। यानी Wan‑VAE लंबी, उच्च‑गुणवत्ता वाली वीडियो बनाते समय विवरण शार्प और मूवमेंट स्मूद रखते हुए गति से समझौता नहीं करता।

Wan 2.1 के उपयोग के मामले

Wan 2.1 एक बहुमुखी AI वीडियो जनरेशन मॉडल है जिसे कई उद्योगों में उपयोग किया जा सकता है। इस खंड में, मैं विभिन्न उपयोग मामलों के लिए कुछ उदाहरण आज़माऊँगा।

कंटेंट निर्माण और सोशल मीडिया

Wan 2.1 आपको महंगे उपकरण या लंबे एडिटिंग घंटों के बिना अनोखा वीडियो कंटेंट बनाने में मदद कर सकता है। तो मान लीजिए कि मैं एक लाइफस्टाइल इन्फ्लुएंसर हूँ और अपने जीवन के एक आरामदेह दिन के इर्द‑गिर्द कुछ कंटेंट बनाना चाहता/चाहती हूँ।मैं अपने वीडियो के लिए एक क्लिप बनाने हेतु निम्न प्रॉम्प्ट का उपयोग करने जा रहा/रही हूँ:

सुबह से शाम तक एक आरामदेह कैफ़े का टाइम‑लैप्स एनीमेशन, जिसमें लोगों का आना‑जाना, कॉफी बनना और खिड़कियों पर पड़ती सूर्यास्त की परछाई दिखे।

क्योंकि मैं इसे यथासंभव वास्तविक दिखाना चाहता/चाहती था/थी, मैंने इंस्पिरेशन मोड भी इस्तेमाल किया। यह रहा परिणाम: