Die Seite stellt sich schlicht als Generator der nächsten Generation für Video und Bild vor. Die obere Navigation teilt das Produkt in zwei Hälften, ein Studio für die, die etwas herstellen, und eine Schnittstelle für Entwickler. Ein Detail ist erwähnenswert: Die internationale Startseite trägt einen Hinweis, dass der internationale Auftritt auf eine neue Adresse umgezogen ist, samt Knopf zum Folgen. Das Studio für Nutzer auf dem Festland behält seine eigene Werkzeugleiste mit Bilderzeugung, Videoerzeugung, Bewegungssteuerung, einer Leinwand, einem Agenten und einem digitalen Menschen der zweiten Generation, und das Abo-Band dort wirbt mit einem Preis unter sechs Yuan im Monat.

Eine Familie mit fünf Mitgliedern

Vorgetragen wird die dritte Generation unter einem Slogan, der im Chinesischen reimt und sinngemäß alles in einem, eines für alles bedeutet. Es ist kein einzelnes Modell, sondern eine Familie: Video, Video Omni, Bild, Bild Omni und eine Bibliothek von Elementen. Offiziell heißt es, die Familie stehe auf einem neu gebauten Fundament und lege Video, Standbilder und Elementmaterial in einen Ablauf, sodass ein Team, das Clips und Bilder braucht, eine Stilvorlage über die Medien hinweg wiederverwendet.

Ton entsteht mit dem Bild, nicht danach

Die folgenreichste Neuerung dieser Generation betrifft den Klang. Die Dokumentation sagt, die Videomodelle zerlegten multimodale Anweisungen tief und verschmolzen Aufgaben über sie hinweg, sie bauten die Erzähllogik von Licht und Ton neu, und sie beschreibt das Ergebnis als doppelte Bindung von visueller Identität und Stimmfarbe, von der genauen Szenenaufteilung sehr langer Clips bis zur Trennung von Ton- und Bildmerkmalen. Praktisch heißt das schlicht: Niemand muss einen stummen Clip rendern und ihn danach auf die Lippen nachsynchronisieren, weil Stimme und Bild beim Erzeugen gebunden werden.

Die Behauptung vom nativen 4K und ihre Herkunft

Ein Beitrag im offiziellen Blog trägt den Titel das weltweit erste native 4K-Videomodell, und der erste Absatz datiert die Veröffentlichung auf den 23. April, als die dritte Generation die native 4K-Erzeugung brachte. Nativ hat hier eine bestimmte Bedeutung: Das Haus sagt, Nutzer erzeugen echtes 4K direkt, und zitiert einen Partner zum Unterschied gegenüber Hochskalierungswerkzeugen, die eine Figur beim Vergrößern gern verändern, während dieses Modell von Anfang an in echtem 4K baut und das Problem damit nicht hat. Derselbe Text nennt den Maßstab, nämlich native Ausgabe mit 3840 mal 2160 während der Erzeugung.

Einen Körper bewegen, ein Gesicht sprechen lassen

Neben Text oder Bild zu Material kommen zwei Fähigkeiten mit eigener Rechnung. Die Bewegungssteuerung ruht auf Bewegungserfassung, gibt komplexe Bewegungen und genaue Mimik wieder, und der übliche Weg ist ein Referenzvideo plus ein Porträt, sodass das Ergebnis Körpersprache und Ausdruck des Originals übernimmt. Der digitale Mensch nimmt ein Porträt und eine Sprachaufnahme und liefert eine überzeugende Darstellung mit natürlichem Spiel und passender Lippensynchronität. Beide stehen in einem beliebten Bereich der Startseite, und beide haben Dokumentation auf der Entwicklerseite.

Die Werkzeugwand des Studios

Das Studio fasst seine Werkzeuge in sechs Gruppen: Bilderzeugung, Videoerzeugung, Bewegungssteuerung, eine Leinwand, ein Agent und der digitale Mensch, daneben omnimodale Erzeugung und ein Sammelzugang für alles Übrige. Die Videoliste ist länger und umfasst Text zu Video, Bild zu Video, mehrere Bilder zu Video, Verlängerung, Lippensynchronität und Effekte, dazu Text zu Ton und Video zu Ton. Die Bildseite deckt Text zu Bild, Bild zu Bild, mehrere Bilder zu Bild und Erweitern ab, dazu vertikale Anwendungen wie virtuelle Anprobe. Auch die Plattformen sind breit gestreut, mit mobilen Clients auf beiden großen Systemen und Desktop-Fassungen für Windows und für Macs beider Chiplineien.

Ein Einheitenname, zwei verschiedene Sätze

Die Preisseite für Entwickler erklärt ihre Einheit ungewöhnlich klar, und die Klarheit ist der Punkt: Video und Bild teilen den Namen, nicht aber den Preis. Auf der Videoseite ist eine Einheit 14 Cent wert. Auf der Bildseite ist eine Einheit ein Bruchteil eines Cents, und zwar tausend Einheiten für 3 US-Dollar 50 Cent. Zwei freundliche Regeln stehen auf derselben Seite: Eine gescheiterte Erzeugung wird nicht berechnet, und ein Restguthaben in einem Paket verfällt statt übertragen zu werden.

Was eine Sekunde kostet

Video wird nach Dauer abgerechnet, in Stufen. Die Turbo-Fassung der dritten Generation führt die Haupttabelle mit etwa 11 Cent pro Sekunde in 720p und 14 Cent in 1080p an, wobei nativer Ton als Merkmal vermerkt ist. Die Standardfassung teilt feiner: in 1080p ohne nativen Ton etwa 11 Cent pro Sekunde, mit nativem Ton etwa 17 Cent, und in der 4K-Stufe kommen beide Ausführungen auf 42 Cent pro Sekunde. Bewegungssteuerung liegt zwischen rund 13 und 17 Cent pro Sekunde, der digitale Mensch zwischen 6 und 11 Cent, alles im selben Sekundensystem. Bilder sind weit günstiger: etwa 3 Cent je Bild in 1K und 2K, das Doppelte, also rund 6 Cent, für 4K.

Vier Grenzen

Alle genannten Preise gehören zur Entwicklerschnittstelle und werden nach Sekunde oder Bild abgerechnet, was ein anderes Konto ist als ein Studio-Abo; der auf der China-Seite sichtbare Betrag ist ein Einstiegspreis, und Stufen wie Rechte liest man am besten am Tag selbst nach. 4K ist die teure Sprosse dieser Generation mit 42 Cent pro Sekunde, etwa das Vierfache des 1080p-Satzes ohne Ton, und mit Ton steigt es weiter, also zuerst bei 720p die Parameter einstellen. Die Formulierung natives 4K ist die eigene Behauptung des Hauses und sollte auch so zitiert werden; die Zahlen hier stammen von der Seite und aus dem Blog und bewegen sich mit Aktionen. Und wer Gesicht oder Stimme einer echten Person verwendet, braucht die passende Erlaubnis und hält sich an die Inhaltsregeln der Plattform.

Kurz gesagt geht es in dieser Runde darum, Bild und nativen Ton in einen Durchgang zu binden und die Qualitätsdecke mit nativem 4K in Richtung Produktion zu heben. Die Sätze je Einheit, 14 Cent auf der Videoseite und ein Bruchteil eines Cents auf der Bildseite, sind die praktischere Karte, die sie gegenüber Entwicklern ausspielt.