Unter den visuellen Generationsmodellen aus China ist dieser Name kaum zu übergehen. Tongyi Wanxiang ist ein visuelles Generationsmodell aus dem eigenen Haus des Tongyi-Labors, auf der eigenen Seite positioniert als führendes Modell für KI-Video und KI-Bild. Vorne auf der Seite steht die dritte Generation von Wan, ein All-in-One-Arrangement, das Text zu Video, Bild zu Video, multimodale Referenzen und Videobearbeitung in einem einzigen Modell zusammenfasst.

Dreißig Sekunden in einem Durchgang, mit Ton

Die offizielle Dokumentation hält fest, dass die dritte Serie ein All-in-One-Videomodell ist, aufgewertet bei Video mit nativem Ton, multimodalen Referenzen und Videobearbeitung: eine einzelne Erzeugung von bis zu dreißig Sekunden, Ausgabe mit dreißig Bildern pro Sekunde, und Dialog, Hintergrundmusik sowie Geräusche entstehen von Haus aus mit. Setzt man diese Zahlen zusammen, fällt der größte Teil des alten Ablaufs weg — stummes Material erzeugen, Sprecher suchen, Spuren ausrichten.

Text zu Video braucht nur einen Prompt, kein Material zum Hochladen. Laut Dokumentation werden mehrteilige Erzählungen bis dreißig Sekunden nativ unterstützt, samt passendem Dialog, Musik und Geräuschen, die das Modell selbst erzeugt. Einzelaufnahme und Mehrfachaufnahme sind beide möglich, jede Aufnahme dauert vier bis sechs Sekunden und trägt einen Zeitstempel. Die Auflösung kommt in drei Stufen bis zur vollen Hochauflösung, die Dauer reicht von zwei bis dreißig Sekunden, und es gibt eine automatische Dauer, bei der das Modell selbst entscheidet, wie lang das Stück sein soll.

Referenzen: Bilder, Video, Audio und auch Dokumente

Das ist der Teil der dritten Generation, der einen eigenen Abschnitt verdient. Eine Anfrage nimmt bis zu zwanzig multimodale Referenzen auf, über Bilder, Video, Audio, Dokumente und Webseiten hinweg. Die konkreten Grenzen: zehn Bilder mit je zwanzig Megabyte, fünf Videoclips mit zusammen höchstens fünfzehn Sekunden, fünf Tonspuren mit zusammen höchstens fünfzehn Sekunden, und die drei Arten lassen sich frei kombinieren — Bilder mit Video, Bilder mit Audio oder alle drei zusammen.

Dokumente und Webseiten sind der seltenere Kunstgriff. Setzt man den Referenztyp auf Datei oder Link — eines von beiden, je ein Element —, wertet das System den Inhalt eines Dokuments oder einer Seite aus und baut daraus das Video. Ein Produkthandbuch, ein Planungsdokument oder eine Datentabelle kann zur Struktur und zur visuellen Richtung eines Clips werden.

Erstes und letztes Bild, und Bearbeitung danach

Auf der Seite Bild zu Video gibt es sowohl den Modus mit einem Anfangsbild als auch den mit Anfangs- und Endbild: zwei Standbilder nageln den Anfang und das Ende pixelgenau auf die Vorlage fest, die Bewegung dazwischen bleibt dem Modell. Im Zwei-Bild-Modus erzeugt es den Übergang selbst, was der Einstellung im Kopf näher kommt als ein beschreibender Satz.

Die Dokumentation deckt auch Bearbeitung und Verlängerung ab. Für die Bearbeitung setzt man den Materialtyp auf ein Referenzvideo und lässt den Prompt die Absicht tragen — entfernen, ersetzen, umwandeln —, und Elemente lassen sich hinzufügen, löschen oder ändern, Stile übertragen, Licht anpassen und Dialog neu schreiben. Die Verlängerung arbeitet vorwärts, rückwärts oder in beide Richtungen. Anders gesagt: Was nicht gefällt, lässt sich im selben Modell korrigieren, und das Material kann weiterlaufen.

Die Bildseite ist kein Anhängsel

Video ist die Hauptbühne, aber die Bilder sind nicht schwach. Die Seite beschreibt das System als Modell für Video und Bild, und die Bildseite deckt Text zu Bild sowie Bild zu Bild ab, mit Mischung mehrerer Bilder und kreativer Neukombination, gewerblicher Beständigkeit eines Motivs über Ausgaben hinweg, Übertragung ästhetischer Merkmale und präziser Kontrolle über Objektiv und Licht. Auch gemischte Layouts aus Bild und Schrift sind möglich, mehrere Bilder und der Text entstehen zusammen, was für Bilderbücher und Infografiken taugt, bei denen die Anordnung stimmen muss. Realistische Porträts sind eine ausdrückliche Richtung, mit dem Anspruch, Komposition und Licht so abzustimmen, dass der verräterische Eindruck erzeugter Bilder schwindet.

Die Familie und der Zugang

Die Veröffentlichungsseite hält fest, dass die Wan-Familie inzwischen mehr als zehn Fähigkeiten der visuellen Gestaltung abdeckt — Text zu Bild, Text zu Video, Bild zu Video, Video aus Stimme und Bewegungserzeugung darunter — und bis heute dreihundertneunzig Millionen Bilder sowie siebzig Millionen Videos erzeugt hat. Mehr als zwanzig Modelle wurden nacheinander offen freigegeben, mit über dreißig Millionen Downloads in Open-Source-Gemeinschaften und auf Drittplattformen. Im Alltag lässt sich das Modell auf der offiziellen Seite ausprobieren oder über einen Cloud-Modelldienst für Serienproduktion aufrufen.

Die Grenzen, benannt

Ein paar Grenzen aus der Dokumentation sollte man vorher kennen. Dokument- und Seitenlinks funktionieren nur bei öffentlichen Seiten ohne Anmeldung; was hinter einem Login liegt, kommt nicht hinein. Die Referenzgrenzen gelten wie aufgeführt. Und der Zwei-Bild-Modus lässt sich nicht mit anderen Referenztypen mischen — wer Anfangs- und Endbild vorgibt, schließt eine Audioreferenz in derselben Anfrage aus. Das sind keine Fallen, sondern Bedingungen, die man vor der Wahl einrechnen sollte.

Zusammengefasst: Was die dritte Generation schließt, ist die Lücke zwischen Skript und fertigem Schnitt, für die früher mehrere Werkzeuge nötig waren. Dreißig Sekunden, mit Ton, mehrteilig, referenzierbar, bearbeitbar — alles in einem Modell. Wer an Kurzserien, Werbung oder Handelsvideo arbeitet, sollte es auf die Testliste setzen. Wer nur gelegentlich ein Bild braucht, kommt mit dem Bildeingang aus.