中国の AI 視覚生成モデルの中で、この名前を外して語ることはできない。Tongyi Wanxiang は通義の研究室が自ら作った視覚生成の大規模モデルで、公式サイトでは AI の映像と画像生成をリードするモデルと位置づけられている。いまトップに押し出されているのは第三世代の Wan で、文章から映像、画像から映像、複数の様態の参照、映像の編集までを一つのモデルに畳み込んだオールインワンの作りだ。

一度に三十秒、しかも音付き

公式の説明には、第三世代の系列がオールインワンの映像生成モデルであり、音付き映像の生成、複数の様態の参照、映像の編集で全面的に強化されたと記されている。一度の生成は最長三十秒、出力は毎秒三十コマ、そして台詞、背景音楽、効果音がそのまま出てくる。この数字を並べると、まず絵を作り、声を当て、最後に音を合わせるという古い手順の大半が省ける。

文章からの映像生成は合図だけでよく、素材のファイルを渡す必要がない。公式の説明では、最長三十秒の多カットの語りをそのまま扱え、同期した台詞、背景音楽、効果音を自分で作る。単一カットと多カットの絵コンテ形式の両方に対応し、各カットは四秒から六秒で時点の印が付く。解像度は三段階から選べ、長さは二秒から三十秒、さらに自動の長さという設定があり、モデルがどれくらいが適切かを自分で決める。

参照できるもの：画像、映像、音声、そして書類まで

ここは第三世代で特に一章を割く価値のある部分だ。一度の要求で最大二十点の複数様態の素材を参照でき、画像、映像、音声、書類、ウェブページにまたがる。具体的な上限は、画像が十枚で一枚二十メガバイトまで、映像が五本で合計十五秒まで、音声が五本で合計十五秒まで。三種類は自由に組み合わせられ、画像と映像、画像と音声、三つ全部といった形が取れる。

さらに珍しいのが書類とウェブページの参照だ。素材の種類を書類かリンクに切り替えると、どちらか一方でそれぞれ一点まで、文書やページの中身を読み取って映像を作る。製品の手引き、企画の文書、データの表が、そのまま作品の骨組みと作風の導きになる。

最初と最後のコマ、そして後からの編集

画像からの映像生成では、最初のコマだけを使う形と、最初と最後の両方を使う形がある。二枚の絵で始まりと終わりの画面を画素の水準まで厳密に指定し、間の動きはモデルに任せる。両方を使う形では、間の移り変わりをモデルが自分で作る。一言の説明より、頭の中のあの一編にはるかに近い。

公式の説明は編集と延長にも触れている。編集では素材の種類を参照映像にし、合図に編集の意図を載せる。消す、置き換える、変えるといった指示で、要素の追加、削除、変更、作風の変換、光の調整、台詞の書き換えができる。延長は前へ、後ろへ、両方向へと対応する。つまり、気に入らない部分は同じモデルの中で直せ、しかも続きを撮れる。

画像の側も付け足しではない

映像が主役だが、画像が弱いわけではない。公式サイトはこれを映像と画像の生成モデルと定義し、画像の側は文章からの生成と画像からの生成に対応する。複数画像の融合と創意の組み替え、業務に耐える主体の一貫性、美意識の要素の移し替え、レンズと光の精密な制御まで含む。画像と文字を混ぜた組版の出力もでき、複数の絵と文字を一緒に生むので、絵本や情報図表のように並びに筋道が要るシーン向きだ。写実的な人物も明確に狙っている方向で、構図と光を総合的に整え、ありがちな生成らしさを薄めるとしている。

モデルの一族と、たどり着き方

公式の発表には、Wan の一族が文章から画像、文章から映像、画像から映像、声からの映像、動きの生成など十を超える視覚創作の能力をすでに備え、これまでに三億九千万枚の画像と七千万本の映像を作ったと記されている。さらに二十を超えるモデルを続けて公開し、公開の場と第三者の配信の場での取得は三千万を超える。日々の使い方としては、公式サイトでそのまま試せ、クラウドのモデル窓口を通して呼び出し、まとめて作ることもできる。

はっきりさせておく限界

公式の説明には、先に知っておきたい制限がいくつかある。書類とウェブページのリンクは、ログインの要らない公開のページだけに対応し、非公開の中身は入れられない。素材の参照には上限があり、画像十枚、映像と音声は各五本でそれぞれ十五秒まで。最初と最後のコマを使う形は、他の参照の種類と混ぜられない。たとえば両端のコマを渡すなら、同じ要求に音声の参照は入れられない。落とし穴ではなく、選ぶ前に織り込むべき条件だ。

まとめると、第三世代が埋めたのは、一本の作品を台本から完成まで運ぶのにいくつもの道具をまたぐという隙間だ。三十秒、音付き、多カット、参照でき、編集できる。公式はどれも一つのモデルに収めた。短編や広告、通販の映像を作っているなら、試す一覧に入れる価値がある。たまに一枚の絵が欲しいだけなら、画像側の入口で足りる。