Глоссарий видео с ИИ — объяснение T2V, I2V, CFG, диффузии и других понятий

Глоссарий

Глоссарий по ИИ-видео

Простые определения всех технических терминов, встречающихся при работе с видеомоделями Wan AI. Нажмите связанный термин или модель, чтобы узнать больше.

T2V (текст в видео): Текст в видео (T2V) принимает письменный промпт и синтезирует видеоклип с нуля, без входного изображения. Вы описываете сцену, позу, освещение и движение камеры, а модель создает движение непосредственно по этому описанию. Все видеомодели Wan поддерживают T2V. Подробные и конкретные промпты значительно повышают качество.
I2V (изображение в видео): Изображение в видео (I2V) использует исходное изображение как визуальную отправную точку и создает движение на его основе. В видеомоделях Wan изображение обычно служит первым кадром, а новые процессы также позволяют управлять первым и последним кадрами, задавая начало и конец клипа. Wan 2.2, Wan 2.5, Wan 2.6, Wan 2.7 и Wan 3.0 поддерживают процессы I2V в разных формах.
R2V (референс в видео): Референс в видео (R2V) — режим генерации, в котором видеомодель Wan использует референсные изображения как визуальные ориентиры. Референс задает то, что должно оставаться узнаваемым, например субъект, стиль или композицию, а текстовый промпт описывает движение, сцену, освещение и направление камеры. R2V отличается от T2V тем, что опирается не только на текст, а от базового I2V — тем, что обычно применяется, когда важна согласованность нескольких результатов.
Диффузионная модель: Диффузионная модель создает контент, обучаясь обращать процесс зашумления: она начинает со случайного шума и постепенно превращает его в связное изображение или видео под управлением текстового или визуального условия. Модели Wan AI построены на диффузионных архитектурах. Качество и согласованность результата сильно зависят от числа этапов шумоподавления и используемого масштаба управления.
Шкала CFG (управление без классификатора): CFG (управление без классификатора) — число, определяющее строгость следования модели промпту. Низкий CFG (например, 3–5) дает больше творческой свободы и обычно более плавное движение, но результат может отклониться от промпта. Высокий CFG (например, 10–15) заставляет модель точнее следовать словам, но может давать перенасыщенные кадры или множество артефактов. Большинство генераторов сайта используют разумное значение по умолчанию; меняйте его только при явном отклонении от промпта или пересвеченных цветах.
Этапы шумоподавления (этапы сэмплирования): Каждый этап шумоподавления уточняет результат, превращая шум в связное изображение. Большее число этапов (например, 50) обычно дает более четкие и детальные кадры, но увеличивает время генерации. Меньшее число (например, 20) работает быстрее, однако результат может быть слегка размытым или нестабильным. Для NSFW-видео обычно подходят 20–30 этапов. Генератор на этом сайте автоматически управляет их числом.
Промпт: Промпт — текст, с помощью которого вы сообщаете модели, что нужно создать. Хороший видеопромпт обычно включает описание субъекта (внешность, поза), действие или движение, окружение и освещение, ракурс или движение камеры и указания стиля. Модели Wan хорошо реагируют на явные и конкретные описания. Расплывчатые промпты дают типовые результаты, а конкретные — управляемые. Советы для отдельных моделей приведены в Руководстве по промптам.
Негативный промпт: Негативный промпт — второе текстовое поле, где перечисляется то, чего не должно быть в результате, например «размытие, водяной знак, лишние конечности, искаженное лицо». Модель направляет генерацию в сторону от этих понятий. Эффективные негативные промпты для NSFW-видео обычно включают описания распространенных артефактов. Это поле доступно не во всех интерфейсах; в генераторе Wan на этом сайте оно находится в расширенных настройках.
Постоянство субъекта: Постоянство субъекта показывает, остается ли один и тот же субъект узнаваемым между кадрами, планами и сгенерированными клипами. При слабом постоянстве возникает дрейф идентичности, когда внешность меняется по ходу видео. Wan 2.2 стала одним из первых улучшений стабильности субъектов, а Wan 2.5 и 2.6 развили ее дальше. I2V помогает за счет исходного изображения, а R2V и новые процессы Wan 2.7 / Wan 3.0 используют референсные материалы для сохранения постоянства в более сложных результатах.
FPS (кадров в секунду): FPS измеряет число кадров в одной секунде видео. Более высокая частота обычно делает движение плавнее, но для клипа той же длины нужно генерировать больше кадров. В старых спецификациях Wan может указываться вывод около ~24 fps: например, Wan 2.6 создает до 15 секунд, или около ~360 кадров за генерацию. Новые видеомодели Wan 2.7 и Wan 3.0 документированы с выводом MP4 при 30 fps; 30-секундный клип Wan 3.0 при 30 fps содержит около 900 кадров.
Разрешение: Разрешение — ширина × высота каждого видеокадра, выраженная в пикселях или уровнях вывода, таких как 720p и 1080p. Более высокое разрешение передает мелкие детали, но может требовать больше вычислений, памяти и времени. Wan 2.2, Wan 2.5 и Wan 2.6 обычно представлены как видеомодели с нативным 1080p. Wan 2.7 для видео поддерживает 720p и 1080p, а Wan 3.0 — 480p, 720p и 1080p, где 1080p является максимумом. Воспринимаемая четкость также зависит от детализации модели, качества промпта, исходных материалов и сложности движения.
Следование промпту: Следование промпту описывает, насколько точно модель Wan воспроизводит заданные сцену, субъект, движение, камеру, освещение и стиль. Высокая точность удерживает результат близко к вашим указаниям, не добавляя посторонних деталей и не игнорируя важные инструкции. Wan 2.2 улучшила управление промптом в ранней линейке видео, а новые процессы Wan 2.7 и Wan 3.0 также могут использовать расширение промпта и референсные материалы для более четкого управления результатом.
Плавность движения: Плавность движения показывает, воспринимается ли оно непрерывным от одного кадра к следующему. Слабое движение может выглядеть дерганым, скованным или нестабильным, особенно если промпт требует слишком много действий одновременно. FPS влияет на плавность, но также важны ясность промпта, постоянство субъекта, сложность сцены и версия модели. Wan 2.5 и Wan 2.6 улучшили стабильность по сравнению с предыдущими моделями, а Wan 2.7 и Wan 3.0 предлагают более мощные процессы для долгих и управляемых движений.
Соотношение сторон: Соотношение сторон описывает отношение ширины кадра к высоте: например, 16:9 для горизонтального видео, 9:16 для вертикального или 1:1 для квадратного. Оно влияет на кадрирование, композицию и расположение субъекта. В спецификациях Wan 2.6 обычно используются 9:16, 16:9 и 1:1, а Wan 2.7 и Wan 3.0 поддерживают также 4:3 и 3:4. В процессах с первым кадром или референсами вывод может повторять форму входного материала вместо выбранного вручную соотношения.
Референсные материалы: Референсные материалы — любые входные данные, которые управляют генерацией Wan помимо одного текста. В зависимости от модели и процесса это могут быть изображения, видео, аудио, файлы или ссылки на веб-страницы. Они помогают модели лучше понять идентичность, направление сцены, визуальный стиль, движение или звук. I2V обычно начинается с исходного изображения, а R2V и процессы Wan 3.0 по референсам могут использовать более широкий набор материалов для точного управления сложными результатами.