Wan

Wan constituye una plataforma de inteligencia artificial orientada a la creación de contenido visual mediante modelos generativos. La herramienta ofrece capacidades de generación de imágenes y vídeos a partir de diferentes tipos de entrada, incluyendo texto, imágenes de referencia y audio.

En el ámbito de la generación de vídeo, la plataforma dispone de varios modelos especializados. La función Text to Video permite crear vídeos a partir de descripciones textuales con interpretación de instrucciones cinematográficas. Image to Video transforma imágenes estáticas en secuencias animadas manteniendo coherencia con el contenido visual original. Reference to Video posibilita la transferencia de personajes desde vídeos de referencia a nuevas escenas, con soporte para figuras humanas o similares y capacidad de mantener consistencia en apariencia y voz. Speech to Video genera vídeos de personajes desde una imagen y un clip de audio, aplicando el audio para controlar expresiones faciales y movimientos corporales en diferentes tipos de personajes.

La generación de imágenes se realiza mediante el módulo Text to Image, que procesa descripciones textuales para producir contenido visual con diferentes estilos estéticos. El sistema incorpora interpretación de instrucciones para la generación de imágenes coherentes con las especificaciones proporcionadas.

WanBox funciona como espacio de trabajo donde se inician tareas de generación de imágenes, creación de vídeos y edición. La plataforma incluye un sistema de proyectos con línea de tiempo que facilita el ensamblaje de clips, edición de vídeo y generaciones adicionales sobre el material existente.

La plataforma se estructura como servicio web accesible mediante navegador, proporcionando interfaz para la configuración de parámetros de generación y visualización de resultados.

Wan ofrece modelos de código abierto que incluyen capacidades de animación y reemplazo de personajes, generación de vídeo controlada por audio, creación y edición de vídeo mediante modelos unificados, y generación de secuencias a partir de fotogramas inicial y final. Los modelos emplean arquitecturas basadas en transformadores de difusión y técnicas como Mixture of Experts para el procesamiento.