وان 2.1: ثورة توليد الفيديو بالذكاء الاصطناعي مفتوح المصدر

ما هو وان 2.1؟

وان 2.1 (ويُسمى أيضًا WanX 2.1) يفتح آفاقًا جديدة كنموذج مفتوح المصدر بالكامل لتوليد الفيديو بالذكاء الاصطناعي طورته مختبرات تونغي التابعة لعلي بابا. على عكس العديد من أنظمة توليد الفيديو المغلقة التي تتطلب اشتراكات باهظة أو وصولًا عبر واجهات برمجة التطبيقات، يقدم وان 2.1 جودة مماثلة أو متفوقة مع بقائه مجانيًا بالكامل ومتاحًا للمطورين والباحثين والمحترفين المبدعين.

ما يجعل وان 2.1 مميزًا حقًا هو الجمع بين سهولة الوصول والأداء العالي. الإصدار الأصغر T2V-1.3B يتطلب فقط حوالي 8.2 جيجابايت من ذاكرة GPU، ما يجعله متوافقًا مع معظم وحدات معالجة الرسومات الاستهلاكية الحديثة. في حين يقدم الإصدار الأكبر ذو 14 مليار معلمة أداءً متقدمًا يتفوق على بدائل مفتوحة المصدر وكثير من النماذج التجارية في المقاييس القياسية.

الميزات الرئيسية التي تميز وان 2.1

دعم المهام المتعددة

لا يقتصر وان 2.1 على تحويل النص إلى فيديو فقط. بنيته المرنة تدعم:

• تحويل النص إلى فيديو (T2V)
• تحويل الصورة إلى فيديو (I2V)
• تحرير الفيديو إلى فيديو
• توليد الصور من النص
• توليد الصوت من الفيديو

هذا التنوع يعني أنه يمكنك البدء بتعليمات نصية، أو صورة ثابتة، أو حتى فيديو موجود وتحويله بناءً على رؤيتك الإبداعية.

توليد نصوص متعددة اللغات

باعتباره أول نموذج فيديو قادر على كتابة نصوص إنجليزية وصينية قابلة للقراءة ضمن الفيديوهات المولدة، يفتح وان 2.1 آفاقًا جديدة لصناع المحتوى الدوليين. هذه الميزة ذات قيمة خاصة لإضافة ترجمات أو نصوص مشهدية في فيديوهات متعددة اللغات.

Wan-VAE الثوري لتشفير الفيديو

في قلب كفاءة وان 2.1 يوجد Wan-VAE السببي ثلاثي الأبعاد. هذا الابتكار التقني يضغط المعلومات المكانية والزمنية بكفاءة، مما يسمح للنموذج بـ:

• ضغط الفيديوهات مئات المرات في الحجم
• الحفاظ على تفاصيل الحركة والدقة
• دعم إخراج بدقة عالية تصل إلى 1080p

كفاءة وسهولة وصول استثنائية

النموذج الأصغر (1.3B) يتطلب فقط 8.19 جيجابايت من VRAM ويمكنه إنتاج فيديو مدته 5 ثوانٍ بدقة 480p في حوالي 4 دقائق على RTX 4090. وعلى الرغم من هذه الكفاءة، فإن جودته تضاهي أو تتفوق على نماذج أكبر بكثير، ما يجعله مثاليًا من حيث السرعة ودقة الصورة.

مقاييس جودة رائدة في القطاع

في التقييمات العامة، حقق نموذج وان 14B أعلى نتيجة إجمالية في اختبارات Wan-Bench، متفوقًا على المنافسين في:

• جودة الحركة
• الاستقرار
• دقة تنفيذ التعليمات النصية

مقارنة وان 2.1 مع نماذج توليد الفيديو الأخرى

على عكس الأنظمة مغلقة المصدر مثل Sora من OpenAI أو Gen-2 من Runway، فإن وان 2.1 متاح مجانًا للتشغيل محليًا. غالبًا ما يتفوق على النماذج مفتوحة المصدر السابقة (مثل CogVideo، MAKE-A-VIDEO، وPika) وحتى العديد من الحلول التجارية في معايير الجودة.

ذكرت دراسة صناعية حديثة أن “من بين العديد من نماذج الفيديو بالذكاء الاصطناعي، يبرز وان 2.1 وSora” – يتميز وان 2.1 بانفتاحه وكفاءته، بينما تتميز Sora بابتكاراتها الملكية. وفي اختبارات المجتمع، أفاد المستخدمون بأن ميزة تحويل الصورة إلى فيديو في وان 2.1 تتفوق على المنافسين من حيث الوضوح والإحساس السينمائي.

التقنية وراء وان 2.1

يعتمد وان 2.1 على بنية تحويلية-انتشارية مع Wan-VAE مكاني-زماني مبتكر. كيف يعمل ذلك:

1. يُشفَّر الإدخال (نص و/أو صورة/فيديو) إلى تمثيل فيديو كامن بواسطة Wan-VAE
2. يقوم محول الانتشار (استنادًا إلى بنية DiT) بإزالة التشويش تدريجيًا من الكامن
3. تُوجه العملية بواسطة مشفر النصوص (نسخة متعددة اللغات من T5 تُسمى umT5)
4. أخيرًا، يعيد Wan-VAE فك تشفير إطارات الفيديو الناتجة

الشكل: البنية عالية المستوى لـ وان 2.1 (حالة تحويل النص إلى فيديو). يُشفَّر الفيديو (أو الصورة) أولاً بواسطة مشفر Wan-VAE إلى تمثيل كامن. يُمرر هذا الكامن عبر N من كتل المحول الانتشاري، والتي تولي اهتمامًا لتضمين النص (من umT5) عبر Cross-Attention. في النهاية، يعيد فك تشفير Wan-VAE بناء إطارات الفيديو. هذا التصميم – الذي يتميز بـ"مشفر/فك مشفر VAE سببي ثلاثي الأبعاد يحيط بمحور انتشاري" (ar5iv.org) – يسمح بضغط فعال للبيانات المكانية-الزمانية ويدعم إخراج فيديو عالي الجودة.

تسمح هذه البنية المبتكرة — التي تتميز بـ"مشفر/فك مشفر VAE سببي ثلاثي الأبعاد يحيط بمحور انتشاري" — بضغط فعال للبيانات المكانية-الزمانية ودعم إخراج فيديو عالي الجودة.

تم تصميم Wan-VAE خصيصًا للفيديوهات، حيث يضغط الإدخال بعوامل مذهلة (4× زمنيًا و8× مكانيًا) إلى كامن صغير قبل فك تشفيره إلى فيديو كامل. استخدام التلافيف ثلاثية الأبعاد والطبقات السببية (المحافظة على التسلسل الزمني) يضمن حركة متسقة في المحتوى الناتج.

الشكل: إطار عمل Wan-VAE في وان 2.1 (ترميز-فك ترميز). يقوم مشفر Wan-VAE (يسار) بتطبيق سلسلة من الطبقات الهابطة (“Down”) على فيديو الإدخال (بنية الإطارات [1+T, H, W, 3]) حتى يصل إلى كامن مضغوط ([1+T/4, H/8, W/8, C]). أما فك التشفير Wan-VAE (يمين) فيعيد رفع هذا الكامن بشكل متماثل (“UP”) إلى الإطارات الأصلية للفيديو. الكتل الزرقاء تشير إلى الضغط المكاني، والكتل البرتقالية تشير إلى الضغط المكاني+الزمني معًا (ar5iv.org). من خلال ضغط الفيديو بمقدار 256× (في الحجم المكاني الزمني)، يجعل Wan-VAE نمذجة الفيديو عالي الدقة ممكنة للنموذج الانتشاري اللاحق.

كيفية تشغيل وان 2.1 على جهازك الخاص

هل أنت مستعد لتجربة وان 2.1 بنفسك؟ إليك كيفية البدء:

متطلبات النظام

• بايثون 3.8 أو أحدث
• بايتورتش 2.4.0 أو أحدث مع دعم CUDA
• وحدة معالجة رسومات من NVIDIA (ذاكرة 8GB أو أكثر للنموذج 1.3B، و16-24GB للنماذج 14B)
• مكتبات إضافية من المستودع

خطوات التثبيت

1. استنساخ المستودع وتثبيت الاعتماديات:

   git clone https://github.com/Wan-Video/Wan2.1.git
   cd Wan2.1
   pip install -r requirements.txt
   

2. تنزيل أوزان النموذج:

   pip install "huggingface_hub[cli]"
   huggingface-cli login
   huggingface-cli download Wan-AI/Wan2.1-T2V-14B --local-dir ./Wan2.1-T2V-14B
   

3. توليد أول فيديو لك:

   python generate.py --task t2v-14B --size 1280*720 \
     --ckpt_dir ./Wan2.1-T2V-14B \
     --prompt "A futuristic city skyline at sunset, with flying cars zooming overhead."
   

نصائح للأداء

• لأجهزة بذاكرة GPU محدودة، جرب النموذج الأخف t2v-1.3B
• استخدم العَلَمين --offload_model True --t5_cpu لنقل أجزاء من النموذج إلى وحدة المعالجة المركزية
• تحكم بنسبة العرض إلى الارتفاع عبر معامل --size (مثال: 832*480 لدقة 16:9 480p)
• يوفر وان 2.1 توسيع التعليمات النصية و"وضع الإلهام" عبر خيارات إضافية

للمرجع، يمكن لـ RTX 4090 توليد فيديو مدته 5 ثوانٍ بدقة 480p في حوالي 4 دقائق. يدعم الاستخدام على نطاق واسع إعدادات تعدد وحدات GPU والعديد من تحسينات الأداء (FSDP، التكميم، إلخ).

لماذا وان 2.1 مهم لمستقبل الفيديو بالذكاء الاصطناعي

بصفته قوة مفتوحة المصدر تتحدى عمالقة مجال توليد الفيديو بالذكاء الاصطناعي، يمثل وان 2.1 تحولًا مهمًا في سهولة الوصول. طبيعته المجانية والمفتوحة تعني أن أي شخص يملك وحدة معالجة رسومات جيدة يمكنه اكتشاف أحدث تقنيات توليد الفيديو دون رسوم اشتراك أو تكاليف واجهات برمجة التطبيقات.

للمطورين، يتيح الترخيص مفتوح المصدر تخصيص وتحسين النموذج. يمكن للباحثين توسيع إمكانياته، بينما يستطيع المبدعون تصميم محتوى فيديو بسرعة وكفاءة.

في عصر تتزايد فيه النماذج الملكية خلف جدران دفع، يبرهن وان 2.1 أن الأداء المتقدم يمكن أن يكون ديمقراطيًا ومتاحًا للمجتمع الأوسع.