প্রকল্প সম্পর্কে

Wan2.1 একটি ওপেন এবং অ্যাডভান্সড বৃহৎ-স্কেল ভিডিও জেনারেটিভ মডেল স্যুট। এটি বেশ কয়েকটি টাস্ক সমর্থন করে, যার মধ্যে রয়েছে Text-to-Video (T2V), Image-to-Video (I2V), First-Last-Frame-to-Video (FLF2V), Video Editing, Text-to-Image এবং Video-to-Audio। রিপোজিটরিটি 1.3B এবং 14B প্যারামিটার মডেলের মডেল চেকপয়েন্ট প্রদান করে, যা 480P এবং 720P রেজোলিউশন সমর্থন করে। মূখ্য ক্ষমতাগুলোর মধ্যে রয়েছে: - কনজিউমার-গ্রেড GPU সমর্থন: T2V-1.3B মডেলের জন্য 8.19 GB VRAM প্রয়োজন, যা স্ট্যান্ডার্ড GPU-তে ভিডিও জেনারেশন সক্ষম করে। - ভিজ্যুয়াল টেক্সট জেনারেশন: ভিডিওর মধ্যে চাইনিজ এবং ইংরেজি উভয় টেক্সট জেনারেট করতে সক্ষম। - Wan-VAE: একটি ভিডিও VAE, যা 1080P ভিডিও যেকোনো দৈর্ঘ্যের এনকোড এবং ডিকোড করতে পারে এবং টেম্পোরাল তথ্য সংরক্ষণ করে। - VACE: ভিডিও তৈরি এবং এডিটিংয়ের জন্য একটি অল-ইন-ওয়ান মডেল। রিোজিটরিটি FSDP এবং xDiT USP (Ulysses এবং Ring strategies) ব্যবহার করে সিঙ্গেল-GPU এবং মাল্টি-GPU ইনফারেন্স স্ক্রিপ্ট প্রদান করে। এটি Dashscope API বা লোকাল Qwen মডেলের মাধ্যমে প্রম্পট এক্সটেনশন সমর্থন করে। Diffusers, ComfyUI এবং Gradio ডেমো-র সাথে ইন্টিগ্রেশন প্রদান করা হয়েছে। মডেল ওয়েট Hugging Face এবং ModelScope-তে পাওয়া যায়।