إن إنشاء الفيديو من النص (نص إلى فيديو) هو أحد الإنجازات الأكثر إثارة للإعجاب في الذكاء الاصطناعي الحديث. تصف بالكلمات ما تريد رؤيته: الشخصيات، البيئة، الحركة، أسلوب التصوير، والمزاج — وفي غضون 1-3 دقائق تحصل على مقطع فيديو من 3-5 ثواني لم يكن موجودًا في الواقع.
تعتمد جودة النتيجة بشكل كبير على تفاصيل الوصف. تتضمن صيغة فعالة: موضوع الحركة، ما يحدث بالضبط، البيئة والأجواء، الأسلوب (تصوير سينمائي، رسوم متحركة، وثائقي)، حركة الكاميرا (تحريك لليسار، تكبير، لقطة ثابتة). على سبيل المثال: "قطة زنجبيل تمشي في شارع ليلي مبلل في طوكيو، انعكاسات لافتات النيون في البرك، الكاميرا تتحرك ببطء للخلف، أسلوب سينمائي، 24fps".
Wan 2.1 يكلف 3 أرصدة وهو رائع لاختبار الأفكار بسرعة. Kling v2.1 مقابل 20 رصيد يوفر جودة سينمائية مع فيزياء حركة واقعية — مثالي للمحتوى النهائي.