Stap 01 — Upload je invoer
Voeg een doelscène en een gezichtsreferentie toe, zodat het model de belangrijkste identiteitskenmerken behoudt en tegelijk de doelcompositie volgt.
Wan VACE
Zet een doelbeeld en een gezichtreferentie om naar een video met consistente identiteit en beter voorspelbare frames. In Cleep AI draait de workflow via WanPipeline met CLIPVisionModel, inclusief vace_preproccess en verwerking via dashscope.
Hoe het werkt
Maak afbeeldingen met Wan VACE in 3 stappen
Van een doelscène en een gezichtsreferentie naar modelgetrouwe resultaten — direct in Cleep.ai.
Stap 02 — Kies je uitvoerinstellingen
Stel je uitvoerresolutie en duur in en bepaal vervolgens hoe sterk de gezichtsreferentie het resultaat stuurt.
Stap 03 — Genereer en download
Klik op genereren en wacht een paar minuten. Wan VACE levert je resultaat. Download het, of wissel de invoer en start een snelle batch.
Wat het kan
Zo werk je met Wan VACE
Van twee beelden naar één consistente video
Upload eerst een doelbeeld dat de scène, compositie of stijl vastlegt en voeg daarna een gezichtreferentie toe voor identiteit. De workflow gebruikt vace_preproccess om de inputs te normaliseren en CLIPVisionModel om visuele kenmerken te verankeren voordat WanPipeline de frames opbouwt. Kies desgewenst een eerste en laatste frame om een gecontroleerde start en eindpose af te dwingen.
Praktische toepassingen voor teams in Nederland
Gebruik de tool voor productshots die moeten bewegen zonder dat de identiteit of styling per frame wegdrijft. Creatieve teams kunnen een campagnebeeld als doel gebruiken en varianten maken voor social video, terwijl het gezicht herkenbaar blijft. Ook handig voor interne demo’s: één referentie per scenario en snel meerdere korte clips voor presentaties.
Kwaliteitscontrole vóór je exporteert
Controleer na de run de eerste en laatste frames op pose, belichting en gezichtsconsistentie, en let op ‘drift’ in middenframes. Bij afwijkingen helpt het om de gezichtreferentie scherper te kiezen of het doelbeeld te vervangen door een beeld met duidelijkere compositie. De verwerking via dashscope maakt het eenvoudig om dezelfde instellingen opnieuw te draaien en resultaten naast elkaar te verifiëren.
Waarom deze aanpak werkt voor referentie-gestuurde video
In plaats van alleen een tekstprompt gebruikt het model twee concrete visuele ankers: scène/stijl via het doelbeeld en identiteit via de gezichtreferentie. WanPipeline orkestreert de generatie, terwijl CLIPVisionModel de visuele overeenkomsten bewaakt zodat de output minder onverwachte sprongen maakt. vace_preproccess zorgt dat inputs technisch beter aansluiten (zoals uitsnede en normalisatie), wat vooral merkbaar is bij close-ups.
Klaar om je referentie om te zetten naar video?
Upload een doelbeeld en een gezichtreferentie en laat de tool een eerste versie renderen die je direct per frame kunt beoordelen. Stel daarna bij op basis van start/eindframe en run opnieuw voor een strakkere match. Alles draait in Cleep AI, zodat je snel van test naar bruikbare clip gaat.
FAQ
Veelgestelde vragen
Wat is het Wan Vace-model?
Het is een referentie-gestuurde videogeneratie-aanpak waarbij een doelbeeld (scene/stijl) en een gezichtreferentie (identiteit) samen worden gebruikt om een consistente video te maken binnen Cleep AI.
Wat is vace bij videogeneratie?
VACE verwijst hier naar de methode om visuele referenties te verankeren; in de workflow wordt vace_preproccess gebruikt om de aangeleverde beelden te normaliseren en beter geschikt te maken voor stabiele generatie.
Hoe werkt referentie-naar-video in deze workflow?
Je levert een doelbeeld en een gezichtreferentie aan; CLIPVisionModel extraheert en matcht visuele kenmerken en WanPipeline bouwt daaruit de videoframes op, met optionele sturing via eerste/laatste frame.
Hoe worden eerste en laatste frame gebruikt?
Door een start- en eindbeeld te kiezen leg je de begin- en eindpose vast, waardoor overgangen netter worden en de clip minder ‘wegdrijft’ richting het einde.
Wat betekent 1.3 b in de context van modellen?
Dit verwijst doorgaans naar de schaal van een modelvariant (bijvoorbeeld ~1,3 miljard parameters). In de praktijk beïnvloedt dat vaak de balans tussen snelheid, kosten en detailniveau, afhankelijk van de gekozen run-instellingen.
Welke rol speelt dashscope?
Dashscope fungeert als verwerkingslaag voor het uitvoeren en herhalen van runs, zodat je instellingen consistent kunt toepassen en resultaten beter kunt vergelijken tijdens iteraties.
