Wan 3.0 de Alibaba genera videos de 30 segundos a partir de indicaciones y documentos

Why it matters

Wan 3.0 doubles Alibaba's prior generation limit while turning decks, spreadsheets and webpages into video inputs, pushing the product closer to automated commercial production.

El equipo Wan de Alibaba lanzó Wan 3.0 en beta pública el 6 de agosto, ampliando su generador de video con IA a clips de 30 segundos y permitiendo a los usuarios crear videos a partir de documentos, hojas de cálculo, presentaciones y páginas web junto con indicaciones convencionales de texto y medios.

El modelo está disponible a través de Alibaba Cloud Model Studio, Qwen Cloud y el sitio de creación de Wan. El lanzamiento convierte a Wan 3.0 en un producto alojado desde el principio, dándole a Alibaba una vía directa para cobrar por la generación mientras prueba la demanda y la capacidad bajo los límites de la beta pública.

Wan 3.0 cuesta $0.05 por segundo generado a 480p, $0.10 a 720p y $0.20 a 1080p, según la página del modelo de Qwen Cloud. Por lo tanto, generar un clip completo de 30 segundos cuesta $1.50, $3 o $6, respectivamente, antes de que el usuario pague por reintentos o tomas alternas. Qwen Cloud actualmente lista un límite de dos trabajos concurrentes, 30 solicitudes por minuto y 50 tareas en la cola asíncrona. (qwencloud.com)

Alibaba duplica la duración por ejecución de Wan

La duración es el cambio técnico y comercial más claro de esta versión. Los anteriores modelos Wan 2.7 de texto a video y de imagen a video generaban clips de entre dos y 15 segundos. Wan 3.0 eleva ese tope a 30 segundos en una sola ejecución, reduciendo la necesidad de unir segmentos generados por separado que pueden diferir en la apariencia de los personajes, la iluminación o la composición de la escena. (docs.qwencloud.com)

El formato más largo también cambia la economía de la experimentación. Un desarrollador podía generar un clip de 15 segundos con Wan 2.7 a 720p por $1.50. Wan 3.0 mantiene la misma tarifa de diez centavos por segundo a esa resolución, así que Alibaba está cobrando de forma lineal por la duración añadida en lugar de aplicar una prima por la ventana de contexto más larga.

Alibaba describe Wan 3.0 como un modelo todo-en-uno para generación, edición, replicación visual y conducción de personajes. Acepta texto, imágenes, audio y video, mientras que su nueva función "Omni-Reference" puede analizar PDFs, archivos de texto, documentos de Microsoft Office, archivos de Apple Keynote y Pages, y páginas web. La ficha del modelo en Qwen Cloud indica que puede usar esos materiales como referencias mientras mantiene a los personajes y produce imágenes y sonido sincronizados. (qwencloud.com)

El soporte de documentos es la apuesta de producto más significativa. Un equipo de marketing podría darle a Wan 3.0 una página de producto o una presentación en lugar de convertir manualmente el material en indicaciones e imágenes de referencia. Una empresa podría usar un brief de campaña, un deck de ventas o una hoja de cálculo como material de origen para un video inicial. Esos flujos de trabajo dependen de qué tan preciso sea el modelo extrayendo hechos, diseños y prioridades visuales de archivos estructurados, un área que no puede juzgarse solo con las demos de lanzamiento de Alibaba.

Alibaba también promociona el "renderizado de calidad realista", incluyendo personajes más expresivos, mayor consistencia de referencias y mejor renderizado de interfaces digitales. Esa denominación sigue siendo la caracterización de Alibaba sobre los resultados. Las partes mensurables del lanzamiento son la duración de 30 segundos, los formatos de referencia ampliados, la disponibilidad alojada y el precio de la API publicado.

Wan pasa de modelos abiertos a un servicio de producción medido

Wan surgió del Tongyi Lab de Alibaba como su familia de modelos de generación visual. El equipo construyó una base temprana de desarrolladores mediante lanzamientos descargables: Alibaba liberó Wan 2.1 como código abierto en febrero de 2025 y Wan 2.2 en julio de ese año, publicando más tarde variantes especializadas de voz a video y de animación de personajes. Alibaba dijo en agosto de 2025 que la serie Wan había acumulado 6.9 millones de descargas en Hugging Face y ModelScope. (alibabacloud.com)

Esa trayectoria dio a los desarrolladores acceso a los pesos del modelo y al código de inferencia local, incluyendo un modelo Wan 2.2 de 5 mil millones de parámetros y variantes más grandes de mixture-of-experts. El despliegue en beta pública de Wan 3.0, en cambio, dirige a los usuarios a las propias interfaces y endpoints de API de Alibaba, donde cada segundo generado produce ingresos en la nube y Alibaba controla la capacidad de cómputo disponible.

El enfoque API-first también le da a Alibaba datos de uso sobre la generación impulsada por documentos y la generación en formato más largo, las dos características que distinguen a Wan 3.0 de su predecesor inmediato. La compañía puede ver qué formatos de entrada usan los clientes, con qué frecuencia los trabajos de 30 segundos requieren reintentos y si los usuarios aceptan un precio de $6 por un resultado completo en 1080p.

Wan 3.0 llega en un momento en que los laboratorios de video compiten por convertir demostraciones visualmente impresionantes en herramientas de producción repetibles. Alibaba apuesta por menos clips cosidos, un material de origen más amplio y un precio por segundo transparente. La beta pública pondrá a prueba si esos controles pueden hacer que el video generado sea lo suficientemente confiable para que desarrolladores y equipos creativos lo integren en flujos de trabajo rutinarios.