AlibabaのWan 3.0は、プロンプトとドキュメントから30秒の動画を生成する。

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.

AlibabaのWanチームは8月6日にWan 3.0をパブリックベータでリリースし、AIビデオジェネレータを30秒のクリップに拡張するとともに、従来のテキストやメディアプロンプトに加えてドキュメント、スプレッドシート、プレゼンテーション、ウェブページから動画を構築できるようにしました。

このモデルはAlibaba Cloud Model Studio、Qwen Cloud、およびWan creation siteを通じて利用可能です。今回のローンチにより、Wan 3.0はまずホスト型製品として提供され、Alibabaはパブリックベータの制限下で需要とキャパシティを試験しながら、生成に対して直接課金する経路を確保しました。

Qwen Cloudのモデルページによれば、Wan 3.0は480pで生成1秒あたり$0.05、720pで$0.10、1080pで$0.20の料金がかかります。したがって30秒のフル生成はそれぞれ$1.50、$3、$6となり、リトライや別テイクに対する支払いはこれに加算されます。Qwen Cloudは現在、同時ジョブ数2件、1分あたり30リクエスト、非同期キュー内タスク50件の上限を記載しています。 (qwencloud.com)

Alibaba、Wanの単一実行時間を2倍に

継続時間は今回のリリースで最も明確な技術的かつ商業的な変更点です。Alibabaの従来のWan 2.7のテキストから動画および画像から動画へのモデルは、2秒から15秒のクリップを生成していました。Wan 3.0はその上限を1回の実行で30秒に引き上げ、別々に生成したセグメントを結合する必要性を減らします。結合時にキャラクターの外観、ライティング、シーン構図がずれる問題を軽減できます。 (docs.qwencloud.com)

長尺フォーマットはまた、実験の経済性を変えます。開発者はWan 2.7で15秒のクリップを720pで生成するのに$1.50を支払っていたかもしれません。Wan 3.0は同じ解像度で1秒あたり$0.10というレートを維持しているため、Alibabaは長いコンテキストウィンドウにプレミアムを付けるのではなく、追加された継続時間に対して線形に課金しています。

AlibabaはWan 3.0を生成、編集、ビジュアル複製、キャラクター駆動のオールインワンモデルと説明しています。テキスト、画像、音声、動画を受け付けるほか、新しい「Omni-Reference」機能はPDF、テキストファイル、Microsoft Officeドキュメント、Apple KeynoteおよびPagesファイル、ウェブページを解析できます。モデルのQwen Cloud上の一覧は、これらの資料を参照として使用しつつキャラクターを維持し、視覚と音声を同期させた出力を生成できるとしています。 (qwencloud.com)

ドキュメント対応はより重要なプロダクト上の賭けです。マーケティングチームは、素材をプロンプトや参照画像に手作業で変換する代わりに、製品ページやプレゼンテーションをWan 3.0に投入できるかもしれません。企業はキャンペーンブリーフ、セールスデッキ、スプレッドシートを初期動画のソース素材として使うことができます。これらのワークフローは、構造化ファイルから事実、レイアウト、視覚的優先事項をモデルがどれほど正確に抽出できるかに依存しており、その点はAlibabaのローンチデモだけでは判断できません。

Alibabaはまた「reality-grade rendering（現実レベルのレンダリング）」、より表現豊かなキャラクター、参照の一貫性向上、デジタルインターフェイスのレンダリング改善などを謳っていますが、これらの表現は出力に対するAlibaba自身の説明にとどまります。今回のローンチで測定可能な部分は、30秒の継続時間、参照フォーマットの拡張、ホスト提供での利用可能性、公開されたAPI価格です。

Wanはオープンモデルから従量制のプロダクションサービスへ移行

WanはAlibabaのTongyi Labから生まれたビジュアル生成モデル群です。チームはダウンロード可能なリリースを通じて初期の開発者コミュニティを築きました：Alibabaは2025年2月にWan 2.1をオープンソース化し、同年7月にWan 2.2を公開し、その後に音声から動画への専門化モデルやキャラクターアニメーションの派生モデルをリリースしました。Alibabaは2025年8月に、WanシリーズがHugging FaceとModelScopeを通じて合計690万ダウンロードを達成したと発表しました。 (alibabacloud.com)

その歴史により、開発者はモデルの重みとローカル推論コードにアクセスできました。5-billion-parameterのWan 2.2モデルやより大きなmixture-of-expertsバリアントも含まれていました。Wan 3.0のパブリックベータ展開はむしろユーザーをAlibaba自身のインターフェースとAPIエンドポイントに誘導するもので、そこで生成されるすべての秒がクラウド収益を生み、Alibabaが利用可能な計算資源を管理します。

APIファーストのアプローチはまた、ドキュメント駆動型および長尺生成という、Wan 3.0を直前のバージョンと区別する二つの機能に関する使用データをAlibabaに提供します。同社は顧客がどの入力フォーマットを使用するか、30秒ジョブがどの程度リトライを必要とするか、ユーザーがフル長の1080p結果に$6を支払うかどうかを把握できます。

Wan 3.0は、ビデオラボが視覚的に印象的なデモを反復可能なプロダクションツールへと変換しようと競うなかで登場しました。Alibabaは、接合されたクリップの削減、より広いソース素材、透明な秒単位課金に賭けています。パブリックベータは、これらの制御が生成ビデオを開発者やクリエイティブチームが日常的なワークフローに組み込めるほど信頼できるものにできるかどうかを検証する試験となるでしょう。