আপনার ব্রাউজারে Alibaba-র ফ্ল্যাগশিপ Wan 3.0 চালান: সাউন্ড আগে থেকেই সংযুক্ত থাকা 30 সেকেন্ড পর্যন্ত ক্লিপ, একটি ফার্স্ট-অ্যান্ড-লাস্ট-ফ্রেম মোড যা শট ঠিক কোথায় শুরু এবং শেষ হয় তা নির্ধারণ করে, এবং একটি রেফারেন্স মোড যা এক রিকোয়েস্টে ছবি, ভিডিও এবং অডিও পড়ে।
Wan 3.0 হলো Alibaba-র Tongyi Wanxiang 3.0, Wan 2.7-এর উত্তরসূরি, যা এখানে আমাদের ভিডিও প্রোভাইডারের মাধ্যমে alibaba/wan-3.0 এন্ডপয়েন্টে পরিবেশিত হয়। তিনটি মোড একটি প্যানেল ভাগ করে নেয়: শুধু প্রম্পট থেকে টেক্সট-টু-ভিডিও, ইমেজ-টু-ভিডিও যা একটি প্রথম ফ্রেম এবং ঐচ্ছিকভাবে একটি শেষ ফ্রেম পিন করে, এবং রেফারেন্স-টু-ভিডিও যা একটি রিকোয়েস্টে 10টি পর্যন্ত ছবি, 5টি ভিডিও ক্লিপ এবং 5টি অডিও ট্র্যাক পড়ে, প্রতিটি প্রম্পটে নম্বর দিয়ে উল্লেখ করা হয়। এর সংজ্ঞায়িত সংখ্যাগুলো হলো পরিসর: 2 থেকে 30 পর্যন্ত যেকোনো পূর্ণ সেকেন্ড, 480p ড্রাফট টিয়ার থেকে 1080p পর্যন্ত তিনটি রেজোলিউশন, এবং প্রতিটি ক্লিপের সঙ্গে তৈরি অডিও।
ট্রেড-অফগুলো নির্দিষ্ট। 1080p-ই সর্বোচ্চ সীমা — 4K ডেলিভারেবল Kling 3.0-এর জন্য। আপস্ট্রিম API-তে একটি স্মার্ট-ডিউরেশন মোড আছে যা ক্লিপের দৈর্ঘ্য নিজেই বেছে নেয়; এটি ৩০-সেকেন্ড সীমায় ক্রেডিট সংরক্ষণ করে, তাই আমরা সেটি সংযুক্ত করিনি — এখানে আপনি স্পষ্টভাবে দৈর্ঘ্য বেছে নেন। রেফারেন্স ভিডিওর সেকেন্ডগুলো বিলিং-এ গণনা হয়, যা প্রাইস প্রিভিউতে আপনি নিশ্চিত করার আগেই দেখায়। এই পৃষ্ঠার নিচের দুটি ক্লিপ এখানে জেনারেট হতে 3m 33s (5 সেকেন্ড, 720p) এবং 7m 32s (20 সেকেন্ড, 720p) সময় নিয়েছে — দীর্ঘ টেকের জন্য সেকেন্ড নয়, মিনিট ধরে পরিকল্পনা করুন।
Alibaba-র Tongyi Wanxiang 3.0 নেটিভ অডিওসহ 30 সেকেন্ড পর্যন্ত ক্লিপ তৈরি করে, একটি শটের সঠিক প্রথম ও শেষ ফ্রেম পিন করে, এবং একটি রেফারেন্স রিকোয়েস্টে ছবি, ভিডিও ক্লিপ ও অডিও ট্র্যাক একসঙ্গে পড়ে — 480p বাজেট টিয়ার থেকে প্রতি সেকেন্ডে বিল করা হয়।
বেশিরভাগ AI ভিডিও মডেল 10 বা 15 সেকেন্ডেই থেমে যায়; Wan 3.0 একটানা এক জেনারেশনে 30 পর্যন্ত চলে। একটি পূর্ণ প্রোডাক্ট ওয়াকথ্রু, একটি সংলাপযুক্ত দৃশ্য, বা পরপর বেশ কয়েকটি শটের জন্য এটা যথেষ্ট — পরে ক্লিপ জোড়া লাগানোর দরকার নেই। 2 থেকে 30-এর মধ্যে যেকোনো পূর্ণ সেকেন্ড বেছে নিন — আপনি প্রতি সেকেন্ডে পরিশোধ করেন, তাই একটি 6-সেকেন্ডের ড্রাফট আর একটি 30-সেকেন্ডের ফাইনালের দাম ঠিক সমানুপাতে নির্ধারিত হয়।
এখানে ইমেজ-টু-ভিডিও একটি ছবি সরানোর চেয়ে বেশি কিছু করে: একটি প্রথম ফ্রেম এবং ঐচ্ছিকভাবে একটি শেষ ফ্রেম আপলোড করুন, আর Wan 3.0 আপনার দুটি নির্দিষ্ট প্রান্তবিন্দুর মাঝের মোশনটি পূরণ করে। এই পৃষ্ঠার নিচের তুলনায় এটাই একমাত্র মডেল যা একটি শেষ ফ্রেম গ্রহণ করে — "এই ছবি থেকে শুরু করো" আর "ঠিক এই ছবি থেকে ঠিক ওই ছবিতে পৌঁছাও"-এর মধ্যেকার পার্থক্য।
রেফারেন্স-টু-ভিডিও একটি রিকোয়েস্টে মিশ্র উপাদান গ্রহণ করে — 10টি পর্যন্ত ছবি, 5টি ছোট ভিডিও ক্লিপ এবং 5টি অডিও ট্র্যাক — আর প্রম্পট প্রতিটিকে নম্বর দিয়ে সম্বোধন করে: "Image 1-এর চরিত্র, Video 1-এর মতো নড়াচড়া, Audio 1-এর মতো সুর"। রেফারেন্স ছবি ও অডিও বিনামূল্যে; রেফারেন্স ভিডিওর সেকেন্ড বিলকৃত দৈর্ঘ্যের সঙ্গে যোগ হয়, আর খরচটি জেনারেট করার আগেই দেখা যায়।
অডিও — কণ্ঠস্বর, ইফেক্ট, পরিবেশের শব্দ — ক্লিপের সঙ্গেই তৈরি হয়, আর এটি বন্ধ করলেও খরচ একই থাকে, তাই শব্দের জন্য কখনোই অতিরিক্ত চার্জ নেই। তিনটি রেজোলিউশন সুস্পষ্ট অনুপাতে বিল হয়: ড্রাফটের জন্য 480p প্রতি সেকেন্ডে 40 ক্রেডিট, 720p 80-এ, এবং ফাইনালের জন্য 1080p 160-এ। 480p-তে পরীক্ষা-নিরীক্ষা করে 1080p-তে শেষ করলে একটি 30-সেকেন্ডের প্রোডাকশন সাশ্রয়ী থাকে।
26 আগস্ট 2026-এ এখানে জেনারেট করা, প্রথম টেক, সঠিক প্রম্পট ও সেটিংস দেখানো হয়েছে। 20-সেকেন্ডের ক্লিপটি ওপরের দীর্ঘ-টেক দাবিটি প্রমাণ করার জন্য আছে — একটি জেনারেশন, কোনো কাট নেই, কোনো জোড়া দেওয়া নেই।
One continuous handheld shot following a food vendor through a night market: she ladles broth at her stall, hands a bowl to a customer, wipes the counter, then looks up smiling as lanterns sway overhead, ambient market chatter and sizzling sounds throughout, no cuts.
A cellist practicing alone in a sunlit rehearsal room, bow moving across the strings, warm resonant cello notes filling the space, dust motes in the light, slow push-in.
এটি এই গ্রুপের দীর্ঘ-ফর্ম এবং নির্ভুল মডেল: 30-সেকেন্ডের সীমা, একমাত্র শেষ-ফ্রেম নিয়ন্ত্রণ, এবং সবচেয়ে বড় রেফারেন্স টুলবক্স।
প্রোডাক্ট ওয়াকথ্রু, সংলাপযুক্ত দৃশ্য এবং বহু-ধাপের সিকোয়েন্স এক জেনারেশনে 30 সেকেন্ড পর্যন্ত চলে — কোনো জোড়া লাগানো নেই, ক্লিপের মাঝে ধারাবাহিকতার ফাটল নেই, আর অডিও ট্র্যাক পুরো টেক জুড়ে থাকে।
প্রথম-এবং-শেষ-ফ্রেম মোড দুটি ছবি নেয় এবং তাদের মধ্যকার গতি ইন্টারপোলেট করে — একটি রূপান্তর, একটি প্রকাশ, এমন ক্যামেরা মুভ যা নির্দিষ্ট কম্পোজিশনে ঠিক পৌঁছাতে হবে। এই পৃষ্ঠার অন্য কোনো মডেল শেষ ফ্রেম গ্রহণ করে না।
একটি ছবির চরিত্র, একটি ভিডিও ক্লিপের গতি-শৈলী এবং একটি মিউজিক ট্র্যাক দিন, আর প্রম্পটে সংখ্যা দিয়ে প্রতিটিকে উল্লেখ করুন। 10টি ছবি, 5টি ক্লিপ এবং 5টি অডিও ট্র্যাক একটি জেনারেশনকে রূপ দিতে পারে।
480p টিয়ার 1080p রেটের এক-চতুর্থাংশে বিল হয়, প্রম্পট আচরণ একই, তাই আপনি 30-সেকেন্ডের কাট 1,200 ক্রেডিটে ইটারেট করতে পারেন এবং ঠিক হলে একবারই ফাইনাল 4,800-এ রেন্ডার করতে পারেন।
1080p-ই সীমা — 4K ডেলিভারেবল Kling 3.0-এর। আর আপস্ট্রিম স্মার্ট-ডিউরেশন মোড এখানে সংযুক্ত নয়, তাই আপনাকে সবসময় 2 থেকে 30 সেকেন্ডের মধ্যে স্পষ্ট দৈর্ঘ্য বেছে নিতে হবে।
একই ওয়ার্কস্পেস, একই ক্রেডিট পুল — এদের যেকোনোটিতে বদলাতে এক ক্লিক।
| Wan 3.0 | Wan 2.7 | MiniMax H3 | Kling 3.0 | |
|---|---|---|---|---|
| রেজোলিউশন | 480p · 720p · 1080p | 720p · 1080p | 768p · 2K | 720p · 1080p · 4K |
| ক্লিপের দৈর্ঘ্য | 2–30s, যেকোনো পূর্ণ সেকেন্ড | 2–15s, যেকোনো পূর্ণ সেকেন্ড | 4–15s, যেকোনো পূর্ণ সেকেন্ড | 3–15s, যেকোনো পূর্ণ সেকেন্ড |
| বিল কীভাবে হয় | আউটপুটের প্রতি সেকেন্ড; রেফারেন্স ভিডিও সেকেন্ড যোগ হয় | আউটপুটের প্রতি সেকেন্ডে | আউটপুটের প্রতি সেকেন্ড; রেফারেন্স ভিডিও সেকেন্ড যোগ হয় | আউটপুটের প্রতি সেকেন্ডে |
| শব্দ | নেটিভ, ডিফল্টে চালু — চালু ও বন্ধের খরচ একই | নেটিভ, সবসময় চালু, কোনো টগল নেই | নেটিভ, সবসময় চালু, কোনো টগল নেই | ঐচ্ছিক টগল, ডিফল্টে বন্ধ |
| প্রতি সেকেন্ডে ক্রেডিট, বাজেট টিয়ার | 480p-এ 40 | অফার করা হয় না — 720p-ই সর্বনিম্ন | 768p-এ 55 | 720p-এ 45, নীরব |
| প্রতি সেকেন্ডে ক্রেডিট, 1080p | 160 | 70 | অফার করা হয় না — এর শীর্ষ টিয়ার 90-এ 2K | নীরবে 60 · শব্দসহ 85 |
| 6 সেকেন্ডের একটি 1080p ক্লিপের ক্রেডিট | 960 | 420 | 1080p-এ অফার করা হয় না | নীরবে 360 · শব্দসহ 510 |
| একটি ক্লিপের ক্রেডিট, সর্বনিম্ন থেকে সর্বোচ্চ | 80–4,800 | 80–1,050 | 220–2,820 | 135–3,000 |
| ইমেজ-টু-ভিডিও | প্রথম ফ্রেম + ঐচ্ছিক শেষ ফ্রেম | শুধু প্রথম ফ্রেম | শুধু প্রথম ফ্রেম | শুধু প্রথম ফ্রেম |
| রেফারেন্স উপাদান | সর্বাধিক 10টি ছবি + 5টি ভিডিও + 5টি অডিও ট্র্যাক, Image 1 / Video 1 / Audio 1 হিসেবে উল্লেখযোগ্য | সর্বাধিক 5টি ছবি, Image 1, Image 2 … হিসেবে উল্লেখযোগ্য | সর্বাধিক 9টি ছবি + 3টি ভিডিও + 3টি অডিও ট্র্যাক | কিছু নেই — একটিমাত্র ছবিই প্রথম ফ্রেম |
| অ্যাসপেক্ট রেশিও | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | 6 — 16:9 থেকে 21:9 | 3 — 16:9, 9:16, 1:1 |
| আমাদের নিজেদের মাপা গতি | 5s-এর জন্য 3m 33s এবং 20s-এর জন্য 7m 32s, দুটোই 720p (2টি ক্লিপ, আগস্ট 2026) | পরিমাপ করা হয়নি | পরিমাপ করা হয়নি | পরিমাপ করা হয়নি |
এই টেবিলের প্রতিটি রেজোলিউশন, ক্লিপের দৈর্ঘ্য এবং ক্রেডিটের সংখ্যা 26 আগস্ট 2026-এ আমাদের নিজস্ব মডেল রেজিস্ট্রি এবং আমাদের কোডের রেট টেবিল থেকে পড়া — সেই একই টেবিল যা আপনার জেনারেশনের মূল্য নির্ধারণ করে, ভেন্ডরের মার্কেটিং পৃষ্ঠা নয়। চারটি মডেলই প্রতি সেকেন্ডে বিল করে, তাই প্রতি-ক্লিপ সংখ্যাগুলো হলো রেট গুণিত আপনার বেছে নেওয়া দৈর্ঘ্য; Wan 3.0 এবং MiniMax H3 অতিরিক্তভাবে রেফারেন্স ভিডিওর সেকেন্ডও বিলিং-এ গণনা করে। একমাত্র গতির সংখ্যাগুলো হলো সেই দুটি Wan 3.0 ক্লিপ যা আমরা নিজেরা জেনারেট করে সময় মেপেছি; বাকি প্রতিটি ঘরে লেখা আছে পরিমাপ করা হয়নি — অন্যের সংখ্যা ধার নেওয়ার বদলে।
Wan 3.0-কে অন্যান্য ভিডিও মডেলের সঙ্গে তুলনা করুন — একই ওয়ার্কস্পেস, এক ক্লিকেই পরিবর্তন।
| মডেল | wan-3.0 (Tongyi Wanxiang 3.0), Alibaba-এর তৈরি — alibaba/wan-3.0 এন্ডপয়েন্টে পরিবেশিত |
|---|---|
| মোড | টেক্সট-টু-ভিডিও, প্রথম-ও-শেষ-ফ্রেম নিয়ন্ত্রণসহ ইমেজ-টু-ভিডিও, এবং মিশ্র ইমেজ, ভিডিও ও অডিও উপাদানসহ রেফারেন্স-টু-ভিডিও |
| রেজোলিউশন | 480p, 720p এবং 1080p — 1x / 2x / 4x অনুপাতে বিল করা হয় |
| সময়কাল | 2–30 সেকেন্ড, যেকোনো পূর্ণ সেকেন্ড (ডিফল্টে 5) — এই প্ল্যাটফর্মে সবচেয়ে দীর্ঘ পরিসর |
| অ্যাসপেক্ট রেশিও | টেক্সট- ও রেফারেন্স-টু-ভিডিওর জন্য 16:9, 9:16, 1:1, 4:3 এবং 3:4; ইমেজ-টু-ভিডিও প্রথম ফ্রেম অনুসরণ করে |
| রেফারেন্স উপকরণ | সর্বোচ্চ 10টি ইমেজ, 5টি ভিডিও ক্লিপ (মোট 15 সেকেন্ড), এবং 5টি অডিও ট্র্যাক, প্রম্পটে Image 1, Video 1, Audio 1 হিসেবে উল্লেখযোগ্য |
| প্রথম / শেষ ফ্রেম | ইমেজ-টু-ভিডিও একটি কঠোর প্রথম ফ্রেম এবং একটি ঐচ্ছিক শেষ ফ্রেম গ্রহণ করে; আপস্ট্রিমে ফ্রেম ও রেফারেন্স উপাদান পরস্পর একচেটিয়া |
| শব্দ | নেটিভ — ক্লিপের সাথেই ভয়েস, ইফেক্ট ও অ্যাম্বিয়েন্স তৈরি হয়; সাউন্ড চালু বা বন্ধ — খরচ একই |
| ক্রেডিট | আউটপুটের প্রতি সেকেন্ডে: 480p-তে 40, 720p-তে 80, 1080p-তে 160 — তিনটি মোডেই একই হার |
| রেফারেন্স ভিডিও বিলিং | রেফারেন্স ভিডিওর সেকেন্ড বিলকৃত সময়ের সাথে যোগ হয়; রেফারেন্স ইমেজ ও অডিও ফ্রি |
| প্রতি ক্লিপে ক্রেডিটের পরিসর | 2-সেকেন্ডের 480p ক্লিপের জন্য 80, 30-সেকেন্ডের 1080p ক্লিপের জন্য সর্বোচ্চ 4,800 (সাথে যেকোনো রেফারেন্স ভিডিও সেকেন্ড) |
| বাতিলকরণ | ব্যর্থ জেনারেশন স্বয়ংক্রিয়ভাবে রিফান্ড হয় |
| পরিমাপ করা গতি | 5-সেকেন্ডের 720p ক্লিপের জন্য 3m 33s এবং 20-সেকেন্ডের 720p ক্লিপের জন্য 7m 32s (2টি ক্লিপ, 26 আগস্ট 2026) |
ফাঁকা prompt বক্স থেকে তৈরি ক্লিপ পর্যন্ত — তিন ধাপ।
ভিডিও তৈরি করা শুরু করুনমডেল পিকার খুলুন এবং Wan 3.0 বেছে নিন। আপনি কিছু খরচ করার আগেই প্যানেলটি এর ক্রেডিট খরচ, রেজোলিউশন অপশন এবং সময়সীমা দেখায়।
বিষয়, অ্যাকশন এবং ক্যামেরা কীভাবে চলবে তা লিখুন। ক্লিপটি কোনো নির্দিষ্ট ছবি থেকে শুরু করাতে চাইলে প্রথম ফ্রেম যুক্ত করুন।
ক্লিপটি ডাউনলোড করুন, লম্বা করুন, কিংবা আরও এডিটিংয়ে পাঠান। prompt, মডেল ও সেটিংস আপনার হিস্ট্রিতে এর সঙ্গেই থেকে যায়।
একটি অ্যাকাউন্ট, সম্পূর্ণ ইমেজ এবং ভিডিও জেনারেশন ওয়ার্কফ্লো।
ফ্রি টিয়ারের দৈনিক ক্রেডিটে Wan 3.0 চালান, অথবা প্রিমিয়াম মডেল, দ্রুত জেনারেশন এবং 4K আউটপুটের জন্য আপগ্রেড করুন।
শুরু করার জন্য আদর্শ
বার্ষিক বিল করা হয় · $240/বছর
বার্ষিক বিল করা হয় · $380/বছর
দীর্ঘ টেক ও নিয়ন্ত্রিত শট: নেটিভ অডিওসহ সর্বোচ্চ 30 সেকেন্ডের ক্লিপ, একটি প্রথম-ও-শেষ-ফ্রেম মোড যা শট কোথায় শুরু ও শেষ হবে তা নির্দিষ্ট করে, এবং একটি রেফারেন্স মোড যা এক রিকোয়েস্টে ইমেজ, ভিডিও ও অডিও একসাথে পড়ে।
আউটপুটের প্রতি সেকেন্ডে: 480p-তে 40 ক্রেডিট, 720p-তে 80, 1080p-তে 160 — টেক্সট-, ইমেজ- ও রেফারেন্স-টু-ভিডিওতে একই হার। রেফারেন্স ভিডিওর সেকেন্ড বিলকৃত সময়ের সাথে যোগ হয়; রেফারেন্স ইমেজ ও অডিও ফ্রি। আপনি জেনারেট করার আগেই সঠিক খরচ দেখা যায়, এবং ব্যর্থ রান স্বয়ংক্রিয়ভাবে রিফান্ড হয়।
শুধু একটি প্রম্পট থেকে টেক্সট-টু-ভিডিও, একটি প্রথম ফ্রেম থেকে ইমেজ-টু-ভিডিও (একটি ঐচ্ছিক শেষ ফ্রেমসহ), এবং সর্বোচ্চ 10টি ইমেজ, 5টি ভিডিও ক্লিপ ও 5টি অডিও ট্র্যাকসহ রেফারেন্স-টু-ভিডিও — প্রম্পটে Image 1, Video 1, Audio 1 হিসেবে উল্লেখযোগ্য।
2 থেকে 30 সেকেন্ড, যেকোনো পূর্ণ সেকেন্ড — এই প্ল্যাটফর্মের যেকোনো ভিডিও মডেলের মধ্যে সবচেয়ে দীর্ঘ পরিসর। প্রতিটি দৈর্ঘ্যে ক্লিপের সাথে সাউন্ড তৈরি হয়।
Wan 3.0 দৈর্ঘ্যের সীমা দ্বিগুণ করে (30s বনাম 15s), 480p বাজেট টিয়ার এবং লাস্ট-ফ্রেম নিয়ন্ত্রণ যোগ করে, এবং রেফারেন্স 5টি ছবি থেকে মিশ্র ছবি + ভিডিও + অডিও ম্যাটেরিয়াল পর্যন্ত সম্প্রসারিত করে। সংক্ষিপ্ত মাল্টি-শট কাজের জন্য Wan 2.7 720p-তে কম-রেটের পছন্দ হিসেবে রয়ে যায় (প্রতি সেকেন্ডে 40 বনাম 80 ক্রেডিট)।
ব্যর্থ ভিডিও জেনারেশনের জন্য ক্রেডিট স্বয়ংক্রিয়ভাবে ফেরত দেওয়া হয় — আপনি শুধুমাত্র সম্পন্ন হওয়া ক্লিপের জন্য পে করেন।
জেনারেশনের আশপাশের সব কাজের জন্য ওয়ান-ক্লিক টুল — ঘষামাজা, স্টাইল বদল, শেয়ার।
Wan 3.0 (Alibaba Tongyi Wanxiang 3.0) integrated — clips up to 30 seconds with native audio, first-and-last-frame control, and reference-to-video that reads up to 10 images, 5 video clips and 5 audio tracks in one request. 480p/720p/1080p at 40/80/160 credits per second.
