Führen Sie Alibabas Flaggschiff Wan 3.0 in Ihrem Browser aus: Clips bis zu 30 Sekunden mit bereits angehängtem Ton, ein Erstes-und-letztes-Bild-Modus, der exakt festlegt, wo die Aufnahme beginnt und endet, und ein Referenzmodus, der Bilder, Video und Audio in einer Anfrage liest.
Wan 3.0 ist Alibabas Tongyi Wanxiang 3.0, der Nachfolger von Wan 2.7, hier über den Endpunkt alibaba/wan-3.0 unseres Video-Providers bereitgestellt. Drei Modi teilen sich ein Panel: Text-zu-Video allein aus einem Prompt, Bild-zu-Video, das ein erstes Frame fixiert und optional ein letztes, und Referenz-zu-Video, das in einer einzigen Anfrage bis zu 10 Bilder, 5 Videoclips und 5 Audiospuren einliest, jede im Prompt per Nummer referenziert. Seine prägenden Zahlen sind Reichweite: jede ganze Sekunde von 2 bis 30, drei Auflösungen von einer 480p-Entwurfsstufe bis 1080p, und Audio, das mit jedem Clip generiert wird.
Die Kompromisse sind konkret. 1080p ist die Obergrenze — ein 4K-Deliverable gehört zu Kling 3.0. Die Upstream-API definiert einen Smart-Duration-Modus, der die Cliplänge selbst bestimmt; er reserviert Credits in Höhe der 30-Sekunden-Obergrenze, deshalb haben wir ihn nicht angebunden — du wählst hier eine explizite Länge. Referenzvideo-Sekunden fließen in die Abrechnung ein, was die Preisvorschau anzeigt, bevor du dich festlegst. Die beiden Clips weiter unten auf dieser Seite brauchten hier 3m 33s (5 Sekunden, 720p) und 7m 32s (20 Sekunden, 720p) für die Generierung — rechne bei langen Takes mit Minuten, nicht mit Sekunden.
Alibabas Tongyi Wanxiang 3.0 erzeugt Clips von bis zu 30 Sekunden mit nativem Audio, fixiert das exakte erste und letzte Frame einer Einstellung und liest Bilder, Videoclips und Audiospuren gemeinsam in einer Referenzanfrage ein — abgerechnet pro Sekunde ab einer 480p-Budgetstufe.
Die meisten KI-Videomodelle stoppen bei 10 oder 15 Sekunden; Wan 3.0 läuft in einer durchgehenden Generierung bis 30. Das reicht für eine vollständige Produktvorführung, eine gesprochene Szene oder eine Sequenz von Einstellungen, ohne Clips nachträglich zusammenzuschneiden. Wählen Sie eine beliebige ganze Sekunde von 2 bis 30 — Sie zahlen pro Sekunde, ein 6-sekündiger Entwurf und ein 30-sekündiges Final sind also exakt proportional bepreist.
Bild-zu-Video geht hier über das Animieren eines einzelnen Fotos hinaus: Laden Sie ein erstes Frame und optional ein letztes Frame hoch, und Wan 3.0 interpoliert die Bewegung zwischen Ihren beiden fixen Endpunkten. Es ist das einzige Modell im Vergleich weiter unten auf dieser Seite, das ein letztes Frame akzeptiert — der Unterschied zwischen „von diesem Bild aus starten“ und „von genau diesem Bild zu genau jenem gelangen“.
Referenz-zu-Video akzeptiert gemischtes Material in einer Anfrage — bis zu 10 Bilder, 5 kurze Videoclips und 5 Audiospuren — und der Prompt adressiert jedes per Nummer: „die Figur aus Bild 1, bewegt wie Video 1, vertont wie Audio 1“. Referenzbilder und -audio sind kostenlos; Referenzvideosekunden werden auf die abgerechnete Dauer angerechnet, und die Kosten werden angezeigt, bevor Sie generieren.
Audio — Stimmen, Effekte, Atmosphäre — wird mit dem Clip generiert, und das Abschalten kostet dasselbe, es gibt also nie einen Aufpreis für Ton. Drei Auflösungen werden in sauberem Verhältnis abgerechnet: 480p mit 40 Credits pro Sekunde für Entwürfe, 720p mit 80 und 1080p mit 160 für Finals. Bei 480p zu iterieren und bei 1080p fertigzustellen hält eine 30-sekündige Produktion erschwinglich.
Hier generiert am 26. August 2026, erster Take, exakte Prompts und Einstellungen gezeigt. Der 20-Sekunden-Clip existiert, um die Long-Take-Aussage oben zu beweisen — eine Generierung, keine Schnitte, kein Stitching.
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.
Es ist das Langform- und Präzisionsmodell dieser Gruppe: die 30-Sekunden-Obergrenze, die einzige Letztes-Frame-Kontrolle und der umfangreichste Referenz-Werkzeugkasten.
Produktvorführungen, gesprochene Szenen und mehrteilige Sequenzen laufen in einer Generierung bis zu 30 Sekunden — kein Zusammenschneiden, keine Kontinuitätsbrüche zwischen Clips, und die Audiospur umfasst die gesamte Aufnahme.
Der Modus für erstes und letztes Frame nimmt zwei Bilder und interpoliert die Bewegung dazwischen — eine Transformation, eine Enthüllung, eine Kamerafahrt, die auf einer bestimmten Komposition landen muss. Kein anderes Modell auf dieser Seite akzeptiert ein letztes Frame.
Gib ihm die Figur aus einem Bild, den Bewegungsstil eines Videoclips und einen Musiktitel, und sprich jedes Element im Prompt per Nummer an. Zehn Bilder, fünf Clips und fünf Audiotracks können eine einzelne Generierung formen.
Die 480p-Stufe wird mit einem Viertel des 1080p-Tarifs abgerechnet, bei identischem Prompt-Verhalten, sodass du einen 30-sekündigen Schnitt für 1,200 Credits iterieren und das Final erst dann für 4,800 rendern kannst, wenn es stimmt.
1080p ist die Obergrenze — ein 4K-Deliverable gehört zu Kling 3.0. Und der vorgelagerte Smart-Duration-Modus ist hier nicht angeschlossen, also wählst du immer eine explizite Länge zwischen 2 und 30 Sekunden.
Gleicher Arbeitsplatz, gleicher Credit-Pool — der Wechsel zwischen ihnen ist ein Klick.
| Wan 3.0 | Wan 2.7 | MiniMax H3 | Kling 3.0 | |
|---|---|---|---|---|
| Auflösungen | 480p · 720p · 1080p | 720p · 1080p | 768p · 2K | 720p · 1080p · 4K |
| Cliplänge | 2–30s, jede ganze Sekunde | 2–15s, jede ganze Sekunde | 4–15s, jede ganze Sekunde | 3–15s, jede ganze Sekunde |
| Wie abgerechnet wird | Pro Sekunde Ausgabe; Referenzvideosekunden werden hinzugezählt | Pro Sekunde Ausgabe | Pro Sekunde Ausgabe; Referenzvideosekunden werden hinzugezählt | Pro Sekunde Ausgabe |
| Ton | Nativ, standardmäßig an — an und aus kosten dasselbe | Nativ, immer an, kein Schalter | Nativ, immer an, kein Schalter | Optionaler Schalter, standardmäßig aus |
| Credits pro Sekunde, Budget-Stufe | 40 bei 480p | Nicht angeboten — 720p ist die Untergrenze | 55 bei 768p | 45 bei 720p, ohne Ton |
| Credits pro Sekunde, 1080p | 160 | 70 | Nicht angeboten — seine Top-Stufe ist 2K bei 90 | 60 stumm · 85 mit Ton |
| Credits für einen 6-Sekunden-Clip in 1080p | 960 | 420 | Nicht bei 1080p angeboten | 360 stumm · 510 mit Ton |
| Credits für einen Clip, von der Untergrenze bis zur Obergrenze | 80–4,800 | 80–1,050 | 220–2,820 | 135–3,000 |
| Bild-zu-Video | Erstes Frame + optionales letztes Frame | Nur erstes Frame | Nur erstes Frame | Nur erstes Frame |
| Referenzmaterial | Bis zu 10 Bilder + 5 Videos + 5 Audiotracks, zitiert als Image 1 / Video 1 / Audio 1 | Bis zu 5 Bilder, zitiert als Image 1, Image 2 … | Bis zu 9 Bilder + 3 Videos + 3 Audiotracks | Keine — das einzelne Bild ist das erste Bild |
| Seitenverhältnisse | 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 bis 21:9 | 3 — 16:9, 9:16, 1:1 |
| Von uns selbst gemessene Geschwindigkeit | 3m 33s für 5s und 7m 32s für 20s, beide 720p (2 Clips, August 2026) | Nicht gemessen | Nicht gemessen | Nicht gemessen |
Jede Auflösung, jede Cliplänge und jede Credit-Zahl in dieser Tabelle wird am 26. August 2026 aus unserer eigenen Modell-Registry und den Tariftabellen in unserem Code gelesen — dieselben Tabellen, die deine Generierungen bepreisen, nicht die Marketingseiten der Anbieter. Alle vier Modelle rechnen pro Sekunde ab, die Pro-Clip-Werte sind also der Tarif multipliziert mit der von dir gewählten Länge; Wan 3.0 und MiniMax H3 zählen zusätzlich Referenzvideo-Sekunden zur Abrechnung. Die einzigen Geschwindigkeitswerte sind die beiden Wan 3.0-Clips, die wir selbst generiert und gestoppt haben; in jeder anderen Zelle steht Nicht gemessen, statt eine Zahl zu übernehmen.
Vergleichen Sie Wan 3.0 mit anderen Videomodellen — gleicher Arbeitsbereich, ein Klick zum Wechseln.
| Modell | wan-3.0 (Tongyi Wanxiang 3.0), von Alibaba — bereitgestellt über den Endpunkt alibaba/wan-3.0 |
|---|---|
| Modi | Text-zu-Video, Bild-zu-Video mit Steuerung von erstem und letztem Frame sowie Referenz-zu-Video mit gemischtem Bild-, Video- und Audiomaterial |
| Auflösung | 480p, 720p und 1080p — abgerechnet im Verhältnis 1x / 2x / 4x |
| Dauer | 2–30 Sekunden, jede ganze Sekunde (standardmäßig 5) — der längste Bereich auf dieser Plattform |
| Seitenverhältnisse | 16:9, 9:16, 1:1, 4:3 und 3:4 für Text- und Referenz-zu-Video; Bild-zu-Video folgt dem ersten Frame |
| Referenz-Assets | Bis zu 10 Bilder, 5 Videoclips (zusammen 15 Sekunden) und 5 Audiospuren, im Prompt als Image 1, Video 1, Audio 1 angegeben |
| Erster / letzter Frame | Bild-zu-Video akzeptiert einen festen ersten Frame und einen optionalen letzten Frame; Frames und Referenzmaterial schließen sich im Upstream gegenseitig aus |
| Ton | Nativ — Stimmen, Effekte und Atmosphäre werden mit dem Clip generiert; Ton an und aus kosten gleich viel |
| Credits | Pro Sekunde Ausgabe: 40 bei 480p, 80 bei 720p, 160 bei 1080p — derselbe Satz in allen drei Modi |
| Abrechnung von Referenzvideos | Sekunden von Referenzvideos werden zur abgerechneten Dauer addiert; Referenzbilder und -audio sind kostenlos |
| Credit-Spanne pro Clip | 80 für einen 2-sekündigen 480p-Clip, bis zu 4,800 für einen 30-sekündigen 1080p-Clip (plus etwaige Sekunden von Referenzvideos) |
| Abbruch | Fehlgeschlagene Generierungen werden automatisch erstattet |
| Gemessene Geschwindigkeit | 3m 33s für einen 5-sekündigen 720p-Clip und 7m 32s für einen 20-sekündigen 720p-Clip (2 Clips, 26. August 2026) |
Drei Schritte vom leeren Prompt-Feld zum fertigen Clip.
Beginne mit dem Generieren von VideosÖffnen Sie die Modellauswahl und wählen Sie Wan 3.0. Das Panel zeigt die Credit-Kosten, Auflösungsoptionen und Dauerlimits an, bevor Sie etwas ausgeben.
Beschreibe das Motiv, die Handlung und wie sich die Kamera bewegt. Häng ein erstes Bild an, wenn der Clip von einem bestimmten Bild ausgehen soll.
Lade den Clip herunter, verlängere ihn oder schick ihn in die weitere Bearbeitung. Prompt, Modell und Einstellungen bleiben in deinem Verlauf gespeichert.
Ein Konto, der vollständige Bild- und Video-Generierungs-Workflow.
Nutzen Sie Wan 3.0 mit den täglichen Credits des kostenlosen Tarifs oder upgraden Sie für Premium-Modelle, schnellere Generierung und 4K-Ausgabe.
Perfekt für den Einstieg
Jährliche Abrechnung · 240 $/Jahr
Jährliche Abrechnung · 380 $/Jahr
Lange Aufnahmen und kontrollierte Einstellungen: Clips bis zu 30 Sekunden mit nativem Audio, ein Erster-und-letzter-Frame-Modus, der exakt festlegt, wo eine Einstellung beginnt und endet, und ein Referenzmodus, der Bilder, Video und Audio gemeinsam in einer Anfrage verarbeitet.
Pro Sekunde Ausgabe: 40 Credits bei 480p, 80 bei 720p, 160 bei 1080p — derselbe Satz für Text-, Bild- und Referenz-zu-Video. Sekunden von Referenzvideos werden zur abgerechneten Dauer addiert; Referenzbilder und -audio sind kostenlos. Die genauen Kosten werden vor der Generierung angezeigt, und fehlgeschlagene Läufe werden automatisch erstattet.
Text-zu-Video nur aus einem Prompt, Bild-zu-Video aus einem ersten Frame (mit optionalem letztem Frame) und Referenz-zu-Video mit bis zu 10 Bildern, 5 Videoclips und 5 Audiospuren, die im Prompt als Image 1, Video 1, Audio 1 angegeben werden.
2 bis 30 Sekunden, jede ganze Sekunde — die größte Spanne aller Videomodelle auf dieser Plattform. Der Ton wird bei jeder Länge zusammen mit dem Clip generiert.
Wan 3.0 verdoppelt die Längenobergrenze (30s vs 15s), führt eine 480p-Budgetstufe und Letztes-Bild-Steuerung ein und erweitert Referenzen von 5 Bildern auf gemischtes Bild- + Video- + Audiomaterial. Wan 2.7 bleibt bei 720p die günstigere Wahl (40 vs 80 Credits pro Sekunde) für kürzere Multi-Shot-Arbeit.
Credits werden bei fehlgeschlagenen Videogenerierungen automatisch zurückerstattet — Sie zahlen nur für Clips, die fertig werden.
Ein-Klick-Tools für alles rund um die Generierung — verfeinern, umstylen, teilen.
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.
