Ejecuta Wan 3.0, el modelo insignia de Alibaba, en tu navegador: clips de hasta 30 segundos con sonido ya incorporado, un modo de primer y último fotograma que fija exactamente dónde empieza y termina la toma, y un modo de referencia que lee imágenes, video y audio en una sola solicitud.
Wan 3.0 es Tongyi Wanxiang 3.0 de Alibaba, el sucesor de Wan 2.7, servido aquí en el endpoint alibaba/wan-3.0 a través de nuestro proveedor de video. Tres modos comparten un panel: texto-a-video desde un prompt solo, imagen-a-video que fija un primer fotograma y opcionalmente un último fotograma, y referencia-a-video que lee hasta 10 imágenes, 5 clips de video y 5 pistas de audio en una sola solicitud, cada uno citado en el prompt por número. Sus cifras definitorias son el rango: cualquier segundo entero de 2 a 30, tres resoluciones desde un nivel de borrador 480p hasta 1080p, y audio generado con cada clip.
Las desventajas son concretas. 1080p es el límite: un entregable en 4K le corresponde a Kling 3.0. La API de origen define un modo de duración inteligente que elige la longitud del clip por sí mismo; reserva créditos hasta el tope de 30 segundos, así que no lo hemos conectado: aquí tú eliges una duración explícita. Los segundos de vídeo de referencia cuentan para la facturación, algo que la vista previa de precio muestra antes de que confirmes. Los dos clips que aparecen más abajo en esta página tardaron 3m 33s (5 segundos, 720p) y 7m 32s (20 segundos, 720p) en generarse aquí: para tomas largas, planifica en minutos, no en segundos.
Tongyi Wanxiang 3.0 de Alibaba genera clips de hasta 30 segundos con audio nativo, fija el primer y último fotograma exactos de una toma, y lee imágenes, clips de video y pistas de audio juntos en una solicitud de referencia — facturado por segundo desde un nivel económico 480p.
La mayoría de los modelos de video de IA se detienen en 10 o 15 segundos; Wan 3.0 llega a 30 en una generación continua. Es tiempo suficiente para un recorrido completo de producto, una escena hablada o una secuencia de tomas sin unir clips después. Elige cualquier segundo entero de 2 a 30 — pagas por segundo, así que un borrador de 6 segundos y un final de 30 segundos se tarifan exactamente en proporción.
Imagen-a-video aquí va más allá de animar una sola foto: sube un primer fotograma y, opcionalmente, un último fotograma, y Wan 3.0 interpola el movimiento entre tus dos extremos fijos. Es el único modelo de la comparación más abajo en esta página que acepta un último fotograma — la diferencia entre "empezar desde esta imagen" y "llegar exactamente de esta imagen a exactamente esa otra".
Referencia-a-video acepta material mixto en una solicitud — hasta 10 imágenes, 5 clips cortos de video y 5 pistas de audio — y el prompt se dirige a cada uno por número: "el personaje de Image 1, moviéndose como Video 1, con música como Audio 1". Las imágenes y el audio de referencia son gratis; los segundos de video de referencia se suman a la duración facturada, y el coste se muestra antes de generar.
El audio — voces, efectos, ambiente — se genera con el clip, y desactivarlo cuesta lo mismo, así que nunca hay un recargo por sonido. Tres resoluciones facturan en proporción limpia: 480p a 40 créditos por segundo para borradores, 720p a 80 y 1080p a 160 para finales. Iterar en 480p y terminar en 1080p mantiene asequible una producción de 30 segundos.
Generados aquí el 26 de agosto de 2026, a la primera, con los prompts y ajustes exactos mostrados. El clip de 20 segundos existe para demostrar la afirmación sobre tomas largas de arriba: una sola generación, sin cortes, sin empalmes.
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 el modelo de formato largo y precisión de este grupo: el techo de 30 segundos, el único control de último fotograma y la caja de herramientas de referencia más amplia.
Los recorridos de producto, las escenas habladas y las secuencias de varios tiempos llegan a 30 segundos en una generación — sin unir clips, sin costuras de continuidad entre clips, y la pista de audio abarca toda la toma.
El modo de fotograma inicial y final toma dos imágenes e interpola el movimiento entre ellas — una transformación, una revelación, un movimiento de cámara que tiene que aterrizar en una composición específica. Ningún otro modelo de esta página acepta un fotograma final.
Dale el personaje de una imagen, el estilo de movimiento de un videoclip y una pista de música, y refiérete a cada uno por número en el prompt. Diez imágenes, cinco clips y cinco pistas de audio pueden dar forma a una sola generación.
El nivel de 480p se factura a una cuarta parte de la tarifa de 1080p con un comportamiento del prompt idéntico, así que puedes iterar un corte de 30 segundos por 1,200 créditos y renderizar el final a 4,800 solo cuando esté bien.
1080p es el techo — un entregable en 4K le corresponde a Kling 3.0. Y el modo de duración inteligente del proveedor no está conectado aquí, así que siempre eliges una duración explícita entre 2 y 30 segundos.
Mismo espacio de trabajo, mismo bote de créditos — cambiar entre cualquiera de estos es un clic.
| Wan 3.0 | Wan 2.7 | MiniMax H3 | Kling 3.0 | |
|---|---|---|---|---|
| Resoluciones | 480p · 720p · 1080p | 720p · 1080p | 768p · 2K | 720p · 1080p · 4K |
| Duración del clip | 2–30s, cualquier segundo entero | 2–15s, cualquier segundo entero | 4–15s, cualquier segundo entero | 3–15s, cualquier segundo entero |
| Cómo se factura | Por segundo de salida; se suman los segundos de vídeo de referencia | Por segundo de salida | Por segundo de salida; se suman los segundos de vídeo de referencia | Por segundo de salida |
| Sonido | Nativo, activado por defecto — activado y desactivado cuestan lo mismo | Nativo, siempre activado, sin interruptor | Nativo, siempre activado, sin interruptor | Interruptor opcional, apagado por defecto |
| Créditos por segundo, nivel económico | 40 a 480p | No ofrecido — 720p es el mínimo | 55 a 768p | 45 a 720p, sin sonido |
| Créditos por segundo, 1080p | 160 | 70 | No ofrecido — su nivel máximo es 2K a 90 | 60 mudo · 85 con sonido |
| Créditos por un clip de 6 segundos a 1080p | 960 | 420 | No ofrecido a 1080p | 360 mudo · 510 con sonido |
| Créditos por un clip, de mínimo a máximo | 80–4,800 | 80–1,050 | 220–2,820 | 135–3,000 |
| Imagen a vídeo | Fotograma inicial + fotograma final opcional | Solo fotograma inicial | Solo fotograma inicial | Solo fotograma inicial |
| Material de referencia | Hasta 10 imágenes + 5 vídeos + 5 pistas de audio, citadas como Image 1 / Video 1 / Audio 1 | Hasta 5 imágenes, citadas como Image 1, Image 2 … | Hasta 9 imágenes + 3 vídeos + 3 pistas de audio | Ninguna — la única imagen es el primer fotograma |
| Proporciones | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | 6 — de 16:9 a 21:9 | 3 — 16:9, 9:16, 1:1 |
| Velocidad medida por nosotros mismos | 3m 33s para 5s y 7m 32s para 20s, ambos en 720p (2 clips, agosto de 2026) | Sin medir | Sin medir | Sin medir |
Cada resolución, duración de clip y cifra de créditos de esta tabla se lee de nuestro propio registro de modelos y de las tablas de tarifas en nuestro código el 26 de agosto de 2026: las mismas tablas que ponen precio a tus generaciones, no las páginas de marketing del proveedor. Los cuatro modelos facturan por segundo, así que las cifras por clip son la tarifa multiplicada por la duración que elijas; Wan 3.0 y MiniMax H3 además cuentan los segundos de vídeo de referencia para la facturación. Las únicas cifras de velocidad son las de los dos clips de Wan 3.0 que generamos y cronometramos nosotros mismos; todas las demás celdas dicen No medido en lugar de tomar prestada una cifra.
Compara Wan 3.0 con otros modelos de video — mismo espacio de trabajo, un clic para cambiar.
Control multiplano con bloqueo de identidad por referencia.
Hailuo 3 — movimiento cinematográfico con audio nativo, 768p/2K.
Convierte texto e imagen a vídeo, hasta 4K con sonido opcional.
Vídeo insignia de 30s a partir de referencias mixtas de imagen, vídeo y audio.
| Modelo | wan-3.0 (Tongyi Wanxiang 3.0), de Alibaba — servido en el endpoint alibaba/wan-3.0 |
|---|---|
| Modos | Texto a video, imagen a video con control de primer y último fotograma, y referencia a video con material mixto de imagen, video y audio |
| Resolución | 480p, 720p y 1080p — facturado en proporción 1x / 2x / 4x |
| Duración | 2–30 segundos, cualquier segundo entero (5 por defecto) — el rango más largo de esta plataforma |
| Proporciones | 16:9, 9:16, 1:1, 4:3 y 3:4 para texto y referencia a video; imagen a video sigue el primer fotograma |
| Recursos de referencia | Hasta 10 imágenes, 5 clips de video (15 segundos combinados) y 5 pistas de audio, citadas en el prompt como Image 1, Video 1, Audio 1 |
| Primer / último fotograma | Imagen a video acepta un primer fotograma estricto y un último fotograma opcional; los fotogramas y el material de referencia son mutuamente excluyentes en origen |
| Sonido | Nativo — voces, efectos y ambiente generados con el clip; el sonido activado y desactivado cuestan lo mismo |
| Créditos | Por segundo de salida: 40 a 480p, 80 a 720p, 160 a 1080p — la misma tarifa en los tres modos |
| Facturación del video de referencia | Los segundos de video de referencia se suman a la duración facturada; las imágenes y el audio de referencia son gratuitos |
| Rango de créditos por clip | 80 por un clip de 2 segundos a 480p, hasta 4,800 por un clip de 30 segundos a 1080p (más los segundos de video de referencia que haya) |
| Cancelación | Las generaciones fallidas se reembolsan automáticamente |
| Velocidad medida | 3m 33s para un clip de 5 segundos en 720p y 7m 32s para un clip de 20 segundos en 720p (2 clips, 26 de agosto de 2026) |
Tres pasos desde una caja de prompt vacía hasta un clip terminado.
Empieza a generar vídeosAbre el selector de modelos y elige Wan 3.0. El panel muestra su costo en créditos, las opciones de resolución y los límites de duración antes de que gastes nada.
Escribe el sujeto, la acción y cómo se mueve la cámara. Adjunta un primer fotograma si quieres que el clip empiece desde una imagen concreta.
Descarga el clip, alárgalo o pásalo a una edición más a fondo. El prompt, el modelo y los ajustes se quedan guardados en tu historial.
Una sola cuenta, todo el flujo de generación de imágenes y vídeo.
Ejecuta Wan 3.0 con los créditos diarios del nivel gratuito, o mejora tu plan para acceder a modelos premium, generación más rápida y salida en 4K.
Perfecto para empezar
Facturación anual · $240/año
Facturación anual · $380/año
Tomas largas y planos controlados: clips de hasta 30 segundos con audio nativo, un modo de primer y último fotograma que fija exactamente dónde empieza y termina un plano, y un modo de referencia que lee imágenes, video y audio juntos en una sola solicitud.
Por segundo de salida: 40 créditos a 480p, 80 a 720p, 160 a 1080p — la misma tarifa para texto, imagen y referencia a video. Los segundos de video de referencia se suman a la duración facturada; las imágenes y el audio de referencia son gratuitos. El costo exacto se muestra antes de generar, y las ejecuciones fallidas se reembolsan automáticamente.
Texto a video a partir de un prompt, imagen a video a partir de un primer fotograma (con un último fotograma opcional), y referencia a video con hasta 10 imágenes, 5 clips de video y 5 pistas de audio citadas en el prompt como Image 1, Video 1, Audio 1.
De 2 a 30 segundos, cualquier segundo entero — el rango más largo de cualquier modelo de video en esta plataforma. El sonido se genera con el clip en cada duración.
Wan 3.0 duplica el techo de duración (30s vs 15s), añade un nivel económico de 480p y control del último fotograma, y amplía las referencias de 5 imágenes a material mixto de imagen + video + audio. Wan 2.7 sigue siendo la opción de menor tarifa a 720p (40 vs 80 créditos por segundo) para trabajos más cortos de varias tomas.
Los créditos se reembolsan automáticamente por las generaciones de video fallidas — solo pagas por los clips que terminan.
Herramientas de un clic para todo lo que rodea la generación: pulir, cambiar de estilo y compartir.
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.
