Alibaba का फ़्लैगशिप Wan 3.0 अपने ब्राउज़र में चलाएँ: 30 सेकंड तक की क्लिप, आवाज़ पहले से जुड़ी हुई, एक first-and-last-frame मोड जो शॉट कहाँ शुरू और कहाँ ख़त्म होता है यह ठीक-ठीक पिन करता है, और एक रेफ़रेंस मोड जो एक ही रिक्वेस्ट में इमेज, वीडियो और ऑडियो पढ़ता है।
Wan 3.0, Alibaba का Tongyi Wanxiang 3.0 है, Wan 2.7 का उत्तराधिकारी, जो यहाँ हमारे वीडियो प्रोवाइडर के माध्यम से alibaba/wan-3.0 एंडपॉइंट पर उपलब्ध है। तीन मोड एक ही पैनल साझा करते हैं: केवल प्रॉम्प्ट से टेक्स्ट-टू-वीडियो, इमेज-टू-वीडियो जो पहला फ्रेम और वैकल्पिक रूप से आखिरी फ्रेम पिन करता है, और रेफरेंस-टू-वीडियो जो एक ही रिक्वेस्ट में 10 इमेज, 5 वीडियो क्लिप और 5 ऑडियो ट्रैक तक पढ़ता है — प्रत्येक को प्रॉम्प्ट में नंबर से संदर्भित किया जाता है। इसकी पहचान कराने वाले आंकड़े रेंज हैं: 2 से 30 तक का कोई भी पूरा सेकंड, 480p ड्राफ्ट टियर से 1080p तक तीन रेज़ोल्यूशन, और हर क्लिप के साथ जनरेट होने वाला ऑडियो।
ट्रेड-ऑफ़ स्पष्ट हैं। 1080p ही सीमा है — 4K डिलीवरेबल Kling 3.0 के लिए है। अपस्ट्रीम API एक स्मार्ट-ड्यूरेशन मोड तय करता है जो क्लिप की लंबाई खुद चुनता है; यह 30-सेकंड की अधिकतम सीमा पर क्रेडिट आरक्षित करता है, इसलिए हमने इसे जोड़ा नहीं है — आप यहाँ स्पष्ट लंबाई चुनते हैं। रेफ़रेंस वीडियो के सेकंड बिलिंग में गिने जाते हैं, जो कीमत का पूर्वावलोकन आपके तय करने से पहले दिखाता है। इस पेज पर नीचे दी गई दो क्लिप यहाँ जनरेट होने में 3m 33s (5 सेकंड, 720p) और 7m 32s (20 सेकंड, 720p) लीं — लंबे टेक के लिए सेकंड नहीं, मिनटों के हिसाब से योजना बनाएँ।
Alibaba का Tongyi Wanxiang 3.0 नेटिव ऑडियो के साथ 30 सेकंड तक की क्लिप जनरेट करता है, किसी शॉट का सटीक पहला और आखिरी फ्रेम पिन करता है, और एक ही रेफरेंस रिक्वेस्ट में इमेज, वीडियो क्लिप और ऑडियो ट्रैक एक साथ पढ़ता है — 480p बजट टियर से प्रति सेकंड बिलिंग।
ज़्यादातर AI वीडियो मॉडल 10 या 15 सेकंड पर रुक जाते हैं; Wan 3.0 एक निरंतर जनरेशन में 30 तक चलता है। यह एक पूरे प्रोडक्ट वॉकथ्रू, बोले गए सीन, या शॉट्स के सीक्वेंस के लिए काफी लंबा है — बाद में क्लिप आपस में जोड़ने की ज़रूरत नहीं। 2 से 30 तक कोई भी पूरा सेकंड चुनें — आप प्रति सेकंड भुगतान करते हैं, इसलिए 6-सेकंड का ड्राफ्ट और 30-सेकंड का फाइनल बिल्कुल उसी अनुपात में प्राइस किए जाते हैं।
यहाँ इमेज-टू-वीडियो सिर्फ एक फोटो को एनिमेट करने से आगे जाता है: पहला फ्रेम अपलोड करें और वैकल्पिक रूप से आखिरी फ्रेम भी, और Wan 3.0 आपके दो निश्चित सिरों के बीच की मोशन इंटरपोलेट करता है। यह इस पेज पर नीचे दी गई तुलना में एकमात्र मॉडल है जो आखिरी फ्रेम स्वीकार करता है — "इस इमेज से शुरू करो" और "बिल्कुल इस इमेज से बिल्कुल उस इमेज तक पहुँचो" के बीच का अंतर।
रेफरेंस-टू-वीडियो एक ही रिक्वेस्ट में मिश्रित सामग्री स्वीकार करता है — 10 इमेज, 5 छोटी वीडियो क्लिप और 5 ऑडियो ट्रैक तक — और प्रॉम्प्ट प्रत्येक को नंबर से संबोधित करता है: "Image 1 वाला कैरेक्टर, Video 1 की तरह चलता हुआ, Audio 1 जैसा स्कोर"। रेफरेंस इमेज और ऑडियो मुफ़्त हैं; रेफरेंस वीडियो के सेकंड बिल की गई अवधि में जोड़े जाते हैं, और लागत जनरेट करने से पहले दिख जाती है।
ऑडियो — आवाज़ें, इफ़ेक्ट, एम्बियंस — क्लिप के साथ जनरेट होता है, और इसे बंद करने की कीमत भी वही है, इसलिए आवाज़ के लिए कभी कोई अतिरिक्त शुल्क नहीं है। तीन रेज़ोल्यूशन साफ़ अनुपात में बिल होते हैं: ड्राफ्ट के लिए 480p प्रति सेकंड 40 क्रेडिट, 720p पर 80, और फाइनल के लिए 1080p पर 160। 480p पर इटरेट करना और 1080p पर फिनिश करना 30-सेकंड के प्रोडक्शन को किफ़ायती रखता है।
यहाँ 26 अगस्त 2026 को जनरेट की गई, पहले टेक में, सटीक प्रॉम्प्ट और सेटिंग्स दिखाई गई हैं। 20-सेकंड की क्लिप ऊपर दिए लंबे-टेक दावे को साबित करने के लिए मौजूद है — एक जनरेशन, कोई कट नहीं, कोई जोड़ नहीं।
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.
यह इस समूह का लॉन्ग-फ़ॉर्म और प्रिसिज़न मॉडल है: 30-सेकंड की अधिकतम सीमा, एकमात्र लास्ट-फ्रेम नियंत्रण, और सबसे विस्तृत रेफरेंस टूलबॉक्स।
प्रोडक्ट वॉकथ्रू, बोले गए सीन और मल्टी-बीट सीक्वेंस एक ही जनरेशन में 30 सेकंड तक चलते हैं — कोई स्टिचिंग नहीं, क्लिप के बीच कोई कंटिन्यूटी सीम नहीं, और ऑडियो ट्रैक पूरे टेक में फैला रहता है।
प्रथम-और-अंतिम-फ़्रेम मोड दो छवियाँ लेता है और उनके बीच की गति को इंटरपोलेट करता है — एक रूपांतरण, एक खुलासा, एक कैमरा मूव जिसे किसी विशिष्ट कम्पोज़िशन पर ठीक उतरना होता है। इस पेज पर कोई दूसरा मॉडल अंतिम फ़्रेम स्वीकार नहीं करता।
इसे एक छवि से किरदार, किसी वीडियो क्लिप की गति-शैली और एक संगीत ट्रैक दीजिए, और प्रॉम्प्ट में हर एक को संख्या से संबोधित कीजिए। दस छवियाँ, पाँच क्लिप और पाँच ऑडियो ट्रैक एक ही जनरेशन को आकार दे सकते हैं।
480p टियर 1080p दर के एक-चौथाई पर बिल होता है, प्रॉम्प्ट व्यवहार समान रहता है, इसलिए आप 30-second कट को 1,200 क्रेडिट पर दोहरा सकते हैं और सही होने पर ही फ़ाइनल को 4,800 पर रेंडर कर सकते हैं।
1080p सीमा है — 4K डिलिवरेबल Kling 3.0 का है। और अपस्ट्रीम स्मार्ट-अवधि मोड यहाँ जुड़ा नहीं है, इसलिए आप हमेशा 2 और 30 सेकंड के बीच स्पष्ट लंबाई चुनते हैं।
वही वर्कस्पेस, वही क्रेडिट पूल — इनमें से किसी के बीच बदलना एक क्लिक है।
| Wan 3.0 | Wan 2.7 | MiniMax H3 | Kling 3.0 | |
|---|---|---|---|---|
| रेज़ॉल्यूशन | 480p · 720p · 1080p | 720p · 1080p | 768p · 2K | 720p · 1080p · 4K |
| क्लिप की लंबाई | 2–30s, कोई भी पूरा सेकंड | 2–15s, कोई भी पूरा सेकंड | 4–15s, कोई भी पूरा सेकंड | 3–15s, कोई भी पूरा सेकंड |
| बिलिंग कैसे होती है | आउटपुट के प्रति सेकंड; संदर्भ वीडियो सेकंड जोड़े गए | आउटपुट के प्रति सेकंड | आउटपुट के प्रति सेकंड; संदर्भ वीडियो सेकंड जोड़े गए | आउटपुट के प्रति सेकंड |
| आवाज़ | नेटिव, डिफ़ॉल्ट रूप से चालू — चालू और बंद की लागत समान | नेटिव, हमेशा चालू, कोई टॉगल नहीं | नेटिव, हमेशा चालू, कोई टॉगल नहीं | वैकल्पिक टॉगल, डिफ़ॉल्ट रूप से बंद |
| प्रति सेकंड क्रेडिट, बजट टियर | 480p पर 40 | ऑफ़र नहीं किया गया — 720p न्यूनतम है | 768p पर 55 | 720p पर 45, ध्वनि रहित |
| प्रति सेकंड क्रेडिट, 1080p | 160 | 70 | ऑफ़र नहीं किया गया — इसका शीर्ष टियर 90 पर 2K है | 60 बिना आवाज़ · 85 आवाज़ के साथ |
| 6 सेकंड के 1080p क्लिप के क्रेडिट | 960 | 420 | 1080p पर ऑफ़र नहीं किया गया | 360 बिना आवाज़ · 510 आवाज़ के साथ |
| एक क्लिप के क्रेडिट, न्यूनतम से अधिकतम | 80–4,800 | 80–1,050 | 220–2,820 | 135–3,000 |
| इमेज-टू-वीडियो | पहला फ़्रेम + वैकल्पिक अंतिम फ़्रेम | केवल पहला फ़्रेम | केवल पहला फ़्रेम | केवल पहला फ़्रेम |
| संदर्भ सामग्री | 10 छवियों + 5 वीडियो + 5 ऑडियो ट्रैक तक, Image 1 / Video 1 / Audio 1 के रूप में उद्धृत | 5 छवियों तक, Image 1, Image 2 … के रूप में उद्धृत | 9 छवियों + 3 वीडियो + 3 ऑडियो ट्रैक तक | कोई नहीं — इकलौती इमेज ही पहला फ़्रेम है |
| आस्पेक्ट रेशियो | 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 से 21:9 तक | 3 — 16:9, 9:16, 1:1 |
| वह रफ़्तार जो हमने खुद मापी | 5s के लिए 3m 33s और 20s के लिए 7m 32s, दोनों 720p (2 क्लिप, अगस्त 2026) | मापा नहीं गया | मापा नहीं गया | मापा नहीं गया |
इस तालिका में हर रिज़ॉल्यूशन, क्लिप लंबाई और क्रेडिट आंकड़ा 26 अगस्त 2026 को हमारी अपनी मॉडल रजिस्ट्री और हमारे कोड की रेट तालिकाओं से पढ़ा गया है — वही तालिकाएँ जो आपके जनरेशन की कीमत तय करती हैं, न कि विक्रेता के मार्केटिंग पेज। चारों मॉडल प्रति सेकंड बिल करते हैं, इसलिए प्रति-क्लिप आंकड़े दर गुणा आपकी चुनी लंबाई हैं; Wan 3.0 और MiniMax H3 रेफ़रेंस वीडियो सेकंड भी बिलिंग में गिनते हैं। गति के एकमात्र आंकड़े वे दो Wan 3.0 क्लिप हैं जिन्हें हमने खुद जनरेट करके समय नापा; बाकी हर सेल में 'नापा नहीं गया' लिखा है, कोई उधार का आंकड़ा नहीं।
Wan 3.0 की तुलना अन्य वीडियो मॉडलों से करें — वही वर्कस्पेस, बदलने के लिए बस एक क्लिक।
| मॉडल | wan-3.0 (Tongyi Wanxiang 3.0), Alibaba द्वारा — alibaba/wan-3.0 एंडपॉइंट पर उपलब्ध |
|---|---|
| मोड | टेक्स्ट-से-वीडियो, फ़र्स्ट-और-लास्ट-फ़्रेम नियंत्रण के साथ इमेज-से-वीडियो, और मिश्रित इमेज, वीडियो तथा ऑडियो सामग्री के साथ रेफ़रेंस-से-वीडियो |
| रिज़ॉल्यूशन | 480p, 720p और 1080p — 1x / 2x / 4x अनुपात में बिलिंग |
| अवधि | 2–30 सेकंड, कोई भी पूर्ण सेकंड (डिफ़ॉल्ट रूप से 5) — इस प्लेटफ़ॉर्म पर सबसे लंबी रेंज |
| आस्पेक्ट रेशियो | टेक्स्ट- और रेफ़रेंस-से-वीडियो के लिए 16:9, 9:16, 1:1, 4:3 और 3:4; इमेज-से-वीडियो पहले फ़्रेम का पालन करता है |
| रेफ़रेंस सामग्री | अधिकतम 10 इमेज, 5 वीडियो क्लिप (कुल मिलाकर 15 सेकंड), और 5 ऑडियो ट्रैक, जिनका उल्लेख प्रॉम्प्ट में Image 1, Video 1, Audio 1 के रूप में किया जाता है |
| पहला / अंतिम फ़्रेम | इमेज-से-वीडियो एक सख़्त पहला फ़्रेम और एक वैकल्पिक अंतिम फ़्रेम स्वीकार करता है; फ़्रेम और रेफ़रेंस सामग्री अपस्ट्रीम में परस्पर अनन्य हैं |
| आवाज़ | नेटिव — आवाज़ें, इफ़ेक्ट और एम्बियंस क्लिप के साथ ही जनरेट होते हैं; साउंड चालू हो या बंद, लागत समान है |
| क्रेडिट | आउटपुट के प्रति सेकंड: 480p पर 40, 720p पर 80, 1080p पर 160 — तीनों मोड में समान दर |
| रेफ़रेंस वीडियो बिलिंग | रेफ़रेंस वीडियो सेकंड बिल की गई अवधि में जोड़े जाते हैं; रेफ़रेंस इमेज और ऑडियो मुफ़्त हैं |
| प्रति क्लिप क्रेडिट की रेंज | 2-सेकंड की 480p क्लिप के लिए 80, 30-सेकंड की 1080p क्लिप के लिए अधिकतम 4,800 (साथ में कोई भी रेफ़रेंस वीडियो सेकंड) |
| रद्द करना | विफल जनरेशन अपने आप रिफ़ंड हो जाते हैं |
| मापी गई स्पीड | 5-सेकंड की 720p क्लिप के लिए 3m 33s और 20-सेकंड की 720p क्लिप के लिए 7m 32s (2 क्लिप, 26 अगस्त 2026) |
खाली prompt बॉक्स से तैयार क्लिप तक — तीन कदम।
वीडियो जेनरेट करना शुरू करेंमॉडल पिकर खोलें और Wan 3.0 चुनें। पैनल आपके कुछ भी खर्च करने से पहले इसकी क्रेडिट लागत, रिज़ॉल्यूशन विकल्प और अवधि सीमाएँ दिखाता है।
विषय, एक्शन, और कैमरा कैसे चलता है — यह लिखें। अगर आप चाहते हैं कि क्लिप किसी खास इमेज से शुरू हो तो पहला फ्रेम लगाएँ।
क्लिप डाउनलोड करें, उसे बढ़ाएँ, या आगे की एडिटिंग में भेजें। prompt, मॉडल और सेटिंग्स आपकी हिस्ट्री में उसके साथ ही जुड़ी रहती हैं।
एक खाता, पूर्ण इमेज और वीडियो जेनरेशन वर्कफ़्लो।
Wan 3.0 को फ़्री टियर के दैनिक क्रेडिट पर चलाएँ, या प्रीमियम मॉडल, तेज़ जनरेशन और 4K आउटपुट के लिए अपग्रेड करें।
शुरुआत करने के लिए एकदम सही
वार्षिक रूप से बिल किया गया · $240/वर्ष
वार्षिक रूप से बिल किया गया · $380/वर्ष
लंबे टेक और नियंत्रित शॉट: नेटिव ऑडियो के साथ 30 सेकंड तक की क्लिप, एक फ़र्स्ट-और-लास्ट-फ़्रेम मोड जो शॉट के शुरू और ख़त्म होने की जगह को बिल्कुल तय करता है, और एक रेफ़रेंस मोड जो एक ही अनुरोध में इमेज, वीडियो और ऑडियो को एक साथ पढ़ता है।
आउटपुट के प्रति सेकंड: 480p पर 40 क्रेडिट, 720p पर 80, 1080p पर 160 — टेक्स्ट-, इमेज- और रेफ़रेंस-से-वीडियो तीनों के लिए समान दर। रेफ़रेंस वीडियो सेकंड बिल की गई अवधि में जोड़े जाते हैं; रेफ़रेंस इमेज और ऑडियो मुफ़्त हैं। सटीक लागत जनरेट करने से पहले दिखती है, और विफल रन अपने आप रिफ़ंड हो जाते हैं।
सिर्फ़ प्रॉम्प्ट से टेक्स्ट-से-वीडियो, पहले फ़्रेम से इमेज-से-वीडियो (वैकल्पिक अंतिम फ़्रेम के साथ), और रेफ़रेंस-से-वीडियो जिसमें अधिकतम 10 इमेज, 5 वीडियो क्लिप और 5 ऑडियो ट्रैक हो सकते हैं, जिनका उल्लेख प्रॉम्प्ट में Image 1, Video 1, Audio 1 के रूप में किया जाता है।
2 से 30 सेकंड, कोई भी पूरा सेकंड — इस प्लेटफ़ॉर्म पर किसी भी वीडियो मॉडल की सबसे लंबी रेंज। हर लंबाई पर आवाज़ क्लिप के साथ ही बनती है।
Wan 3.0 लंबाई की सीमा दोगुनी करता है (30s vs 15s), एक 480p बजट टियर और लास्ट-फ़्रेम कंट्रोल जोड़ता है, और रेफ़रेंस को 5 इमेज से बढ़ाकर मिश्रित image + video + audio मटेरियल तक ले जाता है। छोटे मल्टी-शॉट काम के लिए Wan 2.7, 720p पर कम-दर वाला विकल्प बना रहता है (40 vs 80 क्रेडिट प्रति सेकंड)।
असफल वीडियो जनरेशन के क्रेडिट अपने आप वापस मिल जाते हैं — आप सिर्फ़ उन क्लिप के लिए पैसे देते हैं जो पूरी होती हैं।
जनरेशन के आस-पास के हर काम के लिए वन-क्लिक टूल — निखारें, स्टाइल बदलें, शेयर करें।
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.
