तुमच्या ब्राउझरमध्ये Alibaba चे अग्रगण्य Wan 3.0 चालवा: आवाज आधीच जोडलेल्या 30 सेकंदांपर्यंतच्या क्लिप्स, शॉट नेमके कुठे सुरू होतो आणि संपतो हे ठरवणारा प्रथम-आणि-शेवटचा-फ्रेम मोड, आणि एका विनंतीत प्रतिमा, व्हिडिओ आणि ऑडिओ वाचणारा संदर्भ मोड.
Wan 3.0 म्हणजे Alibaba चे Tongyi Wanxiang 3.0, Wan 2.7 चा उत्तराधिकारी, जो येथे आमच्या व्हिडिओ प्रोव्हायडरमार्फत alibaba/wan-3.0 एंडपॉइंटवर उपलब्ध आहे. एका पॅनेलमध्ये तीन मोड आहेत: केवळ प्रॉम्प्टवरून टेक्स्ट-टू-व्हिडिओ, पहिला फ्रेम आणि पर्यायी शेवटचा फ्रेम ठेवणारा इमेज-टू-व्हिडिओ, आणि एकाच विनंतीत 10 पर्यंत इमेज, 5 व्हिडिओ क्लिप्स आणि 5 ऑडिओ ट्रॅक्स वाचणारा रेफरन्स-टू-व्हिडिओ — प्रत्येकाचा प्रॉम्प्टमध्ये क्रमांकाने उल्लेख केला जातो. त्याची खास आकडेवारी म्हणजे व्याप्ती: 2 ते 30 पैकी कोणताही पूर्ण सेकंद, 480p ड्राफ्ट स्तरापासून 1080p पर्यंत तीन रिझोल्यूशन्स, आणि प्रत्येक क्लिपसह तयार होणारा ऑडिओ.
तडजोडी स्पष्ट आहेत. 1080p ही कमाल मर्यादा आहे — 4K डेलिव्हरेबल Kling 3.0 चे काम आहे. अपस्ट्रीम API मध्ये स्मार्ट-ड्युरेशन मोड आहे जो क्लिपची लांबी स्वतः निवडतो; तो 30-सेकंदांच्या मर्यादेवर क्रेडिट्स राखीव ठेवतो, त्यामुळे आम्ही तो जोडलेला नाही — इथे तुम्ही स्पष्ट लांबी निवडता. संदर्भ व्हिडिओचे सेकंद बिलिंगमध्ये मोजले जातात, जे किंमत पूर्वावलोकन तुम्ही निश्चित करण्यापूर्वी दाखवते. या पृष्ठावर खाली असलेल्या दोन क्लिप्स येथे तयार होण्यासाठी 3m 33s (5 सेकंद, 720p) आणि 7m 32s (20 सेकंद, 720p) घेतल्या — लांब टेकसाठी सेकंदांचे नव्हे, तर मिनिटांचे नियोजन करा.
Alibaba चे Tongyi Wanxiang 3.0 नेटिव ऑडिओसह 30 सेकंदांपर्यंतच्या क्लिप्स तयार करते, शॉटचा नेमका पहिला आणि शेवटचा फ्रेम ठेवते, आणि एकाच रेफरन्स विनंतीत इमेज, व्हिडिओ क्लिप्स आणि ऑडिओ ट्रॅक्स एकत्र वाचते — 480p बजेट स्तरापासून प्रति सेकंद बिलिंगसह.
बहुतेक AI व्हिडिओ मॉडेल्स 10 किंवा 15 सेकंदांवर थांबतात; Wan 3.0 एका सलग जनरेशनमध्ये 30 पर्यंत चालते. ते संपूर्ण प्रोडक्ट वॉकथ्रू, बोलले जाणारे दृश्य किंवा नंतर क्लिप्स जोडून न घेता शॉट्सचा क्रम यासाठी पुरेसे आहे. 2 ते 30 पैकी कोणताही पूर्ण सेकंद निवडा — तुम्ही प्रति सेकंद पैसे देता, त्यामुळे 6-सेकंदाचा ड्राफ्ट आणि 30-सेकंदाचा फायनल नेमक्या प्रमाणात किंमतीचा असतो.
येथील इमेज-टू-व्हिडिओ एकाच फोटोला हलवण्याच्या पलीकडे जाते: पहिला फ्रेम आणि पर्यायी शेवटचा फ्रेम अपलोड करा, आणि Wan 3.0 तुमच्या दोन निश्चित टोकांमधील मोशन तयार करते. या पृष्ठावर खाली असलेल्या तुलनेतील हे एकमेव मॉडेल आहे जे शेवटचा फ्रेम स्वीकारते — "या इमेजपासून सुरू करा" आणि "नेमक्या या इमेजकडून नेमक्या त्या इमेजकडे जा" यामधला फरक.
रेफरन्स-टू-व्हिडिओ एका विनंतीत मिश्र साहित्य स्वीकारते — 10 पर्यंत इमेज, 5 छोट्या व्हिडिओ क्लिप्स आणि 5 ऑडिओ ट्रॅक्स — आणि प्रॉम्प्ट प्रत्येकाचा क्रमांकाने उल्लेख करते: "Image 1 मधील पात्र, Video 1 सारखी हालचाल करणारे, Audio 1 सारख्या संगीतासह". रेफरन्स इमेज आणि ऑडिओ मोफत आहेत; रेफरन्स व्हिडिओचे सेकंद बिल केलेल्या कालावधीत जोडले जातात, आणि तुम्ही जनरेट करण्याआधी किंमत दिसते.
ऑडिओ — आवाज, इफेक्ट्स, वातावरण — क्लिपसोबत तयार होतो, आणि तो बंद केला तरी किंमत तीच राहते, त्यामुळे आवाजासाठी कधीही अतिरिक्त शुल्क नाही. तीन रिझोल्यूशन्स स्वच्छ प्रमाणात बिल होतात: ड्राफ्टसाठी 480p प्रति सेकंद 40 क्रेडिट्स, 720p 80 आणि फायनलसाठी 1080p 160. 480p वर चाचण्या घेऊन 1080p वर संपवल्यास 30-सेकंदाचे प्रोडक्शन परवडणारे राहते.
येथे 26 ऑगस्ट 2026 रोजी तयार केलेले, पहिल्या टेकमध्ये, नेमके प्रॉम्प्ट्स आणि सेटिंग्ज दाखवलेले आहेत. 20-सेकंदांची क्लिप वरचा लांब-टेक दावा सिद्ध करण्यासाठी आहे — एकच जनरेशन, कट नाहीत, जोडणी नाही.
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.
हे या गटातील लांब स्वरूप आणि अचूकतेचे मॉडेल आहे: 30-सेकंदाची मर्यादा, एकमेव शेवटच्या-फ्रेमचे नियंत्रण, आणि सर्वांत विस्तृत रेफरन्स टूलबॉक्स.
प्रोडक्ट वॉकथ्रू, बोलली जाणारी दृश्ये आणि अनेक टप्प्यांच्या सीक्वन्सेस एका जनरेशनमध्ये 30 सेकंदांपर्यंत चालतात — क्लिप्स जोडणे नाही, क्लिप्समध्ये सातत्याच्या विखुरेलेल्या ओळी नाहीत, आणि ऑडिओ ट्रॅक संपूर्ण टेकभर पसरतो.
पहिल्या-आणि-शेवटच्या-फ्रेम मोडमध्ये दोन प्रतिमा घेतल्या जातात आणि त्यांच्यामधली हालचाल अंतर्लेखित केली जाते — रूपांतर, उघडकीस, किंवा अशी कॅमेरा हालचाल जी ठरलेल्या संयोजनेवरच थांबायला हवी. या पानावरील दुसरा कोणताही मॉडेल शेवटचा फ्रेम स्वीकारत नाही.
एका प्रतिमेतील पात्र, व्हिडिओ क्लिपची हालचाल-शैली आणि संगीत ट्रॅक द्या, आणि प्रॉम्प्टमध्ये प्रत्येकाला क्रमांकाने संबोधा. दहा प्रतिमा, पाच क्लिप आणि पाच ऑडिओ ट्रॅक एका जनरेशनला आकार देऊ शकतात.
480p स्तर 1080p दराच्या एका चतुर्थांशात बिल करतो, प्रॉम्प्ट वर्तन तसेच ठेवून, म्हणून तुम्ही 30-सेकंद कट 1,200 क्रेडिट्समध्ये पुन्हा पुन्हा करू शकता आणि बरोबर झाल्यावरच अंतिम 4,800 मध्ये रेंडर करू शकता.
1080p ही कमाल आहे — 4K डिलिव्हरेबल Kling 3.0 कडे जाते. आणि अपस्ट्रीम स्मार्ट-ड्युरेशन मोड येथे जोडलेला नाही, म्हणून तुम्हाला नेहमी 2 ते 30 सेकंदांमधली स्पष्ट लांबी निवडावी लागते.
एकच वर्कस्पेस, एकच क्रेडिट साठा — यांपैकी कोणतेही बदलणे एक क्लिक आहे.
| Wan 3.0 | Wan 2.7 | MiniMax H3 | Kling 3.0 | |
|---|---|---|---|---|
| रिझोल्यूशन | 480p · 720p · 1080p | 720p · 1080p | 768p · 2K | 720p · 1080p · 4K |
| क्लिपची लांबी | 2–30s, कोणताही पूर्ण सेकंद | 2–15s, कोणताही पूर्ण सेकंद | 4–15s, कोणताही पूर्ण सेकंद | 3–15s, कोणताही पूर्ण सेकंद |
| आकारणी कशी होते | आउटपुटच्या प्रति सेकंद; संदर्भ व्हिडिओ सेकंद जोडले जातात | आउटपुटच्या प्रति सेकंद | आउटपुटच्या प्रति सेकंद; संदर्भ व्हिडिओ सेकंद जोडले जातात | आउटपुटच्या प्रति सेकंद |
| आवाज | नेटिव्ह, डीफॉल्टनुसार चालू — चालू आणि बंद यांची किंमत समान | नेटिव्ह, नेहमी चालू, बटण नाही | नेटिव्ह, नेहमी चालू, बटण नाही | ऐच्छिक बटण, डीफॉल्टने बंद |
| प्रति सेकंद क्रेडिट्स, बजेट स्तर | 480p वर 40 | ऑफर नाही — 720p हा किमान आहे | 768p वर 55 | 720p वर 45, निःशब्द |
| प्रति सेकंद क्रेडिट्स, 1080p | 160 | 70 | ऑफर नाही — त्याचा टॉप स्तर 90 वर 2K आहे | 60 मूक · 85 आवाजासह |
| 6 सेकंदांच्या 1080p क्लिपसाठी क्रेडिट्स | 960 | 420 | 1080p वर ऑफर नाही | 360 मूक · 510 आवाजासह |
| एका क्लिपसाठी क्रेडिट्स, किमानपासून कमालपर्यंत | 80–4,800 | 80–1,050 | 220–2,820 | 135–3,000 |
| इमेज-टू-व्हिडिओ | पहिला फ्रेम + ऐच्छिक शेवटचा फ्रेम | फक्त पहिला फ्रेम | फक्त पहिला फ्रेम | फक्त पहिला फ्रेम |
| संदर्भ सामग्री | 10 पर्यंत प्रतिमा + 5 व्हिडिओ + 5 ऑडिओ ट्रॅक, Image 1 / Video 1 / Audio 1 असे उल्लेखून | 5 पर्यंत प्रतिमा, Image 1, Image 2 … असे उल्लेखून | 9 पर्यंत प्रतिमा + 3 व्हिडिओ + 3 ऑडिओ ट्रॅक | काहीही नाही — एकच प्रतिमा हीच पहिली फ्रेम आहे |
| आस्पेक्ट रेशो | 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 ते 21:9 | 3 — 16:9, 9:16, 1:1 |
| आम्ही स्वतः मोजलेला वेग | 5s साठी 3m 33s आणि 20s साठी 7m 32s, दोन्ही 720p (2 क्लिप्स, ऑगस्ट 2026) | मोजलेले नाही | मोजलेले नाही | मोजलेले नाही |
या तक्त्यातील प्रत्येक रिझोल्यूशन, क्लिप लांबी आणि क्रेडिट आकडा 26 ऑगस्ट 2026 रोजी आमच्या स्वतःच्या मॉडेल रजिस्ट्री आणि आमच्या कोडमधील दर तक्त्यांमधून वाचलेला आहे — तेच तक्ते जे तुमच्या जनरेशनची किंमत ठरवतात, विक्रेत्याच्या मार्केटिंग पृष्ठे नव्हेत. चारही मॉडेल्स प्रति सेकंद बिल करतात, त्यामुळे प्रति-क्लिप आकडे म्हणजे दर गुणिले तुम्ही निवडलेली लांबी; Wan 3.0 आणि MiniMax H3 याव्यतिरिक्त संदर्भ व्हिडिओचे सेकंदही बिलिंगमध्ये मोजतात. वेगाचे एकमेव आकडे म्हणजे आम्ही स्वतः तयार करून वेळ मोजलेल्या दोन Wan 3.0 क्लिप्स; इतर प्रत्येक सेलमध्ये आकडा उधार घेण्याऐवजी आम्ही मोजलेले नाही असे लिहिले आहे.
Wan 3.0 ची तुलना इतर व्हिडिओ मॉडेल्सशी करा — तेच वर्कस्पेस, बदलण्यासाठी एका क्लिक.
| मॉडेल | wan-3.0 (Tongyi Wanxiang 3.0), Alibaba कडून — alibaba/wan-3.0 एंडपॉइंटवर उपलब्ध |
|---|---|
| मोड | टेक्स्ट-टू-व्हिडिओ, प्रथम-आणि-शेवटच्या-फ्रेम नियंत्रणासह इमेज-टू-व्हिडिओ, आणि मिश्र प्रतिमा, व्हिडिओ आणि ऑडिओ साहित्यासह रेफरन्स-टू-व्हिडिओ |
| रिझोल्यूशन | 480p, 720p आणि 1080p — 1x / 2x / 4x प्रमाणात बिल केले जाते |
| कालावधी | 2–30 सेकंद, कोणतीही पूर्ण सेकंदावधी (डीफॉल्टनुसार 5) — या प्लॅटफॉर्मवरील सर्वांत लांब श्रेणी |
| आस्पेक्ट रेशो | टेक्स्ट- आणि रेफरन्स-टू-व्हिडिओसाठी 16:9, 9:16, 1:1, 4:3 आणि 3:4; इमेज-टू-व्हिडिओ पहिल्या फ्रेमचे अनुसरण करते |
| संदर्भ साहित्य | जास्तीत जास्त 10 प्रतिमा, 5 व्हिडिओ क्लिप्स (एकूण 15 सेकंद), आणि 5 ऑडिओ ट्रॅक्स, प्रॉम्प्टमध्ये Image 1, Video 1, Audio 1 म्हणून उद्धृत केलेले |
| पहिली / शेवटची फ्रेम | इमेज-टू-व्हिडिओ कठोर पहिली फ्रेम आणि पर्यायी शेवटची फ्रेम स्वीकारते; फ्रेम्स आणि रेफरन्स साहित्य अपस्ट्रीमवर परस्पर-वर्ज्य आहेत |
| आवाज | नेटिव्ह — आवाज, इफेक्ट्स आणि अँम्बियन्स क्लिपसोबतच तयार होतात; आवाज चालू किंवा बंद — किंमत तितकीच |
| Credits | आउटपुटच्या प्रत्येक सेकंदासाठी: 480p वर 40, 720p वर 80, 1080p वर 160 — तिन्ही मोडमध्ये हाच दर |
| रेफरन्स व्हिडिओ बिलिंग | रेफरन्स व्हिडिओ सेकंद बिल केलेल्या कालावधीत जोडले जातात; रेफरन्स प्रतिमा आणि ऑडिओ मोफत आहेत |
| प्रति क्लिप क्रेडिट श्रेणी | 2-सेकंदाच्या 480p क्लिपसाठी 80, 30-सेकंदाच्या 1080p क्लिपसाठी 4,800 पर्यंत (अधिक कोणतेही रेफरन्स व्हिडिओ सेकंद) |
| रद्द करणे | अयशस्वी जनरेशन्स आपोआप परतावा देतात |
| मोजलेला वेग | 5-सेकंदांच्या 720p क्लिपसाठी 3m 33s आणि 20-सेकंदांच्या 720p क्लिपसाठी 7m 32s (2 क्लिप्स, 26 ऑगस्ट 2026) |
रिकाम्या prompt बॉक्सपासून तयार clip पर्यंत — तीन पायऱ्या.
व्हिडिओ जनरेट करण्यास सुरुवात करामॉडेल पिकर उघडा आणि Wan 3.0 निवडा. तुम्ही काही खर्च करण्यापूर्वी पॅनेल त्याचा क्रेडिट खर्च, रिझोल्यूशन पर्याय आणि कालावधी मर्यादा दाखवते.
विषय, कृती आणि camera कशी हलते ते लिहा. clip एखाद्या ठराविक इमेजपासून सुरू व्हावी असे वाटत असेल तर पहिली frame जोडा.
clip डाउनलोड करा, ती लांबवा, किंवा पुढील एडिटिंगला पाठवा. prompt, मॉडेल आणि सेटिंग्ज तुमच्या इतिहासात तिच्यासोबतच राहतात.
एक खाते, संपूर्ण इमेज आणि व्हिडिओ जनरेशन वर्कफ्लो.
मोफत टियरच्या दैनिक क्रेडिट्सवर Wan 3.0 चालवा, किंवा प्रीमियम मॉडेल्स, जलद जनरेशन आणि 4K आउटपुटसाठी अपग्रेड करा.
सुरुवात करण्यासाठी अगदी योग्य
वार्षिक बिलिंग · $240/year
वार्षिक बिलिंग · $380/year
दीर्घ-फॉर्म टेक्स आणि नियंत्रित शॉट्स: नेटिव्ह ऑडिओसह 30 सेकंदांपर्यंतच्या क्लिप्स, शॉट नेमके कुठे सुरू होतो आणि संपतो हे ठोकून देणारा प्रथम-आणि-शेवटच्या-फ्रेम मोड, आणि एका विनंतीत प्रतिमा, व्हिडिओ आणि ऑडिओ एकत्र वाचणारा रेफरन्स मोड.
आउटपुटच्या प्रत्येक सेकंदासाठी: 480p वर 40 क्रेडिट्स, 720p वर 80, 1080p वर 160 — टेक्स्ट-, इमेज- आणि रेफरन्स-टू-व्हिडिओसाठी हाच दर. रेफरन्स व्हिडिओ सेकंद बिल केलेल्या कालावधीत जोडले जातात; रेफरन्स प्रतिमा आणि ऑडिओ मोफत आहेत. तुम्ही जनरेट करण्यापूर्वी नेमका खर्च दिसतो, आणि अयशस्वी रन आपोआप परतावा देतात.
फक्त प्रॉम्प्टवरून टेक्स्ट-टू-व्हिडिओ, पहिल्या फ्रेमवरून इमेज-टू-व्हिडिओ (पर्यायी शेवटच्या फ्रेमसह), आणि प्रॉम्प्टमध्ये Image 1, Video 1, Audio 1 म्हणून उद्धृत केलेल्या जास्तीत जास्त 10 प्रतिमा, 5 व्हिडिओ क्लिप्स आणि 5 ऑडिओ ट्रॅक्ससह रेफरन्स-टू-व्हिडिओ.
2 ते 30 सेकंद, कोणताही पूर्ण सेकंद — या प्लॅटफॉर्मवरील कोणत्याही व्हिडिओ मॉडेलमधील सर्वात लांब कालावधी. प्रत्येक लांबीवर क्लिपसोबत आवाज तयार होतो.
Wan 3.0 कालावधीची मर्यादा दुप्पट करते (30s vs 15s), 480p बजेट टियर आणि शेवटच्या-फ्रेम नियंत्रण जोडते, आणि संदर्भ 5 प्रतिमांवरून मिश्र प्रतिमा + व्हिडिओ + ऑडिओ साहित्यापर्यंत वाढवते. Wan 2.7 हा 720p वर (प्रति सेकंद 40 vs 80 क्रेडिट्स) लहान मल्टी-शॉट कामांसाठी कमी दराचा पर्याय राहतो.
अयशस्वी व्हिडिओ जनरेशनसाठी क्रेडिट्स आपोआप परत मिळतात — तुम्ही फक्त पूर्ण होणाऱ्या क्लिप्ससाठी पैसे देता.
निर्मितीभोवतीच्या प्रत्येक कामासाठी वन-क्लिक टूल्स — सुधार, शैली बदल, शेअर.
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.
