Execute o Wan 3.0, o modelo emblemático da Alibaba, no seu navegador: clipes até 30 segundos com som já incluído, um modo de primeiro e último fotograma que fixa exatamente onde o plano começa e termina, e um modo de referência que lê imagens, vídeo e áudio num único pedido.
O Wan 3.0 é o Tongyi Wanxiang 3.0 da Alibaba, o sucessor do Wan 2.7, disponibilizado aqui no endpoint alibaba/wan-3.0 através do nosso fornecedor de vídeo. Três modos partilham um único painel: texto-para-vídeo a partir de apenas um prompt, imagem-para-vídeo que fixa um primeiro fotograma e, opcionalmente, um último fotograma, e referência-para-vídeo que lê até 10 imagens, 5 clipes de vídeo e 5 faixas de áudio num único pedido, cada um citado no prompt por número. Os seus números definidores são de amplitude: qualquer segundo inteiro de 2 a 30, três resoluções desde um nível de rascunho a 480p até 1080p, e áudio gerado com cada clipe.
Os compromissos são específicos. 1080p é o limite — um entregável em 4K pertence ao Kling 3.0. A API de origem define um modo de duração inteligente que escolhe a duração do clipe por conta própria; ele reserva créditos no limite de 30 segundos, por isso não o ativamos — aqui você escolhe uma duração explícita. Os segundos de vídeo de referência contam para o faturamento, o que a prévia de preço mostra antes de confirmar. Os dois clipes mais abaixo nesta página levaram 3m 33s (5 segundos, 720p) e 7m 32s (20 segundos, 720p) para gerar aqui — planeje em minutos, não em segundos, para takes longos.
O Tongyi Wanxiang 3.0 da Alibaba gera clipes de até 30 segundos com áudio nativo, fixa o primeiro e o último quadro exatos de um plano e lê imagens, clipes de vídeo e faixas de áudio em conjunto num único pedido de referência — faturado por segundo a partir de um nível econômico de 480p.
A maioria dos modelos de vídeo de IA para nos 10 ou 15 segundos; o Wan 3.0 chega aos 30 numa única geração contínua. É tempo suficiente para uma demonstração completa de produto, uma cena falada ou uma sequência de planos sem unir clipes depois. Escolha qualquer segundo inteiro de 2 a 30 — paga por segundo, por isso um rascunho de 6 segundos e uma versão final de 30 segundos têm preços exatamente proporcionais.
O imagem-para-vídeo aqui vai além de animar uma única fotografia: carregue um primeiro fotograma e, opcionalmente, um último fotograma, e o Wan 3.0 interpola o movimento entre os seus dois pontos fixos. É o único modelo na comparação mais abaixo nesta página que aceita um último fotograma — a diferença entre "começar a partir desta imagem" e "ir exatamente desta imagem para exatamente aquela".
O referência-para-vídeo aceita material misto num único pedido — até 10 imagens, 5 clipes de vídeo curtos e 5 faixas de áudio — e o prompt refere-se a cada um por número: "a personagem da Imagem 1, a mover-se como o Vídeo 1, com sonorização como o Áudio 1". As imagens e o áudio de referência são gratuitos; os segundos de vídeo de referência são adicionados à duração faturada, e o custo aparece antes de gerar.
O áudio — vozes, efeitos, ambiente — é gerado com o clipe, e desligá-lo custa o mesmo, por isso nunca há um custo extra pelo som. Três resoluções faturam em proporção direta: 480p a 40 créditos por segundo para rascunhos, 720p a 80 e 1080p a 160 para versões finais. Iterar a 480p e terminar a 1080p mantém uma produção de 30 segundos acessível.
Gerado aqui em 26 de agosto de 2026, primeira tomada, prompts e configurações exatos mostrados. O clipe de 20 segundos existe para provar a afirmação acima sobre takes longos — uma geração, sem cortes, sem emendas.
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.
É o modelo de formato longo e de precisão deste grupo: o limite de 30 segundos, o único controlo do último fotograma e a caixa de ferramentas de referência mais ampla.
Demonstrações de produto, cenas faladas e sequências de vários momentos chegam aos 30 segundos numa única geração — sem união de clipes, sem falhas de continuidade entre clipes, e com a faixa de áudio a abranger todo o take.
O modo de primeiro e último fotograma aceita duas imagens e interpola o movimento entre elas — uma transformação, uma revelação, um movimento de câmara que tem de terminar numa composição específica. Nenhum outro modelo desta página aceita um último fotograma.
Forneça-lhe a personagem de uma imagem, o estilo de movimento de um clipe de vídeo e uma faixa de música, e referencie cada um por número no prompt. Dez imagens, cinco clipes e cinco faixas de áudio podem moldar uma única geração.
O nível 480p é faturado a um quarto da tarifa de 1080p com comportamento de prompt idêntico, pelo que pode iterar um corte de 30 segundos por 1,200 créditos e renderizar a versão final por 4,800 apenas quando estiver certo.
1080p é o limite — um produto final em 4K pertence ao Kling 3.0. E o modo de duração inteligente a montante não está ligado aqui, por isso escolhe sempre uma duração explícita entre 2 e 30 segundos.
O mesmo espaço de trabalho, a mesma bolsa de créditos — trocar entre qualquer um destes é um clique.
| Wan 3.0 | Wan 2.7 | MiniMax H3 | Kling 3.0 | |
|---|---|---|---|---|
| Resoluções | 480p · 720p · 1080p | 720p · 1080p | 768p · 2K | 720p · 1080p · 4K |
| Duração do clipe | 2–30s, qualquer segundo inteiro | 2–15s, qualquer segundo inteiro | 4–15s, qualquer segundo inteiro | 3–15s, qualquer segundo inteiro |
| Como é faturado | Por segundo de saída; somam-se os segundos de vídeo de referência | Por segundo de saída | Por segundo de saída; somam-se os segundos de vídeo de referência | Por segundo de saída |
| Som | Nativo, ativo por predefinição — ligado ou desligado custa o mesmo | Nativo, sempre ligado, sem interruptor | Nativo, sempre ligado, sem interruptor | Interruptor opcional, desligado por predefinição |
| Créditos por segundo, nível econômico | 40 a 480p | Não oferecido — 720p é o mínimo | 55 a 768p | 45 a 720p, sem som |
| Créditos por segundo, 1080p | 160 | 70 | Não oferecido — o nível máximo é 2K a 90 | 60 sem som · 85 com som |
| Créditos para um clipe de 6 segundos em 1080p | 960 | 420 | Não oferecido a 1080p | 360 sem som · 510 com som |
| Créditos para um clipe, do mínimo ao máximo | 80–4,800 | 80–1.050 | 220–2,820 | 135–3.000 |
| Imagem-para-vídeo | Primeiro fotograma + último fotograma opcional | Apenas o primeiro fotograma | Apenas o primeiro fotograma | Apenas o primeiro fotograma |
| Material de referência | Até 10 imagens + 5 vídeos + 5 faixas de áudio, citadas como Image 1 / Video 1 / Audio 1 | Até 5 imagens, citadas como Image 1, Image 2 … | Até 9 imagens + 3 vídeos + 3 faixas de áudio | Nenhuma — a única imagem é o primeiro fotograma |
| Proporções | 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 |
| Velocidade que medimos nós próprios | 3m 33s para 5s e 7m 32s para 20s, ambos em 720p (2 clips, agosto de 2026) | Não medido | Não medido | Não medido |
Cada resolução, duração de clipe e valor de créditos nesta tabela é lido do nosso próprio registro de modelos e das tabelas de tarifas no nosso código em 26 de agosto de 2026 — as mesmas tabelas que determinam o preço das suas gerações, não páginas de marketing de fornecedores. Os quatro modelos faturam por segundo, por isso os valores por clipe são a tarifa multiplicada pela duração que você escolher; o Wan 3.0 e o MiniMax H3 contam adicionalmente os segundos de vídeo de referência para a faturação. Os únicos números de velocidade são os dois clipes do Wan 3.0 que nós mesmos geramos e cronometramos; todas as outras células dizem Não medido em vez de pedir um número emprestado.
Compare o Wan 3.0 com outros modelos de vídeo — no mesmo espaço de trabalho, com um clique para mudar.
| Modelo | wan-3.0 (Tongyi Wanxiang 3.0), da Alibaba — servido no endpoint alibaba/wan-3.0 |
|---|---|
| Modos | Texto-para-vídeo, imagem-para-vídeo com controlo do primeiro e do último fotograma, e referência-para-vídeo com material misto de imagem, vídeo e áudio |
| Resolução | 480p, 720p e 1080p — faturado na proporção 1x / 2x / 4x |
| Duração | 2–30 segundos, qualquer segundo inteiro (5 por predefinição) — o intervalo mais longo nesta plataforma |
| Proporções | 16:9, 9:16, 1:1, 4:3 e 3:4 para texto- e referência-para-vídeo; imagem-para-vídeo segue o primeiro fotograma |
| Recursos de referência | Até 10 imagens, 5 clips de vídeo (15 segundos no total) e 5 faixas de áudio, citados no prompt como Image 1, Video 1, Audio 1 |
| Primeiro / último fotograma | Imagem-para-vídeo aceita um primeiro fotograma estrito e um último fotograma opcional; os fotogramas e o material de referência são mutuamente exclusivos a montante |
| Som | Nativo — vozes, efeitos e ambiente gerados com o clip; som ligado e desligado custam o mesmo |
| Créditos | Por segundo de saída: 40 a 480p, 80 a 720p, 160 a 1080p — a mesma taxa nos três modos |
| Faturação de vídeo de referência | Os segundos de vídeo de referência são adicionados à duração faturada; as imagens e o áudio de referência são gratuitos |
| Intervalo de créditos por clipe | 80 por um clip 480p de 2 segundos, até 4,800 por um clip 1080p de 30 segundos (mais quaisquer segundos de vídeo de referência) |
| Cancelamento | As gerações falhadas são reembolsadas automaticamente |
| Velocidade medida | 3m 33s para um clip de 5 segundos em 720p e 7m 32s para um clip de 20 segundos em 720p (2 clips, 26 de agosto de 2026) |
Três passos, de uma caixa de prompt vazia a um clipe acabado.
Comece a gerar vídeosAbra o seletor de modelos e escolha Wan 3.0. O painel mostra o custo em créditos, as opções de resolução e os limites de duração antes de gastar o que quer que seja.
Escreva o sujeito, a ação e como a câmera se comporta. Anexe um primeiro quadro se quiser que o clipe comece de uma imagem específica.
Baixe o clipe, estenda a duração ou mande para mais edição. Prompt, modelo e configurações continuam salvos junto com ele no seu histórico.
Uma conta, todo o fluxo de geração de imagem e vídeo.
Rode o Wan 3.0 no plano gratuito, ou faça upgrade para modelos premium, geração mais rápida e saída em 4K.
Perfeito para começar
Cobrado anualmente · US$ 240/ano
Cobrado anualmente · US$ 468/ano
Tomadas longas e planos controlados: clips até 30 segundos com áudio nativo, um modo de primeiro e último fotograma que fixa exatamente onde um plano começa e termina, e um modo de referência que lê imagens, vídeo e áudio em conjunto num só pedido.
Por segundo de saída: 40 créditos a 480p, 80 a 720p, 160 a 1080p — a mesma taxa para texto-, imagem- e referência-para-vídeo. Os segundos de vídeo de referência são adicionados à duração faturada; as imagens e o áudio de referência são gratuitos. O custo exato é mostrado antes de gerar, e as execuções falhadas são reembolsadas automaticamente.
Texto-para-vídeo só a partir de um prompt, imagem-para-vídeo a partir de um primeiro fotograma (com um último fotograma opcional), e referência-para-vídeo com até 10 imagens, 5 clips de vídeo e 5 faixas de áudio citados no prompt como Image 1, Video 1, Audio 1.
De 2 a 30 segundos, qualquer segundo inteiro — o intervalo mais longo de qualquer modelo de vídeo nesta plataforma. O som é gerado com o clipe em todas as durações.
O Wan 3.0 dobra o limite de duração (30s vs 15s), adiciona um nível econômico de 480p e controle do último quadro, e amplia as referências de 5 imagens para material misto de imagem + vídeo + áudio. O Wan 2.7 continua sendo a escolha de tarifa mais baixa em 720p (40 vs 80 créditos por segundo) para trabalhos mais curtos com vários planos.
Os créditos são reembolsados automaticamente em gerações de vídeo falhadas — só paga pelos clipes que terminam.
Ferramentas de um clique para tudo em volta da geração — polir, mudar o estilo e compartilhar.
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.
