Kör Alibabas flaggskepp Wan 3.0 i din webbläsare: klipp på upp till 30 sekunder med ljud redan bifogat, ett läge för första och sista bildrutan som låser exakt var tagningen börjar och slutar, och ett referensläge som läser bilder, video och ljud i en enda förfrågan.
Wan 3.0 är Alibabas Tongyi Wanxiang 3.0, efterföljaren till Wan 2.7, serverad här på endpointen alibaba/wan-3.0 via vår videoleverantör. Tre lägen delar en panel: text-till-video från enbart en prompt, bild-till-video som låser en första bildruta och valfritt en sista bildruta, och referens-till-video som läser upp till 10 bilder, 5 videoklipp och 5 ljudspår i en enda förfrågan, var och en citerad i prompten med nummer. Dess avgörande siffror är spannet: valfri hel sekund från 2 till 30, tre upplösningar från en 480p-utkastnivå till 1080p, och ljud som genereras med varje klipp.
Avvägningarna är specifika. 1080p är taket — en 4K-leverans hör till Kling 3.0. Det uppströms API:et definierar ett smart-duration-läge som själv väljer klipplängden; det reserverar krediter vid 30-sekundstaket, så vi har inte kopplat in det — du väljer en explicit längd här. Referensvideosekunder räknas in i debiteringen, vilket prisförhandsvisningen visar innan du bekräftar. De två klippen längre ner på sidan tog 3m 33s (5 sekunder, 720p) respektive 7m 32s (20 sekunder, 720p) att generera här — planera efter minuter, inte sekunder, för långa tagningar.
Alibabas Tongyi Wanxiang 3.0 genererar klipp upp till 30 sekunder med inbyggt ljud, låser exakt första och sista bildruta i en tagning, och läser bilder, videoklipp och ljudspår tillsammans i en referensförfrågan — debiterat per sekund från en 480p-budgetnivå.
De flesta AI-videomodeller stoppar vid 10 eller 15 sekunder; Wan 3.0 körs till 30 i en kontinuerlig generering. Det räcker för en full produktgenomgång, en talad scen eller en sekvens av tagningar utan att skarva ihop klipp i efterhand. Välj valfri hel sekund från 2 till 30 — du betalar per sekund, så ett 6-sekundsutkast och en 30-sekundsfinal prissätts exakt proportionellt.
Bild-till-video här går längre än att animera ett enda foto: ladda upp en första bildruta och, valfritt, en sista bildruta, så interpolerar Wan 3.0 rörelsen mellan dina två fasta ändpunkter. Det är den enda modellen i jämförelsen längre ner på sidan som accepterar en sista bildruta — skillnaden mellan "börja från den här bilden" och "kom från exakt den här bilden till exakt den där".
Referens-till-video accepterar blandat material i en förfrågan — upp till 10 bilder, 5 korta videoklipp och 5 ljudspår — och prompten adresserar varje del med nummer: "figuren från Image 1, som rör sig som Video 1, tonsatt som Audio 1". Referensbilder och ljud är gratis; referensvideosekunder läggs till den debiterade längden, och kostnaden visas innan du genererar.
Ljud — röster, effekter, atmosfär — genereras med klippet, och att stänga av det kostar samma, så det finns aldrig något tillägg för ljud. Tre upplösningar debiteras i ren proportion: 480p för 40 krediter per sekund för utkast, 720p för 80 och 1080p för 160 för finaler. Att iterera på 480p och avsluta på 1080p håller en 30-sekundersproduktion prisvärd.
Genererat här den 26 augusti 2026, första tagningen, exakta promptar och inställningar visas. 20-sekundersklippet finns för att bevisa påståendet om långa tagningar ovan — en generering, inga klipp, ingen sammansättning.
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.
Det är gruppens långforms- och precisionsmodell: 30-sekundstaket, den enda kontrollen över sista bildruta, och den bredaste referensverktygslådan.
Produktgenomgångar, talade scener och sekvenser i flera steg körs upp till 30 sekunder i en generering — ingen ihopskarvning, inga kontinuitetsskarvar mellan klipp, och ljudspåret sträcker sig över hela tagningen.
Läget med första och sista bildruta tar två bilder och interpolerar rörelsen mellan dem — en transformation, en reveal, en kamerarörelse som måste landa i en specifik komposition. Ingen annan modell på den här sidan accepterar en sista bildruta.
Mata den med karaktären från en bild, rörelsestilen från ett videoklipp och ett musikspår, och adressera var och en med nummer i prompten. Tio bilder, fem klipp och fem ljudspår kan forma en enda generering.
480p-nivån debiteras till en fjärdedel av 1080p-taxan med identiskt promptbeteende, så du kan iterera ett 30-sekundersklipp för 1,200 credits och rendera slutversionen för 4,800 först när den är rätt.
1080p är taket — en 4K-leverans hör till Kling 3.0. Och det smarta varaktighetsläget uppströms är inte inkopplat här, så du väljer alltid en explicit längd mellan 2 och 30 sekunder.
Samma arbetsyta, samma kreditpott — att byta mellan vilka som helst av dessa är ett klick.
| Wan 3.0 | Wan 2.7 | MiniMax H3 | Kling 3.0 | |
|---|---|---|---|---|
| Upplösningar | 480p · 720p · 1080p | 720p · 1080p | 768p · 2K | 720p · 1080p · 4K |
| Kliplängd | 2–30s, valfri hel sekund | 2–15s, vilken hel sekund som helst | 4–15s, vilken hel sekund som helst | 3–15s, vilken hel sekund som helst |
| Så debiteras den | Per sekund output; referensvideosekunder räknas in | Per sekund utdata | Per sekund output; referensvideosekunder räknas in | Per sekund utdata |
| Ljud | Inbyggt, på som standard — på och av kostar lika mycket | Inbyggt, alltid på, ingen växel | Inbyggt, alltid på, ingen växel | Valfri växel, av som standard |
| Credits per sekund, budgetnivå | 40 vid 480p | Erbjuds inte — 720p är golvet | 55 vid 768p | 45 vid 720p, utan ljud |
| Krediter per sekund, 1080p | 160 | 70 | Erbjuds inte — dess toppnivå är 2K vid 90 | 60 tyst · 85 med ljud |
| Krediter för ett 6-sekunders 1080p-klipp | 960 | 420 | Erbjuds inte vid 1080p | 360 tyst · 510 med ljud |
| Krediter för ett klipp, från golv till tak | 80–4,800 | 80–1,050 | 220–2,820 | 135–3,000 |
| Bild-till-video | Första bildruta + valfri sista bildruta | Endast första bildruta | Endast första bildruta | Endast första bildruta |
| Referensmaterial | Upp till 10 bilder + 5 videor + 5 ljudspår, citerade som Image 1 / Video 1 / Audio 1 | Upp till 5 bilder, citerade som Image 1, Image 2 … | Upp till 9 bilder + 3 videor + 3 ljudspår | Inga — den enda bilden är första bildrutan |
| Bildförhållanden | 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 till 21:9 | 3 — 16:9, 9:16, 1:1 |
| Hastighet vi mätt själva | 3m 33s för 5s och 7m 32s för 20s, båda 720p (2 klipp, augusti 2026) | Inte uppmätt | Inte uppmätt | Inte uppmätt |
Varje upplösning, klipplängd och kreditsiffra i den här tabellen är avläst från vårt eget modellregister och pris_tabellerna i vår kod den 26 augusti 2026 — samma tabeller som prissätter dina genereringar, inte leverantörernas marknadsföringssidor. Alla fyra modeller debiterar per sekund, så siffrorna per klipp är priset multiplicerat med längden du väljer; Wan 3.0 och MiniMax H3 räknar dessutom referensvideosekunder mot debiteringen. De enda hastighetssiffrorna är de två Wan 3.0-klipp som vi själva genererade och tidsatte; i varje annan cell står Inte uppmätt hellre än att vi lånar en siffra.
Jämför Wan 3.0 med andra videomodeller — samma arbetsyta, ett klick för att byta.
| Modell | wan-3.0 (Tongyi Wanxiang 3.0), av Alibaba — tillhandahålls på endpointen alibaba/wan-3.0 |
|---|---|
| Lägen | Text-till-video, bild-till-video med kontroll av första och sista bildruta, samt referens-till-video med blandat bild-, video- och ljudmaterial |
| Upplösning | 480p, 720p och 1080p — debiteras i proportionen 1x / 2x / 4x |
| Längd | 2–30 sekunder, valfri hel sekund (5 som standard) — det längsta intervallet på den här plattformen |
| Bildförhållanden | 16:9, 9:16, 1:1, 4:3 och 3:4 för text- och referens-till-video; bild-till-video följer den första bildrutan |
| Referenstillgångar | Upp till 10 bilder, 5 videoklipp (15 sekunder sammanlagt) och 5 ljudspår, angivna i prompten som Image 1, Video 1, Audio 1 |
| Första / sista bildruta | Bild-till-video accepterar en strikt första bildruta och en valfri sista bildruta; bildrutor och referensmaterial utesluter varandra uppströms |
| Ljud | Inbyggt — röster, effekter och atmosfär genereras tillsammans med klippet; ljud på och av kostar lika mycket |
| Credits | Per sekund av resultatet: 40 vid 480p, 80 vid 720p, 160 vid 1080p — samma taxa i alla tre lägen |
| Debitering av referensvideo | Referensvideosekunder läggs till den debiterade längden; referensbilder och ljud är gratis |
| Kreditintervall per klipp | 80 för ett 2-sekundersklipp i 480p, upp till 4 800 för ett 30-sekundersklipp i 1080p (plus eventuella referensvideosekunder) |
| Avbrytning | Misslyckade genereringar återbetalas automatiskt |
| Uppmätt hastighet | 3m 33s för ett 5-sekunders 720p-klipp och 7m 32s för ett 20-sekunders 720p-klipp (2 klipp, 26 augusti 2026) |
Öppna modellväljaren och välj Wan 3.0. Panelen visar dess kreditkostnad, upplösningsalternativ och längdgränser innan du spenderar något.
Skriv motivet, händelsen och hur kameran rör sig. Bifoga en första bildruta om klippet ska utgå från en viss bild.
Ladda ner klippet, förläng det eller skicka det vidare till mer redigering. Prompt, modell och inställningar följer med i din historik.
Ett konto, hela arbetsflödet för bild- och videogenerering.
Kör Wan 3.0 på gratiskontots dagliga krediter, eller uppgradera för premiummodeller, snabbare generering och 4K-utmatning.
Perfekt för att komma igång
Faktureras årligen · 240 USD/år
Faktureras årligen · 380 USD/år
Långa tagningar och kontrollerade scener: klipp på upp till 30 sekunder med inbyggt ljud, ett läge för första och sista bildruta som fastställer exakt var en scen börjar och slutar, samt ett referensläge som läser bilder, video och ljud tillsammans i en och samma förfrågan.
Per sekund av resultatet: 40 krediter vid 480p, 80 vid 720p, 160 vid 1080p — samma taxa för text-, bild- och referens-till-video. Referensvideosekunder läggs till den debiterade längden; referensbilder och ljud är gratis. Den exakta kostnaden visas innan du genererar, och misslyckade körningar återbetalas automatiskt.
Text-till-video från enbart en prompt, bild-till-video från en första bildruta (med en valfri sista bildruta), samt referens-till-video med upp till 10 bilder, 5 videoklipp och 5 ljudspår angivna i prompten som Image 1, Video 1, Audio 1.
2 till 30 sekunder, vilken hel sekund som helst — det längsta intervallet av någon videomodell på den här plattformen. Ljud genereras tillsammans med klippet i varje längd.
Wan 3.0 fördubblar längdtaket (30s mot 15s), lägger till en budgetnivå på 480p och styrning av sista bildrutan, och utökar referenser från 5 bilder till blandat bild- + video- + ljudmaterial. Wan 2.7 är fortfarande det billigare valet i 720p (40 mot 80 krediter per sekund) för kortare arbeten med flera tagningar.
Krediter återbetalas automatiskt för misslyckade videogenereringar — du betalar bara för klipp som slutförs.
Ett-klicks-verktyg för allt runt genereringen — putsa, styla om och dela.
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.
