เรียกใช้ Wan 3.0 โมเดลเรือธงของ Alibaba ในเบราว์เซอร์ของคุณ: คลิปยาวสูงสุด 30 วินาทีพร้อมเสียงที่แนบมาแล้ว โหมดเฟรมแรกและเฟรมสุดท้ายที่กำหนดได้แม่นยำว่าช็อตเริ่มและจบตรงไหน และโหมดรีเฟอเรนซ์ที่อ่านภาพ วิดีโอ และเสียงในคำขอเดียว
Wan 3.0 คือ Tongyi Wanxiang 3.0 ของ Alibaba ซึ่งเป็นรุ่นต่อจาก Wan 2.7 ให้บริการที่นี่ผ่าน endpoint alibaba/wan-3.0 โดยผู้ให้บริการวิดีโอของเรา ทั้งสามโหมดใช้แผงควบคุมเดียวกัน: text-to-video จากพรอมป์เพียงอย่างเดียว, image-to-video ที่ปักหมุดเฟรมแรกและเลือกปักเฟรมสุดท้ายได้, และ reference-to-video ที่อ่านรูปภาพสูงสุด 10 รูป คลิปวิดีโอ 5 คลิป และแทร็กเสียง 5 แทร็กในคำขอเดียว โดยอ้างอิงแต่ละรายการในพรอมป์ด้วยหมายเลข ตัวเลขที่กำหนดตัวตนของมันคือช่วงที่กว้าง: ทุกวินาทีเต็มตั้งแต่ 2 ถึง 30 สามระดับความละเอียดตั้งแต่ 480p ระดับร่างจนถึง 1080p และเสียงที่สร้างมาพร้อมกับทุกคลิป
ข้อแลกเปลี่ยนนั้นมีความเฉพาะเจาะจง 1080p คือเพดาน — งานส่งมอบระดับ 4K เป็นหน้าที่ของ Kling 3.0 API ต้นทางกำหนดโหมด smart-duration ที่เลือกความยาวคลิปเอง โหมดนี้จองเครดิตที่เพดาน 30 วินาที เราจึงยังไม่ได้ต่อเข้ากับระบบ — คุณต้องเลือกความยาวที่ชัดเจนที่นี่ จำนวนวินาทีของวิดีโออ้างอิงนับรวมในการคิดเงิน ซึ่งตัวอย่างราคาจะแสดงให้เห็นก่อนที่คุณจะยืนยัน คลิปสองคลิปด้านล่างของหน้านี้ใช้เวลาสร้าง 3m 33s (5 วินาที, 720p) และ 7m 32s (20 วินาที, 720p) ที่นี่ — วางแผนเป็นนาที ไม่ใช่วินาที สำหรับเทกยาว
Tongyi Wanxiang 3.0 ของ Alibaba สร้างคลิปยาวสูงสุด 30 วินาทีพร้อมเสียงเนทีฟ ปักหมุดเฟรมแรกและเฟรมสุดท้ายของช็อตได้อย่างแม่นยำ และอ่านรูปภาพ คลิปวิดีโอ และแทร็กเสียงรวมกันในคำขออ้างอิงเดียว — คิดค่าบริการต่อวินาทีโดยเริ่มจากระดับประหยัด 480p
โมเดลวิดีโอ AI ส่วนใหญ่หยุดอยู่ที่ 10 หรือ 15 วินาที; Wan 3.0 ทำได้ถึง 30 ในการสร้างต่อเนื่องครั้งเดียว นานพอสำหรับการสาธิตผลิตภัณฑ์เต็มรูปแบบ ฉากที่มีบทพูด หรือลำดับของหลายช็อตโดยไม่ต้องต่อคลิปเข้าด้วยกันภายหลัง เลือกได้ทุกวินาทีเต็มตั้งแต่ 2 ถึง 30 — คุณจ่ายต่อวินาที ดังนั้นร่าง 6 วินาทีกับงานจริง 30 วินาทีจึงมีราคาตามสัดส่วนเป๊ะ
Image-to-video ที่นี่ไปไกลกว่าแค่การทำให้รูปถ่ายรูปเดียวขยับ: อัปโหลดเฟรมแรก และเฟรมสุดท้ายหากต้องการ แล้ว Wan 3.0 จะแทรกการเคลื่อนไหวระหว่างจุดปลายทั้งสองที่คุณกำหนดไว้ มันเป็นโมเดลเดียวในตารางเปรียบเทียบด้านล่างของหน้านี้ที่รับเฟรมสุดท้าย — ความแตกต่างระหว่าง "เริ่มจากรูปนี้" กับ "ไปจากรูปนี้เป๊ะ ๆ ไปยังรูปนั้นเป๊ะ ๆ"
Reference-to-video รับวัสดุผสมในคำขอเดียว — รูปภาพสูงสุด 10 รูป คลิปวิดีโอสั้น 5 คลิป และแทร็กเสียง 5 แทร็ก — และพรอมป์อ้างอิงแต่ละรายการด้วยหมายเลข: "ตัวละครจาก Image 1 เคลื่อนไหวแบบ Video 1 ประกอบเสียงแบบ Audio 1" รูปภาพและเสียงอ้างอิงฟรี; วินาทีของวิดีโออ้างอิงถูกบวกเข้ากับระยะเวลาที่เรียกเก็บเงิน และค่าใช้จ่ายจะแสดงให้เห็นก่อนที่คุณจะสร้าง
เสียง — เสียงพูด เอฟเฟกต์ บรรยากาศ — ถูกสร้างมาพร้อมกับคลิป และการปิดเสียงก็มีราคาเท่ากัน จึงไม่มีค่าธรรมเนียมเพิ่มเติมสำหรับเสียงเลย ความละเอียดทั้งสามระดับคิดเงินตามสัดส่วนที่ชัดเจน: 480p ที่ 40 เครดิตต่อวินาทีสำหรับงานร่าง, 720p ที่ 80 และ 1080p ที่ 160 สำหรับงานจริง การทำซ้ำที่ 480p แล้วจบที่ 1080p ทำให้การผลิต 30 วินาทีอยู่ในงบที่จ่ายไหว
สร้างที่นี่เมื่อ 26 สิงหาคม 2026 เทกแรก แสดงพรอมป์และการตั้งค่าที่แน่นอน คลิป 20 วินาทีมีไว้เพื่อพิสูจน์คำกล่าวเรื่องเทกยาวข้างต้น — การสร้างครั้งเดียว ไม่มีการตัดต่อ ไม่มีการต่อคลิป
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.
มันคือโมเดลสายงานยาวและงานแม่นยำของกลุ่มนี้: เพดาน 30 วินาที การควบคุมเฟรมสุดท้ายที่มีเพียงตัวเดียว และกล่องเครื่องมืออ้างอิงที่กว้างที่สุด
การสาธิตผลิตภัณฑ์ ฉากที่มีบทพูด และลำดับหลายจังหวะทำได้ถึง 30 วินาทีในการสร้างครั้งเดียว — ไม่ต้องต่อคลิป ไม่มีรอยต่อความต่อเนื่องระหว่างคลิป และแทร็กเสียงครอบคลุมตลอดทั้งเทค
โหมดเฟรมแรกและเฟรมสุดท้ายรับภาพสองภาพแล้วประมวลการเคลื่อนไหวระหว่างนั้น — การแปลงร่าง การเปิดเผย หรือการเคลื่อนกล้องที่ต้องลงจอดบนคอมโพสิชันที่กำหนดไว้แน่นอน ไม่มีโมเดลอื่นในหน้านี้ที่รับเฟรมสุดท้าย
ส่งตัวละครจากภาพหนึ่ง สไตล์การเคลื่อนไหวของคลิปวิดีโอ และแทร็กเพลงให้มัน แล้วเรียกใช้แต่ละอย่างด้วยหมายเลขในพรอมป์ ภาพสิบภาพ คลิปห้าคลิป และแทร็กเสียงห้าแทร็กสามารถกำหนดรูปการเจนเนอเรตเดียวได้
ระดับ 480p คิดเงินเพียงหนึ่งในสี่ของอัตรา 1080p ด้วยพฤติกรรมพรอมป์ที่เหมือนกัน คุณจึงไล่ปรับคัต 30 วินาทีที่ 1,200 เครดิตแล้วเรนเดอร์ผลงานจริงที่ 4,800 เพียงครั้งเดียวเมื่อมันถูกต้องแล้ว
1080p คือเพดาน — งานส่งมอบระดับ 4K เป็นหน้าที่ของ Kling 3.0 และโหมดความยาวอัจฉริยะจากต้นทางไม่ได้ถูกต่อสายไว้ที่นี่ คุณจึงต้องเลือกความยาวที่ชัดเจนระหว่าง 2 ถึง 30 วินาทีเสมอ
พื้นที่ทำงานเดียวกัน กองเครดิตเดียวกัน — การสลับไปมาระหว่างตัวไหนก็ตามใช้แค่คลิกเดียว
| Wan 3.0 | Wan 2.7 | MiniMax H3 | Kling 3.0 | |
|---|---|---|---|---|
| ความละเอียด | 480p · 720p · 1080p | 720p · 1080p | 768p · 2K | 720p · 1080p · 4K |
| ความยาวคลิป | 2–30 วินาที ความยาวเต็มวินาทีใดก็ได้ | 2–15s ทีละวินาทีเต็ม | 4–15s ทีละวินาทีเต็ม | 3–15s ทีละวินาทีเต็ม |
| คิดเงินอย่างไร | ต่อวินาทีของผลลัพธ์; วินาทีของวิดีโออ้างอิงถูกนับเพิ่ม | ต่อวินาทีของเอาต์พุต | ต่อวินาทีของผลลัพธ์; วินาทีของวิดีโออ้างอิงถูกนับเพิ่ม | ต่อวินาทีของเอาต์พุต |
| เสียง | เป็นเนทีฟ เปิดไว้เป็นค่าเริ่มต้น — เปิดและปิดราคาเท่ากัน | เนทีฟ เปิดตลอด ไม่มีปุ่มสลับ | เนทีฟ เปิดตลอด ไม่มีปุ่มสลับ | ปุ่มสลับ ปิดไว้เป็นค่าเริ่มต้น |
| เครดิตต่อวินาที ระดับประหยัด | 40 ที่ 480p | ไม่มีให้ — 720p คือระดับต่ำสุด | 55 ที่ 768p | 45 ที่ 720p ไม่มีเสียง |
| เครดิตต่อวินาที ที่ 1080p | 160 | 70 | ไม่มีให้ — ระดับสูงสุดของมันคือ 2K ที่ 90 | 60 เงียบ · 85 พร้อมเสียง |
| เครดิตสำหรับคลิป 1080p ยาว 6 วินาที | 960 | 420 | ไม่มีให้ที่ 1080p | 360 เงียบ · 510 พร้อมเสียง |
| เครดิตสำหรับหนึ่งคลิป ตั้งแต่ต่ำสุดถึงสูงสุด | 80–4,800 | 80–1,050 | 220–2,820 | 135–3,000 |
| Image-to-video | เฟรมแรก + เฟรมสุดท้าย (เลือกได้) | เฟรมแรกเท่านั้น | เฟรมแรกเท่านั้น | เฟรมแรกเท่านั้น |
| วัสดุอ้างอิง | สูงสุด 10 ภาพ + 5 วิดีโอ + 5 แทร็กเสียง อ้างอิงเป็น Image 1 / Video 1 / Audio 1 | สูงสุด 5 ภาพ อ้างอิงเป็น Image 1, Image 2 … | สูงสุด 9 ภาพ + 3 วิดีโอ + 3 แทร็กเสียง | ไม่มี — ภาพเดียวนั้นคือเฟรมแรก |
| อัตราส่วนภาพ | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | 6 — ตั้งแต่ 16:9 ถึง 21:9 | 3 — 16:9, 9:16, 1:1 |
| ความเร็วที่เราวัดเอง | 3m 33s สำหรับ 5s และ 7m 32s สำหรับ 20s ทั้งคู่ที่ 720p (2 คลิป, สิงหาคม 2026) | ไม่ได้วัด | ไม่ได้วัด | ไม่ได้วัด |
ทุกความละเอียด ความยาวคลิป และตัวเลขเครดิตในตารางนี้อ่านมาจากรีจิสทรีโมเดลของเราเองและตารางอัตราในโค้ดของเรา เมื่อ 26 สิงหาคม 2026 — ตารางเดียวกับที่ใช้กำหนดราคาการสร้างของคุณ ไม่ใช่หน้าการตลาดของผู้ขาย ทั้งสี่โมเดลคิดเงินต่อวินาที ดังนั้นตัวเลขต่อคลิปคืออัตราคูณด้วยความยาวที่คุณเลือก; Wan 3.0 และ MiniMax H3 ยังนับจำนวนวินาทีของวิดีโออ้างอิงรวมในการคิดเงินด้วย ตัวเลขความเร็วเดียวที่มีคือคลิป Wan 3.0 สองคลิปที่เราสร้างและจับเวลาเอง; ช่องอื่นทุกช่องเขียนว่า Not measured แทนที่จะยืมตัวเลขจากที่อื่น
เปรียบเทียบ Wan 3.0 กับโมเดลวิดีโอตัวอื่น — ในพื้นที่ทำงานเดียวกัน สลับได้ในคลิกเดียว
| โมเดล | wan-3.0 (Tongyi Wanxiang 3.0) จาก Alibaba — ให้บริการผ่าน endpoint alibaba/wan-3.0 |
|---|---|
| โหมด | Text-to-video, image-to-video พร้อมการควบคุมเฟรมแรกและเฟรมสุดท้าย และ reference-to-video ที่รองรับทั้งภาพ วิดีโอ และเสียงปนกัน |
| ความละเอียด | 480p, 720p และ 1080p — คิดค่าบริการตามสัดส่วน 1x / 2x / 4x |
| ความยาว | 2–30 วินาที เลือกได้ทุกวินาทีเต็ม (ค่าเริ่มต้นคือ 5) — ช่วงความยาวที่ยาวที่สุดบนแพลตฟอร์มนี้ |
| อัตราส่วนภาพ | 16:9, 9:16, 1:1, 4:3 และ 3:4 สำหรับ text- และ reference-to-video; ส่วน image-to-video จะตามเฟรมแรก |
| แอสเซตอ้างอิง | สูงสุด 10 ภาพ คลิปวิดีโอ 5 คลิป (รวมกัน 15 วินาที) และแทร็กเสียง 5 แทร็ก อ้างอิงในพรอมป์เป็น Image 1, Video 1, Audio 1 |
| เฟรมแรก / เฟรมสุดท้าย | Image-to-video รับเฟรมแรกแบบบังคับและเฟรมสุดท้ายแบบเลือกได้; เฟรมกับ reference material ใช้ร่วมกันไม่ได้ในระบบต้นทาง |
| เสียง | เนทีฟ — เสียงพูด เอฟเฟกต์ และบรรยากาศเสียงถูกสร้างพร้อมกับคลิป; เปิดหรือปิดเสียงราคาเท่ากัน |
| เครดิต | ต่อวินาทีของผลลัพธ์: 40 ที่ 480p, 80 ที่ 720p, 160 ที่ 1080p — อัตราเดียวกันทั้งสามโหมด |
| การคิดค่าบริการ reference video | วินาทีของ reference video จะถูกบวกเข้ากับระยะเวลาที่คิดเงิน; ส่วน reference image และเสียงไม่คิดเงิน |
| ช่วงเครดิตต่อคลิป | 80 สำหรับคลิป 480p ความยาว 2 วินาที สูงสุด 4,800 สำหรับคลิป 1080p ความยาว 30 วินาที (บวกวินาทีของ reference video ถ้ามี) |
| การยกเลิก | การสร้างที่ล้มเหลวจะได้รับเงินคืนโดยอัตโนมัติ |
| ความเร็วที่วัดจริง | 3m 33s สำหรับคลิป 720p ความยาว 5 วินาที และ 7m 32s สำหรับคลิป 720p ความยาว 20 วินาที (2 คลิป, 26 สิงหาคม 2026) |
เปิดตัวเลือกโมเดลแล้วเลือก Wan 3.0 แผงจะแสดงค่าเครดิต ตัวเลือกความละเอียด และขีดจำกัดระยะเวลาก่อนที่คุณจะเสียอะไรเลย
เขียนตัวแบบ การเคลื่อนไหว และการเคลื่อนกล้อง แนบเฟรมแรกไว้ถ้าอยากให้คลิปเริ่มจากภาพที่กำหนด
ดาวน์โหลดคลิป ต่อความยาว หรือส่งไปแก้ไขต่อ พรอมต์ โมเดล และการตั้งค่าจะติดอยู่กับงานในประวัติของคุณ
บัญชีเดียว ครบทั้งเวิร์กโฟลว์การสร้างภาพและวิดีโอ
ใช้ Wan 3.0 ด้วยเครดิตรายวันของแพ็กเกจฟรี หรืออัปเกรดเพื่อใช้โมเดลพรีเมียม สร้างภาพเร็วขึ้น และส่งออกแบบ 4K
เหมาะสำหรับการเริ่มต้น
เรียกเก็บเงินรายปี · $240/ปี
เรียกเก็บเงินรายปี · $380/ปี
การถ่ายยาวและช็อตที่ควบคุมได้: คลิปยาวสูงสุด 30 วินาทีพร้อมเสียงเนทีฟ โหมดเฟรมแรกและเฟรมสุดท้ายที่กำหนดได้แม่นยำว่าช็อตเริ่มและจบตรงไหน และโหมด reference ที่อ่านภาพ วิดีโอ และเสียงพร้อมกันในคำขอเดียว
ต่อวินาทีของผลลัพธ์: 40 เครดิตที่ 480p, 80 ที่ 720p, 160 ที่ 1080p — อัตราเดียวกันสำหรับ text-, image- และ reference-to-video วินาทีของ reference video จะถูกบวกเข้ากับระยะเวลาที่คิดเงิน; reference image และเสียงไม่คิดเงิน ราคาที่แน่นอนจะแสดงก่อนคุณสร้าง และการรันที่ล้มเหลวจะได้เงินคืนโดยอัตโนมัติ
Text-to-video จากพรอมป์เพียงอย่างเดียว, image-to-video จากเฟรมแรก (พร้อมเฟรมสุดท้ายแบบเลือกได้) และ reference-to-video ที่รองรับสูงสุด 10 ภาพ คลิปวิดีโอ 5 คลิป และแทร็กเสียง 5 แทร็ก อ้างอิงในพรอมป์เป็น Image 1, Video 1, Audio 1
2 ถึง 30 วินาที ทุกจำนวนวินาทีเต็ม — ช่วงความยาวที่ยาวที่สุดในบรรดาโมเดลวิดีโอทั้งหมดบนแพลตฟอร์มนี้ เสียงถูกสร้างขึ้นพร้อมกับคลิปในทุกความยาว
Wan 3.0 เพิ่มเพดานความยาวเป็นสองเท่า (30s เทียบกับ 15s) เพิ่มระดับประหยัด 480p และการควบคุมเฟรมสุดท้าย พร้อมขยายรีเฟอเรนซ์จาก 5 ภาพเป็นวัสดุแบบผสม ภาพ + วิดีโอ + เสียง ส่วน Wan 2.7 ยังคงเป็นตัวเลือกที่ประหยัดกว่าที่ 720p (40 เทียบกับ 80 เครดิตต่อวินาที) สำหรับงานหลายช็อตที่สั้นกว่า
เครดิตจะถูกคืนโดยอัตโนมัติสำหรับการสร้างวิดีโอที่ล้มเหลว — คุณจ่ายเฉพาะคลิปที่สร้างเสร็จเท่านั้น
เครื่องมือคลิกเดียวสำหรับทุกงานรอบการสร้าง — เก็บงาน เปลี่ยนสไตล์ แชร์ได้เลย
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.
