Wan 3.0 API

Wan 3.0 ist ein von Alibaba Tongyi Lab entwickeltes Videomodell, das auf dem verfeinerten Paradigma der Diffusion-Transformer-Architektur der Wan-Serie basiert. Es erzeugt native Videos von bis zu 30 Sekunden Länge in einem einzigen durchgehenden Take und generiert dabei in demselben Durchlauf synchronisiertes Audio. Das Modell unterstützt Eingaben in Form von Text, Bildern, Videos, Audio, Dokumenten, Tabellen, Präsentationen, PDFs und Webseiten-URLs. Omni-Reference akzeptiert bis zu 20 Referenzeingaben in einer einzigen Generierung, die im Prompt positional adressiert werden können, etwa als Bild 1 oder Video 3. Das Modell deckt jedes Seitenverhältnis von 16:9 bis 9:16 ab und bietet drei Auflösungsstufen: 480p, 720p und 1080p. Bestehende Videoinhalte lassen sich über natürlichsprachliche Anweisungen verändern. Zu den Einsatzzwecken zählen KI-Film und kurzes Storytelling, Unternehmenskommunikation und Quartalsberichte, Marketing- und Erklärvideos, Kurzform-Inhalte für TikTok, Instagram Reels und YouTube Shorts sowie Produktaufnahmen für E-Commerce und Werbung. Auch Szenenwechsel, Umgebungsanpassungen und visuelle Umgestaltungen vorhandener Videos sind abgedeckt. Die Stärken liegen in hoher visueller Treue, Bewegungskohärenz und Prompt-Treue. Das Modell rendert zuverlässig vorgegebene Lichtverhältnisse, Objektplatzierungen und Handlungsabläufe; die Szenenkonsistenz bleibt bei statischen oder langsam bewegten Aufnahmen über die volle Cliplänge stabil. Bei Produktaufnahmen bleiben Oberflächendetails wie Beschriftungstext und Glanzlichter über die gesamte Clipdauer erhalten. Die Fähigkeit, Dokumente und Webseiten in Videos zu überführen, wird als Branchenneuheit beschrieben.

Ihre Rechnung hängt vom genutzten Anbieter, seinen Preisen und Ihrer Nutzung ab. Längere Eingaben oder andere Bedingungen können andere Preise haben. Abrechnung nach den tatsächlichen Generierungskosten. Den endgültigen Betrag finden Sie in Ihrer Rechnung.

Das Modell verarbeitet Text, Bilder, Videos, Audio, Dokumente, Tabellen, Präsentationen, PDFs und Webseiten-URLs. Über Omni-Reference sind bis zu 20 Referenzeingaben in einer einzigen Generierung möglich.

Wan 3.0 erzeugt native Videos von bis zu 30 Sekunden in einem einzigen durchgehenden Take. Es unterstützt jedes Seitenverhältnis von 16:9 bis 9:16 sowie die Auflösungsstufen 480p, 720p und 1080p.

Typische Einsatzfelder sind KI-Film und kurzes Storytelling, Unternehmenskommunikation, Marketing- und Erklärvideos, Kurzform-Inhalte für soziale Netzwerke sowie Produktaufnahmen für E-Commerce und Werbung. Auch Szenenwechsel und visuelle Umgestaltungen vorhandener Videos sind möglich.

Wan 3.0 führt synchronisiertes Audio im selben Durchlauf wie das Video ein. Zusätzlich verarbeitet es Dokumente und Webseiten-URLs als Eingabe, was als Branchenneuheit beschrieben wird.

Das Modell ist über Alibaba Cloud Model Studio und Qwen Cloud unter der Modell-ID wan3.0-video verfügbar. Zudem ist es auf wan.video sowie auf Drittplattformen wie CometAPI, Runway, Morphic und WaveSpeedAI erhältlich.

Das Modell befindet sich in der API-Vorschau, der Zugang erfordert eine Genehmigung. Es ist ein Closed-Weight-Modell ohne lokale Deployment-Option, und die öffentliche Beta unterstützt keine 4K-Ausgabe. Für die Inferenz werden erhebliche GPU-Ressourcen benötigt, geschätzt 4 bis 8 A100- oder H100-GPUs für den vollständigen Checkpoint.