Wan 3.0 API
Alibaba Tongyi LabによるWan 3.0は、最長30秒の連続映像と同期音声を一度に生成し、画像・動画・音声・文書など多彩な入力を参照できる動画生成モデルです。
Wan 3.0は、Alibaba Tongyi Labが2026年8月6日に公開ベータとしてリリースした動画生成モデルです。Wanシリーズで磨かれてきたdiffusion-transformerパラダイムを基盤とし、1回の生成で最長30秒のネイティブ動画を連続したテイクとして出力します。さらに同じパスで同期音声も生成できるため、映像と音が最初から揃ったクリップを効率よく作成できます。
Omni-Reference機能により、画像、動画、音声クリップ、文書、スプレッドシート、スライド、PDF、ウェブページURLなど多様な入力タイプを参照でき、1回の生成で最大20件の参照入力に対応します。プロンプト内では「image 1」「video 3」のように位置で参照を指定できます。既存の動画コンテンツを自然言語の指示で修正することも可能です。アスペクト比は16:9から9:16まで対応し、解像度は480p、720p、1080pの3段階から選択できます。
主な用途は、AI映画やショートストーリーの制作、企業広告や四半期ビジネスアップデート、マーケティング向けの解説動画、TikTok・Instagram Reels・YouTube Shorts向けの短尺ソーシャルコンテンツ、ECや広告の商品ショット、既存動画のシーン変更・環境改変・ビジュアルリストーリングなどです。強い視覚的忠実度、モーションの一貫性、プロンプト追従性を備え、指定した照明条件やオブジェクト配置、アクションシーケンスを安定的に描写します。静的なショットやゆっくりした動きではシーン一貫性がクリップ全体で維持され、商品ショットではラベルテキストやスペキュラハイライトの表面ディテール保持にも優れます。
更新日時:
モデル ID
wan-3.0- 出力
- video
ハイライト
- 最長30秒の連続動画を1テイクで生成
- 映像と同期音声を同じパスで生成
- Omni-Referenceで最大20件の多様な参照入力
- 480p・720p・1080pの3解像度に対応
- 自然言語による既存動画の編集
- 文書・ウェブページから動画への変換
プロバイダー
プロバイダーごとの API 料金を比較できます。プロバイダーを選択すると、すべての料金と適用条件を確認できます。
ベンチマーク
- 1173
Artificial Analysis 音声付きテキストto動画リーダーボード
Elo
スコアはモデル提供元が公表した値です。
動画仕様
- アスペクト比
- 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- 音声 · 出力
- はい
- 再生時間 · 最短
- 2 秒
- 再生時間 · 最長
- 30 秒
- 再生時間 · 刻み幅
- 1 秒
- 解像度
- 480p / 720p / 1080p
API リファレンス
このモデルのプロトコル情報は未公開です。接続要件は API リファレンスを確認してください。
API リファレンス →よくある質問
モデルについて： Wan 3.0?
Wan 3.0は、Alibaba Tongyi Labが2026年8月6日に公開ベータとしてリリースした動画生成モデルです。Wanシリーズで磨かれてきたdiffusion-transformerパラダイムを基盤とし、1回の生成で最長30秒のネイティブ動画を連続したテイクとして出力します。さらに同じパスで同期音声も生成できるため、映像と音が最初から揃ったクリップを効率よく作成できます。 Omni-Reference機能により、画像、動画、音声クリップ、文書、スプレッドシート、スライド、PDF、ウェブページURLなど多様な入力タイプを参照でき、1回の生成で最大20件の参照入力に対応します。プロンプト内では「image 1」「video 3」のように位置で参照を指定できます。既存の動画コンテンツを自然言語の指示で修正することも可能です。アスペクト比は16:9から9:16まで対応し、解像度は480p、720p、1080pの3段階から選択できます。 主な用途は、AI映画やショートストーリーの制作、企業広告や四半期ビジネスアップデート、マーケティング向けの解説動画、TikTok・Instagram Reels・YouTube Shorts向けの短尺ソーシャルコンテンツ、ECや広告の商品ショット、既存動画のシーン変更・環境改変・ビジュアルリストーリングなどです。強い視覚的忠実度、モーションの一貫性、プロンプト追従性を備え、指定した照明条件やオブジェクト配置、アクションシーケンスを安定的に描写します。静的なショットやゆっくりした動きではシーン一貫性がクリップ全体で維持され、商品ショットではラベルテキストやスペキュラハイライトの表面ディテール保持にも優れます。
利用料金はどのように計算されますか？
料金は利用するプロバイダーと実際の使用量により決まります。長い入力などは料金が異なる場合があります。内訳をご確認ください。 実際の生成費用に基づく課金です。最終金額は請求明細をご確認ください。
Wan 3.0はどのような入力に対応していますか？
テキスト、画像、動画、音声、文書、スプレッドシート、スライド、PDF、ウェブページURLの入力に対応しています。Omni-Referenceではこれら多様な入力タイプを参照でき、1回の生成で最大20件の参照入力を利用できます。
Wan 3.0の出力仕様を教えてください。
最長30秒のネイティブ動画を連続した1テイクで生成し、同じパスで同期音声も出力します。解像度は480p、720p、1080pの3段階、アスペクト比は16:9から9:16まで対応しています。
Wan 3.0はどんなタスクに適していますか？
AI映画やショートストーリー、企業コミュニケーション、マーケティング解説、SNS向け短尺コンテンツ、EC・広告の商品ショット、既存動画のシーン変更や環境改変などに適しています。
Wan 2.7との違いは何ですか？
Wan 3.0はWanシリーズのdiffusion-transformerパラダイムを基盤としつつ、Omni-Referenceによる多入力参照や同期音声生成、最長30秒の連続動画生成に対応しています。Wan 2.7との具体的な性能差については資料に記載がありません。
Wan 3.0の制限事項はありますか？
現在はAPIプレビュー段階でアクセス承認が必要です。クローズドウェイトモデルのためローカルデプロイはできず、公開ベータでは4K出力に対応していません。また、複数の被写体が相互作用する動的なシーンでは二次キャラクターの位置にドリフトが生じることがあります。