Wan 3.0 API

Wan 3.0 to model generowania wideo opracowany przez Alibaba Tongyi Lab, udostępniony w publicznej becie 6 sierpnia 2026 roku. Bazuje na paradygmacie transformera dyfuzyjnego rozwiniętym w serii Wan. Model tworzy natywne wideo o długości do 30 sekund w jednym ciągłym ujęciu i generuje zsynchronizowany dźwięk w tym samym przebiegu. Obsługuje trzy poziomy rozdzielczości: 480p, 720p i 1080p, a także proporcje obrazu od 16:9 do 9:16. Mechanizm Omni-Reference przyjmuje wiele typów danych wejściowych: obrazy, wideo, klipy audio, dokumenty, arkusze kalkulacyjne, slajdy, pliki PDF oraz adresy URL stron internetowych. W jednej generacji można użyć do 20 danych referencyjnych, a odwoływać się do nich pozycyjnie, np. „obraz 1” lub „wideo 3”. Model potrafi też modyfikować istniejące wideo za pomocą poleceń w języku naturalnym. Wan 3.0 sprawdza się w tworzeniu filmów AI i krótkich form narracyjnych, komunikacji korporacyjnej i kwartalnych aktualizacji biznesowych, materiałach marketingowych i wyjaśniających oraz treściach do TikToka, Instagram Reels i YouTube Shorts. Znajduje zastosowanie w e-commerce i reklamie produktowej, a także przy zmianach scen, modyfikacjach otoczenia i restylizacji istniejącego wideo. Model cechuje wysoka wierność wizualna, spójność ruchu i wierność poleceniom; stabilnie renderuje oświetlenie, rozmieszczenie obiektów i sekwencje akcji.

Rachunek zależy od wybranego dostawcy, jego cen i faktycznego zużycia. Dłuższe dane wejściowe lub inne warunki mogą mieć inne ceny. Rozliczane według rzeczywistego kosztu generowania. Ostateczną kwotę znajdziesz na rachunku.

Model przyjmuje tekst, obrazy, wideo, audio, dokumenty, arkusze kalkulacyjne, slajdy, pliki PDF oraz adresy URL stron internetowych. W ramach Omni-Reference można łączyć wiele z tych typów w jednej generacji.

W jednej generacji model obsługuje do 20 danych referencyjnych. Można odwoływać się do nich pozycyjnie w poleceniu, np. „obraz 1” lub „wideo 3”.

Wan 3.0 generuje natywne wideo o długości do 30 sekund w jednym ciągłym ujęciu. Dostępne są trzy poziomy rozdzielczości: 480p, 720p i 1080p.

Tak, Wan 3.0 generuje zsynchronizowany dźwięk razem z wideo w tym samym przebiegu.

Model sprawdza się w filmach AI i krótkich formach narracyjnych, komunikacji korporacyjnej, materiałach marketingowych oraz treściach do mediów społecznościowych. Jest też użyteczny w reklamie produktowej i przy modyfikacjach istniejącego wideo.

Model jest dostępny w podglądzie API i wymaga zatwierdzenia dostępu; nie ma opcji wdrożenia lokalnego. Publiczna beta nie obsługuje wyjścia 4K, a pełny checkpoint wymaga znacznych zasobów GPU — szacunki mówią o 4–8 kartach A100 lub H100.