Відеомодель Wan 3.0 від Alibaba: 30 секунд відео з картинки, звуку, PDF і сайту

Коротко про Wan 3.0: 30 секунд із будь-якого входу, але лише в хмарі

Wan 3.0 Video — відеомодель Alibaba, яка робить ролик завдовжки до 30 секунд зі звуком не лише з тексту й картинки, а й із PDF, презентації чи посилання на вебсторінку. Публічна бета стартувала 6 серпня 2026 року, офіційний запуск Alibaba оголосила 24 серпня. Самі ми модель не запускали: доступу до API під час цієї перевірки не було. Тому огляд зібрано з документації Alibaba, сліпої арени Artificial Analysis і чужих тестів, і в кожного тесту вказано, хто і коли його робив.

• Що вміє. Приймає текст, картинку, відео, звук, один документ (PDF, PPTX, DOCX і ще дев’ять форматів) або одне посилання. На виході MP4 30 кадрів за секунду у 480p, 720p або 1080p, звук увімкнено за замовчуванням.
• Скільки коштує. На 2 листопада 2026 року секунда 1080p у міжнародному регіоні Singapore коштує $0,20, тобто 30-секундний ролик — $6,00. Прискорена Prime коштує $8,40 за ті самі 30 секунд.
• Як тримається проти конкурентів. На сліпій арені text-to-video (відео з тексту зі звуком) вона перша з рейтингом 1175 на 2 листопада 2026 року, хоча відрив від сусідів статистично не значущий. В image-to-video (відео з картинки) — лише дев’ята, там сильніша Seedance 2.5.
• Чи можна в себе. Ні: відкритих ваг у Wan 3.0 немає. Остання версія, яку можна завантажити й запустити на своїй відеокарті, — Wan 2.2.
• Де спотикається. Склейка посеред 30-секундного дубля, «пливка» форма предметів, помилки в дрібному тексті на 480p, гучність, що скаче, і позначка preview у документації API.

Дошки Artificial Analysis версії 2.1, знімок 2 листопада 2026 року. Ціна — хвилина готового відео в API творця моделі, у 1080p, де воно є.

Вердикт. Wan 3.0 варто обирати, коли вихідний матеріал — документ, сторінка сайту або довга сцена з діалогом: вона приймає файл і посилання прямо на вхід і дає 30 секунд за прохід по $0,20 за секунду 1080p. Якщо треба якнайточніше оживити конкретну фотографію або працювати без хмари на своїй відеокарті, є кращі варіанти — вони нижче, у таблиці вибору.

Що таке Wan 3.0 і чим вона відрізняється від Wan 2.7

Якщо одним реченням: Wan 3.0 — восьма версія сімейства відеомоделей Wan від Alibaba і, за словами Alibaba, перша в сімействі, яка читає документи, таблиці й вебсторінки та генерує 30 секунд за один прохід. Компанія називає її моделлю «все в одному»: та сама модель робить відео з тексту, оживляє картинку, повторює обличчя чи товар за референсом, подовжує й редагує готовий ролик.

Модель має два варіанти з однаковими, за документацією, можливостями:

Gemini Omni 1.1 Flash: 40 секунд відео складаються з чотирьох 10-секундних генерацій

FLUX Video Edit: відео без зайвого об’єкта або з новим фоном за $0,03/с

Апскейл відео до 4K нейромережею: від $0,05 за секунду і чого він не виправить

Gemini 3.8 Flash: $0,75 за 1M токенів, але завдання тесту AA — $7,77, як у Argon

3D-модель з фото нейромережею — від знімка кімнати до асетів у Blender

• wan3.0-video — звичайна версія, у Model Studio з 6 серпня 2026 року;
• wan3.0-video-prime — прискорена версія, з’явилася 20 серпня 2026 року.

Офіційні точки входу — Alibaba Cloud Model Studio (хмарна платформа Alibaba для роботи з моделями) і Qwen Cloud; модель також є в Runway Dev, у хмарній ноді ComfyUI та в агрегаторів API. Умов споживчого сайту wan.video ми не описуємо: його сторінка під час перевірки не відкрилася.

Головне, що змінилося порівняно з попередньою версією:

Ваги закриті в чотирьох поколінь поспіль: 2.5, 2.6, 2.7 і 3.0. Моделі цих версій доступні лише через хмару. Остання відкрита версія — Wan 2.2: як запустити її на домашній відеокарті, ми розбирали в гайді про локальну генерацію відео на відеокарті.

Що Wan 3.0 приймає на вхід: картинка, звук, відео, PDF, посилання

Усе, крім тексту, передається в запиті масивом media, де в кожного матеріалу є тип (type) і адреса (url). Саме тип вирішує, як модель зрозуміє картинку: як строгий перший кадр чи як підказку, на кого або на що має бути схожий герой ролика.

Картка wan3.0-video в Alibaba Cloud Model Studio, знято 2 листопада 2026 року: серед входів рамкою виділено файл (File) і посилання (Link) — те, що відрізняє Wan 3.0 Video від більшості відеомоделей.

Коротше кажучи, режими «за кадрами» й «за референсами» не змішуються, а файл і посилання взаємовиключні, проте до будь-якого з них можна додати фото товару, голос або кліп. Ще одне правило: за file чи link параметр prompt_extend мусить бути true, тобто велика мовна модель спершу сама перепише ваш запит у докладний сценарій.

Решту налаштувань теж варто знати до першого запуску. Текстовий промпт — до 20 000 символів, китайською або англійською. Роздільна здатність за замовчуванням — 1080p, тривалість за замовчуванням — 5 секунд, допустимий діапазон — від 2 до 30 секунд. Значення -1 вмикає «розумну тривалість»: модель сама вирішить, скільки секунд потрібно. Якщо на вхід подано відео, його довжина разом із довжиною результату не має перевищувати 30 секунд. Формат кадру — автоматичний або один із шести: від 21:9 до вертикального 9:16. Водяний знак за замовчуванням вимкнено. І технічний момент, на якому спотикаються новачки: запит приймається лише асинхронно, із заголовком X-DashScope-Async: enable, без нього сервіс поверне помилку.

Відео з картинки у Wan 3.0: перший і останній кадр

У Wan 3.0 режим image to video (оживлення готової картинки) працює двома способами. Перший — картинка стає строгим першим кадром, а модель вигадує рух далі. Другий — ви задаєте і перший, і останній кадр, а модель малює перехід між ними. Це зручно, коли треба точно потрапити у фінальну сцену, наприклад в упаковку товару великим планом.

Як зібрати такий запит:

1. Передайте картинку з типом first_frame, а фінальну, якщо вона потрібна, — з типом last_frame (формати й ліміти — у таблиці вище).
2. У промпті опишіть рух і звук, а не вміст кадру: його вже задано картинкою. Наприклад: «камера повільно від’їжджає, вітер колише фіранку, тихий шум вулиці».
3. Оберіть тривалість і роздільну здатність. Для дрібного тексту в кадрі беріть 1080p — чому, видно в розділі про слабкі місця.
4. Сервіс поверне номер завдання: за ним опитують статус, а готовий ролик завантажують протягом 24 годин, потім посилання видаляється.

Тіло запиту за зразком документації (адреси картинок замінено заглушками, заголовок X-DashScope-Async: enable обов’язковий):

{
  "model": "wan3.0-video",
  "input": {
    "prompt": "Камера повільно від'їжджає, вітер колише фіранку",
    "media": [
      { "type": "first_frame", "url": "<публічне посилання на перший кадр>" },
      { "type": "last_frame", "url": "<публічне посилання на останній кадр>" }
    ]
  },
  "parameters": { "resolution": "1080P", "duration": 5 }
}

Що показали чужі тести. Студія ClipRush, яка сама продає генерації на Wan 3.0 (це конфлікт інтересів, майте на увазі), 20 жовтня 2026 року прогнала 31 ролик. Умови тесту варто тримати в голові: майже все знімали у 720p, а промпти, коротші за 600 символів, студія перед генерацією сама переписувала в докладні. У режимі «перший плюс останній кадр» модель почала й закінчила точно на заданих картинках у трьох прогонах із трьох, але звук вийшов майже беззвучним. У звичайному оживленні картинки вона набрала 93 бали зі 108: товари й пейзажі трималися, а в собаки, що бігла, у двох прогонах із трьох змінювалася форма вух. Ще одна деталь: слово «дрон» у промпті модель зрозуміла буквально й домалювала дрон у кадр, хоча малося на увазі знімання з повітря.

Тепер порівняння. На арені Artificial Analysis «відео з картинки» Wan 3.0 на 2 листопада 2026 року посідає 9-те місце з рейтингом 1111 (діапазон від 1095 до 1127), а лідер — Seedance 2.5 з 1153 (від 1136 до 1170). Діапазони не перетинаються, отже різниця реальна, а не випадкова. Якщо перевести розрив у 42 пункти за класичною формулою Elo, Seedance 2.5 виграє приблизно 56 пар роликів зі 100. Скільки спроб іде на один вдалий ролик і що зазвичай ламається в кадрі в різних моделей, ми рахували в розборі відео з фото нейромережею.

Коли брати референс замість першого кадру: якщо важить не точний кадр, а впізнаваність обличчя чи товару протягом усього ролика. ClipRush зберіг те саме обличчя за фото-референсом у шести прогонах із шести, а обличчя, товар і кімнату разом — у трьох із трьох. До того ж референс можна поєднувати зі звуком і документом, а перший кадр — ні.

Відео з PDF і сайту у Wan 3.0: що виходить на практиці

Відео з документа у Wan 3.0 — це не слайд-шоу зі сторінок. Модель читає файл, сама пише за ним сценарій і знімає ролик. Alibaba наводить такі сценарії: презентація продукту перетворюється на рекламний фільм, навчальна колода слайдів — на відеоурок, таблиця — на анімовані графіки, звіт — на голосовий брифінг.

Як зробити ролик із PDF:

1. Скоротіть документ до 50 сторінок і 100 МБ. За один запит модель приймає лише один файл.
2. Викладіть файл за публічним посиланням: API приймає документ саме як адресу в інтернеті, а не як вкладення.
3. Напишіть промпт як технічне завдання режисерові: формат (реклама, пояснення, інструкція), тривалість, що зберегти дослівно (цифри, слоган, назву), тон і музику.
4. Додайте референс-фото товару чи логотипа: це дозволено разом із файлом і зменшує ризик, що модель намалює «схожий» предмет.
5. Залиште prompt_extend: true (для документів це обов’язково) і задайте 30 секунд або «розумну тривалість».

Запит улаштовано так само, як у прикладі з картинкою вище: у media замість кадрів стоять {"type": "file", ...} і, за бажання, {"type": "reference_image", ...}, а в parameters додається "prompt_extend": true. У прикладі довідки Alibaba для документа стоять 480p і 10 секунд — це значення для проби, максимум — 1080p і 30 секунд.

Шаблон промпту, який можна скопіювати й підставити свої дані (ми його на моделі не проганяли, це структура, а не перевірений рецепт):

Зроби 30-секундний [рекламний ролик / відеопояснення] за доданим документом.
Аудиторія: [хто дивиться]. Тон: [спокійний / енергійний].
Збережи дослівно: [цифри, назву продукту, слоган].
Структура: 1) проблема, 2) продукт великим планом, 3) три ключові параметри на екрані, 4) заклик.
Зовнішній вигляд продукту бери лише з референс-фото, не вигадуй деталей.

Що виходить на практиці, показав китайський тест Photon Planet (опубліковано 7 серпня 2026 року, перший день бети, 1080p, сайт wan.video). Восьмисторінкову презентацію розумних окулярів модель перетворила на 30-секундний ролик. Цифри зі слайдів (45 г, 12 год, 55°) і слоган потрапили у відео без помилок. Але замість зміни слайдів вийшла кінематографічна реклама, форма окулярів помітно змінювалася між планами, а в бігуна в кадрі з’явився легкий «привид». Висновок тестувальників: Wan 3.0 — не стеля якості картинки, але, мабуть, найпридатніша для роботи відеомодель для звичайної людини. Це один незалежний тест, другого такого самого розбору ми не знайшли.

Із сайтом логіка та сама, тільки замість файла — тип link і адреса сторінки. Документація обмежує його публічними сторінками, які відкриваються без входу: новини, блоги, публічні акаунти. Закритий кабінет, сторінка за пейволом чи за логіном моделі недоступні. Як модель дає раду складним сайтам (односторінковим застосункам, важкому JavaScript), незалежно ніхто не перевіряв, тому обіцяти цього ми не будемо.

Звук у Wan 3.0: референс-аудіо, діалог і де модель помиляється

Звук у Wan 3.0 увімкнено за замовчуванням, і його вимкнення не змінює ціни. Модель сама генерує мовлення, шуми й музику синхронно з картинкою. Якщо потрібен конкретний голос чи мелодія, їх подають референсом reference_audio (ліміти — у таблиці входів вище).

Що підтверджують тести, а що поки лише заявлено:

• Діалог за сценарієм. ClipRush прописав дві репліки для двох персонажів і попросив обійтися без музики. Модель вимовила обидві фрази слово в слово, потрібним голосом і без музики в трьох прогонах із трьох.
• Гучність. За однакових налаштувань вона скаче від ролика до ролика: у тесті ClipRush — від −7 до −61 LUFS. Діалогові ролики вийшли дуже гучними (−7…−9 LUFS, з піками на межі), а сцени за референсами та за першим і останнім кадром — тихими, подекуди майже беззвучними. LUFS — одиниця сприйманої гучності, стримінгові сервіси грають звук приблизно на −14 LUFS. Перед публікацією ролик доведеться вирівняти за гучністю в будь-якому відеоредакторі.
• Мови. Alibaba заявляє «природний багатомовний голос». Перевірок мовлення українською в знайдених тестах немає, тож цей пункт для нас лишається без даних.

Слабкість звуку визнає й сама Alibaba. У блозі компанії сказано:

«audio texture and on-screen text rendering accuracy are improving but not yet where we want them» — «текстура звуку й точність тексту в кадрі покращуються, але поки не там, де ми хочемо їх бачити».

Цікаво, що на дошці Artificial Analysis «відео з тексту» без звуку Wan 3.0 на 2 листопада 2026 року лише четверта (1133), першою там стоїть HeyGen Video 1 (1143). Тобто звук допомагає моделі на основній дошці, але для ролика з чистою озвучкою й музикою доріжку Wan 3.0 краще вважати чернеткою і доводити в редакторі.

Ціна ролика на Wan 3.0 і чим Prime відрізняється від звичайної

Оплата посекундна: ви платите за кожну секунду готового відео, тариф залежить від роздільної здатності. Нижче — прейскурант Alibaba Cloud для міжнародного регіону Singapore на 2 листопада 2026 року і наш розрахунок для ролика максимальної довжини.

Ціни відрізняються за регіонами й майданчиками. В інших регіонах Alibaba (Пекін, Токіо, Франкфурт, Вірджинія, Гонконг) секунда звичайної версії коштує $0,041256, $0,082513 і $0,165025 за 480p, 720p і 1080p. Qwen Cloud на 2 листопада 2026 року показує знижку 30%: $0,035, $0,07 і $0,14 за секунду. Runway Dev бере ті самі $0,20 за секунду 1080p, що й Alibaba в регіоні Singapore.

Важливо рахувати ціну не ролика, а вдалого ролика. У тесті ClipRush один із двох 30-секундних дублів зробив склейку на 15-й секунді. Якщо закладати дві спроби на один придатний 30-секундний ролик у 1080p, бюджет становитиме $12,00 у звичайної версії і $16,80 у Prime. Це наш приклад для планування, а не виміряна норма.

Wan 3.0 Prime vs standard: що змінюється, крім швидкості

Prime проти звичайної (standard) версії — це вибір між часом і грошима: за документацією Alibaba можливості в них однакові, незалежного порівняння якості двох версій ми не знайшли. Prime приймає ті самі поля, тривалості, роздільні здатності й референси. Alibaba обіцяє «значно швидшу генерацію», але власних цифр прискорення не публікує. Націнка в регіоні Singapore — в 1,36 раза на 480p і в 1,4 раза на 720p і 1080p.

Виміри є в Runway, який продає обидві версії. Це медіани за 30 днів до 22 жовтня 2026 року, єдине таке джерело, і час залежить від завантаження майданчика.

Висновок: на коротких роликах Prime заощаджує пів хвилини, а на 30 секундах звичайна версія чекає в 2,5 раза довше, і $2,40 купують майже дев’ять хвилин. Це окупається, коли ви перебираєте варіанти й чекаєте кожен результат; у пакетній роботі вигідніша звичайна версія.

Документація Alibaba називає типовий час від 1 до 5 хвилин, ліміт — 300 запитів за хвилину, а Qwen Cloud зазначає до п’яти завдань одночасно. У ClipRush 30-секундний ролик у 720p забрав близько 4 хвилин — але це інший майданчик та інша роздільна здатність, тож безпосередньо з медіанами Runway у 1080p його порівнювати не можна.

Wan 3.0 проти Seedance 2.5, Kling 3.0 і Veo 3.1 на арені та за ціною

Artificial Analysis — незалежна арена: люди наосліп дивляться пару роликів від різних моделей за одним промптом і обирають кращий. Із тисяч таких голосів складається рейтинг Elo, як у шахах. Kling 3.0 1080p Pro закріплено на позначці 1000 як точку відліку шкали. На дошці «відео з тексту» версії 2.1 Wan 3.0 на 2 листопада 2026 року перша: 1175 ± 14 за 6860 голосами.

Знято 2 листопада 2026 року. Рамка — рядок Wan 3.0: рейтинг 1175, 6860 голосів, $12,00 за хвилину відео.

На графіку — вибірка з дошки: моделі, які ми порівнюємо в тексті. Між Seedance 2.5 і Wan 2.7 на дошці ще 11 моделей.

Верх дошки стоїть щільно: перші шість моделей укладаються в 19 пунктів, від 1156 (HeyGen Video 1) до 1175, і їхні діапазони перекриваються. Моделі з нашої таблиці нижче відстають уже помітно: Wan 2.7 — 1037, Kling 3.0 Pro — 1000, Veo 3.1 — 962. Щоб цифри стали зрозумілішими, ми перевели розрив у шанс виграти пару роликів за класичною формулою Elo (стандартна шкала в 400 пунктів; сама Artificial Analysis обчислює рейтинг за парними голосами).

Рейтинги й ціни — Artificial Analysis, дошки версії 2.1 на 2 листопада 2026 року; шанс виграти пару — наш розрахунок за формулою Elo.

Wan 3.0 vs Seedance 2.5: де розрив справжній

У відео з тексту Wan 3.0 і Seedance 2.5 розділяють 18 пунктів, а діапазони рейтингів перекриваються. Це статистична нічия: у 100 парах Wan 3.0 виграє приблизно 53. У відео з картинки все навпаки: Seedance попереду на 42 пункти, діапазони не перетинаються, і це справжній відрив. Водночас хвилина Seedance 2.5 через API коштує $34,12, а Wan 3.0 — $12,00, тобто в 2,8 раза дешевше.

З п’яти моделей на графіку дешевші за Wan 3.0 лише Kling 3.0 Pro ($10,08 за хвилину, але рейтинг на 175 пунктів нижчий) і MiniMax H3 ($4,80 за хвилину, лише 768p). На всій дошці є й дешевші варіанти з майже тим самим рейтингом: HeyGen Video 1 — 1156 за $2,40 за хвилину, FLUX 3 Max — 1157 за $4,35. У Veo 3.1 хвилина коштує вдвічі дорожче, ніж у Wan 3.0, а рейтинг найнижчий у нашій таблиці.

Два застереження, без яких ці цифри легко прочитати неправильно:

• Шкала змінювалася. 30 вересня Artificial Analysis перебудувала дошку: на версії 2.0 у Wan 3.0 було 1160 на 2 жовтня і 1156 на 7 жовтня, а на версії 2.1 на 2 листопада — 1175. Порівнювати можна лише числа з однієї дошки й однієї дати.
• Місце не дорівнює вердикту. Арена оцінює короткі ролики за загальними промптами. Ваших завдань (документ, діалог, конкретний товар) вона не вимірює, тому тести за режимами вище важать для вибору не менше.

Чи можна запустити Wan 3.0 локально: ваги закриті, лишається Wan 2.2

Ні. На запит «Wan 3.0 is open source?» відповідь коротка: ваг для завантаження немає, тож варіант «Wan 3.0 locally», тобто запуск на своєму комп’ютері без хмари, відпадає. Модель працює лише на серверах Alibaba і партнерів. Ми перевірили це 2 листопада 2026 року на самих сторінках розробника. В організації Wan-Video на GitHub шість репозиторіїв, найновіший із відкритих — Wan2.2 під ліцензією Apache-2.0, оновлений 21 вересня 2026 року. Організація Wan-AI на Hugging Face теж закінчується на версії 2.2.

Знято 2 листопада 2026 року. Рамка — Wan2.2, найновіша відкрита версія; репозиторію Wan 3.0 в організації немає.

Звідки ж тоді у видачі сторінки «Wan 3.0 open source, Apache-2.0, 1.3B і 14B»? Це SEO-тексти без посилання на репозиторій. Один реселер пише про офіційний репозиторій під Apache-2.0, але в організаціях Wan-Video та Wan-AI його немає. Китайський майданчик ModelScope ми відкрити не змогли, даних щодо нього немає.

З ComfyUI теж легко заплутатися. Це безкоштовна програма, де генерацію збирають із блоків-нод, зазвичай на вашій відеокарті. Але Wan 3.0 у ній — хмарна partner-нода: Comfy.org прямо пише, що модель доступна «без вимог до локального заліза», тобто запит іде на сервер, а обчислення оплачуються окремо.

У парі Wan 3.0 vs 2.2 вибір залежить від того, що важливіше. Якщо потрібна саме локальність (приватність, жодної плати за секунду, робота без інтернету), беріть Wan 2.2: без 30 секунд і читання документів, зате у вас удома. Серед моделей верху арени окремо варто згадати MiniMax H3 (768p): Artificial Analysis позначає її як лідера серед моделей із відкритими вагами — 1161 на дошці «відео з тексту» на 2 листопада 2026 року. Ваги лежать на Hugging Face (MiniMaxAI/MiniMax-H3, близько 33 млрд параметрів), ліцензія в них власна, не Apache. Умов ліцензії та вимог до відеопам’яті ми не перевіряли.

Що у Wan 3.0 не виходить: дрейф, склейки, текст і статус preview

Сильні сторони моделі (діалог слово в слово, обличчя за референсом, точний перший і останній кадр) підтверджено тестами, але й слабкі місця теж. Тут зведення, подробиці — у розділах вище.

Якість роликів: склейки, дрейф форми, дрібний текст, гучність

• Склейка посеред довгого дубля (ClipRush, 1 з 2 прогонів): для безперервного плану на 30 секунд закладайте запасну спробу.
• Дрейф форми предметів (окуляри в Photon Planet, вуха собаки в ClipRush): референс-фото товару зменшує ризик, але не прибирає його.
• Буквальне читання промпту («дрон» став предметом у кадрі): пишіть, що хочете побачити, а не жаргон оператора.
• Дрібний текст на низькій роздільній здатності. На 480p напис NIGHT перетворився на NICHT, на 1080p етикетка в 2,3 раза чіткіша, ніж на 720p. Якщо в кадрі є написи — лише 1080p.
• Непередбачувана гучність. Від −7 до −61 LUFS за тих самих налаштувань: кожну доріжку доведеться вирівнювати.
• Позначка preview. Reuters написав про офіційний запуск 24 серпня 2026 року, але документація API на 15 жовтня 2026 року досі позначає модель як попередню версію. Поведінка, ліміти й ціни можуть змінюватися без довгого попередження.

Ризики для даних і прав: приватність, обличчя, доступ з України

• Приватність. Документ і сторінка йдуть на сервери Alibaba, а файл до того ж треба викласти за публічним посиланням. Конфіденційну презентацію так віддавати не варто. Готовий ролик зберігається за посиланням 24 години.
• Відтворюваність. Навіть з однаковим числом seed (зерно випадковості) документація не гарантує того самого результату.
• Обличчя і права. Референс з обличчям реальної людини — це питання згоди цієї людини, а не лише техніки. Ролик із чужим обличчям без дозволу — прямий шлях до діпфейку.
• Доступ з України. Реєстрацію та оплату Model Studio і Qwen Cloud з України ми не перевіряли, даних щодо цього пункту немає.

Що в огляді застаріє першим: ціни за секунду, статус preview, місця на арені та статус відкритих ваг. Свіжі цифри дивіться в документації Alibaba Cloud і на дошці Artificial Analysis — посилання на них стоять вище, біля самих цифр.

Кому підійде Wan 3.0, а кому краще інша модель

Для останнього сценарію в нас є окремий розрахунок: як зібрати UGC-рекламне відео з трьох моделей і скільки коштує такий 30-секундний ролик загалом.

Кому Wan 3.0 не підійде: тим, кому потрібен ролик суворо «слайд за слайдом» (модель схильна знімати рекламу), у кого документ не можна віддавати в хмару за публічним посиланням, і тим, кому потрібна чиста студійна озвучка без доведення в редакторі.

Часті запитання

Wan 3.0 — відкрита модель, чи можна завантажити ваги?

Ні. На 2 листопада 2026 року в організаціях Wan-Video на GitHub і Wan-AI на Hugging Face немає ні репозиторію, ні ваг Wan 3.0. Остання відкрита версія — Wan 2.2 під ліцензією Apache-2.0. Ваги закриті в чотирьох поколінь поспіль, починаючи з 2.5. Нода Wan 3.0 у ComfyUI — хмарна, обчислення оплачуються окремо.

Чи можна зробити відео з PDF або посилання на сайт у Wan 3.0?

Так. Документ передається з типом file, сторінка — з типом link. За запит можна подати один файл до 100 МБ і 50 сторінок або одну публічну сторінку, що відкривається без входу. Файл і посилання разом використовувати не можна, а от додати до них фото товару чи голос — можна. Модель сама пише сценарій за документом.

Скільки коштує 30-секундний ролик на Wan 3.0?

У регіоні Singapore на 2 листопада 2026 року 30 секунд звичайної версії коштують $1,50 у 480p, $3,00 у 720p і $6,00 у 1080p. Prime — $2,04, $4,20 і $8,40. Звук на ціну не впливає. В інших регіонах Alibaba ціна нижча, а Qwen Cloud зараз дає знижку 30%. Закладайте запас на повторні спроби.

Чим Wan 3.0 Prime відрізняється від звичайної Wan 3.0?

Лише швидкістю й ціною — за документацією Alibaba. Можливості, поля запиту, тривалості та роздільні здатності у версій однакові. За медіанами Runway 30-секундний ролик у 1080p звичайна версія робить за 14 хвилин 19 секунд, а Prime — за 5 хвилин 39 секунд. Доплата за такий ролик — $2,40. На коротких роликах виграш менший за хвилину.

Який максимальний розмір і обсяг файла для відео з документа?

Не більше 100 МБ і не більше 50 сторінок, один файл за запит. Ліміт сторінок перевіряється в pdf, docx, doc, pptx, ppt, key і pages. Підтримуються також xlsx, xls, txt, md і numbers. Файл передається публічним посиланням, тому конфіденційний документ краще спершу очистити від зайвого.

Скільки часу генерується ролик у Wan 3.0?

Документація Alibaba називає типовий час від 1 до 5 хвилин. На практиці все залежить від довжини й майданчика. За медіанами Runway 5 секунд у 1080p чекають близько 2,5 хвилини, 30 секунд — понад 14 хвилин, у Prime — близько 5,5 хвилини. ClipRush наміряв близько 4 хвилин на 30-секундний ролик у 720p у своїй студії.