Wan 3.0 — нейросеть Alibaba, которая снимает видео со звуком длиной от 2 до 30 секунд: из текста, по фото, между двумя кадрами, по картинкам-образцам и даже по PDF, презентации или ссылке на статью. Подойдёт для длинной сцены с репликами по-русски и обучающего ролика по готовому документу.
Коротко
- Разработчик
- Alibaba, лаборатория Tongyi Lab
- Режимы
- по референсам, из текста, первый кадр, первый и конечный кадр, документ, публичная страница
- Длина ролика
- от 2 до 30 секунд, с шагом в секунду
- Качество
- 480P, 720P или 1080P, MP4, 30 кадров в секунду
- Пропорции
- «Адаптивно», 16:9, 4:3, 1:1, 3:4, 9:16
- Звук
- речь, шумы и музыка создаются вместе с картинкой, переключатель включён сразу
- Русский язык
- задание понимает, реплики по-русски в наших роликах прозвучали слово в слово
- Цена
- от 5 ₽/сек.
- Обычно готово
- ≈ 5 мин после отправки
Что умеет Wan 3.0: четыре ролика
Мы сняли четыре ролика в четырёх разных режимах, каждый с первого запуска и без монтажа, только сжали для страницы. Реплики и закадровый голос проверили распознаванием речи. Ещё один режим, «Первый кадр», показан в сравнении шести видеонейросетей Wan на одном фото почтальонши.
Сцена на 15 секунд с диалогом
Wan 2.7 Video снимает до 15 секунд, эта модель вдвое дольше. Мы взяли половину потолка: 15 секунд в 480P, режим «Видео из текста», и разметили в задании три отрезка по пять секунд.
Тесная мастерская часовщика, тёплый свет настольной лампы, на стене за прилавком десятки старых часов. 0–5 с: крупный план, пинцет вставляет крошечную шестерёнку в открытый механизм карманных часов. 5–10 с: седой часовщик с лупой на глазу закрывает крышку часов, подносит их к уху и улыбается. 10–15 с: он протягивает часы женщине в зелёном пальто по ту сторону прилавка и говорит по-русски: «Готово, идут минута в минуту». Она берёт часы и отвечает: «Спасибо, это часы моего деда». Реалистичное кино. Звук: тиканье множества часов, щелчок крышки, голоса.
Видео из текста · 480P, 16:9, 15 с
Склейки встали ровно на пятой и десятой секунде. Часовщик во всех трёх планах один и тот же: седина, жилет, голубая рубашка, часовая лупа. Обе реплики распознавание записало слово в слово, и обе уместились в последние пять секунд, как просили. Подвело разрешение. На общем плане в 480P лупа стала похожа на тёмные очки, мелкие детали лучше проверять в 720P. Ролик пришёл через 3 минуты 20 секунд.
Ролик по PDF-памятке
В режиме Документ нейросеть читает файл и сама решает, что показать. Мы загрузили одностраничную памятку на русском «Как правильно мыть руки», в ней 12 шагов с картинками, и попросили мультфильм для школьников на 10 секунд.
Сделай по этой памятке короткий обучающий мультфильм для школьников: мальчик-енот моет руки по шагам из памятки, закадровый голос по-русски коротко называет шаги. В конце енот показывает чистые ладони.
Документ · 480P, 16:9, 10 с
Нейросеть перенесла из памятки и текст, и оформление: синие рамки с номером шага, ладони со стрелками-кружками, блёстки на чистых руках в финале. Голос по-русски перечислил почти все шаги, от «Намочите руки водой» до «Теперь ваши руки в порядке». Двенадцать шагов в десять секунд не помещаются: диктор частит, а номер 9 висит на трёх разных шагах. Такой памятке нужно 20–30 секунд. Этот ролик считался дольше всех, почти 8 минут.
Вязаная лиса по двум картинкам
В режиме Видео по референсам (референсами называют картинки-образцы) можно загрузить до 10 картинок, до 5 видео и до 5 аудио, а в задании ссылаться на них по номеру: «изображение 1», «видео 1», «аудио 1». Мы дали игрушку и полку, нарисованные в Wan 2.7 Image.
Вязаная игрушка-лиса с изображения 1 сидит на кухонной полке с изображения 2, между стеклянными банками с гречкой. Лиса оживает: моргает глазками-бусинками, потягивается, нюхает листья базилика, чихает и смущённо прикрывает нос лапой. Она остаётся вязаной, видны петли пряжи. Полку, банки, кувшин и свет из окна не менять. Камера медленно приближается. Звук: тихая кухня, тиканье часов, смешной короткий чих.
По референсам · 480P, 16:9, 10 с
Сработало почти всё. Лиса потягивается, вскидывает лапы, поворачивается к базилику, громко чихает и закрывает нос. Петли пряжи и бусинки глаз остались, полка с кувшином тоже. Одну из трёх банок нейросеть убрала, чтобы игрушке хватило места, хотя в задании просили ничего не трогать.
Переход между двумя кадрами
Режим Первый и конечный кадр достраивает движение между двумя картинками. Бутон и раскрытый пион мы нарисовали в Wan 2.7 Image: второй кадр получили правкой первого, чтобы ваза и окно совпали.
Таймлапс: бутон пиона в вазе медленно раскрывается, лепестки один за другим отгибаются наружу, показывается жёлтая серединка, в конце два лепестка падают на подоконник. Камера неподвижна, свет за окном постепенно становится ярче. Звук: тихое пение птиц за окном.
Первый и конечный кадр · 720P, «Адаптивно», 5 с
Цветок раскрылся за первые две секунды, а дальше по одному упали два лепестка и легли туда же, где лежали на конечном кадре. «Адаптивно» сохранило 16:9 исходных картинок, ролик вышел 1280×720. Медленного таймлапса не получилось: на пять секунд это слишком много событий, для плавного раскрытия ставьте 8–10.
Как это работает
Форма меняется от того, что стоит в поле Тип генерации. Открывается она на «Видео по референсам», а этот режим требует загрузить хоть что-то: картинку, клип или звук. Хотите ролик только по описанию, берите «Видео из текста». Есть готовое фото, которое надо оживить, ставьте «Первый кадр». «Документ» принимает PDF, Word, Excel, PowerPoint, Keynote, Pages, Numbers, TXT или MD объёмом до 50 страниц, «Публичная страница» — ссылку на статью, открытую без входа. Задание в этих двух режимах необязательно: без него ролик строится по содержимому файла или страницы.
Над полем задания есть кнопка Генератор промпта: опишите идею парой слов, и он развернёт её в подробное задание. Сумма за ролик написана прямо на кнопке Отправить, так что сюрпризов после запуска не будет. Результат приходит в ленту под формой, а в Моих результатах хранится 7 дней: удачный дубль успейте скачать или перенести в библиотеку. Из кнопок под роликом чаще всего нужны две. Изменить подставит в форму прежнее задание со всеми настройками, чтобы поправить пару слов, а Повторить без вопросов отправит то же самое заново. Остальное об устройстве сайта собрано в инструкции по сайту.
Рядом в каталоге стоит Wan 3.0 Video Prime. Поля там один в один, вплоть до потолка в 30 секунд, а Alibaba описывает Prime как ускоренный вариант той же модели. Обычное время ожидания у каждой показано в её блоке «Коротко», а цены обеих стоят рядом в таблице в конце статьи.
Настройки: что ставить
- Разрешение сразу выставлено на 480P. Чтобы проверить сюжет и звук, этого достаточно, но мелочи вроде лупы часовщика на общем плане размываются. Финал для телефона снимайте в 720P, для монитора или проектора выбирайте 1080P. Цена секунды растёт вместе с разрешением.
- Длительность задаётся ползунком от 2 до 30 секунд, и платите вы за каждую. На одно-два действия хватает 5 секунд, на сцену с репликами нужно 10–15.
- Соотношение сторон «Адаптивно» повторяет формат загруженных картинок: пион остался горизонтальным, как исходные кадры. В «Видео из текста» картинок нет, поэтому формат лучше задать руками: вертикальный 9:16 под телефон или широкий 16:9 под YouTube.
- Аудио включено с самого начала и денег сверху не берёт. Отключать его есть смысл, только если звуковую дорожку вы всё равно соберёте сами в видеоредакторе.
- Для референсов действуют свои пределы: видео и аудио в сумме не длиннее 15 секунд, картинка не тяжелее 20 МБ. PNG подсказка поля просит без прозрачности, поэтому картинку с прозрачным фоном лучше пересохранить в JPG.
Как писать промпт: сцены по секундам и реплики
Все задания на этой странице написаны по-русски, и модель их поняла. Мы описывали сначала место и свет, потом действия по отрезкам времени, в конце стиль и звук. Слова героя берите в кавычки и уточняйте «говорит по-русски»: без этой пометки модель может выбрать язык на свой вкус.
[Место и свет]. 0–5 с: [первый план, одно действие]. 5–10 с: [второй план]. 10–15 с: [герой] говорит по-русски: «[реплика]». Стиль: [реалистичное кино / 3D-мультфильм / акварель]. Звук: [шумы, голоса, музыка или без музыки].
В режиме по референсам укажите, что взять с какого файла и что не менять:
[Герой] с изображения 1 [действие] в месте с изображения 2. Движение как в видео 1. Внешность героя и обстановку не менять. Камера: [как движется]. Звук: [что слышно].
Частые ошибки: слишком много событий на короткий ролик (у пиона пять секунд вместили раскрытие и два упавших лепестка, вышло суетливо), реплика длиннее, чем помещается в отведённые секунды, и надежда, что «не менять» сработает буквально. Ещё приёмы для камеры и звука собраны в инструкции про промпты для видео.
Сколько стоит
Счёт идёт посекундно, и стоимость секунды определяет одно разрешение. Выбранный режим, количество загруженных файлов и звук на итог не влияют. Первые три строки повторяют настройки наших роликов (пион, лиса с памяткой, часовщик), ниже три запуска подлиннее или почётче:
| Разрешение | Длина | Цена |
|---|---|---|
| 720P | 5 с | 50 ₽ |
| 480P | 10 с | 50 ₽ |
| 480P | 15 с | 75 ₽ |
| 1080P | 10 с | 200 ₽ |
| 720P | 30 с | 300 ₽ |
| 1080P | 30 с | 600 ₽ |
Удобнее всего пробовать короткими роликами в 480P, а удачное задание потом запускать длиннее и в нужном качестве. Когда запрос не проходит модерацию или ролик не удаётся собрать, списанная сумма возвращается на баланс без заявлений.
Для чего подойдёт
- Сцена с диалогом на 10–30 секунд одним куском, как в мастерской часовщика выше.
- Обучающий ролик по памятке, инструкции или слайдам: режим «Документ».
- Короткое видео по своей статье или странице товара: режим «Публичная страница».
- Оживить игрушку, талисман или товар по фото и поставить его в нужную обстановку.
- «До и после»: раскрытие цветка, смена сезона, сборка мебели по двум кадрам.
- Вертикальный ролик 9:16 со звуком для соцсетей без отдельной озвучки.
- Длинный ролик из нескольких частей: последний кадр вырежет Извлечь кадр, а следующая часть начнётся с него в режиме «Первый кадр».
Где модель подводит
- Ждать приходится минуты: наши ролики пришли за время от трёх с небольшим до восьми минут. Если ролик нужен быстрее, попробуйте Prime с той же формой.
- По документу модель отбирает главное сама и может спешить. Длинный файл не превратится в подробный ролик за 10 секунд: давайте 20–30 секунд и пишите в задании, какие пункты показать.
- В 480P теряются мелкие предметы и лица на общем плане. Финальную версию запускайте в 720P или 1080P.
- Просьба «ничего не менять» в режиме референсов выполняется не всегда: у лисы пропала банка. Если обстановка важна, лучше режим «Первый кадр» с готовой картинкой сцены.
- Поля для выбора голоса нет: голос подбирает модель. Подсказать его можно аудио-референсом, но насколько точно он повторится, мы не проверяли. Точную озвучку надёжнее положить поверх в видеоредакторе.
- Страница по ссылке должна открываться без входа: страницу, которая требует входа, нейросеть не прочитает.
Другие Wan и альтернативы
Все нейросети Wan, от 2.2 до 3.0, сравниваются на одной сцене в обзоре линейки. Коротко о ближайших соседях:
| Нейросеть | Цена | Длина ролика | Когда брать |
|---|---|---|---|
| Wan 3.0 Video | от 5 ₽/сек. | 2–30 с | длинная сцена, ролик по документу или ссылке |
| Wan 3.0 Video Prime | от 9 ₽/сек. | 2–30 с | та же форма, по словам Alibaba быстрее |
| Wan 2.7 Video | от 90 ₽ | 2–15 с | продолжить или переделать уже снятое видео |
| Seedance 2.5 | от 8 ₽/сек. | 4–30 с | правка готового видео, до 30 картинок-образцов |
| Kling 3.0 | от 11 ₽/сек. | 3–15 с | 4K и трансформация ролика |
С моделями других разработчиков эта нейросеть сравнивается в обзорах видео из текста, видео по референсам и перехода между кадрами.
Вопросы и ответы
Описание обновлено 1 октября 2026 г.