Wan 3.0

概要

Wan 3.0は、Alibaba Tongyi Labが手がけるWanシリーズの最新モデルです。2026年8月6日にパブリックベータとして公開されました。

Alibabaはこれを「1コマの生成から、物語を語ることへ」の移行だと説明しています。1回の生成で30秒。音は絵と同時に作られます。入口はプロンプトだけでなく、文書やスライド、Webページにも広がりました。

稼働しているのはAlibaba Cloud Model StudioとQwen Cloudです。モデル名はwan3.0-video。料金は秒単位で、解像度は3段階に分かれています。

資料から動画を作る

ほかのモデルと分かれる点がOmni-Referenceです。

テキスト、画像、音声、動画に加えて、構造を持つファイルを読みます。doc、xls、ppt、pdf、txt、key、pages、numbers、md。WebページのURLも同じように扱えます。読み取った中身から、映像のシーケンスが組み上がります。

Alibabaの言い方を借りれば「文字ばかりの静的なデータを、現実に近い映像に変える」ということです。四半期の決算資料でも、製品の仕様書でも、返ってくるのは絵コンテではなく仕上がったクリップです。いま、資料をこの形で読む主要な動画モデルはほかにありません。

30秒を一度に

1回で30秒。Wan 2.7の倍です。ここで変わるのは数字ではなく、作業の単位のほうです。

CMの1枠も、短い場面も、ゆっくりした展開も、1回の生成に収まります。複数のクリップをつないで、光と間合いと続きを合わせ直す工程がなくなります。長さはプロンプトに合わせて決まるので、短い場面が空の秒数で埋められることもありません。

長回しは、プロンプトの書き方も変えます。30秒には起伏が要ります。始まりがあり、転換があり、終わりがある。フレームに何があるかではなく、フレームがどう変わっていくかを書いてください。転換のない長さは、ただ遅いクリップです。長尺の生成が無駄になるのは、たいていここです。

参照の統制と、部分的な作り直し

Omni-Referenceは参照素材を20点まで受け取ります。人物も商品も舞台も、クリップの中でも、カットをまたいでも保たれます。並べたときに1本の作品として読めるのは、この働きによるものです。渡すことと同じくらい、プロンプトの中で参照に役割の名前を振ることが効きます。

編集も別のツールではなく、同じモデルの中にあります。指示でも参照でも直せます。時間の区間を選び、そこだけを作り直す。ほかは触れずに残ります。絵も、動きも、登場人物のセリフまで調整できます。中国語圏の記事はこの変化を「ガチャから制作へ」と表現しました。引き直し続けるのではなく、狙って通すということです。

描写、音声、画面内の文字

Alibabaが掲げる目標は「現実に近い描写」で、力点は人物にあります。顔と肌の細部、抑えの効いた自然な感情、仕草に連動した微細な表情。骨格や目もとまで踏み込んだ人物のカスタマイズも含まれます。

音は絵と同じパスで生成されます。ですからテンポはプロンプトの仕事です。土台になる音を指定し、拍を置く位置を書けば、絵と音が同時に着地します。

画面内の文字も良くなりました。12言語で長文の描画に対応し、図表や数式、インフォグラフィックも整っています。ただし音の質と画面内の文字には、まだ伸びしろがあると評されています。

4Kという誤情報

出力は480p、720p、1080pの3段階です。4Kはありません。

検索結果に出てくる「Wan 3.0は4K対応」という記述は、Alibaba発のものではありません。同社のモデル一覧は3段階の料金を示しているだけで、4Kには触れていません。「60Bパラメータ」「Apache 2.0のオープンな重み」といった仕様表も同じです。Alibabaがモデルカードを公開するまでは、作り話として扱ってください。

重みの公開について

Wan 3.0はクローズドで、APIのみのモデルです。重みはWan-AIのHugging Face、Wan-VideoのGitHub、ModelScopeのいずれにも出ていません。

Alibabaが公開した重みはWan 2.2、ライセンスはApache 2.0で止まっています。2.5、2.6、2.7の世代は、すべて商用APIのモデルでした。自社環境で動かす必要があるなら、いまも最新のダウンロードできるWanはWan 2.2です。この系列が自社のパイプラインに載るかどうかは、結局ここで決まります。

Wan 3.0とMorphic

Wan 3.0はMorphicで使えます。用意されているのは2つのバージョンです。Wan 3.0と、すばやく試行を重ねるための高速版Wan 3.0 Primeです。

どちらも音声付きのクリップを最大30秒まで作れます。解像度は480p、720p、1080pで、テキスト、1枚の画像、または最初と最後のフレームから生成します。動画モデルの選択欄では、Seedance、Kling、Veoと並んでいます。

上に書いたプロンプトの作法は、そのまま持ち込めます。長回しを起伏として書くこと、参照ひとつずつに名前を振ること、テンポをプロンプトに織り込むこと。同じカットで複数のモデルを比べるときも、そのまま通用します。