Alibaba Wan 3.0: AI‑видео от короткого клипа к готовой сцене за 30 секунд

Alibaba представила предрелизную версию своей модели Wan 3.0, которая выводит генерацию AI‑видео из формата «короткого клипа» в полноценные сцены. За один проход система создает 30‑секундный ролик, автоматически подбирая звук, анимацию персонажей и фоновые элементы. Важным новшеством стало поддерживание различных типов входных данных: документы DOC, PDF, презентации PowerPoint, а также веб‑страницы могут служить источником визуального и текстового контента. Модель способна одновременно управлять несколькими персонажами, синхронизировать их диалоги и генерировать «нативный» звук, что устраняет необходимость в пост‑обработке аудио.

В официальных демо‑роликах Wan 3.0 преобразует, например, бизнес‑презентацию в динамичную сцену с анимированными спикерами, а технический PDF – в визуальный сценарий с поясняющими графиками. По заявлению Alibaba, стоимость генерации 30‑секундного ролика составляет $0.12, что сопоставимо с лидерами рынка. Для сравнения, Seedance 2.5/2.0 предлагает цену $0.15 за аналогичный контент, Kling 3.0 – $0.13, а MiniMax H3 – $0.18. По качеству Wan 3.0 превосходит Veo 3.1 и Grok Imagine, демонстрируя более естественное движение губ и согласованность звука.

Технически модель построена на гибридной архитектуре трансформеров и диффузионных сетей, оптимизированных под распределённые GPU‑кластеры Alibaba Cloud. Пользователи получают доступ через API‑эндпоинт, где можно задавать параметры сцены, количество персонажей и тип входных файлов. Пример кода на Python уже опубликован в репозитории GitHub, что упрощает интеграцию в существующие пайплайны.

Wan 3.0 открывает новые возможности для автоматизации видеоконтента в маркетинге, образовании и корпоративных коммуникациях, сокращая время и затраты на производство качественного видеоматериала.