Wan 3.0 от Alibaba: 30-секундные видео-сцены с нативным звуком и документом на входе

Wan 3.0 делает шаг от «оживления картинки» к сборке законченных сцен: модель генерирует 30-секундные ролики с сохранением идентичности персонажей и объектов, а также впервые добавляет нативный звук. На вход можно подать не только текст и изображение, но и файлы офисных форматов, что расширяет сценарии использования — от рекламы до учебных материалов.

В демонстрациях Alibaba показаны one-take сцены, схватка животных, песня на восьми языках и преобразование PDF в видео. Сравнение с конкурентами (Seedance 2.5, Kling 3.0, MiniMax H3, Veo 3.1, Grok Imagine) показывает, что Wan 3.0 — один из первых, кто приближается к цели «20–30 секунд управляемой сцены» без развала контента по ходу действия.