Wan 3.0：テキスト、写真、音声、文書から最長30秒の動画——Alibabaのモデルができること

Wan 3.0とは

Wan 3.0は、AlibabaのWanファミリーのフラッグシップ動画モデルです。2026年8月上旬にAlibabaがベータを開き、8月24日には申請なしで誰でも使えるAPIを出しました。公開版のWan 2.1と2.2を含むファミリーの全体は、Wan AIのページにあります。

AlibabaはWan 3.0を「オールインワン」のモデルと呼んでいます。モデル名は一つで、テキストから、フレームから、参照からの生成と、編集、延長をまとめて担います。Wanはファイルの組み合わせとプロンプトの言葉から、何をするかを自分で判断します。

Wan 3.0と同時に出たのがWan 3.0 Primeで、できることは同じ、速度だけが上がった版です。

2026年9月21日のArenaでは、Wan 3.0は動画モデル48個中6位です。上にいるのはGemini Omniの2バージョン、FLUX 3ファミリーのFLUX 3 Video、Grok Imagine Video 1.5、Seedance 2.0だけです。

Wan 3.0ができること

1回で30秒。 長さは2秒から30秒、毎秒30フレームです。「スマート」な長さにすると、Wanが話に合う長さを自分で選びます。ショットが複数あるときは、Alibabaは1ショット4–6秒を見積もり、タイムコードで書くよう勧めています。

音声は最初から。 セリフ、BGM、効果音は動画と一緒に生成されます。音声は初期状態でオンで、オフにもできます。

参照は最大20。 Wan 3.0が1回のタスクで受け取るものは次のとおりです。

種類	上限
画像	10枚まで、1枚20 MBまで
動画	5本まで、合計15秒まで、1本100 MBまで
音声	5本まで、合計15秒まで、1本15 MBまで
文書またはリンク	ファイル1つ（doc、docx、xls、xlsx、ppt、pptx、pdf、txt、md）か、公開ページ1つ

文書から動画。 商品のプレゼンか報告書をアップロードし、トーンを短く書くと、Wan 3.0はファイルから中身を取り、動画にまとめます。Alibabaの例では、プレゼンはブランドのイメージ映像に、報告書はナレーション付きのブリーフィングになります。ファイルは100 MB、50ページまでです。

できた動画の編集。 動画をアップロードし、何を変えるか書きます。「置き換えて」「消して」「〜に変えて」。物体、背景、セリフを、全部作り直さずに変えられます。

延長。 「延長して」または「続けて」と書くと、Wanは動画を前へ、後ろへ、または両方向へ足します。元の動画と続きを合わせても30秒を超えません。

最初と最後のフレーム。 画像1枚で開始、2枚で開始と終了を指定します。

顔と感情。 Alibabaは、多様なリアルな顔、微細な表情、ボディランゲージ、そしてはっきりしたUI、グラフ、文字を別に挙げています。アプリのデモや動画のインフォグラフィック向けです。

Wan 3.0とWan 3.0 Primeの違い

	Wan 3.0	Wan 3.0 Prime
役割	メインのモデル	同じもの、より速い
長さ	2–30秒	2–30秒
解像度	480p、720p、1080p	480p、720p、1080p
音声	あり	あり
1秒の料金（480p／720p／1080p）	0.05／0.10／0.20ドル	0.068／0.14／0.28ドル
1080pの30秒	6.00ドル	8.40ドル

Primeの機能とパラメータは同じです。Alibabaは、画質を落とさず生成を速くしたものとして売っています。急がないなら、通常のWan 3.0のほうがおよそ30%安くなります。

Wan 3.0が向く仕事

• 短編、連続もの、ミュージックビデオ — 1回で30秒、ショットは複数。
• ブリーフからの広告 — 入れるのは商品プレゼン、出てくるのは動画。
• UIのデモとインフォグラフィック — Alibabaは、はっきりしたアプリ画面とグラフを挙げています。
• 旅の動画。現地撮影に出なくてよい。
• 曲に合わせたクリップ — 音声参照がリズムと声を決めます。
• できた動画の編集と延長。全部の再生成は不要です。

Wan 3.0と他のモデル

	Wan 3.0	Seedance 2.5	MiniMax H3	HappyHorse AI 1.1
開発元	Alibaba	ByteDance Seed	MiniMax	Alibaba
長さ	2–30秒	4–30秒	4–15秒	3–15秒
解像度	最大1080p	最大1080p	最大2K	最大1080p
参照	写真10、動画5、音声5	最大50ファイル	写真9、動画3、音声3	最大9枚の写真
文書入力	あり	なし	なし	なし
編集と延長	あり	あり	編集	編集（モデル1.0）
Arena順位（2026-09-21）	6	7	8	10（1.0）
1080pの1秒あたり	0.20ドル	—	0.13ドル（2K）	—

Wan 3.0と、SeedanceファミリーのSeedance 2.5は、1回で30秒作れる二つのモデルです。Wanのほうが安く、文書を読みます。Seedanceは参照をより多く受け取れます。解像度で勝つのはMiniMax H3、HappyHorseはセリフ付きの短い動画向けの、Alibaba二つ目の動画モデルです。

Wan 3.0のプロンプトの書き方

1. ファイルは番号で呼ぶ。 “Image 1”、“Video 1”、“Audio 1”。種類ごとに番号が分かれ、アップロード順です。
2. ショットはタイムコードで書く。 1ショット4–6秒。
3. 編集と延長にはキーワードが要る。 “edit video”、“replace”、“remove”、“change to”、または“extend”、“continue”。これがないとWanはタスクを理解しません。
4. 文書があるときは短く。 トーンと目的だけ書き、中身はモデルがファイルから取ります。
5. 下書きは480p。 Alibaba自身が、まず低解像度でアイデアを確かめ、そのあと1080pにするよう勧めています。

上の絵コンテに沿った例です。

0–6秒：ワイド、キャップをかぶった祖父と、おさげが二つの少女が、赤い凧を持って
海辺の草の丘を上る。6–12秒：クローズアップ、祖父が糸を結び、「しっかり持って」
と言う。12–18秒：ミディアム、少女が走り、凧が上がる。18–24秒：下から、赤い凧が
雲の高いところに。24–30秒：ワイド、二人は夕暮れの海を見ながら草の上に座っている。
音：風、波の音、少女の笑い、あたたかいギターの旋律。

AI2FaceでWan 3.0を使う

Wan 3.0はAI2Faceのジェネレーターにあり、MiniMax H3、Kling 3.0、Veo 3.1と並んでいます。

1. 登録すると、新しいアカウントにウェルカムクレジットが付きます。
2. ジェネレーターを開き、動画に切り替えてWan 3.0を選びます。
3. フレーム、参照、または文書をアップロードし、プロンプトを書き、長さと解像度を指定します。
4. クレジットの費用は実行前に表示されます。パックのクレジットに有効期限はありません。支払いはカードか暗号資産です。

商品仕様のスライドや絵コンテのフレームは、同じジェネレーターで作れます。GPT Image 2.5かNano Banana Proです。

制限

• 1080pまで。 Wan 3.0に2Kと4Kはありません。そちらはMiniMax H3とKling 3.0を見てください。
• 音声と画面内の文字はまだ改善中です。 Alibabaは、音の質感と画面内テキストの精度が上がっていると、はっきり書いています。
• モードは混ぜられません。 参照、文書、リンクは、最初と最後のフレームと同じタスクに入れられません。
• 文書かリンクのどちらか一つ。 両方は同時に渡せません。ページはログインなしで開く必要があります。
• 長い動画は高い。 1080pの30秒はAPIで6ドル、Primeでは8.40ドルです。
• ウェイトはありません。 Wan 3.0はクラウドのみです。ダウンロードできるのはWan 2.1と2.2です。

まとめ

Wan 3.0は2026年でいちばん柔軟な長尺の動画モデルです。音声付き30秒、参照20、プレゼンやリンクからの動画、編集と延長が一つのモデルに入っています。Arena 6位で、1080pは1秒0.20ドル。順位の近所の大半より安いです。物語、ブリーフからの広告、曲に合わせたクリップにはWan 3.0を。2KならMiniMax H3、参照が何十も要るならSeedance 2.5です。Primeが要るのは、速さのほうが値段より大事なときだけです。