Miközben az OpenAI éppen lezárja a Sora történetét, az Alibaba egészen más irányból próbál belépni ugyanabba a versenybe. A Wan 3.0 már nem egyszerűen azt ígéri, hogy szövegből látványos rövid videót készít. Egyetlen modellben próbálja összefogni a hosszabb videógenerálást, a natív hangot, a referenciaalapú munkát, a videószerkesztést és még a dokumentumokból vagy weboldalakból induló videókészítést is.
Ez azért érdekes számunkra, mert 2026-ban egyre kevésbé az a kérdés, melyik modell készíti a legszebb öt másodpercet. Sokkal fontosabb lett, hogy mennyire illeszthető be egy valódi videógyártási workflow-ba.
A Wan 3.0-t még nem teszteltük saját CreativeSpot-projekten, ezért ez nem tesztcikk. Az Alibaba Cloud friss dokumentációját és modelladatait néztük végig abból a szempontból, hogy mit jelenthetnek ezek a funkciók a valódi videógyártásban.
Mi a Wan 3.0?
A Wan 3.0 az Alibaba Cloud új, all-in-one videógeneráló modellje. Az Alibaba augusztus elején tette elérhetővé, és a korábbi Wan-modellekhez képest nem egyetlen generálási módot fejleszt tovább, hanem több videós feladatot próbál egy modellben kezelni.
A hivatalos dokumentáció szerint a Wan 3.0 támogat szöveg-videó, kép-videó, első–utolsó képkockás generálást, referenciaalapú videókészítést, videószerkesztést és videóhosszabbítást is. A modell 480p, 720p és 1080p felbontásban dolgozik, 30 fps-es kimenettel.
Az Alibaba hivatalos bemutatója: Wan 3.0 Video Generation.
30 másodperc egyetlen generálással
Az egyik legfontosabb változás a hossz. A Wan 3.0 2 és 30 másodperc közötti videót tud előállítani egy generálással, és támogat úgynevezett smart duration módot is, amelynél a rendszer maga javasolja a megfelelő videóhosszt.
Ez első látásra csak egy számnak tűnik, de a videógyártásban komoly különbséget jelent. Öt vagy tíz másodperces klipeknél gyakran több külön generálásból kell összerakni egy jelenetet. Harminc másodperc már lehetőséget ad arra, hogy egy rövidebb történet, több plánból álló jelenet vagy akár egy teljes social videó egyetlen generálási folyamatban készüljön el.
Az Alibaba saját példáiban egy 30 másodperces történeten belül több jelenetet, folyamatos kameramozgást és összetettebb narratív ívet is bemutat. A szöveg-videó módnál a modell storyboard-szerű, több snittből álló struktúrát is támogat.
A videóhoz már a hang is natívan készül
A Wan 3.0 nem néma videót ad vissza. A dokumentáció szerint a modell natívan képes párbeszédet, háttérzenét és hangeffekteket is generálni a kép mellé.
Ez ugyanaz az irány, amit az utóbbi időben több új videómodellnél látunk: a kép és a hang egyre kevésbé külön munkafolyamat. Ettől még profi produkcióban továbbra is lehet szükség külön narrációra, sound designra és utómunkára, de egy gyors koncepció vagy social tartalom esetében sokkal közelebb kerülünk az egyetlen generálásból használható eredményhez.
A legérdekesebb funkció: videó dokumentumból vagy weboldalból
A Wan 3.0 egyik szokatlan újítása, hogy nemcsak szöveget, képet, videót és hangot lehet referenciaként megadni. A modell dokumentumot és nyilvánosan elérhető weboldalt is képes bemenetként értelmezni.
A támogatott fájlok között PDF, Word-, PowerPoint-, Excel- és szöveges dokumentumok is szerepelnek. A dokumentáció szerint egy fájl akár 50 oldalas is lehet, és a modell ennek tartalmából tud videós koncepciót készíteni.
Ez üzleti szempontból sokkal érdekesebb lehet, mint elsőre hangzik. Elméletileg egy cég feltölthet például:
- egy termékbemutató PDF-et,
- egy prezentációt,
- egy kampánybriefet,
- egy szolgáltatásoldalt,
- vagy egy nyilvános weboldalt,
és ebből indulhat a videó vizuális és narratív felépítése.
Ez még nem jelenti azt, hogy a modell automatikusan jó reklámfilmet rendez egy PDF-ből. A kreatív koncepció, az üzenet, a dramaturgia és a vizuális kontroll ettől még külön szakmai munka. De a bemenetek ilyen szintű értelmezése már egyértelműen az AI-videó agentek és automatizált gyártási workflow-k felé mutat.
Erről az irányról korábban már írtunk az AI videó agent és teljes gyártási workflow című cikkünkben is.
Akár 20 referenciaanyag egy generáláshoz
A Wan 3.0 referenciaalapú működése szintén figyelemre méltó. Az Alibaba szerint egy kéréshez összesen akár 20 multimodális referenciaanyag használható.
A dokumentáció külön limiteket ad meg: legfeljebb tíz referenciafotó, öt videó és öt hangfájl is használható. Emellett dokumentum vagy weboldal is megadható bemenetként.
Ez pontosan az a terület, ahol a professzionális AI-videógyártás 2026-ban fejlődik: nem szeretnénk minden snittet nulláról újrapromptolni. A cél az, hogy karaktereket, termékeket, környezetet, hangot és vizuális stílust referenciaanyagokkal lehessen kontrollálni.
A karakterkonzisztenciáról és a kontrollált gyártásról részletesebben az AI videógyártás új szinten: karakterkonzisztencia, új modellek és kontrollált workflow cikkünkben írtunk.
Nemcsak generál: videót szerkeszt és hosszabbít is
A Wan 3.0 már meglévő videóval is tud dolgozni. Szöveges utasítással lehet elemeket hozzáadni, eltávolítani vagy módosítani, stílust változtatni, illetve a videót előre vagy hátrafelé továbbgenerálni.
Ez azért fontos, mert a generatív videó egyik legnagyobb problémája sokáig az volt, hogy minden javítás új generálást jelentett. A piac most egyértelműen abba az irányba megy, hogy a már elkészült anyagot lehessen tovább szerkeszteni, nem pedig mindig elölről kezdeni.
Ugyanezt a változást látjuk a hagyományos utómunkában is: a Premiere Pro generatív videós funkciói és a Runway integrációi is egyre közelebb hozzák egymáshoz a generálást és a szerkesztést.
Mennyibe kerül a Wan 3.0?
Az Alibaba másodperc alapú árazást használ. A nemzetközi, szingapúri régióban a Wan 3.0 standard listaára jelenleg:
- 480p: 0,05 USD / másodperc,
- 720p: 0,10 USD / másodperc,
- 1080p: 0,20 USD / másodperc.
Az Alibaba jelenleg 30 százalékos bevezető kedvezményt is jelez szeptember 24-ig. Ezzel egy teljes 30 másodperces generálás körülbelül 1,05 dollár 480p-ben, 2,10 dollár 720p-ben és 4,20 dollár 1080p-ben.
Ez természetesen még nem egy kész reklámfilm ára. A valódi költséget mindig az határozza meg, hány generálásból lesz elfogadható snitt, mennyi referencia és utómunka kell, illetve milyen minőségben dolgozunk. Pont ezért írtunk korábban külön az AI-videó generálási költségéről is.
A Wan 3.0 aktuális árazása az Alibaba Cloud hivatalos árlistáján ellenőrizhető.
Wan 3.0 vagy Seedance 2.5?
A Wan 3.0 bejelentése azért is érdekes számunkra, mert nemrég teszteltük a Seedance 2.5 30 másodperces videógenerálását.
Papíron több hasonló irány látszik: hosszabb jelenetek, több információ egy generálásban, natív hang és nagyobb kontroll. A Wan viszont különösen erősen rámegy a multimodális referenciaanyagokra, valamint a dokumentum- és weboldalalapú bemenetre.
Viszont ezt csak saját teszt után lehet majd érdemben összehasonlítani. A specifikációból nem derül ki, hogy például mennyire stabil a karakterkonzisztencia egy teljes 30 másodperces jelenetben, mennyire használható a magyar beszéd, vagy hány próbálkozás kell egy ténylegesen publikálható snitthez.
Pont ezt tanítja nekünk a Sora története
Van némi irónia abban, hogy ugyanazon a héten írunk a Sora lezárásáról és a Wan 3.0-ról.
A Sora annak idején azért volt elképesztően izgalmas, mert megmutatta, milyen lehet egy látványos, hosszabb AI-videó. 2026-ra viszont ennél már jóval többet várunk.
Egy jó AI-videómodell ma már nemcsak videót generál. Értenie kell a referenciákat, a történetet, a hangot és egyre inkább magát a gyártási folyamatot is.
A Wan 3.0 érdekes része ezért nem önmagában a 30 másodperc. Hanem az, hogy az Alibaba megpróbál egyetlen belépési pontot csinálni szövegből, képből, videóból, hangból, dokumentumból és weboldalból.
Beépülhet a CreativeSpot workflow-jába?
Erre még nem mondanánk igent.
A specifikáció alapján mindenképpen érdekes modell, különösen a 30 másodperces generálás, a referenciaanyagok és a dokumentumalapú videók miatt. De nálunk egy új modell akkor kerül be ténylegesen a workflow-ba, ha saját projekten is bizonyít.
Meg kell néznünk többek között:
- mennyire tartja a karaktereket és termékeket,
- mennyire pontosan követi a referenciát,
- milyen a magyar beszéd és lipsync,
- mennyire használható valódi reklám- vagy magyarázó videóhoz,
- és végül mennyi a tényleges költsége egy elfogadott snittnek.
Ha ezekre jó válaszokat kapunk, a Wan 3.0 valóban érdekes új elem lehet a Runway, Seedance, Veo és a szerkesztőprogramok mellé.
És valószínűleg ez lesz a következő lépés: kipróbálni, nem csak elolvasni a specifikációt.
Ha céges AI-videóban, reklámfilmben vagy kontrollált AI-videós workflow-ban gondolkodsz, írj nekünk a Kapcsolat oldalon.
