Alibaba открыла публичную бету Wan 3.0. Главная цифра — 30 секунд непрерывной генерации за один проход, вдвое больше, чем у предыдущего Wan 2.7-Video. Но настоящая бомба спрятана в другом месте: модель первой в индустрии научилась читать документы и веб-страницы. Кидаешь ей PPT — получаешь готовый ролик.
Почему 30 секунд — это не «просто цифра побольше»
Мейнстрим-генераторы выдают от нескольких секунд до 15. Kling нативно даёт 10 секунд и растягивает продлением, Veo 3.1 — восемь. Пятнадцать секунд — это ещё «сгенерировать кадр». Тридцать — уже «рассказать историю»: появляется место под сложное движение камеры, под съёмку одним планом, под завязку-развитие-развязку внутри одного клипа без склеек и без дрейфа персонажа между сценами. Плюс завезли умную длительность: модель сама предлагает оптимальный хронометраж под промпт, а продление досматривает историю дальше.
Omni-Creation: до 20 референсов в одной задаче
В один запрос кладётся до 20 референсных материалов сразу: текст, изображения, видео, аудио, первый и последний кадры, файл, ссылка. Модель обязана удержать их все одновременно — внешность и одежду персонажа, логотип и материал продукта, взаимное расположение объектов в кадре, тембр голоса, стиль съёмки. Это ровно та проблема, на которой ломаются все: похожий персонаж вместо того же самого.
Документ в видео: то, чего нет больше ни у кого
Помимо четырёх базовых модальностей Wan 3.0 впервые принимает на вход doc, xls, ppt, pdf, txt, key, pages, numbers и md, а также ссылку на веб-страницу. Ограничения жёсткие: один файл или одна ссылка, не больше 100 МБ и не больше 50 страниц. На выходе — учебные материалы, презентации продукта, динамические графики, отчёты. Весь офисный хлам конвертируется в видео одной кнопкой.
На китайском Bailian — 0,3 / 0,6 / 1,2 юаня за секунду для 480P / 720P / 1080P; тридцатисекундный ролик в 1080p выходит примерно в 36 юаней. На международном QwenCloud — 0,05 / 0,1 / 0,2 доллара за секунду. Лимиты: 2 параллельные задачи, очередь до 50, 30 запросов в минуту. У прошлого поколения 1080p стоил 1 юань за секунду.
Что говорят те, кто уже погонял
Китайское издание «Гуанцзы Синцю» в день старта прогнало шесть тестов. Получилось: тридцатисекундный сюжет доигрывается до конца с внятной драматургией, актёрская игра перестала быть кукольной, цепочка «текст в PPT в ролик» прошла насквозь, цифры со слайдов не переврались. Не получилось: мелкий реквизит не держит форму — корпус часов гуляет между розовым золотом и серебром, оправа очков меняется от кадра к кадру; тест на четыре синхронных камеры вокруг робота модель провалила. Сама Alibaba признаёт: качество звука и точность текста ещё требуют работы.
Главная новость, о которой не пишут в анонсе
Wan сделал себе имя открытыми весами: 2.1, 2.2, Animate раздавались всем и крутились в ComfyUI на домашних картах. У Wan 3.0 весов нет — ни на Hugging Face, ни на GitHub, ни на ModelScope, ни в ComfyUI. Только закрытая бета и платный API. Флагман уходит в закрытый контур, открытым остаётся предыдущее поколение.