Wan3.0は1回の生成で最大30秒の動画を作る
Wan3.0は、Alibaba Cloudの動画生成モデルで、1回の生成で最大30秒の動画を作ります。また、動画生成モデルは文章や画像から動画を出力するAIで、Wan3.0は今回からテキスト・画像・音声・動画に加えて文書も入力にできます。
Alibaba Cloudは2026年8月6日付の公式ブログでWan3.0を取り上げ、Model Studioで提供中としています。実写に近い人物の顔の多様さと、参照素材との整合の精度が大きく上がったとも述べています。
報道では、The Next WebがWan3.0は8月24日に正式リリースされたと伝えています。公式ブログの掲載日とは日付が合いません。 Alibaba CloudはWan1.0からWan3.0までに8回の更新を重ね、素材の生成から作品の制作へ、コンテンツ生成から商用の納品へ進んできたと述べました。
推奨の長さで作り、足りない分は延長で補う
長さは推奨機能に提案させ、足りない分は延長機能で補います。つまり、機能は2つあります。1つは、プロンプト（AIに対して入力する文章）の内容から適切な長さを推奨する機能で、もう1つは、生成済みの動画を延ばして話を続ける機能です。
"It generates up to 30 seconds of video in a single pass, accepts text, images, audio, video, and — for the first time — documents (PPT, PDF, DOC, XLS, and more) as input, and delivers a major leap in real-world fidelity: lifelike, diverse human faces and precise reference-to-video consistency."／"The Wan model family has shipped 8 iterations from Wan1.0 to Wan3.0, evolving from asset generation to full creation, and from content generation to commercial delivery."／"A smart duration feature recommends the right length based on your prompt, and video extension lets you continue a story beyond the initial generation."（導入文／From Wan1.0 to Wan3.0 節／長さの機能の記述）— Model Studio Blog より公式情報を見る →
PPTやPDFなど9形式の文書は入力にできるのか
Wan3.0は、文書・表計算・ウェブページを構造ごと入力として読む、Wanファミリー初のモデルです。 これまでのWanは、資料をそのまま入力して動画にできませんでした。
Wan3.0に入力できる文書の条件
| 条件 | 内容 |
|---|---|
| 対応形式 | doc・xls・ppt・pdf・txt・key・pages・numbers・mdの9形式 |
| 1回に入力できる数 | ファイルかリンクを1つまで |
| 容量の上限 | 100MB |
| ページ数の上限 | 50ページ |
上限は1ファイルか1リンク、100MB・50ページ
1回に入力できるのは、ファイルかリンクのどちらか1つで、大きさは100MB、ページ数は50ページまでです。複数の資料は1回に入力できません。そのため、数百ページの報告書のように上限を超える資料は、そのままでは入力できません。 動画にする前に、PPTの中身を文章として整理したいときは、PowerPointをマークダウンに変換するツールをお試しください。
"Wan3.0 is the first model in the family to read documents, spreadsheets, and web pages as structured input."／"Supported input formats include doc, xls, ppt, pdf, txt, key, pages, numbers, and md, with a limit of one file or link per request, up to 100MB and 50 pages."（Everything to Video 節）— Model Studio Blog より公式情報を見る →
480Pは1秒0.05ドル、30秒の1080Pは6.00ドル
Wan3.0のAPI料金は、生成した動画の秒数で定まります。 480Pは1秒0.05ドル（約8円）からで、720Pと1080Pの段階もあります。480Pや1080Pは映像の縦の細かさを表す呼び名で、数字が大きいほど高画質です。
480Pと1080Pの秒単価と、30秒あたりの金額
| 解像度 | 1秒あたり | 30秒あたり |
|---|---|---|
| 480P | 0.05ドル（約8円） | 1.50ドル（約240円） |
| 1080P | 0.20ドル（約31.9円） | 6.00ドル（約958円） |
公式ブログは、480Pで下書きを何度か作ってから1080Pで仕上げる使い方を紹介しています。下書きの30秒が1.50ドル（約240円）なので、仕上げの6.00ドル（約958円）を払う前に内容を詰められます。 同じ秒課金の動画生成モデルについては、FLUX 3 Videoの料金は毎秒0.06ドルから、音声つき最長20秒の記事もあります。
"API pricing starts at $0.05 per second for 480P output, with 720P and 1080P tiers available."／"At these rates, a full 30-second 1080P generation costs $6.00, and a 30-second 480P draft costs $1.50 — practical for iterating on drafts at 480P and finishing at 1080P."（Key Takeaways 節／Wan3.0 API Pricing 節）— Model Studio Blog より公式情報を見る →
Alibabaが認める弱点は音声の質感と映像内の文字
Wan3.0の課題としてAlibaba Cloudが認めているのは、音声の質感と、画面に映る文字を描く精度です。 社内テストで見つかった課題です。改善は進んでいるものの、狙った水準には届いていないと公式ブログは述べています。
一方で公式ブログは、人物の描写と参照素材との整合性が今回の更新で大きく高まったと述べています。文字入りの映像や、音の仕上がりを重視する用途では、出力を実際に見て聞いてから使うかどうかを判断するといいでしょう。
"During internal testing, we identified areas where Wan3.0 still has room to grow: audio texture and on-screen text rendering accuracy are improving but not yet where we want them."（A Note on Current Limitations 節）— Model Studio Blog より公式情報を見る →
Wan3.0で押さえたいのは長さと文書入力の2つ
Wan3.0の特徴として押さえたいのは、1回で最大30秒の動画を生成できることと、Wanファミリー初の文書入力に対応していることの2点です。また、文書は1回につきファイルかリンク1つ、100MB・50ページまで入力できます。
料金は秒課金で、30秒の480Pは1.50ドル（約240円）、1080Pは6.00ドル（約958円）です。音声の質感と画面上の文字描画は、Alibaba Cloudがまだ課題と認めています。
FAQ
- Wan3.0は何秒の動画を作ることができますか？
- 1回の生成で最大30秒です。プロンプトを解析して適切な長さを提案する機能と、生成済みの動画を延ばして話を続ける機能が併せて用意されています。
- PowerPointやPDFから動画を作ることができますか？
- 作ることができます。対応形式は、doc・xls・ppt・pdf・txt・key・pages・numbers・mdの9つです。ただし1回に入力できるのはファイルかリンク1つで、100MB・50ページが上限です。
- Wan3.0の料金はいくらですか？
- 生成した動画の秒数で課金されます。480Pが1秒あたり0.05ドル（約7.98円）からで、720Pと1080Pの段階もあります。30秒を1080Pで作ると6.00ドル（約958円）、480Pの下書きなら1.50ドル（約240円）です。
関連する記事
Qwen3.8-Flash-Nextとは？混合エキスパート型の公開モデルQwen3.8-Flash-Nextは、総数125Bのうち1トークンあたり6Bだけを動作させる、MoE型のオープンウェイトモデルです。コンテキスト長は26万トークンで、最大100万トークンまで広げられます。Qwen4の設計を試す実験的プレビューとして重みが公開されました。
Tencent Cloud上のAIエージェント群を研究者が追跡して対話Tencent Cloud上のAIエージェント群が9月28日から10月8日にかけ、Alibabaの地図サービス高徳地図のデータを取ろうと2,600回以上試みました。研究者は報告書に人間には見えない案内文を入れ、エージェントと対話しています。Tencentに近い関係者は第三者モデルの評価だったと説明しました。
Mixture of Expertsとは？一部の専門部分だけを使う仕組みMoE（Mixture of Experts、混合エキスパート）は、AIモデルの中を多数のエキスパートに分け、トークンごとに一部だけを動作させる仕組みです。「30B-A3B」のA3Bは1トークンで使うアクティブパラメータを表します。速さはアクティブパラメータ、必要なメモリは総パラメータで見積もれます。
オープンウェイトモデルとは？オープンソースとの違いとライセンスを解説オープンウェイトモデルは、AIが学習で身につけた数値（重み）を公開し、誰でもダウンロードして自分のPCやサーバーで実行できるモデルです。学習データやコードまで公開するオープンソースAIとの違いと、ローカル環境で動作させる利点と注意点を解説します。商用利用できる範囲は、モデルごとのライセンス次第です。