Videomodell Wan 3.0

Dreißig Sekunden in einer Generierung — lang genug für eine durchgehende Kamerafahrt, einen vollständigen Dialogtakt oder eine Szene, die sich aufbaut, statt alle fünf Sekunden neu anzusetzen. Oder bring bis zu zwanzig Bilder, Clips und Audiodateien als Referenzen mit und halte sie über eine fünfzehnsekündige Aufnahme hinweg konsistent.

Optional
Optional
50

Die wichtigsten Funktionen von Wan 3.0

  • 30-Sekunden-Generierung: Bis zu dreißig Sekunden in einem Lauf, ohne Clips aneinanderzusetzen.
  • Omni-Referenz: Zwanzig Referenzen pro Generierung — Bilder, Clips und Stimme.
  • Synchroner Ton: Der Ton entsteht mit dem Bild, im selben Durchlauf.
  • Erstes & letztes Bild: Leg fest, wo die Einstellung öffnet und wo sie landet; die Mitte füllt das Modell.
  • Figurenkonsistenz: Gesichter, Kleidung und Requisiten halten über eine lange Aufnahme hinweg.
  • Präzises Video-Editing: Ändere ein Element eines vorhandenen Clips, während der Rest des Bildes stehen bleibt.

30-Sekunden-Generierung

Ein Lauf erzeugt bis zu dreißig Sekunden. Kein Aneinandersetzen, kein Anpassen eines Schnitts zwischen zwei Clips, die fast zusammenpassen. Eine Fahrt einen Korridor hinunter bleibt eine ununterbrochene Bewegung; ein gesprochener Satz endet in derselben Einstellung, in der er begann. Du benennst die exakte Länge, statt aus einem kurzen Menü zu wählen — jede ganze Sekunde von zwei bis dreißig — und die Kosten skalieren linear mit, ein Sechs-Sekunden-Clip ist bei gleicher Auflösung also wirklich die Hälfte eines Zwölf-Sekunden-Clips. Es gibt keinen Grund aufzurunden. Referenzläufe sind die eine Ausnahme: Sie enden bei fünfzehn Sekunden, weil dein Referenzmaterial und die generierte Ausgabe sich das gleiche Dreißig-Sekunden-Budget teilen.

Omni-Referenz

Häng bis zu zwanzig Assets auf einmal an — zehn Bilder, fünf Videoclips und fünf Audiodateien. Das Modell liest sie in der Reihenfolge, in der du sie anhängst, also ordne sie so an, wie du dich auf sie beziehen willst: zuerst die Figur, dann die Kamerabewegung, die kopiert werden soll, dann eine Stimme. Dasselbe Gesicht, dasselbe Produkt, derselbe Raum, über jede Einstellung der Aufnahme hinweg gehalten — derselbe Reference-to-Video -Ablauf, der innerhalb einer einzigen Generierung läuft statt über getrennte Clips hinweg.

INPUT

Girl A — outfit

Girl B — outfit

Girl A — face

Girl B — face

PROMPT

A cinematic fashion blockbuster featuring two female protagonists, with an extremely fast pace and pure jump cut editing logic. Shot with the Arri Alexa 65 and Panavision anamorphic lenses, it captures the texture of Kodak Vision3 500T film, boasting 8K resolution and photo-realistic quality, with no text. The facial features of the characters are fully locked onto Girl A @Image1 and Girl B @Image2. [0-3 seconds: rapid entrance and contrast] (hard cut) A stark white minimalist space is sharply shadowed by intense side lighting. Left screen/left side: Girl A wears a black deconstructed leather suit, her eyes cold and elegant under the cold light, swiftly turning to look directly at the camera. Right screen/right side: Girl B wears a flowing champagne gold silk dress, her eyes languid under the warm light, swiftly turning to look directly at the camera. Real film graininess. [3-6 seconds: extreme close-up of material] (hard cut) Extremely close-up macro shot. Girl A's reference outfit @Image3: Cold light casts on the sharp creases of black leather and metal accessories, presenting a cold and high-end luster. Girl B's reference outfit @Image4: Warm light outlines the lines of her collarbone, with silk fabric flowing like water waves, and the skin exhibits a hyper-realistic translucent and hydrated texture, with visible fine hairs. [6-9 seconds: Tension Interlace (High-Speed Photography)] (Hard Cut) The two characters walk towards each other in a pure white space and pass by each other. High-speed photography (1000fps slow motion). The toughness of black leather collides violently with the softness of champagne silk in an instant of interlace, with skirt hems and hair flying in the air. In the zero-point-one second of interlace, their eyes meet sharply. [9-12 seconds: Back-to-back pressure] (Hard cut) The two stand back-to-back. Strong rim lighting simultaneously outlines their facial contours and highlights the golden edges of their hair. They simultaneously turn their heads quickly and look directly at the camera. Their expressions exude a strong sense of pressure, professionalism, and the confident aura of top supermodels. [12-15 seconds: Relaxation and freeze] (Hard cut) The two people stand side by side, slightly tilting their heads to look at each other, revealing a contagious, relaxed, and confident smile. The camera slowly zooms out, revealing the perfect proportions of the two people in the grand light and shadow space, and the image gradually fades in a high-end glow. Camera movement: Quick handheld panning, rapid zooming, high-speed photography in slow motion, pure hard cuts, without fancy visual effects. Color: High-contrast black, white, and gray tones, embellished with cool metallic luster and warm champagne gold, with film-grade color grading.

OUTPUT VIDEO

0:15

Synchroner Ton

Der Ton entsteht mit dem Bild und wird nicht nachträglich daruntergelegt, deshalb landet der Dialog auf dem Mund und der Schritt auf dem Schritt. Beschreib, was hörbar sein soll, mit derselben Sorgfalt, die du dem widmest, was sichtbar sein soll — das Modell liest auch diese Hälfte des Briefings, und es kostet nichts extra. Schalt ihn aus, wenn du eine stumme Vorlage willst, die du selbst vertonst.

Erstes & letztes Bild

Gib Wan 3.0 das Bild, mit dem du öffnen willst, und das Bild, auf dem du landen willst, und es baut die Bewegung dazwischen. Es ist der Image-to-Video -Fall mit beiden Enden festgenagelt statt nur einem. Nützlich, wenn beide Endpunkte feststehen und nur der Weg dazwischen offen ist — ein Produkt, das in einer bestimmten Position enden muss, ein Match Cut in die nächste Einstellung, ein Logo-Lockup, das genau dort sitzen muss, wo der Markenleitfaden es vorschreibt.

INPUT

First frame

Last frame

PROMPT

【One-Take, Slow Aesthetic Camera, No Cuts, 15-Second Long Take — Rock-Color Painting Mineral Pigment Texture Meets 3D Rendering, Azure Blue × Gilded Gold Color Clash】 Global Settings: Chinese rock-color painting aesthetic with visible mineral pigment grain texture and gold leaf accents. Strong contrasting palette of azure blue and gilded gold. The scene is West Lake at dawn in thin mist: the lake surface rendered in matte azure-blue washes, golden morning light piercing through cloud layers to form Tyndall light beams. In the distance, the stone pagodas of Three Pools Mirroring the Moon and Leifeng Pagoda emerge faintly through the fog. In the foreground, lotus leaves and lotus blossoms. The central figure is Xizi, the Water Goddess of West Lake: rendered in rock-color painting texture, with an oval face, willow-leaf eyebrows, phoenix eyes, a vermillion floral mark at the center of her brow, skin like mutton-fat jade glowing with a soft luminescence, and a pale golden halo floating behind her head. Her hair is swept up in a high bun adorned with a single gilded gold lotus hairpin. Her skirt and flowing shawl are composed entirely of living lake water, gradient azure blue, with a shimmering, rippling surface. Audio & Sound Design: Background features gentle guzheng and bamboo flute. Ambient sound includes subtle water ripples and early morning birdsong. Starting at the 8-second mark, an ethereal, tender female voice slowly recites: "If I compare West Lake to the fair Xizi—" The second line follows during the glance-back segment: "Light or heavy makeup, she is always beautiful." The delivery is slow, with a slight reverb, leaving a lingering resonance. [0-3s: A Water Drop] Extreme close-up, macro shot. At the edge of a lotus leaf at dawn, a water droplet gathers, plump and full, reflecting golden morning light, then slowly falls. The camera follows the droplet with a tilt down as it drops into the lake, triggering a ring of gold-and-blue ripples that expand outward in concentric layers. [3-7s: Water Takes Shape] At the center of the ripples, the lake water slowly rises and gathers into the form of the goddess Xizi: the water transforms into her azure-blue skirt and translucent shawl, with fine streams of water flowing and swirling around her body. She rises slowly from the center of the lake, her eyes gently closed, then slowly opening. The gilded gold lotus hairpin glows with a faint light. The camera slowly orbits her half-lowered eyes and the skirt woven from flowing water. [7-11s: One Step, One Lotus] She walks barefoot across the lake surface, each step sending out a ring of golden ripples from beneath her feet, lotus blossoms blooming one after another within the ripples. The camera pulls back to a medium-wide shot: the thin mist parts, and in the distance the three stone pagodas of Three Pools Mirroring the Moon light up with warm glow, Leifeng Pagoda emerges in the morning light, and willow branches along the shore brush the water. At the 8-second mark, the female voiceover begins: "If I compare West Lake to the fair Xizi—" Her shawl trails a long streak of gold-and-blue water light behind her. [11-15s: The Glance Back · Always Beautiful] She stops and looks back over her shoulder toward the camera. The camera slowly pushes in to a half-body close-up: morning light falls across her face, her water-woven shawl drifts gently at her side, a few luminous water droplets fall from her hair tips, dissolving into fine particles of light mid-air. The voiceover continues with the second line: "Light or heavy makeup, she is always beautiful." She smiles softly. Behind her, Leifeng Pagoda stands in the morning glow, with Three Pools Mirroring the Moon hazy in the distance. In the final second, the frame freezes completely on her glance-back close-up, locked into a perfect cinematic poster composition.

OUTPUT VIDEO

0:15

Figurenkonsistenz

Gesichter behalten ihre Züge über eine lange Aufnahme hinweg, statt zwischen Einstellungen zu driften. Kleidung, Requisiten und Ausstattung bleiben, wo sie waren. Referenzen sind der Hebel, den du dafür hast: Gib dem Modell das Gesicht, das Produkt oder den Raum, der gleich bleiben muss, und es trägt sie durch die gesamte Generierung.

INPUT

Product image

PROMPT

The lip gloss product image @Image1, generate a model lip color test video, 15 seconds, portrait orientation, highlighting the lip color effect

OUTPUT VIDEO

0:15

Präzises Video-Editing

Beschreib die Änderung in Klartext, und Wan 3.0 schreibt nur diesen Teil eines vorhandenen Clips um — ein Objekt entfernen, die Szene neu ausleuchten, ändern, was jemand tut — während alles andere genau so bleibt, wie es gedreht wurde. Wähl einen Zeitbereich und generiere nur diesen Abschnitt neu, oder verlängere Material, das du schon hast. Es deckt den Teil eines KI-Video-Editing-Ablaufs ab, den Timeline-Werkzeuge überhaupt nicht können: nicht das zu schneiden, was du gedreht hast, sondern zu ändern, was darin ist.

INPUT

Source clip

PROMPT

In Video 1, the man on the left is removed, and the surrounding background is used to fill the space naturally, while the rest of the characters, actions, and images remain unchanged.

OUTPUT VIDEO

0:05

ERSTE SCHRITTE

So erstellst du mit Wan 3.0

1
Wan 3.0 und deinen Ausgangspunkt wählen

Ein Prompt, ein erstes Bild oder ein Satz Referenzen. Startest du von einem Bild, lade es hoch unter Bild zu Video.

2
Häng alles an, was konsistent bleiben muss

Figurenbilder, eine Kamerabewegung zum Kopieren, eine Stimme zum Nachbilden. Zehn Bilder, fünf Clips, fünf Audiodateien.

3
Länge und Auflösung setzen, dann iterieren

Bleib bei 480p, solange du die Einstellung suchst. Ändere eine Sache, lass es erneut laufen, dann rendere neu in 1080p.

Bereit für dein erstes Video?

FAQ

Wan 3.0 ist Alibabas Videogenerierungsmodell, veröffentlicht 2026. Es beherrscht Text-, Bild- und referenzgetriebene Generierung in einem Modell, erzeugt Ton zusammen mit dem Bild und schreibt Teile vorhandenen Materials auf eine Anweisung in Klartext hin um.

Alles, was lang laufen und zusammenhalten muss — Produktvorführungen, Dialogszenen, Werbung im UGC-Stil, kurze erzählerische Stücke, Musikclips. Die Obergrenze von dreißig Sekunden und die Referenzkontrolle machen es eher für vollständige Szenen geeignet als für einzelne Einstellungen, die du hinterher zusammenschneiden willst.

Häng bis zu zwanzig Assets in einem Lauf an — zehn Bilder, fünf Videoclips, fünf Audiodateien — und sprich jedes im Prompt direkt an. Ein Bild legt die Figur fest, ein Clip liefert die Kamerabewegung, eine Audiodatei liefert die Stimme.

Verwende saubere, gut ausgeleuchtete Bilder, auf denen das Motiv das Bild füllt, und halte die Beschreibung dieses Motivs zwischen den Läufen identisch. Sprich jedes Asset ausdrücklich an, statt anzunehmen, das Modell werde schon erschließen, was was ist. Auch weniger Szenenwechsel innerhalb eines Laufs helfen der Referenz zu halten.

Ja. Beschreib die Änderung, und es schreibt diesen Teil um, während der Rest des Bildes so bleibt, wie er gedreht wurde — ein Objekt entfernen, die Szene neu ausleuchten, ändern, was jemand tut. Es kann vorhandenes Material auch verlängern, wobei Eingabe und Ausgabe zusammen bei dreißig Sekunden enden.

Ja — Gratis-Credits decken Wan-3.0-Läufe ab. Ein dreißigsekündiger 1080p-Clip gehört hier zu den schwereren Renders, fang beim Testen von Prompts also bei 480p an.

Videos mit Wan 3.0 erstellen

Dreißig Sekunden in einer Generierung, mit dem Ton schon drin — und bis zu zwanzig Referenzen, damit die Aufnahme vom ersten bis zum letzten Bild konsistent bleibt.