Alibaba запустила публичную бету новой модели генерации видео Wan 3.0. Модель умеет создавать ролики со звуком длительностью до 30 секунд в разрешениях 480p, 720p и 1080p, лучше сохраняет персонажей и сцену на длинной дистанции и поддерживает «омни-референсi» — на вход можно подавать не только текст и изображения, но и аудио, видео, документы и веб-страницы.

Это важно, потому что Wan 3.0 заметно расширяет возможности AI-видео: помимо обычного text-to-video и image-to-video, модель может продолжать уже готовый ролик, автоматически подбирать длительность и переносить в результат конкретные атрибуты — лицо, голос, одежду, логотипы, стиль — из референсных материалов, включая офисные файлы и презентации.

• Модель уже доступна в Alibaba Cloud Model Studio, сервисе Wanjing Yike, на китайском сайте Wanxiang и в десктопном приложении Qwen Creation (доступ раздаётся постепенно); по данным «Нейронавт», также через Qwen Cloud, скоро — на wan.video, но пока только для участников
• API с идентификатором wan3.0-videoi внесён в каталоги регионов Beijing и Singapore, но помечен как invitation testingi; полностью открытый API Alibaba обещает позже
• Цены на API за секунду видео у источников расходятся: по данным «Метаверсище и ИИще» — $0.04 (480p), $0.08 (720p), $0.17 (1080p); по данным «Нейронавт» — $0.05 (480p), $0.10 (720p), $0.20 (1080p)
• Максимальный 30-секундный ролик по первой ценовой схеме стоит примерно $1.25 в 480p, $2.50 в 720p и около $5 в 1080p
• При использовании видео-референса Alibaba считает длительность и загруженного, и сгенерированного видео: пример — 10-секундный референс плюс 30-секундный результат в 1080p обойдутся примерно в $6.70
• Модель принимает текст, изображения, аудио, видео и документы (DOC, XLS, PPT, PDF, TXT, Keynote, Pages, Numbers, Markdown) объёмом до 100 МБ и 50 страниц, а также умеет извлекать контекст из веб-страниц и сложных изображений
• Wan 3.0 переносит из референсов лицо, причёску, телосложение, одежду, аксессуары, голос, логотипы, материалы предметов, расположение персонажа относительно камеры и общий визуальный стиль