Alibaba · Tongyi Lab
Wan 3.0: Video AI 30 giây trong một lần xử lý, tích hợp âm thanh riêng
Wan 3.0 là trình tạo video AI tất-cả-trong-một của Alibaba. Mô hình này chuyển đổi câu lệnh, hình ảnh hoặc một tập hợp tham chiếu thành **độ dài bất kỳ từ 2 đến 30 giây** trong một yêu cầu duy nhất, độ phân giải lên đến 1080p và 30 fps, đồng thời kết xuất **đối thoại, âm nhạc và hiệu ứng âm thanh trong cùng một tác vụ**. Trên Popcraft, chi phí bắt đầu từ 11 credit mỗi giây.
Có mặt tại video studio, bảng Canvas và cổng kết nối MCP
- 2–30 giây
- độ dài bất kỳ, một lần xử lý
- 1080p 30 fps
- có cả các mức 480p và 720p
- 4 · 5 · 5 tham chiếu
- hình ảnh, clip, âm thanh
- 11 cr / giây
- ở 480p — 330 cho 30 giây
Thời lượng 30 giây gốc
Tính năng nổi bật đầu tiên của Alibaba: "khả năng kể chuyện trọn vẹn và tự do sáng tạo hơn" từ một lần xử lý 30 giây gốc. Thước phim mẫu phía trên tại sáu thời điểm khác nhau, cùng những gì hệ thống ghi nhận về các clip chúng tôi đã tạo cho trang này.
1s
6s
12s
18s
24s
29s| Yêu cầu | Kết quả | Thời gian xử lý |
|---|---|---|
| 30 giây · 1080p · chỉ văn bản | 30.02 giây · 1920×1080 · stereo | 5 phút 38 giây |
| 5 giây · 720p · chỉ văn bản | 5.04 giây · 1280×720 · stereo | 1 phút 37 giây |
| 3 giây và 10 giây · từ clip tham chiếu 6 giây | 3.02 giây và 10.03 giây · clip chỉ định chuyển động, không phải độ dài | ≈ 1 phút 25 giây mỗi clip |
Thời gian xử lý được tính từ lúc gửi đến lúc có tệp trên Popcraft vào tháng 9 năm 2026. Mọi clip đều khớp với yêu cầu trong vòng vài phần trăm giây, vì vậy số credit bạn thấy trước khi tạo chính là số credit bạn chi trả.
Trải nghiệm nhập vai: tính chân thực, kết cấu và thiết kế âm thanh
Theo lời Alibaba: "nâng tầm tính chân thực, kết cấu và thiết kế âm thanh". Ba thước phim, ba phong cách — người thật đóng, hoạt hình CG chất lượng điện ảnh, giả tưởng thương hiệu — mỗi phim là một yêu cầu, một cảnh quay liên tục 30 giây, với âm thanh được tạo đồng thời. Chỉ có câu lệnh là thay đổi.
Bức màn
Phim mẫu ở trên: một nghệ sĩ Kinh kịch từ gương phòng trang điểm, dọc theo hành lang hậu trường, qua bức màn nhung vào khán phòng lấp lánh đèn lồng. Tiếng trống dồn dập, tiếng chiêng vang lên, khán phòng hò reo.
Cáo chín đuôi
Một chú cáo chín đuôi chạy băng qua những mái nhà lấp lánh ánh đèn lồng, nhảy qua khoảng không khi những chiếc đèn lồng tản ra, lơ lửng trước vầng trăng tròn và đáp xuống tháp chuông khi đèn lồng của thành phố bay lên. Phong cách 3D đậm chất hội họa chỉ từ câu lệnh văn bản.
Máy bán hàng tự động
Một cô gái trong chiếc áo mưa màu vàng nhấn nút trong con hẻm mưa và bị hút qua lớp kính vào một thế giới đầy màu sắc, nơi một linh vật đưa cho cô một lon nước. Tiếng sủi bọt biến thành pháo hoa, và máy quay lùi dần ra lại con hẻm.
Mọi thước phim ở đây đều được hiển thị nguyên bản: không chỉnh sửa, không thêm nhạc. Bản nháp ở 480p tốn 330 credit mỗi clip; 1080p là 1,200.
Wan 3.0 là gì?
Wan 3.0 (万相 3.0) là mô hình video từ Tongyi Lab của Alibaba, ra mắt thử nghiệm từ ngày 6 tháng 8 năm 2026 và chính thức phát hành vào ngày 24 tháng 8. Alibaba gọi đây là **mô hình video tham chiếu tất-cả-trong-một**: một mô hình duy nhất cho văn bản-sang-video, hình ảnh-sang-video, kiểm soát khung hình đầu-cuối và tạo từ các tham chiếu hỗn hợp, thay vì dùng các mô hình riêng biệt cho từng tác vụ. Đây là mô hình chỉ qua API — không có trọng số mở — và Popcraft vận hành phiên bản "prime", phiên bản nhanh hơn trong hai tùy chọn mà Alibaba cung cấp.
Hướng dẫn Alibaba Cloud Model Studio và tài liệu API cho wan3.0-video; README kho lưu trữ chính thức của Wan 3.0; tóm tắt ra mắt cộng đồng nhà phát triển của Alibaba. Các khẳng định trên là của Alibaba; các phép đo trên trang này là của chúng tôi.
“Tạo ổn định lên đến 30 giây video cho mỗi yêu cầu, ở tốc độ 30 khung hình trên giây.”
Độ dài
“Xuất trực tiếp đối thoại, nhạc nền và hiệu ứng âm thanh — không cần lồng tiếng hậu kỳ.”
Âm thanh
“Sự nhất quán về ngoại hình nhân vật, trang phục, đạo cụ, môi trường và phong cách hình ảnh; các chuyển động máy quay đẩy, kéo, lia và bám sát.”
Sự nhất quán và máy quay
- Thời lượng 30 giây gốc“Khả năng kể chuyện trọn vẹn và tự do sáng tạo hơn.”Trên Popcraft: độ dài bất kỳ từ 2 đến 30 giây, trong một lần xử lý.
- Sáng tạo toàn diện (Omni-Creation)“Lên đến 20 tài sản tham chiếu, cùng khả năng phân tích tài liệu và trang web.”Trên Popcraft: 4 hình ảnh, 5 clip, 5 âm thanh. Phân tích tài liệu và trang web chưa khả dụng.
- Nhất quán đến từng pixel“Nâng cao độ tin cậy của kết quả cho quy trình sản xuất.”Trên Popcraft: có — xem các ảnh tĩnh bên dưới.
- Trải nghiệm nhập vai“Nâng tầm tính chân thực, kết cấu và thiết kế âm thanh.”Trên Popcraft: có — đối thoại, âm nhạc và hiệu ứng được tạo cùng hình ảnh.
- Chỉnh sửa video chính xác“Chỉnh sửa có khả năng kiểm soát tốt hơn để tăng hiệu quả sáng tạo.”Chưa có trên Popcraft — hãy sử dụng Seedance 2.5 hoặc Gemini Omni để chỉnh sửa hoặc mở rộng.
Sáng tạo toàn diện: hình ảnh, clip và âm thanh trong một câu lệnh
Tính năng nổi bật thứ hai của Alibaba — tạo từ đầu vào đa phương thức. Trên Popcraft, điều đó có nghĩa là **tối đa 4 hình ảnh, 5 video clip và 5 clip âm thanh trong một yêu cầu**, mỗi loại được gọi tên trong câu lệnh là Image 1, Video 1 hoặc Audio 1 theo thứ tự đính kèm. Nền tảng của Alibaba cũng phân tích được tài liệu và trang web; phần đó hiện chưa có trên Popcraft.
Chủ thể, sản phẩm và bối cảnh
Một bảng thiết kế nhân vật sẽ khóa khuôn mặt và trang phục; một ảnh sản phẩm sẽ khóa vật thể; một ảnh tĩnh địa điểm sẽ khóa bối cảnh. Mô hình giữ nguyên những gì có trong ảnh, vì vậy hãy mô tả rõ ràng các điểm thay đổi. Hai hình ảnh kèm câu lệnh "first frame" và "last frame" sẽ trở thành các khung hình chính (keyframes).
JPEG, PNG, WEBP hoặc BMP · 240 đến 8,000 px mỗi cạnh · 20 MB mỗi ảnh
Người phụ nữ từ Image 1 đi dọc theo con phố của Image 2 vào lúc hoàng hôn, máy quay bám theo bên cạnh cô. Giữ tóc, áo khoác và túi của cô ấy giống hệt như trong Image 1.
Chuyển động, máy quay và diễn xuất
Một clip sẽ đưa quỹ đạo máy quay, cách dàn cảnh và diễn xuất vào cảnh quay mới. Kết hợp nó với một hình ảnh và chủ thể của hình ảnh đó sẽ thực hiện chuyển động của clip trên bối cảnh của clip. Clip xác định chuyển động, không phải độ dài — thanh trượt sẽ đảm nhiệm việc đó.
MP4 hoặc MOV · 1 đến 15 giây mỗi clip và tổng cộng 15 giây · 100 MB mỗi clip
Người đàn ông từ Image 1 đứng giữa các cây cột. Đi theo chuyển động máy quay của Video 1 một cách chính xác: góc rộng thấp xoay về bên phải thành cận cảnh ba phần tư.
Âm sắc giọng nói hoặc nhịp điệu bản nhạc
Công thức của Alibaba: âm thanh mang lại giọng nói hoặc nhịp điệu, và lời thoại được viết trong câu lệnh; mô hình sẽ tạo ra tiếng nói và chuyển động miệng cùng lúc. Đây không phải là công cụ khớp miệng vào bản thu có sẵn — để làm việc đó, hãy dùng mô hình avatar như OmniHuman.
WAV hoặc MP3 · 1 đến 15 giây mỗi clip và tổng cộng 15 giây · 15 MB mỗi clip
Lấy âm sắc của Audio 1 và cho nhân vật nói: "Thật sao? Nghe tuyệt đấy — khi nào bạn quay lại?" Tiếng nói được tạo ra sẽ điều khiển chuyển động miệng tự nhiên.
Không trộn lẫn khung hình chính và tham chiếu. Hai hình ảnh được đánh dấu là khung hình đầu và cuối sẽ tự tạo thành một clip khung hình chính; mọi thứ khác — ảnh chủ thể, clip, âm thanh — có thể kết hợp tự do trong giới hạn trên.
Nhất quán đến từng pixel
Tính năng nổi bật thứ ba của Alibaba: "nâng cao độ tin cậy của kết quả cho quy trình sản xuất" — tài liệu mô tả là bảo toàn chi tiết nhân vật và tham chiếu qua các khung hình. Cùng một nghệ sĩ từ phim mẫu tại ba thời điểm, cách nhau 28 giây.
1 giây12 giây29 giâyCách viết câu lệnh cho Wan 3.0
Mô hình lập kế hoạch cho toàn bộ clip từ câu lệnh, vì vậy câu lệnh phải nói rõ đó là loại clip gì. Kết quả của chúng tôi luôn ổn định khi chúng tôi chỉ rõ tính liên tục — một cảnh quay không đứt đoạn, hoặc một danh sách các cảnh được đánh số. Phần còn lại sẽ tuân theo đó.
Yêu cầu "no cuts", sau đó căn thời gian các nhịp
Mở đầu bằng "one continuous take, no cuts, no transitions" (một cảnh quay liên tục, không cắt cảnh, không chuyển cảnh), chỉ định cho mỗi khoảng thời gian một hành động và một động từ máy quay, giữ một chủ thể chính duy nhất trong khung hình, và viết phần âm thanh thành một câu riêng. Phim mẫu được viết chính xác như thế này và kết quả trả về không có một vết cắt nào.
ONE CONTINUOUS TAKE, NO CUTS, NO TRANSITIONS, 30 s. Cinematic photoreal, high contrast. A Beijing-opera performer in painted-face makeup and a crimson-and-gold robe. 0–6 s: extreme close-up in a dressing-room mirror ringed with bulbs; she opens her eyes. 6–16 s: she walks down a narrow backstage corridor, stagehands flattening against the walls, the camera tracking backwards ahead of her as drums build. 16–24 s: she pushes through heavy red velvet curtains into blinding stage light; the camera swings behind her shoulder. 24–30 s: the reveal — a packed theatre under red lanterns; she raises one water-sleeve as a gong strikes. Sound: drums building, footsteps, the curtain rush, one gong, applause. No dialogue, no on-screen text.
- Gọi tên các tham chiếu
- Image 1, Video 1, Audio 1 — đánh số theo loại theo thứ tự đính kèm — và nói rõ mỗi thứ dùng để làm gì: "Image 1 là nhân vật; Video 1 là chuyển động máy quay".
- Điều khiển âm thanh
- Theo mặc định, mô hình tự viết đối thoại, âm nhạc và hiệu ứng. Hãy yêu cầu những gì bạn muốn — "tiếng mưa và tiếng tàu điện xa xăm, không có đối thoại" — hoặc tắt công tắc Audio để nhận tệp im lặng.
- Ưu tiên hình ảnh hơn mô tả
- Khi có hình ảnh, mô hình sẽ giữ những gì có trong đó. Đối với những thay đổi lớn — thời tiết, trang phục, bối cảnh khác — hãy mô tả sự thay đổi một cách rõ ràng thay vì kỳ vọng câu lệnh sẽ ghi đè lên hình ảnh.
- Tập trung vào một chủ thể chính
- Một nhân vật duy nhất, một quỹ đạo máy quay rõ ràng và cụm từ "no cuts" đã mang lại cho chúng tôi những cảnh quay sạch sẽ mọi lúc. Đám đông, bàn tay và các đạo cụ nhỏ là nơi bất kỳ mô hình video nào, kể cả mô hình này, cũng có thể bị lỗi nhẹ.
- Nháp rẻ, giao hàng đắt
- 480p sử dụng cùng một mô hình nhưng với giá bằng một phần tư so với 1080p. Hãy kiểm chứng câu chuyện ở mức 480p, sau đó kết xuất lại bản ưng ý ở mức 1080p với cùng câu lệnh và tham chiếu.
Wan 3.0 so với Seedance 2.5 so với Gemini Omni 1.1 Flash
Ba mô hình trên Popcraft đều tạo ra âm thanh cùng với hình ảnh. Thế mạnh của Wan là cảnh quay 30 giây rẻ nhất trên nền tảng và chủ thể bám sát tham chiếu; Seedance mạnh về số lượng tham chiếu, chỉnh sửa và mở rộng; Omni mạnh về 4K và 40 giây thông qua mở rộng. Hãy chọn tùy theo công việc.
| Khả năng | Wan 3.0 | Seedance 2.5 | Gemini Omni 1.1 Flash |
|---|---|---|---|
| Clip dài nhất từ một yêu cầu | 30 giây trong một lần xử lý | 30 giây | 40 giây bằng cách mở rộng cảnh (30 giây ở 4K) |
| Độ phân giải | 480p / 720p / 1080p ở 30 fps | Lên đến 1080p | Từ nháp 360p đến 4K |
| Âm thanh gốc | Đối thoại, âm nhạc, hiệu ứng; có thể tắt | Có | Tiếng nói, âm nhạc, hiệu ứng âm thanh |
| Hình ảnh tham chiếu | Tối đa 4 | Tối đa 30 | Tối đa 10 |
| Video tham chiếu | Tối đa 5, tổng cộng 15 giây | Tối đa 10 | Tối đa 3 |
| Âm thanh tham chiếu | Tối đa 5, tổng cộng 15 giây | Tối đa 10 | — |
| Chỉnh sửa hoặc mở rộng clip | — (sử dụng Seedance 2.5 hoặc Omni) | Chỉnh sửa; mở rộng trước hoặc sau | Chỉnh sửa; mở rộng theo từng đoạn 10 giây |
| Một bản nháp 30 giây | 330 credit ở 480p | Theo giây, tùy độ phân giải | 150 credit ở 360p |
Số liệu của Wan lấy từ hướng dẫn Model Studio của Alibaba; các giới hạn trên Popcraft là những gì bộ chọn hiển thị hiện nay. Giới hạn của nhà cung cấp có thể thay đổi; bộ chọn luôn hiển thị những gì đang khả dụng. So sánh đầy đủ: Seedance 2.5 · Gemini Omni 1.1 Flash.
Giá Wan 3.0 trên Popcraft
Tính phí **theo giây kết quả**, tùy theo độ phân giải. Đính kèm tham chiếu là miễn phí. Vì độ dài kết quả khớp với yêu cầu, giá hiển thị trước khi bạn tạo chính là giá bạn phải trả.
Mọi gói đều bao gồm credit; trang bảng giá liệt kê tỷ giá hiện tại cho tất cả các mô hình. Bản tải xuống của gói miễn phí sẽ có dấu mực (watermark) Popcraft, gói trả phí sẽ loại bỏ dấu này.
Các trường hợp sử dụng Wan 3.0 theo Alibaba
Ba kịch bản trong tài liệu ra mắt của chính Alibaba, và cách thực hiện chúng trên Popcraft.
- 01
Nội dung video ngắn: kịch tính hóa cốt truyện và teaser quảng cáo
Kịch bản giải trí của Alibaba. Lên đến 30 giây kể chuyện đa cảnh quay từ một câu lệnh, bao gồm cả âm thanh.
- 02
Thương mại điện tử: giới thiệu sản phẩm từ hình ảnh có sẵn
Kịch bản thương mại điện tử của Alibaba — "tải lên ảnh sản phẩm kèm mô tả, nhận ngay một video giới thiệu sinh động". Đính kèm ảnh dưới dạng Image 1.
- 03
Giáo dục: mô phỏng kịch bản tình huống
Kịch bản giáo dục của Alibaba — một buổi tư vấn bác sĩ hoặc cuộc gọi hỗ trợ được dàn dựng từ câu lệnh, với đối thoại được tạo tự động.
- 04
Nháp ở 480p, giao hàng ở 1080p
Phần bổ sung của Popcraft: 11 credit một giây ở 480p giúp bản nháp 30 giây chỉ tốn 330 credit trước khi bạn quyết định kết xuất ở 1080p.
Wan 3.0 — các câu hỏi thường gặp
Mô hình video tất-cả-trong-một của Alibaba từ Tongyi Lab, ra mắt thử nghiệm từ ngày 6 tháng 8 năm 2026 và chính thức phát hành vào ngày 24 tháng 8. Một mô hình duy nhất bao quát văn bản-sang-video, hình ảnh-sang-video, kiểm soát khung hình đầu-cuối và tạo từ đa tham chiếu, sản xuất độ dài từ 2 đến 30 giây trong một lần xử lý ở tốc độ 30 fps, đồng thời tạo đối thoại, nhạc nền và hiệu ứng âm thanh cùng với hình ảnh.
Bất kỳ số giây nguyên nào từ 2 đến 30, trong một lần xử lý — không cần chuỗi mở rộng, không cần ghép nối. Trên Popcraft, bạn đặt độ dài trên một thanh trượt và tệp nhận được sẽ khớp với yêu cầu; trong các thử nghiệm của chúng tôi, mọi clip đều trả về trong vòng vài phần trăm giây so với độ dài yêu cầu, và bạn trả tiền chính xác cho số giây đó.
Mặc định là có. Hướng dẫn của Alibaba cho biết mô hình "xuất trực tiếp đối thoại, nhạc nền và hiệu ứng âm thanh" và cho phép bạn chỉ định lời thoại cũng như âm thanh trong câu lệnh. Công tắc Audio trên Popcraft cho phép tắt tính năng này, và clip được tạo khi tắt sẽ không có rãnh âm thanh nào.
Đính kèm tối đa 4 hình ảnh, 5 video clip và 5 clip âm thanh và gọi tên chúng trong câu lệnh là Image 1, Video 1, Audio 1, v.v., đánh số theo loại trong thứ tự bạn đính kèm. Hình ảnh mang lại nhân vật, vật thể hoặc bối cảnh; video mang lại chuyển động và máy quay; âm thanh mang lại giọng nói hoặc nhịp điệu. Video bị giới hạn tổng cộng 15 giây và âm thanh cũng vậy. Hai hình ảnh kèm câu lệnh "first frame" và "last frame" sẽ trở thành các khung hình chính, và không thể trộn lẫn khung hình chính với các tham chiếu khác.
Đó chính là mục đích xây dựng mô hình này. Alibaba liệt kê sự nhất quán về ngoại hình nhân vật, trang phục, đạo cụ và môi trường là một khả năng then chốt. Trong các thử nghiệm của chúng tôi, một bảng nhân vật đã giữ nguyên danh tính qua chuyển động máy quay của clip tham chiếu, một ảnh sản phẩm vuông được tái tạo trung thực trong khung hình 16:9, và một nhân vật duy nhất được duy trì suốt cảnh quay 30 giây. Wan 3.0 ưu tiên hình ảnh bạn cung cấp — đối với những thay đổi sáng tạo lớn so với tham chiếu, hãy mô tả chúng rõ ràng.
Hiện chưa có trên Popcraft. Wan 3.0 sử dụng clip đính kèm như một tham chiếu cho chuyển động, máy quay và chủ thể; để mở rộng hoặc chỉnh sửa cảnh quay, hãy sử dụng Seedance 2.5 hoặc Gemini Omni 1.1 Flash, tất cả đều có bảng Mở rộng Video (Extend Video).
Alibaba mô tả các tham chiếu âm thanh là để lấy âm sắc giọng nói và nhịp điệu bản nhạc, với lời thoại được viết trong câu lệnh; mô hình sau đó sẽ tạo ra tiếng nói và chuyển động miệng cùng nhau. Đây không phải là công cụ khớp miệng vào bản thu sẵn. Đối với clip nói chuyện được điều khiển bởi một bản thu âm cụ thể, hãy sử dụng mô hình avatar như OmniHuman.
Wan 3.0 được tính phí theo giây kết quả: 11 credit ở 480p, 20 ở 720p và 40 ở 1080p. Một bản nháp 30 giây ở 480p tốn 330 credit; cùng clip đó ở 1080p là 1,200. Mọi độ dài và độ phân giải đều hiển thị giá trước khi bạn tạo, và bản tải xuống của gói miễn phí có dấu mực Popcraft, gói trả phí sẽ loại bỏ dấu này.
Ba mươi giây, một yêu cầu. Hãy thử ở mức 480p trước.
Tạo bản nháp với 330 credit, đánh giá cốt truyện, sau đó kết xuất bản ưng ý ở 1080p — hoặc kết hợp một bảng nhân vật với một clip và để chúng hòa quyện.
Tiếp tục khám phá
Mô hình liên quan
Seedance 2.5 tạo video dài tới 30 giây trong một tác vụ duy nhất, hỗ trợ tới 50 tài nguyên tham chiếu, chỉnh sửa video có thể kiểm soát, mở rộng thời gian với độ trung thực cao, mọi tỷ lệ khung hình từ 0,4 đến 2,5 và tạo câu lệnh gốc bằng hơn 10 ngôn ngữ. Đã có trên Popcraft.
Gemini Omni 1.1 Flash là mô hình video của Google, tạo và chỉnh sửa video từ mọi đầu vào. Kéo dài cảnh lên đến 40 giây, đầu ra 1080p và 4K, nội suy khung hình đầu và cuối, tối đa 10 ảnh tham chiếu, cùng giọng nói, nhạc và hiệu ứng âm thanh được tạo đồng bộ với hình ảnh. Đã có trên Popcraft.
MiniMax H3 tạo video 2K 24fps với âm thanh stereo đồng bộ — hiệu ứng, tiếng nền và hội thoại trong một lần chạy. Đa cảnh từ một prompt, 5 đến 15 giây, kiểm soát khung đầu và cuối. Đã có trên Popcraft.
Tạo video điện ảnh 4K từ văn bản, hình ảnh hoặc clip với Seedance 2.0 trên Popcraft. Âm thanh đồng bộ native, chuỗi đa cảnh quay và chi tiết sắc nét đến từng chân tơ ở mức lên đến 4K (2160p).