Zum Inhalt springen
Grok image
Deutsch
English简体中文繁體中文DeutschEspañolPortuguês

Wan 3.0

Wan 3.0 ist das Videomodell, das Alibaba Cloud als wan3.0-video über Model Studio verkauft und auf wan.video betreibt. Diese Seite stellt die Parameterreferenz des Anbieters neben die Einstellungen, die der Dienst dieser Seite für dasselbe Produkt zurückgibt, und dann neben das, was der Arbeitsbereich tatsächlich anhängen lässt, denn bei diesem Modell sind das drei verschiedene Zahlen.

Aktualisiert:

Wan 3.0

Wähle einen Modus, schreibe den Prompt und lies die veranschlagten Kosten, bevor du generierst.

Wan 3.0
AI-Video0
5s
2s15s

Generierte Inhalte erscheinen hier

Quellmaterial

Offizielles Material zu Wan 3.0

Bilder von der Verbraucherseite des Anbieters und seiner Cloud-Szenenseite, den einzigen zwei Oberflächen, die für dieses Modell generierte Ausgabe liefern. Vier der Clips, zu denen diese Bilder gehören, sind weiter unten auf dieser Seite veröffentlicht.

Die Entwicklerdokumentation zu diesem Modell liefert überhaupt keine Ausgabemedien, jedes Bild hier stammt also stattdessen von der Verbraucher- oder der Cloud-Szenenseite. Der Anbieter veröffentlicht für keinen dieser Clips einen Prompt, keinem Element wird also ein Prompt zugeschrieben, und die Bildrate dieser Webdateien wird nicht als Ausgaberate des Modells dargestellt.

Eine Frau in einem langen roten Kleid steht auf nassem Boden vor einem bemalten Kulissenhintergrund, am linken Bildrand sind ein Filmteam und Ausrüstung zu sehen Den Prompt lesen ↗

01 / Bild aus einem offiziellen Reel der Verbraucherseite

Ein Kostümdrama auf einem gebauten Set

WAN-Verbraucherseite ↗

Mit diesem Element veröffentlichter Prompt

Der Anbieter veröffentlicht für diesen Clip keinen Prompt

Diesen Prompt im Arbeitsbereich öffnen ↗

Der Anbieter veröffentlicht für keinen seiner Wan-3.0-Clips einen Prompt, hier wird also keinem Element ein Prompt zugeschrieben. Wo in einem Bild Text erscheint, ist er Teil der Szene, die der Anbieter veröffentlicht hat, und keine von dieser Seite hinzugefügte Beschriftung.

Zwei animierte Kämpfer in flachen, kräftigen Konturen, einer mit blauen Haaren und weißen Bändern, der andere mit gelber Kappe und grüner Jacke, tauschen vor rotem Hintergrund einen Schlag aus Den Prompt lesen ↗

02 / Bild aus einem offiziellen Reel der Verbraucherseite

Ein gezeichneter Kampf, über den Schnitt hinweg stimmig

WAN-Verbraucherseite ↗

Mit diesem Element veröffentlichter Prompt

Der Anbieter veröffentlicht für diesen Clip keinen Prompt

Diesen Prompt im Arbeitsbereich öffnen ↗

Der Anbieter veröffentlicht für keinen seiner Wan-3.0-Clips einen Prompt, hier wird also keinem Element ein Prompt zugeschrieben. Wo in einem Bild Text erscheint, ist er Teil der Szene, die der Anbieter veröffentlicht hat, und keine von dieser Seite hinzugefügte Beschriftung.

Eine blaue Plüschkreatur mit sehr weit geöffnetem Maul voller flacher Zähne und einem kleinen Plüschtier darin, fotografiert wie ein Stofftierprodukt vor einem Sternenhintergrund Den Prompt lesen ↗

03 / Bild aus einem Clip der offiziellen Cloud-Szenenseite

Plüschmaterial in einem Plüschuniversum

Alibaba-Cloud-Wan3.0-Szenenseite ↗

Mit diesem Element veröffentlichter Prompt

Der Anbieter veröffentlicht für diesen Clip keinen Prompt

Diesen Prompt im Arbeitsbereich öffnen ↗

Der Anbieter veröffentlicht für keinen seiner Wan-3.0-Clips einen Prompt, hier wird also keinem Element ein Prompt zugeschrieben. Wo in einem Bild Text erscheint, ist er Teil der Szene, die der Anbieter veröffentlicht hat, und keine von dieser Seite hinzugefügte Beschriftung.

Eine schwarze Kompaktkamera mit silbernem Objektivring, frontal vor einem schlichten cremeweißen Hintergrund fotografiert, mit weichem Schatten Den Prompt lesen ↗

04 / Bild aus einem Clip der offiziellen Cloud-Szenenseite

Eine sauber gerenderte Produktoberfläche

Alibaba-Cloud-Wan3.0-Szenenseite ↗

Mit diesem Element veröffentlichter Prompt

Der Anbieter veröffentlicht für diesen Clip keinen Prompt

Diesen Prompt im Arbeitsbereich öffnen ↗

Der Anbieter veröffentlicht für keinen seiner Wan-3.0-Clips einen Prompt, hier wird also keinem Element ein Prompt zugeschrieben. Wo in einem Bild Text erscheint, ist er Teil der Szene, die der Anbieter veröffentlicht hat, und keine von dieser Seite hinzugefügte Beschriftung.

Was Wan 3.0 ist, in den Worten des Anbieters

Alibaba Cloud präsentiert dieses Modell als einen einzelnen Endpunkt, der mehrere Wege der Videoerzeugung abdeckt. Die chinesische API-Referenz beginnt mit dem Satz "万相 3.0 是全能参考视频生成模型(All-in-One),统一支持 文生视频 、 图生视频 (首帧/首尾帧)和 参考生视频 等多种用法", also damit, dass Wan 3.0 ein All-in-One-Referenzvideomodell ist, das Text zu Video, Bild zu Video mit einem ersten Bild oder mit erstem und letztem Bild sowie Referenz zu Video abdeckt. Der englische Leitfaden nennt denselben Rahmen in Zahlen: "supports up to 30 seconds per generation, 30fps output frame rate, natively outputs dialogue, BGM, and sound effects, supports up to 20 multi-modal reference materials (images, videos, audio, documents, web pages) per request, and supports first frame/first-last frame control, video editing and extension".

Die Szenenseite auf der Website von Alibaba Cloud macht die Referenzaussage konkreter: "支持文本、图像、音频、视频四大模态输入,最高支持 20 个素材参考生成", also vier Eingabemodalitäten und bis zu zwanzig Referenzmaterialien. Die Verbraucherseite wan.video nennt in ihrem eigenen Banner dieselben Aussagen: native 30 Sekunden, bis zu 20 Referenzmaterialien mit Dokumenten- und Webseitenauswertung, pixelgenaue Konsistenz und präzise Videobearbeitung.

Alles in diesem Abschnitt ist beim Anbieter zitiert. Nichts auf dieser Seite ist eine Aussage von Alibaba Cloud, und diese Seite wurde von dort weder geprüft noch befürwortet.

Zitate bleiben in der Originalsprache des Anbieters, weil die Übersetzung einer Spezifikation einer der Wege ist, auf denen Zahlen abdriften. Chinesische Zitate stehen unverändert in Kurzzeichen.

Ein Endpunkt, sieben Aufgabentypen, und kein Wechsel dazwischen

Das ist der erste Punkt, den man richtig treffen muss, weil der Dienst dasselbe Modell anders darstellt. Der Anbieter liefert einen Modellnamen aus und routet intern. Der Leitfaden sagt es direkt: das Modell "covers all the following task types without switching model names", und es routet "based on the type field in input.media and the prompt intent". Die Aufgabentabelle in demselben Leitfaden führt sieben Aufgabentypen unter diesem einen Namen.

Das Routing ist kein Bequemlichkeitsmantel. Die Referenz merkt an, dass "type values of different task types cannot be mixed", ein Auftrag mit erstem und letztem Bild also nur first_frame und last_frame annimmt und nicht gleichzeitig einen Referenzaudioton mitführen kann. Welche Aufgabe du machst, entscheidet sich daran, was du anhängst, und die Anhänge entscheiden selbst, was sonst noch erlaubt ist.

Dieser Dienst geht den umgekehrten Weg und teilt den Endpunkt wieder auf. Sein Eintrag für dieses Produkt deklariert drei Modi — Text zu Video, Bild zu Video und Referenz zu Video — mit drei getrennten Aufgabennamen dahinter. Zwei der sieben Aufgabentypen des Anbieters überstehen diese Teilung als vollwertige Modi; einer, erstes und letztes Bild, wird als zweites Bild in Bild zu Video aufgenommen; und vier werden überhaupt nicht deklariert, dort sitzen Datei- und Webseitenreferenz, Videobearbeitung und Videoerweiterung.

Es lohnt, genau zu sagen, was das kostet. Wer über die Suche nach Wan 3.0 video editing hierher kommt, findet kein Bearbeitungsformular, weil dieses Produkt keines deklariert und nicht, weil das Modell es nicht könnte.

Aufgabentyp, den der Anbieter dokumentiertWie er ausgelöst wirdAngegebene Grenzen
Text zu Videonur ein Prompt, keine MedienAuflösung, Seitenverhältnis und Dauer alle frei
Erstes Bild zu Videotype auf first_frame gesetztSeitenverhältnis wird als adaptive empfohlen
Erstes und letztes Bild zu Videofirst_frame und last_frame zusammenje ein Bild, strikt erstes und letztes Bild
Multimodale Referenzreference_image, reference_video oder reference_audio in beliebiger Kombinationbis zu 20 Materialien: 10 Bilder, 5 Clips, 5 Audios
Datei- oder Webseitenreferenztype file oder link, eines von beidenje eines, und beide lassen sich nicht kombinieren
Videobearbeitungein Referenzvideo plus eine Bearbeitungsanweisung im PromptVerhältnis adaptive, Dauer -1 empfohlen
Videoerweiterungein Referenzvideo plus eine Erweiterungsanweisungvorwärts, rückwärts oder in beide Richtungen

Was der Dienst dieser Seite für dasselbe Produkt veröffentlicht

Der Arbeitsbereich liest nicht die Dokumentation des Anbieters. Er liest den eigenen Dienstkatalog dieser Seite, der mit einem Eintrag pro Modell antwortet. Der Eintrag für diese Seite heißt Wan 3.0, liegt in der Familie, die der Katalog Wan nennt, und ist als verfügbar und aufrufbar markiert. Er deklariert drei Modi und trägt einen veröffentlichten Einstiegspreis von 6 Punkten pro Sekunde, mit der Abrechnungsart Parameter plus Dauer.

Ein Einstiegspreis ist kein Angebot. Der Server summiert die Kosten in Punkten für den Modus und die Einstellungen, die du wählst, bevor eine Aufgabe startet, und diese Summe ist die maßgebliche.

Modus, den der Dienst deklariertAufgabenname dahinterFelder im veröffentlichten Formular
text-to-videowan3.0-video-text-to-videoPrompt, Auflösung, Seitenverhältnis, Dauer
image-to-videowan3.0-video-image-to-videodie vier oben plus Referenzbilder, 1 bis 2
reference-to-videowan3.0-video-reference-to-videodie vier oben plus Referenzbilder 0 bis 10 und Referenzvideos 0 bis 5

Jeder Parameter, den der Dienst veröffentlicht, gegen die Tabelle des Anbieters gestellt

Die Parameterreferenz des Anbieters gibt diesem Endpunkt eine kleine Zahl von Feldern, und der Dienst veröffentlicht die meisten davon. Mehrere stimmen direkt überein, und zwei nicht.

Die Übereinstimmung bei der Dauer ist exakt, und der Anbieter nennt sie zweimal statt einmal. Die Parametertabelle gibt den Bereich, und die Leitfäden drucken dasselbe in einer Zusammenfassungszeile: Dauer gleich 2 bis 30 Sekunden oder minus eins für intelligente Dauer.

Der Anbieter veröffentlicht außerdem eine zweite Dauerregel, die im Formular gar kein Gegenstück hat. Wenn ein Video angehängt ist, sind Eingabe und Ausgabe zusammen auf 30 Sekunden begrenzt. Diese Grenze zeigt sich durchaus in der Preisbildung des Modus, und das ist das Thema eines späteren Abschnitts.

Es gibt in diesem Projekt außerdem eine dritte Quelle für Einstellungen, und sie ist hier falscher als auf jeder Seite, die diese Website bisher gebaut hat. Der Quellcode dieser Seite führt eine lokale Familientabelle, die nur dann benutzt wird, wenn der Dienst für ein Feld keinen Wert veröffentlicht. Für diese Familie deklariert sie einen Dauerbereich von 2 bis 15, Qualitätsstufen von 720p und 1080p ohne 480p, fünf Seitenverhältnisse ohne adaptive und ohne 21:9 mit einem Standard von 16:9, Audio standardmäßig aus und Rückfallkosten von 80. Der Anbieter und der Dienst sagen beide 30 Sekunden, beide sagen, dass 480p existiert, und beide setzen das Seitenverhältnis standardmäßig auf adaptive. Keiner dieser lokalen Werte wird herangezogen, weil der Dienst alle vier dieser Felder in seinem Formular veröffentlicht.

Die lokale Tabelle wird hier erwähnt, weil einer ihrer Werte nicht wirkungslos ist, und dieser eine ist der Grund, warum diese Seite existiert. Er wird zwei Abschnitte weiter unten behandelt.

EinstellungAPI-Referenz des AnbietersVeröffentlichtes Formular dieses Dienstes
DauerStandard 5, ganze Zahlen von 2 bis 30Standard 5, Minimum 2, Maximum 30
Dauer mit angehängtem VideoEingabedauer plus Ausgabedauer darf 30 Sekunden nicht überschreitennicht als Feld veröffentlicht; stattdessen ändert sich die Berechnungsgrundlage, siehe unten
Seitenverhältnisstandardmäßig adaptive, mit adaptive, 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16standardmäßig adaptive, mit adaptive, 16:9, 4:3, 1:1, 3:4 und 9:16
Auflösungsstufen1080P, 720P und 480P480p, 720p und 1080p
Auflösungsstandard1080P720p
Audioein Wahrheitswert, standardmäßig true, und das Umschalten kostet in beiden Fällen gleich vielkein Feld im Formular
Seedminus eins, oder 0 bis 2147483647kein Feld

Zwei Einstellungen, die der Dienst anders veröffentlicht: der Auflösungsstandard und das breite Bild

Das sind die zwei Stellen, an denen eine hier getroffene Wahl ein anderes Ergebnis liefert als dieselbe Wahl auf der Plattform des Anbieters, und beide sind sichtbar, bevor du etwas absendest.

Den Auflösungsstandard sollte man in Geld statt in Pixeln angeben, weil die für dieses Produkt veröffentlichte Preisliste sowohl auf die Auflösung als auch auf das Referenzmaterial bezogen ist. Für die Klasse ganz ohne Referenzmaterial lauten die veröffentlichten Sätze 6 Punkte pro Sekunde bei 480p, 12 bei 720p und 23 bei 1080p. Ein Fünf-Sekunden-Clip kostet also 60 Punkte beim Standard dieser Seite und 115 Punkte beim Standard des Anbieters.

Das Seitenverhältnis ist die engere der beiden Lücken und zugleich die leichter falsch zu lesende. Die Leitfäden von Alibaba Cloud drucken die Verhältnisliste als 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16, und die API-Referenz druckt dieselben sechs mit adaptive davor und als Standard benannt. Der Dienst veröffentlicht ebenfalls sechs Werte, aber seine sechs sind adaptive plus fünf, und 21:9 ist der, den er auslässt. Das eigene durchgerechnete Beispiel des Anbieters für Text zu Video beginnt mit einem Prompt, der Material im Format "20 秒超宽银幕" beschreibt, das Breitformat ist in seinem Material also keine Fußnote.

adaptive zu wählen ist nicht dasselbe wie 21:9 zu wählen. Adaptive heißt, das Modell wählt ein Verhältnis aus den Eingabemedien und der Absicht, und eine reine Textanfrage hat keine Eingabemedien zu lesen. Eine feste ultrabreite Ausgabe für einen Text-zu-Video-Auftrag lässt sich aus diesem Arbeitsbereich also nicht anfordern, und diese Seite behauptet nicht, dass sie auf einem anderen Weg erreichbar wäre.

EinstellungStandard des AnbietersStandard hierWas der Unterschied praktisch bedeutet
Auflösung1080P720pdie erste Generierung auf dieser Seite kostet ungefähr die Hälfte dessen, was dieselben Einstellungen bei 1080p kosten würden
Feste 21:9-Ausgabewählbarnicht wählbaradaptive kann einem breiten Eingang folgen, aber aus reinem Text lässt sich die Ausgabe nicht auf 21:9 festnageln

Wie eine Referenzanfrage bepreist wird, und was die Preisliste bepreist, das das Formular nicht senden kann

Dieses Produkt veröffentlicht eine Preisliste statt eines einzelnen Satzes, und es ist die detaillierteste auf dieser Seite. Fünfzehn Zeilen decken fünf Klassen von Referenzmaterial über drei Auflösungen ab. Zwei Dinge daran sollte man sorgfältig lesen, bevor sie jemanden überraschen.

Nichts in dieser Tabelle wird als Gesamtsumme dargestellt. Der Server liefert die Summe für deine Einstellungen, bevor eine Aufgabe startet, und das ist die einzige Zahl, die bindet.

  • Die Audio-Zeile bepreist eine Klasse, die dieses Formular nicht erzeugen kann. Referenz zu Video veröffentlicht zwei Anhangsfelder, Bilder und Videos, und nirgends ein Audiofeld. Für eine Anfrage, die sich hier nicht zusammenstellen lässt, existiert ein Satz.
  • Dieselben fünfzehn Zeilen hängen an allen drei Modi. Text zu Video hat überhaupt keine Anhangsfelder, und trotzdem werden ihm Sätze für vier Klassen von Referenzmaterial präsentiert, die es nicht annehmen kann.
  • Ein angehängtes Video ändert die Grundlage der Berechnung, nicht nur ihren Satz. Die eigene Routing-Tabelle des Dienstes gibt Text zu Video und Bild zu Video eine Grundlage von Ausgabesekunden und gibt Referenz zu Video eine Grundlage von Eingabe- plus Ausgabesekunden. Der Preisblock sagt dasselbe in Worten: eine Videoreferenz wird als der größere Wert aus der Länge des Eingabevideos und der Ausgabelänge berechnet, plus die Ausgabelänge.
  • Die letzte Regel ist die einzige Stelle, an der der Dienst den Anbieter exakt wiedergibt. Alibaba Cloud begrenzt eine Anfrage mit Videoeingabe so, dass Eingabedauer plus Ausgabedauer 30 Sekunden nicht überschreitet, und genau das macht eine Grundlage aus Eingabe plus Ausgabe überhaupt möglich.
Angehängtes Referenzmaterial480p720p1080p
keines6 Punkte pro Sekunde1223
Bilder61223
Audio61223
Video122345
gemischt122345

Referenzmaterialien: zwanzig veröffentlicht, fünfzehn auswählbar, weniger erreichbar

Drei Zahlen beschreiben dieselbe Fähigkeit, und sie sind nicht dieselbe Zahl. Die Schlagzeile des Anbieters lautet zwanzig multimodale Materialien pro Anfrage. Das Formular des Dienstes kann fünfzehn davon annehmen. Der Arbeitsbereich kann weniger als das senden, und der Grund liegt im eigenen Code dieser Seite und nicht in irgendetwas, das der Dienst veröffentlicht.

Das Ergebnis ist eine Leiter und keine einzelne Lücke: zwanzig dokumentiert, fünfzehn vom Formular angenommen, eine aus der Oberfläche erreichbar. Jede Sprosse dieser Leiter ist überprüfbar, und die letzte Sprosse ist die, die niemand aus der Lektüre des Anbieters oder des Katalogs vorhersagen würde.

Eine Falte lohnt die Aufzeichnung, weil sie zeigt, wie die beiden Mechanismen innerhalb eines Produkts zusammenstoßen. Der Audio-Schalter auf dieser Seite wird vom Formular des Dienstes entschieden, nach der Regel, dass der Arbeitsbereich ein Audio-Element nur rendert, wenn das Formular das Feld dafür trägt. Das Referenzbild-Limit auf demselben Bildschirm entscheidet stattdessen die lokale Tabelle. Zwei Bedienelemente in einem Formular antworten also auf zwei verschiedene Quellen, und für dieses Produkt widersprechen sie sich.

Nichts daran behauptet, das Modell sei schwächer als seine Dokumentation. Die Generierung ist vollständig; es fehlt der Weg, sie anzufordern. Diese Seite nennt die Grenzen und lässt die Routing-Frage, wo sie hingehört.

  1. Der Anbieter dokumentiert zwanzig Referenzmaterialien in einer Anfrage: bis zu 10 Bilder mit je 20 MB, bis zu 5 Videoclips mit je 100 MB und 15 Sekunden insgesamt, und bis zu 5 Audioclips mit je 15 MB und 15 Sekunden insgesamt, wobei die drei Arten in beliebiger Reihenfolge kombinierbar sind.
  2. Das Referenz-zu-Video-Formular des Dienstes veröffentlicht image_urls mit einem Maximum von 10 und video_urls mit einem Maximum von 5. Das sind fünfzehn, und es gibt kein Audiofeld, die fünf Audiomaterialien, die der Anbieter erlaubt, sind im Fähigkeitsblock des Katalogs deklariert und lassen sich nicht absenden.
  3. Der Arbeitsbereich rendert seinen Referenzbild-Uploader nur für die Modi Bild zu Video und erstes-und-letztes-Bild. Im Referenz-zu-Video-Formular rendert er überhaupt keinen Bild-Uploader, obwohl der Dienst ein Feld veröffentlicht, das zehn Bilder annimmt.
  4. Wo der Arbeitsbereich den Bild-Uploader tatsächlich rendert, begrenzt er die Auswahl auf eine Zahl, die aus der lokalen Rückfalltabelle stammt und nicht aus dem Dienst. Für diese Familie ist diese Zahl eins bei Bild zu Video und null bei Referenz zu Video. Bild zu Video nimmt also ein einziges Bild an, und die Methode mit erstem und letztem Bild des Anbieters lässt sich nicht ausdrücken.
  5. Der Referenzvideo-Eingang nimmt eine Datei an. Der Anbieter erlaubt fünf Clips, und der Dienst veröffentlicht ein Maximum von fünf.

Audio ist deklariert, standardmäßig an und hier nicht umschaltbar

Der Anbieter behandelt Audio als an und gibt ihm einen Schalter. Dieser Dienst deklariert Audio als erzeugt, standardmäßig an, mit einem Umschalter. Das Formular, das diese Seite tatsächlich liest, hat kein Audiofeld, es erscheint also kein Schalter — was bedeutet, dass der Standard das einzig verfügbare Verhalten ist.

Drei getrennte Tatsachen gelten gleichzeitig, und es lohnt, sie auseinanderzuhalten. Der Fähigkeitsblock des Katalogs für dieses Produkt sagt, Audio werde unterstützt, werde erzeugt, sei standardmäßig true und habe einen Umschalter. Die Parameterreferenz des Anbieters gibt Audio ebenfalls den Standard true und ergänzt, dass das Ein- oder Ausschalten in beiden Fällen gleich viel kostet, es gibt also keinen Preisgrund, eines vorzuziehen. Und die Referenz-zu-Video-Zeile deklariert weiterhin ein Audioreferenzlimit von fünf Clips, dieselbe Deklaration wie der Fähigkeitsblock.

Nichts davon erreicht den Bildschirm. Die für diesen Modus veröffentlichten Felder sind Prompt, Auflösung, Seitenverhältnis, Dauer, Bilder und Videos. Der Arbeitsbereich baut seine Bedienelemente aus diesem Formular, und er zeichnet einen Audio-Schalter nur, wenn das Formular ein Feld dafür enthält.

Die ehrliche Beschreibung ist nicht, dass der Ton aus ist. Sie lautet, dass der Ton an ist und sich hier nicht abschalten lässt, und dass die Referenzaudio-Hälfte derselben Fähigkeit keinen Zugang hat.

Audio-Oberfläche des AnbietersWas sie tutIm Formular dieses Dienstes vorhanden
audioTon in die Ausgabe aufnehmen, standardmäßig true, in beiden Fällen derselbe Preisnein
reference_audiobis zu fünf Audioclips mit insgesamt fünfzehn Sekunden als Referenz verwendenkein Feld, obwohl der Fähigkeitsblock das Limit von fünf Clips deklariert

Was andere Seiten zu diesem Begriff falsch machen

Für diese hier wurden fünf Seiten gemessen. Die meisten Abweichungen vom Anbieter sind gewöhnliche Drift, und eine ist interessanter als die übrigen, weil sie überhaupt keine falsche Zahl ist.

Die letzte Zeile ist die, die man stehen lassen sollte, statt sie zu klären. Ein Hinweis auf der Entwicklerseite von Alibaba Cloud sagt, der Parameter sei für dieses Modell veraltet und dürfe nicht verwendet werden, während die offizielle API-Referenz auf derselben Dokumentationsdomäne desselben Unternehmens ihn weiterhin in den Anfragekörpern führt, die Entwickler senden sollen. Diese Seite hält den Widerspruch fest und löst ihn nicht auf, weil hier nichts dazu in der Lage ist.

Die 4K-Behauptung ist die, die eine Entscheidung ändern würde, und sie ist eine einzelne Zeile in einem Nachschlagewerk statt eine Messung. Die eigene Parametertabelle des Anbieters listet drei Stufen und endet bei 1080P.

An diesem Seitensatz ist außerdem etwas informativer als jede einzelne Behauptung. Vier der fünf Seiten tragen überhaupt kein Videoelement, und die eine, die eines trägt, ist ein Enzyklopädieeintrag. Eine davon ist schlimmer als leer: die Modellseite eines Drittanbieter-API-Wiederverkäufers ist mit index, follow und elf Sprachalternativen markiert und rendert vierunddreißig Wörter Fließtext unter einer Überschrift zweiter Ebene, die "Something went wrong!" lautet.

BehauptungWo sie auftrittWas der Anbieter dokumentiert
Ein Gateway-Modellstring alibaba/wan-3.0eine Preisschrift eines Drittanbietersdie eigenen Modellnamen des Anbieters sind wan3.0-video und wan3.0-video-prime
Referenzclips und Audioclips mit je insgesamt 15 Sekundendieselbe Schrift, die die Grenzen des Anbieters korrekt liestbis zu 5 Clips mit insgesamt 15 Sekunden und 5 Audioclips mit insgesamt 15 Sekunden
Native 4K-Auflösungein Enzyklopädieeintrag480P, 720P und 1080P, mit 1080P als Standard
Ein Sekundenpreis, der nur als Rabattzahl genannt wirdDokumente auf der Community-Seite des Cloud-Anbieters selbstder Listenpreis gilt pro Sekunde und das Rabattfenster ist mit einem Enddatum angegeben
Der Parameter prompt_extend sei veraltetein Community-Artikel auf der Entwicklerseite des Cloud-Anbieters selbstdie offizielle API-Referenz zeigt prompt_extend in ihren eigenen Anfragebeispielen weiterhin auf true gesetzt

Was diese Galerie zeigt, und woher sie stammt

Die Entwicklerdokumentation des Anbieters zu diesem Modell trägt überhaupt keine generierte Ausgabe. Über alle sechs archivierten First-Party-Seiten hinweg gibt es kein einziges Videoelement und keine einzige Clipdatei; die Seiten sind Parametertabellen und Leitfäden, und was sie an Illustrationen tragen, sind Oberflächen-Screenshots. Die Ausgabe des Modells lebt stattdessen auf den zwei Verbraucheroberflächen, und beide mussten gerendert statt abgerufen werden, weil beide im Browser zusammengesetzt werden.

Zehn Clips wurden von diesen zwei Oberflächen geholt, und jeder einzelne ließ sich in voller Größe herunterladen. Vier werden hier als Clips veröffentlicht, ausgewählt, weil ihre Länge oder ihre Bewegung selbst der Beleg ist. Ein dreißigsekündiger Clip ist das einzige Element des Satzes, das die Länge erreicht, die die Schlagzeile des Anbieters behauptet, und er wird genau deshalb als Clip veröffentlicht. Ein fünfsekündiger Clip liegt bei der veröffentlichten Standarddauer und ist kurz genug, um ihn ganz zu veröffentlichen. Ein achtsekündiger Clip schneidet zwischen zwei kontrastierenden Aufbauten einer Szene, der Schnittwechsel ist also sichtbar statt beschrieben. Ein fünfzehnsekündiger Clip in 1080p trägt das Register, das der Anbieter digitale Information nennt, wo Produktoberflächen und saubere Oberflächen das Thema sind.

Sechs weitere Clips wurden zurückbehalten und stattdessen in Standbilder abgetastet: zwei lange Reels von der Startseite der Verbraucherseite mit ungefähr siebenundzwanzig und vierundvierzig Sekunden, dazu Clips in deutlich anderen Registern. Das Abtasten ist die ehrliche Behandlung eines Reels, weil ein Standbild einer Montage ein Standbild eines Moments darin ist, und die Bildunterschriften sagen, welcher Moment.

Eine Bildraten-Tatsache muss sorgfältig formuliert werden, um einen falschen Schluss zu vermeiden. Der Anbieter dokumentiert eine Ausgabe mit 30 Bildern pro Sekunde, und die zehn geholten Clips laufen mit 24, 25 und 30. Das sind Web-Auslieferungen und nicht Modellausgabe, die Bildrate ist also eine Eigenschaft dieser Dateien und wird nirgends auf dieser Seite als Beleg über das Modell verwendet.

Hier wird nichts einem einzelnen Modus zugeschrieben. Der Anbieter veröffentlicht neben keinem dieser Clips einen Prompt oder eine Parameterzeile, keine Bildunterschrift behauptet also, einer sei aus einem bestimmten Referenzmaterial, einer bestimmten Auflösung oder einer bestimmten Dauer entstanden. Wo eine Bildunterschrift erwähnt, dass ein Standbild zu einem Clip gegebener Länge gehört, wurde diese Länge aus der Datei gemessen.

Wie die Clips und Standbilder auf dieser Seite zu lesen sind

Das Material auf dieser Seite gehört dem Anbieter, und die Beschriftungen sagen das an jedem Element.

Wo auf dieser Seite ein Vergleich erscheint, stammen beide Hälften aus demselben Clip, die gezeigte Differenz ist also eine Veränderung innerhalb einer Generierung und nicht ein Unterschied zwischen zweien.

  • Hochgeladene Clips sind eingebunden statt verlinkt, und jede Bildunterschrift sagt, was mit ihnen geschehen ist: die Videobitrate wurde reduziert und Auflösung, Bildrate und Audiospur blieben erhalten.
  • Standbilder sind Bilder, die diese Seite aus veröffentlichten Clips abgetastet hat, und jede Bildunterschrift nennt die Stelle im Clip, aus der sie stammt. Es sind keine separaten Bilder, die der Anbieter herausgegeben hat.
  • Für keinen dieser Clips ist ein Prompt veröffentlicht. Jedes Galerieelement sagt das, statt einen Prompt zu tragen, den diese Seite erfunden oder dem Beispiel eines anderen Modells entlehnt hätte.
  • Die vier Clips werden wegen ihrer Dauer oder ihrer Bewegung veröffentlicht, und die Standbilder existieren, um Register zu zeigen, die die Clips in sichtbarer Größe nicht tragen könnten.

Beispiele

Dreißig Sekunden, vom Anbieter auf seiner Verbraucherseite veröffentlicht und hier ganz belassen, weil die Länge die geprüfte Behauptung ist. Dies ist der einzige für diese Seite geholte Clip, der die dreißig Sekunden erreicht, die die Schlagzeile des Modells nennt, und er ist eine einzige durchgehende Szene mit Dialog statt einer Montage. Die Audiospur ist in der transkodierten Datei vorhanden.

WAN-Verbraucherseite, am 2026-09-19 von cdn.wanxai.com geholt. Gemessen mit 30,05 Sekunden, 1280 mal 720, 24 Bilder pro Sekunde. Von 1,21 Mbps auf 1,40 Mbps transkodiert; Auflösung, Bildrate und Ton erhalten. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Acht Sekunden, in denen eine Szene aus zwei kontrastierenden Aufbauten gefilmt wird, veröffentlicht als Beleg für Konsistenz unter einem Schnitt. Zwei Figuren in wuchtiger Rüstung, ausschließlich von blauem praktischem Licht beleuchtet, bleiben über den Wechsel der Distanz hinweg stimmig, was die Eigenschaft ist, die die Seite des Anbieters behauptet und die ein Standbild nicht tragen kann.

WAN-Verbraucherseite, am 2026-09-19 von cdn.wanxai.com geholt. Gemessen mit 8,02 Sekunden, 1280 mal 720, 25 Bilder pro Sekunde. Von 3,34 Mbps auf 1,80 Mbps transkodiert; Auflösung, Bildrate und Ton erhalten. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Fünf Sekunden bei der veröffentlichten Standarddauer, ganz veröffentlicht, weil Wasser, Stoff und Tiere in einem Bild eine schwierige Kombination sind und fünf Sekunden kurz genug sind, um sie ohne Kürzung zu zeigen.

WAN-Verbraucherseite, am 2026-09-19 von cdn.wanxai.com geholt. Gemessen mit 5,02 Sekunden, 1280 mal 720, 30 Bilder pro Sekunde. Von 2,61 Mbps auf 1,62 Mbps transkodiert; Auflösung, Bildrate und Ton erhalten. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Fünfzehn Sekunden mit 1920 mal 1080, die höchste Auflösung in diesem Satz. Als Clip veröffentlicht, weil ihr Gegenstand Oberflächen statt Menschen sind: Produktformen, ein sauberer Hintergrund und ein Objekt frontal zur Kamera. Eine gerenderte Ausgabe, die wie ein Produktfoto wirkt, ist ein anderer Test als filmisches Material, und dies ist der einzige Clip hier, der ihn durchläuft.

Alibaba-Cloud-Wan3.0-Szenenseite, am 2026-09-19 von bailian-bmp-pre.oss-cn-hangzhou.aliyuncs.com geholt. Gemessen mit 15,00 Sekunden, 1920 mal 1080, 30 Bilder pro Sekunde. Von 4,94 Mbps auf 2,00 Mbps transkodiert; Auflösung, Bildrate und Ton erhalten. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Vorher

Vorher: Links zwei gerüstete Figuren aus der Distanz in einem weiten blau beleuchteten Raum, eine ausholend und eine zurückweichend; rechts dieselben zwei Figuren in enger Kadrierung, blau und weiß beleuchtet, eine eine leuchtende Klinge haltend

Nachher

Nachher: Links zwei gerüstete Figuren aus der Distanz in einem weiten blau beleuchteten Raum, eine ausholend und eine zurückweichend; rechts dieselben zwei Figuren in enger Kadrierung, blau und weiß beleuchtet, eine eine leuchtende Klinge haltend

Der eröffnende und der schließende Aufbau desselben achtsekündigen Clips, nebeneinander, sodass der Wechsel der Kadrierung ohne Abspielen der Datei zu lesen ist. Beide Figuren behalten über den Wechsel der Distanz hinweg ihr Rüstungsdetail, ihre Proportionen und ihre Blickrichtung, und genau darum geht es bei der Konsistenzbehauptung.

Von dieser Seite bei 2,0 und 6,8 Sekunden aus dem achtsekündigen Clip des Anbieters abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Ein Filmset von der Seite gesehen, mit Teammitgliedern, einer Angelrute und Lichtstativen um eine Frau im roten Kleid, die von der Kamera weggeht

Bei 6,7 Sekunden aus dem längeren der beiden Reels der Verbraucherseite abgetastet. Ein Behind-the-scenes-Register, inszeniert, als wäre es auf einem arbeitenden Set gefilmt.

Von dieser Seite aus dem Reel der Verbraucherseite des Anbieters abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Eine Darstellerin im roten Kleid von hinten in einem warm beleuchteten Theater, links eine zweite Figur in einer Bewegung, dahinter rote Vorhänge

Bei 22,9 Sekunden aus demselben Reel abgetastet. Das Register wechselt innerhalb einer Generierung, von der Set-Dokumentation zur Bühnenaufführung.

Von dieser Seite aus dem Reel der Verbraucherseite des Anbieters abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Ein Mann in dunkler Jacke und offenem Hemd richtet eine Pistole auf die Kamera, sein Gesicht ist nass, vor dunklem Hintergrund

Bei 24,1 Sekunden aus dem zweiten Reel der Verbraucherseite abgetastet. Low-key-Beleuchtung, bei der das Gesicht dennoch lesbar bleibt, was die schwierigere Hälfte dieses Looks ist.

Von dieser Seite aus dem Reel der Verbraucherseite des Anbieters abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Eine Person von hinten an einem Schreibtisch in einem sonnendurchfluteten Raum mit gemusterter Tapete und einem Fahrrad, daneben steht eine Katze auf dem Tisch

Bei 37,2 Sekunden aus demselben Reel abgetastet. Ein häusliches Interieur, in dem Licht durch das Fenster und Detail auf dem Tisch zusammenhalten müssen.

Von dieser Seite aus dem Reel der Verbraucherseite des Anbieters abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Eine stilisierte junge Figur mit langem hellem Haar sitzt auf einem Küchenboden und isst aus einer Dose, dahinter ein offener Kühlschrank mit gefüllten Regalen

Bei 17,0 Sekunden aus einem zwanzigsekündigen Clip der Verbraucherseite abgetastet. Ein gerendertes statt fotografisches Register, mit lesbaren Verpackungen und dichtem Produktdetail im Kühlschrank.

Von dieser Seite aus dem Clip der Verbraucherseite des Anbieters abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Ein Musiker in dunkler Kleidung spielt im starken Regen Geige, im Profil vor einem tief petrolfarbenen Hintergrund

Bei 3,9 Sekunden aus einem siebensekündigen Clip abgetastet. Wegen der Hände veröffentlicht: Bogen, Saiten und Finger bleiben aus der Nähe lesbar, während Regen das ganze Bild durchzieht.

Von dieser Seite aus dem Clip der Verbraucherseite des Anbieters abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Eine Frau in einem langen karmesinroten Umhang geht durch flaches Wasser, hinter ihr bewegen sich mehrere dunkle Pferde im Nebel

Bei 1,2 Sekunden aus dem fünfsekündigen Clip abgetastet. Kostüm, Wasser und Tiere zusammen in einem Bild, wo Stoff und Tierform am häufigsten abdriften.

Von dieser Seite aus dem Clip der Verbraucherseite des Anbieters abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Ein Darsteller in rotem Gewand sitzt bei Sonnenuntergang auf Sanddünen und spielt ein langhalsiges Saiteninstrument, dahinter Wüste und Wolken

Bei 17,0 Sekunden aus einem zwanzigsekündigen Clip der Cloud-Szenenseite abgetastet. Ein warmer Sonnenuntergangsverlauf über ein ganzes Bild, mit einem kleinen Objekt, das in seiner Mitte korrekt gehalten und gegriffen wird.

Von dieser Seite aus dem Clip der Alibaba-Cloud-Wan3.0-Szenenseite abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Eine schwarze Kompaktkamera frontal vor einem schlichten cremeweißen Hintergrund fotografiert, ihr Objektivring und ihre Räder scharf abgegrenzt

Bei 12,8 Sekunden aus dem fünfzehnsekündigen 1080p-Clip abgetastet. Eine Produktform auf nahtlosem Hintergrund, also genau die Oberfläche, die die eigene Seite des Anbieters als Ziel für dieses Modell hervorhebt.

Von dieser Seite aus dem Clip der Alibaba-Cloud-Wan3.0-Szenenseite abgetastet, am 2026-09-19. · Material von Drittanbietern. Die Rechte bleiben beim Anbieter; gezeigt mit Quellenangabe und ohne Anspruch auf Eigentum.

Häufige Fragen

Ist das die offizielle Wan-3.0-Seite?

Nein. Es ist eine Seite dieser Website über das Modell. Die eigenen Seiten des Anbieters werden durchgehend als Quellen genannt, und diese Seite wurde von Alibaba Cloud weder geprüft noch befürwortet.

Welche Modi kann ich hier ausführen?

Drei: Text zu Video, Bild zu Video und Referenz zu Video. Der Anbieter dokumentiert sieben Aufgabentypen für denselben Modellnamen, darunter Datei- und Webseitenreferenz, Videobearbeitung und Videoerweiterung, und dieses Produkt deklariert keinen dieser drei.

Warum nennt der Anbieter es ein Modell und diese Seite drei Modi?

Weil der Anbieter intern routet und dieser Dienst das nicht tut. Alibaba Cloud liefert einen Modellnamen aus und wählt die Aufgabe danach, was du anhängst und was dein Prompt verlangt. Der Katalog hier teilt denselben Endpunkt in drei wählbare Modi, was eine andere Form für dieselbe Fähigkeit ist.

Wie viele Referenzbilder und -videos kann ich anhängen?

Der Anbieter dokumentiert bis zu 10 Bilder und 5 Clips, dazu 5 Audioclips. Das Formular des Dienstes nimmt 10 Bilder und 5 Videos an und hat kein Audiofeld. Der Arbeitsbereich ist das enge Ende: sein Referenzvideo-Eingang nimmt eine Datei, und sein Referenz-zu-Video-Formular rendert überhaupt keinen Bild-Uploader.

Kann ich ein Video mit erstem und letztem Bild erstellen?

Nicht aus diesem Arbeitsbereich. Der Anbieter dokumentiert es als eigenen Aufgabentyp mit einem Bild für das erste und einem für das letzte Bild. Das Bild-zu-Video-Formular des Dienstes nimmt bis zu zwei Bilder an, unterscheidet aber nicht, welches welches ist, und der Arbeitsbereich begrenzt diesen Upload auf ein einziges Bild.

Kann ich eine feste 21:9-Ausgabe verlangen?

Nein. Die Verhältnisliste des Anbieters enthält 21:9, die dieses Dienstes nicht. adaptive zu wählen lässt das Modell die Proportionen eines Eingangs übernehmen, aber eine reine Textanfrage hat keinen Eingang, an den sie sich anpassen könnte, ein festes ultrabreites Bild lässt sich hier also nicht anfordern.

Der Anbieter hat 1080P als Standard. Was ist hier der Standard?

720p. Die API-Referenz des Anbieters nennt 1080P als Standard für diesen Endpunkt, das Formular dieses Dienstes nennt 720p. Der Unterschied zählt, weil die hier veröffentlichten Sätze auf die Auflösung ebenso wie auf das Referenzmaterial bezogen sind, und der Standard kostet etwa die Hälfte dessen, was der Standard des Anbieters kosten würde.

Warum hat die Preistabelle eine Audio-Zeile, wenn es kein Audiofeld gibt?

Genau das veröffentlicht der Katalog. Die Preistabelle deckt fünf Klassen von Referenzmaterial über drei Auflösungen ab, und eine dieser Klassen ist Audio, während das Formular für denselben Modus nur Bild- und Videofelder veröffentlicht. Dieselbe Tabelle hängt auch an Text zu Video, das überhaupt keine Anhangsfelder hat.

Kann ich den Ton abschalten oder Audio als Referenz anhängen?

Beides nicht aus diesem Formular. Der Fähigkeitsblock des Dienstes deklariert Audio als erzeugt und standardmäßig an mit einem Umschalter, und der Anbieter setzt Audio ebenfalls standardmäßig auf true und berechnet in beiden Fällen dasselbe. Das veröffentlichte Formular hat kein Audiofeld, und der Arbeitsbereich zeichnet ein Audio-Element nur, wenn das Formular eines enthält.

Was kostet es?

Der Server nennt es in Punkten für den Modus und die Einstellungen, die du gewählt hast, bevor die Aufgabe startet. Der Katalog veröffentlicht für dieses Produkt einen Einstiegspreis von 6 Punkten pro Sekunde sowie eine Preistabelle, die mit der Auflösung und mit dem Angehängten variiert. Ein angehängtes Video ändert zudem die Grundlage der Berechnung auf Eingabe- plus Ausgabesekunden.

Weiter entdecken