Qué es Wan 3.0, en palabras del editor
Alibaba Cloud presenta este modelo como un único endpoint que cubre varias maneras de hacer vídeo. La referencia de API en chino abre con la frase "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", es decir, que Wan 3.0 es un modelo de vídeo de referencia todo en uno que cubre texto a vídeo, imagen a vídeo con un primer fotograma o con primer y último fotograma, y referencia a vídeo. La guía en inglés enuncia el mismo alcance en cifras: "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".
La página de escenarios del propio sitio de Alibaba Cloud concreta más la afirmación sobre la referencia: "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", cuatro modalidades de entrada y hasta veinte materiales de referencia. El sitio de consumo wan.video enumera las mismas afirmaciones en su propio encabezado: 30 segundos nativos, hasta 20 materiales de referencia con lectura de documentos y páginas web, consistencia a nivel de píxel y edición de vídeo precisa.
Todo lo de esta sección está citado del editor. Nada de esta página es una declaración de Alibaba Cloud, y esta página no ha sido revisada ni respaldada por ellos.
Las citas se dejan en el idioma original del editor, porque traducir una especificación es una de las vías por las que las cifras se desvían. Las citas en chino se reproducen sin convertir los caracteres simplificados.
Un endpoint, siete tipos de tarea y ningún cambio entre ellos
Esto es lo primero que hay que acertar, porque el servicio presenta el mismo modelo de otra manera. El editor publica un solo nombre de modelo y enruta internamente. La guía lo dice directamente: el modelo "covers all the following task types without switching model names", y enruta "based on the type field in input.media and the prompt intent". La tabla de tareas de esa misma guía enumera siete tipos de tarea bajo ese único nombre.
El enrutado no es una capa de comodidad. La referencia señala que "type values of different task types cannot be mixed", así que una petición de primer y último fotograma solo acepta first_frame y last_frame y no puede llevar a la vez un audio de referencia. Qué tarea haces lo decide lo que adjuntas, y los propios adjuntos deciden qué más está permitido.
Este servicio toma el camino contrario y vuelve a dividir el endpoint. Su entrada para este producto declara tres modos — texto a vídeo, imagen a vídeo y referencia a vídeo — con tres nombres de tarea distintos detrás. Dos de los siete tipos de tarea del editor sobreviven a esa división como modos de pleno derecho; uno, el de primer y último fotograma, queda absorbido en imagen a vídeo como segunda imagen; y cuatro no se declaran en absoluto, que es donde están la referencia de archivo y página web, la edición de vídeo y la extensión de vídeo.
Merece la pena precisar qué cuesta eso. Quien llegue buscando Wan 3.0 video editing no encontrará aquí un formulario de edición, porque este producto no declara ninguno, no porque el modelo no pueda hacerlo.
| Tipo de tarea que documenta el editor | Cómo se activa | Límites indicados |
| Texto a vídeo | solo un prompt, sin material | resolución, relación de aspecto y duración libres |
| Primer fotograma a vídeo | type ajustado a first_frame | relación de aspecto recomendada como adaptive |
| Primer y último fotograma a vídeo | first_frame y last_frame juntos | una imagen para cada uno, estrictamente primero y último fotograma |
| Referencia multimodal | reference_image, reference_video o reference_audio en cualquier combinación | hasta 20 materiales: 10 imágenes, 5 clips, 5 audios |
| Referencia de archivo o página web | type file o link, uno de los dos | uno de cada, y los dos no se pueden combinar |
| Edición de vídeo | un vídeo de referencia más una instrucción de edición en el prompt | relación adaptive, duración -1 recomendada |
| Extensión de vídeo | un vídeo de referencia más una instrucción de extensión | hacia delante, hacia atrás o en ambos sentidos |
Qué publica el servicio de este sitio para el mismo producto
El espacio de trabajo no lee la documentación del editor. Lee el catálogo de servicio de este sitio, que responde con una entrada por modelo. La entrada de esta página se llama Wan 3.0, está en la familia que el catálogo llama Wan y figura como disponible y ejecutable. Declara tres modos y lleva un precio de partida publicado de 6 puntos por segundo, con la modalidad de facturación etiquetada como parámetros más duración.
Un precio de partida no es un presupuesto. El servidor suma el cargo en puntos para el modo y los ajustes que elijas antes de que empiece una tarea, y ese total es el que cuenta.
| Modo que declara el servicio | Nombre de tarea detrás | Campos del formulario publicado |
| text-to-video | wan3.0-video-text-to-video | prompt, resolución, relación de aspecto, duración |
| image-to-video | wan3.0-video-image-to-video | los cuatro anteriores más imágenes de referencia, 1 a 2 |
| reference-to-video | wan3.0-video-reference-to-video | los cuatro anteriores más imágenes de referencia 0 a 10 y vídeos de referencia 0 a 5 |
Cada parámetro que publica el servicio, contrastado con la tabla del editor
La referencia de parámetros del editor da a este endpoint un conjunto pequeño de campos, y el servicio publica la mayoría de ellos. Varios coinciden sin más, y dos no.
La coincidencia en la duración es exacta, y el editor la enuncia dos veces en lugar de una. La tabla de parámetros da el rango, y las guías imprimen lo mismo en una línea de resumen: duración igual a 2 o 30 segundos, o menos uno para duración inteligente.
El editor publica además una segunda regla de duración que no tiene ninguna contrapartida en el formulario. Cuando hay un vídeo adjunto, la entrada y la salida juntas quedan limitadas a 30 segundos. Ese límite sí aparece en cómo se tarifa el modo, que es el tema de una sección posterior.
En este proyecto hay además una tercera fuente de ajustes, y aquí está más equivocada que en cualquier página que este sitio haya construido antes. El código fuente de este sitio lleva una tabla de familia local que solo se usa cuando el servicio no publica ningún valor para un campo. Para esta familia declara un rango de duración de 2 a 15, niveles de calidad de 720p y 1080p sin 480p, cinco relaciones de aspecto sin adaptive y sin 21:9 con un valor por defecto de 16:9, audio desactivado por defecto y un coste de reserva de 80. El editor y el servicio dicen ambos 30 segundos, ambos dicen que 480p existe y ambos ponen la relación de aspecto por defecto en adaptive. No se consulta ninguno de esos valores locales, porque el servicio publica los cuatro campos en su formulario.
La tabla local se menciona aquí porque uno de sus valores no es inerte, y ese es la razón de que exista esta página. Se trata dos secciones más abajo.
| Ajuste | Referencia de API del editor | Formulario publicado de este servicio |
| Duración | por defecto 5, enteros de 2 a 30 | por defecto 5, mínimo 2, máximo 30 |
| Duración con un vídeo adjunto | la duración de entrada más la de salida no debe superar los 30 segundos | no se publica como campo; en su lugar cambia la base del cálculo, ver más abajo |
| Relación de aspecto | adaptive por defecto, con adaptive, 21:9, 16:9, 4:3, 1:1, 3:4 y 9:16 | adaptive por defecto, con adaptive, 16:9, 4:3, 1:1, 3:4 y 9:16 |
| Niveles de resolución | 1080P, 720P y 480P | 480p, 720p y 1080p |
| Resolución por defecto | 1080P | 720p |
| Audio | un valor booleano, true por defecto, y activarlo o desactivarlo cuesta lo mismo | ningún campo en el formulario |
| Semilla | menos uno, o de 0 a 2147483647 | ningún campo |
Dos ajustes que el servicio publica de otra manera: la resolución por defecto y el formato ancho
Estos son los dos puntos en los que una elección hecha aquí produce un resultado distinto al de la misma elección hecha en la plataforma del propio editor, y ambos son visibles antes de que envíes nada.
La resolución por defecto conviene enunciarla en dinero y no en píxeles, porque la lista de precios publicada para este producto se indexa tanto por resolución como por material de referencia. Para la clase sin ningún material de referencia, las tarifas publicadas son 6 puntos por segundo a 480p, 12 a 720p y 23 a 1080p. Un clip de cinco segundos cuesta por tanto 60 puntos con el valor por defecto de aquí y 115 puntos con el del editor.
La relación de aspecto es la más estrecha de las dos brechas y también la más fácil de leer mal. Las guías de Alibaba Cloud imprimen la lista de relaciones como 21:9, 16:9, 4:3, 1:1, 3:4 y 9:16, y su referencia de API imprime las mismas seis con adaptive delante y nombrado como valor por defecto. El servicio publica seis valores también, pero sus seis son adaptive más cinco, y 21:9 es el que deja fuera. El propio ejemplo desarrollado del editor para texto a vídeo empieza con un prompt que describe material "20 秒超宽银幕", así que el formato ancho no es una nota al pie en su material.
Elegir adaptive no es lo mismo que elegir 21:9. Adaptive significa que el modelo escoge una relación a partir del material de entrada y de la intención, y una petición solo de texto no tiene material de entrada que leer. Así que una salida ultraancha fija para un trabajo de texto a vídeo no se puede pedir desde este espacio de trabajo, y esta página no afirma que se pueda alcanzar por otra vía.
| Ajuste | Valor por defecto del editor | Valor por defecto aquí | Qué significa la diferencia en la práctica |
| Resolución | 1080P | 720p | la primera generación en esta página cuesta aproximadamente la mitad de lo que costarían los mismos ajustes a 1080p |
| Salida fija en 21:9 | seleccionable | no seleccionable | adaptive puede seguir una entrada ancha, pero solo con texto no hay forma de fijar la salida en 21:9 |
Cómo se tarifa una petición con referencia, y qué tarifa la lista de precios que el formulario no puede enviar
Este producto publica una lista de precios en lugar de una tarifa única, y es la más detallada de este sitio. Quince filas cubren cinco clases de material de referencia en tres resoluciones. Hay dos cosas que conviene leer con atención antes de que sorprendan a alguien.
Nada de esta tabla se presenta como un total. El servidor devuelve el total para tus ajustes antes de que empiece una tarea, y esa es la única cifra que vincula.
- La fila de audio tarifa una clase que este formulario no puede producir. Referencia a vídeo publica dos campos de adjunto, imágenes y vídeos, y ningún campo de audio en ningún sitio. Existe una tarifa para una petición que aquí no se puede armar.
- Esas mismas quince filas están asociadas a los tres modos. Texto a vídeo no tiene ningún campo de adjunto, y aun así se le presentan tarifas para cuatro clases de material de referencia que no puede aceptar.
- Adjuntar un vídeo cambia la base del cálculo, no solo su tarifa. La propia tabla de enrutado del servicio da a texto a vídeo e imagen a vídeo una base de segundos de salida, y da a referencia a vídeo una base de segundos de entrada más salida. El bloque de precios dice lo mismo con palabras: una referencia de vídeo se cobra como el mayor entre la longitud del vídeo de entrada y la longitud de salida, más la longitud de salida.
- Esa última regla es el único punto donde el servicio reproduce al editor con exactitud. Alibaba Cloud limita una petición con entrada de vídeo de modo que la duración de entrada más la de salida no supere los 30 segundos, y eso es justo lo que hace posible una base de entrada más salida.
| Material de referencia adjunto | 480p | 720p | 1080p |
| ninguno | 6 puntos por segundo | 12 | 23 |
| imágenes | 6 | 12 | 23 |
| audio | 6 | 12 | 23 |
| vídeo | 12 | 23 | 45 |
| mixto | 12 | 23 | 45 |
Material de referencia: veinte documentados, quince seleccionables, menos alcanzables
Tres cifras describen la misma capacidad, y no son la misma cifra. El titular del editor son veinte materiales multimodales por petición. El formulario del servicio puede aceptar quince de ellos. El espacio de trabajo puede enviar menos que eso, y la razón está en el propio código de este sitio y no en nada que publique el servicio.
El resultado es una escalera y no una brecha única: veinte documentados, quince aceptados por el formulario, uno alcanzable desde la interfaz. Cada peldaño de esa escalera es comprobable, y el último peldaño es el que nadie predeciría leyendo al editor o el catálogo.
Hay un pliegue que merece quedar registrado, porque muestra a los dos mecanismos chocando dentro de un mismo producto. El interruptor de audio de esta página lo decide el formulario del servicio, siguiendo la regla de que el espacio de trabajo solo dibuja un control de audio cuando el formulario lleva el campo correspondiente. El límite de imágenes de referencia en la misma pantalla lo decide en cambio la tabla local. Así que dos controles de un mismo formulario responden a dos fuentes distintas, y en este producto se contradicen.
Nada de esto afirma que el modelo sea más débil que su documentación. La generación está entera; lo que falta es la vía para pedirla. Esta página enuncia los límites y deja la cuestión del enrutado donde corresponde.
- El editor documenta veinte materiales de referencia en una petición: hasta 10 imágenes de 20 MB cada una, hasta 5 clips de vídeo de 100 MB cada uno y 15 segundos en total, y hasta 5 clips de audio de 15 MB cada uno y 15 segundos en total, con los tres tipos combinables en cualquier orden.
- El formulario de referencia a vídeo del servicio publica image_urls con un máximo de 10 y video_urls con un máximo de 5. Son quince, y no hay campo de audio, así que los cinco materiales de audio que el editor permite están declarados en el bloque de capacidades del catálogo y no se pueden enviar.
- El espacio de trabajo solo muestra su cargador de imágenes de referencia en los modos de imagen a vídeo y de primer y último fotograma. En el formulario de referencia a vídeo no muestra ningún cargador de imágenes, aunque el servicio publique un campo que acepta diez imágenes.
- Donde el espacio de trabajo sí muestra el cargador de imágenes, limita la selección a un número tomado de la tabla de reserva local y no del servicio. Para esta familia ese número es uno en imagen a vídeo y cero en referencia a vídeo. Así que imagen a vídeo acepta una sola imagen, y el método de primer y último fotograma del editor no tiene forma de expresarse.
- La entrada de vídeo de referencia acepta un archivo. El editor permite cinco clips, y el servicio publica un máximo de cinco.
El audio está declarado, activado por defecto y aquí no se puede cambiar
El editor trata el audio como activado y le da un interruptor. Este servicio declara el audio como generado, activado por defecto, con un interruptor. El formulario que esta página lee de verdad no tiene campo de audio, así que no aparece ningún interruptor, lo que significa que el valor por defecto es el único comportamiento disponible.
Tres hechos separados son ciertos a la vez, y conviene mantenerlos aparte. El bloque de capacidades del catálogo para este producto dice que el audio está soportado, que se genera, que su valor por defecto es true y que tiene un interruptor. La referencia de parámetros del editor da también al audio un valor por defecto true y añade que activarlo o desactivarlo cuesta lo mismo, así que no hay razón de precio para preferir uno. Y la fila de referencia a vídeo sigue declarando un límite de audio de referencia de cinco clips, la misma declaración que el bloque de capacidades.
Nada de eso llega a la pantalla. Los campos publicados para este modo son prompt, resolución, relación de aspecto, duración, imágenes y vídeos. El espacio de trabajo construye sus controles a partir de ese formulario, y dibuja un interruptor de audio solo cuando el formulario contiene un campo para ello.
La descripción honesta no es que el sonido esté desactivado. Es que el sonido está activado y aquí no se puede desactivar, y que la mitad de audio de referencia de esa misma capacidad no tiene entrada.
| Superficie de audio del editor | Qué hace | Presente en el formulario de este servicio |
| audio | incluir sonido en la salida, true por defecto, el mismo precio en ambos casos | no |
| reference_audio | usar hasta cinco clips de audio, quince segundos en total, como referencia | ningún campo, aunque el bloque de capacidades declara el límite de cinco clips |
En qué se equivocan otras páginas para este término
Se midieron cinco páginas para esta. La mayoría de las discrepancias con el editor son deriva corriente, y una es más interesante que el resto porque no es una cifra equivocada en absoluto.
La última fila es la que conviene dejar estar en vez de resolver. Una nota en el propio sitio para desarrolladores de Alibaba Cloud dice que el parámetro quedó obsoleto para este modelo y no debe usarse, mientras que la referencia de API oficial en el mismo dominio de documentación de la misma empresa lo sigue llevando en los cuerpos de petición que indica a los desarrolladores enviar. Esta página registra la contradicción y no la resuelve, porque aquí nada puede hacerlo.
La afirmación sobre 4K es la que cambiaría una decisión, y es una sola línea en una obra de referencia y no una medición. La propia tabla de parámetros del editor enumera tres niveles y se detiene en 1080P.
Hay además algo en este conjunto de páginas más informativo que cualquier afirmación suelta. Cuatro de las cinco páginas no llevan ningún elemento de vídeo, y la que sí lo lleva es una entrada de enciclopedia. Una de ellas es peor que vacía: la página de modelo de un revendedor de API de terceros está marcada como index, follow con once alternativas de idioma y muestra treinta y cuatro palabras de texto bajo un encabezado de segundo nivel que dice "Something went wrong!"
| Afirmación | Dónde aparece | Qué documenta el editor |
| Una cadena de modelo de pasarela alibaba/wan-3.0 | un artículo de precios de terceros | los nombres de modelo propios del editor son wan3.0-video y wan3.0-video-prime |
| Clips de referencia y clips de audio de 15 segundos cada uno en total | ese mismo artículo, que lee correctamente los límites del editor | hasta 5 clips con 15 segundos en total y 5 clips de audio con 15 segundos en total |
| Resolución 4K nativa | una entrada de enciclopedia | 480P, 720P y 1080P, con 1080P como valor por defecto |
| Un precio por segundo enunciado solo como cifra con descuento | documentos publicados en el propio sitio de comunidad del proveedor de nube | el precio de tarifa es por segundo y la ventana de descuento se indica con fecha de fin |
| Que el parámetro prompt_extend está obsoleto | un artículo de comunidad en el propio sitio para desarrolladores del proveedor de nube | la referencia de API oficial sigue mostrando prompt_extend en true en sus propios ejemplos de petición |
Qué muestra esta galería y de dónde viene
La documentación para desarrolladores del editor sobre este modelo no lleva ninguna salida generada. En las seis páginas de primera parte archivadas no hay un solo elemento de vídeo ni un solo archivo de clip; las páginas son tablas de parámetros y guías, y las ilustraciones que llevan son capturas de interfaz. La salida del modelo vive en cambio en las dos superficies de consumo, y ambas hubo que renderizarlas en lugar de descargarlas, porque las dos se arman en el navegador.
Se obtuvieron diez clips de esas dos superficies y todos ellos se descargaron a tamaño completo. Cuatro se publican aquí como clips, elegidos porque su duración o su movimiento es en sí mismo la prueba. Un clip de treinta segundos es el único elemento del conjunto que alcanza la duración que afirma el titular del editor, y se publica como clip exactamente por eso. Un clip de cinco segundos está en la duración por defecto publicada y es lo bastante corto para publicarlo entero. Un clip de ocho segundos corta entre dos puestas en escena contrastadas de una misma escena, así que el cambio de plano es visible y no descrito. Un clip de quince segundos en 1080p lleva el registro que el editor llama información digital, donde las superficies de producto y las interfaces limpias son el tema.
Se reservaron otros seis clips y se muestrearon como fotogramas fijos: dos reels largos de la portada del sitio de consumo, de unos veintisiete y cuarenta y cuatro segundos, más clips en registros claramente distintos. El muestreo es el tratamiento honesto para un reel, porque un fotograma de un montaje es el fotograma de un momento concreto dentro de él, y los pies de foto dicen qué momento.
Hay un hecho sobre la cadencia de fotogramas que debe enunciarse con cuidado para evitar una inferencia equivocada. El editor documenta una salida de 30 fotogramas por segundo, y los diez clips obtenidos corren a 24, 25 y 30. Son entregables web y no salida del modelo, así que la cadencia es una propiedad de estos archivos y no se usa en ningún punto de esta página como prueba sobre el modelo.
Aquí nada se atribuye a un modo concreto. El editor no publica un prompt ni una línea de parámetros junto a ninguno de estos clips, así que ningún pie de foto afirma que uno se produjera a partir de un material de referencia, una resolución o una duración concretos. Cuando un pie de foto menciona que un fotograma pertenece a un clip de una duración dada, esa duración se midió del archivo.
Cómo leer los clips y los fotogramas de esta página
El material de esta página es del editor, y las etiquetas lo dicen en cada elemento.
Cuando en esta página aparece una comparación, las dos mitades vienen del mismo clip, así que la diferencia mostrada es un cambio dentro de una generación y no una diferencia entre dos de ellas.
- Los clips subidos están incluidos en lugar de enlazados, y cada pie de foto dice qué se les hizo: se redujo el bitrate de vídeo y se conservaron la resolución, la cadencia de fotogramas y la pista de audio.
- Los fotogramas fijos son imágenes muestreadas por este sitio a partir de clips publicados, y cada pie de foto indica el punto del clip del que se tomaron. No son imágenes sueltas que haya publicado el editor.
- No hay ningún prompt publicado para ninguno de estos clips. Cada elemento de la galería lo dice, en vez de llevar un prompt que este sitio haya inventado o tomado prestado del ejemplo de otro modelo.
- Los cuatro clips se publican por su duración o su movimiento, y los fotogramas existen para mostrar registros que los clips no podrían sostener a un tamaño visible.
Preguntas frecuentes
¿Es esta la página oficial de Wan 3.0?
No. Es una página de este sitio sobre el modelo. Las páginas propias del editor se citan como fuentes a lo largo de todo el texto, y esta página no ha sido revisada ni respaldada por Alibaba Cloud.
¿Qué modos puedo ejecutar aquí?
Tres: texto a vídeo, imagen a vídeo y referencia a vídeo. El editor documenta siete tipos de tarea para el mismo nombre de modelo, entre ellos la referencia de archivo y página web, la edición de vídeo y la extensión de vídeo, y este producto no declara ninguno de esos tres.
¿Por qué el editor lo llama un modelo y esta página tres modos?
Porque el editor enruta internamente y este servicio no. Alibaba Cloud publica un nombre de modelo y elige la tarea según lo que adjuntas y lo que pide tu prompt. El catálogo de aquí divide el mismo endpoint en tres modos seleccionables, que es otra forma para la misma capacidad.
¿Cuántas imágenes y vídeos de referencia puedo adjuntar?
El editor documenta hasta 10 imágenes y 5 clips, más 5 clips de audio. El formulario del servicio acepta 10 imágenes y 5 vídeos y no tiene campo de audio. El espacio de trabajo es el extremo estrecho: su entrada de vídeo de referencia toma un archivo, y su formulario de referencia a vídeo no muestra ningún cargador de imágenes.
¿Puedo hacer un vídeo con primer y último fotograma?
No desde este espacio de trabajo. El editor lo documenta como un tipo de tarea propio, con una imagen para el primer fotograma y otra para el último. El formulario de imagen a vídeo del servicio acepta hasta dos imágenes pero no distingue cuál es cuál, y el espacio de trabajo limita esa subida a una sola imagen.
¿Puedo pedir una salida fija en 21:9?
No. La lista de relaciones del editor incluye 21:9 y la de este servicio no. Elegir adaptive deja que el modelo iguale las proporciones de una entrada, pero una petición solo de texto no tiene entrada que igualar, así que un encuadre ultraancho fijo no se puede pedir aquí.
El editor usa 1080P por defecto. ¿Qué usa esta página?
720p. La referencia de API del editor nombra 1080P como valor por defecto para este endpoint y el formulario de este servicio nombra 720p. La diferencia importa porque las tarifas publicadas aquí se indexan por resolución además de por material de referencia, y el valor por defecto cuesta alrededor de la mitad de lo que costaría el del editor.
¿Por qué la tabla de tarifas tiene una fila de audio si no hay campo de audio?
Eso es lo que publica el catálogo. La tabla de tarifas cubre cinco clases de material de referencia en tres resoluciones, y una de esas clases es audio, mientras que el formulario del mismo modo solo publica campos de imagen y vídeo. La misma tabla está asociada a texto a vídeo, que no tiene ningún campo de adjunto.
¿Puedo desactivar el sonido o adjuntar audio como referencia?
Ni lo uno ni lo otro desde este formulario. El bloque de capacidades del servicio declara el audio como generado y activado por defecto con un interruptor, y el editor también pone el audio en true por defecto y cobra lo mismo en ambos casos. El formulario publicado no tiene campo de audio, y el espacio de trabajo dibuja un control de audio solo cuando el formulario contiene uno.
¿Cuánto cuesta?
El servidor lo presupuesta en puntos para el modo y los ajustes que elegiste, antes de que empiece la tarea. El catálogo publica para este producto un precio de partida de 6 puntos por segundo y una tabla de tarifas que varía con la resolución y con lo que adjuntes. Adjuntar un vídeo también cambia la base del cálculo a segundos de entrada más salida.