O que é o Wan 3.0, nas palavras do fornecedor
A Alibaba Cloud apresenta este modelo como um único endpoint que cobre várias formas de fazer vídeo. A referência de API em chinês começa com a 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", ou seja, que o Wan 3.0 é um modelo de vídeo de referência tudo-em-um que cobre texto para vídeo, imagem para vídeo com um primeiro quadro ou com primeiro e último quadro, e referência para vídeo. O guia em inglês enuncia o mesmo escopo em números: "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".
A página de cenários no próprio site da Alibaba Cloud torna a afirmação sobre referência mais concreta: "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", quatro modalidades de entrada e até vinte materiais de referência. O site de consumo wan.video lista as mesmas afirmações no próprio banner: 30 segundos nativos, até 20 materiais de referência com leitura de documentos e páginas web, consistência em nível de pixel e edição de vídeo precisa.
Tudo nesta seção é citado do fornecedor. Nada nesta página é uma declaração da Alibaba Cloud, e esta página não foi revisada nem endossada por ela.
As citações ficam no idioma original do fornecedor, porque traduzir uma especificação é uma das formas pelas quais os números se desviam. As citações em chinês são reproduzidas sem converter os caracteres simplificados.
Um endpoint, sete tipos de tarefa e nenhuma troca entre eles
Este é o primeiro ponto a acertar, porque o serviço apresenta o mesmo modelo de outra maneira. O fornecedor publica um único nome de modelo e roteia internamente. O guia diz isso diretamente: o modelo "covers all the following task types without switching model names", e roteia "based on the type field in input.media and the prompt intent". A tabela de tarefas desse mesmo guia lista sete tipos de tarefa sob aquele único nome.
O roteamento não é uma camada de conveniência. A referência observa que "type values of different task types cannot be mixed", então um pedido de primeiro e último quadro só aceita first_frame e last_frame e não pode carregar ao mesmo tempo um áudio de referência. Qual tarefa você está fazendo é decidido pelo que você anexa, e os próprios anexos decidem o que mais é permitido.
Este serviço segue o caminho oposto e divide o endpoint de novo. Sua entrada para este produto declara três modos — texto para vídeo, imagem para vídeo e referência para vídeo — com três nomes de tarefa distintos por trás. Dois dos sete tipos de tarefa do fornecedor sobrevivem a essa divisão como modos de primeira classe; um, o de primeiro e último quadro, é absorvido em imagem para vídeo como segunda imagem; e quatro não são declarados de forma alguma, que é onde ficam a referência de arquivo e página web, a edição de vídeo e a extensão de vídeo.
Vale precisar o que isso custa. Quem chega buscando Wan 3.0 video editing não vai encontrar aqui um formulário de edição, porque este produto não declara nenhum, e não porque o modelo não consiga fazer.
| Tipo de tarefa que o fornecedor documenta | Como é acionado | Limites indicados |
| Texto para vídeo | apenas um prompt, sem mídia | resolução, proporção e duração livres |
| Primeiro quadro para vídeo | type definido como first_frame | proporção recomendada como adaptive |
| Primeiro e último quadro para vídeo | first_frame e last_frame juntos | uma imagem para cada, estritamente primeiro e último quadro |
| Referência multimodal | reference_image, reference_video ou reference_audio em qualquer combinação | até 20 materiais: 10 imagens, 5 clipes, 5 áudios |
| Referência de arquivo ou página web | type file ou link, um dos dois | um de cada, e os dois não podem ser combinados |
| Edição de vídeo | um vídeo de referência mais uma instrução de edição no prompt | proporção adaptive, duração -1 recomendada |
| Extensão de vídeo | um vídeo de referência mais uma instrução de extensão | para frente, para trás ou nas duas direções |
O que o serviço deste site publica para o mesmo produto
A área de trabalho não lê a documentação do fornecedor. Ela lê o catálogo de serviço deste site, que responde com uma entrada por modelo. A entrada desta página se chama Wan 3.0, fica na família que o catálogo chama de Wan e está marcada como disponível e executável. Ela declara três modos e traz um preço inicial publicado de 6 pontos por segundo, com a modalidade de cobrança rotulada como parâmetros mais duração.
Um preço inicial não é um orçamento. O servidor soma a cobrança em pontos para o modo e as configurações que você escolher antes de a tarefa começar, e esse total é o que vale.
| Modo que o serviço declara | Nome de tarefa por trás | Campos do formulário publicado |
| text-to-video | wan3.0-video-text-to-video | prompt, resolução, proporção, duração |
| image-to-video | wan3.0-video-image-to-video | os quatro acima mais imagens de referência, 1 a 2 |
| reference-to-video | wan3.0-video-reference-to-video | os quatro acima mais imagens de referência 0 a 10 e vídeos de referência 0 a 5 |
Cada parâmetro que o serviço publica, confrontado com a tabela do fornecedor
A referência de parâmetros do fornecedor dá a este endpoint um conjunto pequeno de campos, e o serviço publica a maioria deles. Vários concordam de forma direta, e dois não.
A concordância na duração é exata, e o fornecedor a enuncia duas vezes em vez de uma. A tabela de parâmetros dá o intervalo, e os guias imprimem o mesmo em uma linha de resumo: duração igual a 2 ou 30 segundos, ou menos um para duração inteligente.
O fornecedor publica ainda uma segunda regra de duração que não tem contrapartida nenhuma no formulário. Quando há um vídeo anexado, a entrada e a saída juntas ficam limitadas a 30 segundos. Esse limite aparece sim em como o modo é precificado, que é o assunto de uma seção adiante.
Há também uma terceira fonte de configurações neste projeto, e aqui ela está mais errada do que em qualquer página que este site já tenha construído. O código-fonte deste site carrega uma tabela de família local usada só quando o serviço não publica nenhum valor para um campo. Para esta família ela declara um intervalo de duração de 2 a 15, níveis de qualidade de 720p e 1080p sem 480p, cinco proporções sem adaptive e sem 21:9 com padrão de 16:9, áudio desligado por padrão e um custo de reserva de 80. O fornecedor e o serviço dizem ambos 30 segundos, ambos dizem que 480p existe e ambos definem a proporção padrão como adaptive. Nenhum desses valores locais é consultado, porque o serviço publica os quatro campos no formulário.
A tabela local é mencionada aqui porque um dos seus valores não é inerte, e esse é o motivo de esta página existir. Ele é tratado duas seções abaixo.
| Configuração | Referência de API do fornecedor | Formulário publicado deste serviço |
| Duração | padrão 5, inteiros de 2 a 30 | padrão 5, mínimo 2, máximo 30 |
| Duração com um vídeo anexado | a duração de entrada mais a de saída não pode passar de 30 segundos | não é publicada como campo; em vez disso muda a base do cálculo, veja abaixo |
| Proporção | adaptive por padrão, com adaptive, 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16 | adaptive por padrão, com adaptive, 16:9, 4:3, 1:1, 3:4 e 9:16 |
| Níveis de resolução | 1080P, 720P e 480P | 480p, 720p e 1080p |
| Resolução padrão | 1080P | 720p |
| Áudio | um valor booleano, true por padrão, e ligar ou desligar custa o mesmo | nenhum campo no formulário |
| Semente | menos um, ou de 0 a 2147483647 | nenhum campo |
Duas configurações que o serviço publica de forma diferente: a resolução padrão e o formato largo
Estes são os dois pontos em que uma escolha feita aqui produz um resultado diferente do da mesma escolha feita na plataforma do próprio fornecedor, e ambos são visíveis antes de você enviar qualquer coisa.
A resolução padrão vale ser enunciada em dinheiro e não em pixels, porque a lista de preços publicada para este produto é indexada tanto por resolução quanto por material de referência. Para a classe sem nenhum material de referência, as tarifas publicadas são 6 pontos por segundo a 480p, 12 a 720p e 23 a 1080p. Um clipe de cinco segundos custa portanto 60 pontos no padrão daqui e 115 pontos no padrão do fornecedor.
A proporção é a mais estreita das duas lacunas e também a mais fácil de ler errado. Os guias da Alibaba Cloud imprimem a lista de proporções como 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16, e a referência de API imprime as mesmas seis com adaptive na frente e nomeado como padrão. O serviço também publica seis valores, mas os seis dele são adaptive mais cinco, e 21:9 é justamente o que fica de fora. O próprio exemplo desenvolvido do fornecedor para texto para vídeo começa com um prompt que descreve material "20 秒超宽银幕", então o formato largo não é nota de rodapé no material dele.
Escolher adaptive não é o mesmo que escolher 21:9. Adaptive significa que o modelo escolhe uma proporção a partir da mídia de entrada e da intenção, e um pedido só de texto não tem mídia de entrada para ler. Então uma saída ultra larga fixa para um trabalho de texto para vídeo não pode ser pedida nesta área de trabalho, e esta página não afirma que seja alcançável por outro caminho.
| Configuração | Padrão do fornecedor | Padrão aqui | O que a diferença significa na prática |
| Resolução | 1080P | 720p | a primeira geração nesta página custa aproximadamente metade do que as mesmas configurações custariam a 1080p |
| Saída fixa em 21:9 | selecionável | não selecionável | adaptive consegue acompanhar uma entrada larga, mas só com texto não há como fixar a saída em 21:9 |
Como um pedido com referência é precificado, e o que a lista de preços precifica que o formulário não consegue enviar
Este produto publica uma lista de preços em vez de uma tarifa única, e é a mais detalhada deste site. Quinze linhas cobrem cinco classes de material de referência em três resoluções. Há duas coisas que vale ler com atenção antes que surpreendam alguém.
Nada nesta tabela é apresentado como um total. O servidor devolve o total para as suas configurações antes de a tarefa começar, e essa é a única cifra que vincula.
- A linha de áudio precifica uma classe que este formulário não consegue produzir. Referência para vídeo publica dois campos de anexo, imagens e vídeos, e nenhum campo de áudio em lugar algum. Existe uma tarifa para um pedido que aqui não se consegue montar.
- Essas mesmas quinze linhas estão ligadas aos três modos. Texto para vídeo não tem nenhum campo de anexo, e mesmo assim recebe tarifas de quatro classes de material de referência que não consegue aceitar.
- Anexar um vídeo muda a base do cálculo, não só a tarifa. A própria tabela de roteamento do serviço dá a texto para vídeo e imagem para vídeo uma base de segundos de saída, e dá a referência para vídeo uma base de segundos de entrada mais saída. O bloco de preços diz o mesmo em palavras: uma referência de vídeo é cobrada como o maior entre a duração do vídeo de entrada e a duração de saída, mais a duração de saída.
- Essa última regra é o único ponto em que o serviço reproduz o fornecedor com exatidão. A Alibaba Cloud limita um pedido com entrada de vídeo de modo que a duração de entrada mais a de saída não passe de 30 segundos, e é exatamente isso que torna possível uma base de entrada mais saída.
| Material de referência anexado | 480p | 720p | 1080p |
| nenhum | 6 pontos por segundo | 12 | 23 |
| imagens | 6 | 12 | 23 |
| áudio | 6 | 12 | 23 |
| vídeo | 12 | 23 | 45 |
| misto | 12 | 23 | 45 |
Materiais de referência: vinte documentados, quinze selecionáveis, menos alcançáveis
Três números descrevem a mesma capacidade, e não são o mesmo número. A manchete do fornecedor são vinte materiais multimodais por pedido. O formulário do serviço consegue aceitar quinze deles. A área de trabalho consegue enviar menos que isso, e o motivo está no próprio código deste site e não em nada que o serviço publique.
O resultado é uma escada e não uma lacuna única: vinte documentados, quinze aceitos pelo formulário, um alcançável pela interface. Cada degrau dessa escada é verificável, e o último degrau é o que ninguém preveria lendo o fornecedor ou o catálogo.
Há uma dobra que vale registrar, porque mostra os dois mecanismos colidindo dentro de um mesmo produto. O interruptor de áudio desta página é decidido pelo formulário do serviço, seguindo a regra de que a área de trabalho só desenha um controle de áudio quando o formulário traz o campo correspondente. O limite de imagens de referência na mesma tela é decidido pela tabela local. Então dois controles de um mesmo formulário respondem a duas fontes diferentes, e neste produto eles se contradizem.
Nada disso afirma que o modelo seja mais fraco que a sua documentação. A geração está inteira; o que falta é o caminho para pedi-la. Esta página enuncia os limites e deixa a questão do roteamento onde ela pertence.
- O fornecedor documenta vinte materiais de referência em um pedido: até 10 imagens de 20 MB cada, até 5 clipes de vídeo de 100 MB cada e 15 segundos no total, e até 5 clipes de áudio de 15 MB cada e 15 segundos no total, com os três tipos combináveis em qualquer ordem.
- O formulário de referência para vídeo do serviço publica image_urls com máximo de 10 e video_urls com máximo de 5. São quinze, e não há campo de áudio, então os cinco materiais de áudio que o fornecedor permite estão declarados no bloco de capacidades do catálogo e não podem ser enviados.
- A área de trabalho só renderiza o carregador de imagens de referência nos modos de imagem para vídeo e de primeiro e último quadro. No formulário de referência para vídeo ela não renderiza carregador de imagens nenhum, embora o serviço publique um campo que aceita dez imagens.
- Onde a área de trabalho realmente renderiza o carregador de imagens, ela limita a seleção a um número tirado da tabela de reserva local e não do serviço. Para esta família esse número é um em imagem para vídeo e zero em referência para vídeo. Então imagem para vídeo aceita uma única imagem, e o método de primeiro e último quadro do fornecedor não tem como ser expresso.
- A entrada de vídeo de referência aceita um arquivo. O fornecedor permite cinco clipes, e o serviço publica um máximo de cinco.
O áudio está declarado, ligado por padrão e aqui não dá para desligar
O fornecedor trata o áudio como ligado e lhe dá um interruptor. Este serviço declara o áudio como gerado, ligado por padrão, com um interruptor. O formulário que esta página lê de fato não tem campo de áudio, então nenhum interruptor aparece, o que significa que o padrão é o único comportamento disponível.
Três fatos separados são verdadeiros ao mesmo tempo, e vale mantê-los separados. O bloco de capacidades do catálogo para este produto diz que o áudio é suportado, é gerado, tem padrão true e tem interruptor. A referência de parâmetros do fornecedor também dá ao áudio o padrão true e acrescenta que ligar ou desligar custa o mesmo, então não há razão de preço para preferir um lado. E a linha de referência para vídeo ainda declara um limite de áudio de referência de cinco clipes, a mesma declaração do bloco de capacidades.
Nada disso chega à tela. Os campos publicados para este modo são prompt, resolução, proporção, duração, imagens e vídeos. A área de trabalho constrói os controles a partir desse formulário, e desenha um interruptor de áudio só quando o formulário contém um campo para isso.
A descrição honesta não é que o som esteja desligado. É que o som está ligado e não dá para desligar aqui, e que a metade de áudio de referência da mesma capacidade não tem entrada.
| Superfície de áudio do fornecedor | O que faz | Presente no formulário deste serviço |
| audio | incluir som na saída, true por padrão, o mesmo preço nos dois casos | não |
| reference_audio | usar até cinco clipes de áudio, quinze segundos no total, como referência | nenhum campo, embora o bloco de capacidades declare o limite de cinco clipes |
No que outras páginas para este termo erram
Cinco páginas foram medidas para esta. A maioria das divergências em relação ao fornecedor é desvio comum, e uma é mais interessante que o resto porque não é um número errado de forma alguma.
A última linha é a que convém deixar como está em vez de resolver. Uma nota no próprio site para desenvolvedores da Alibaba Cloud diz que o parâmetro ficou obsoleto para este modelo e não deve ser usado, enquanto a referência de API oficial no mesmo domínio de documentação da mesma empresa ainda o carrega nos corpos de requisição que orienta os desenvolvedores a enviar. Esta página registra a contradição e não a resolve, porque aqui nada consegue fazê-lo.
A afirmação sobre 4K é a que mudaria uma decisão, e é uma única linha numa obra de referência e não uma medição. A própria tabela de parâmetros do fornecedor lista três níveis e para em 1080P.
Há ainda algo neste conjunto de páginas mais informativo que qualquer afirmação isolada. Quatro das cinco páginas não trazem elemento de vídeo nenhum, e a que traz é um verbete de enciclopédia. Uma delas é pior que vazia: a página de modelo de um revendedor de API de terceiros está marcada como index, follow com onze alternativas de idioma e exibe trinta e quatro palavras de texto sob um título de segundo nível que diz "Something went wrong!"
| Afirmação | Onde aparece | O que o fornecedor documenta |
| Uma string de modelo de gateway alibaba/wan-3.0 | um artigo de preços de terceiros | os nomes de modelo do próprio fornecedor são wan3.0-video e wan3.0-video-prime |
| Clipes de referência e clipes de áudio com 15 segundos cada, no total | esse mesmo artigo, que lê corretamente os limites do fornecedor | até 5 clipes com 15 segundos no total e 5 clipes de áudio com 15 segundos no total |
| Resolução 4K nativa | um verbete de enciclopédia | 480P, 720P e 1080P, com 1080P como padrão |
| Um preço por segundo enunciado apenas como cifra com desconto | documentos publicados no próprio site de comunidade do provedor de nuvem | o preço de tabela é por segundo e a janela de desconto é indicada com data de término |
| Que o parâmetro prompt_extend está obsoleto | um artigo de comunidade no próprio site para desenvolvedores do provedor de nuvem | a referência de API oficial ainda mostra prompt_extend definido como true nos próprios exemplos de requisição |
O que esta galeria mostra e de onde ela vem
A documentação para desenvolvedores do fornecedor sobre este modelo não traz saída gerada nenhuma. Nas seis páginas de primeira parte arquivadas não há um único elemento de vídeo nem um único arquivo de clipe; as páginas são tabelas de parâmetros e guias, e as ilustrações que trazem são capturas de interface. A saída do modelo vive, em vez disso, nas duas superfícies de consumo, e ambas tiveram de ser renderizadas em vez de baixadas, porque as duas são montadas no navegador.
Dez clipes foram obtidos dessas duas superfícies e todos eles baixaram em tamanho completo. Quatro são publicados aqui como clipes, escolhidos porque sua duração ou seu movimento é em si a evidência. Um clipe de trinta segundos é o único item do conjunto que alcança a duração que a manchete do fornecedor afirma, e é publicado como clipe exatamente por isso. Um clipe de cinco segundos fica na duração padrão publicada e é curto o bastante para ser publicado inteiro. Um clipe de oito segundos corta entre duas montagens contrastantes de uma mesma cena, então a troca de plano é visível e não descrita. Um clipe de quinze segundos em 1080p carrega o registro que o fornecedor chama de informação digital, onde superfícies de produto e interfaces limpas são o tema.
Outros seis clipes foram guardados e amostrados como quadros fixos: dois reels longos da página inicial do site de consumo, de cerca de vinte e sete e quarenta e quatro segundos, mais clipes em registros claramente diferentes. A amostragem é o tratamento honesto para um reel, porque um quadro de uma montagem é o quadro de um momento dentro dela, e as legendas dizem qual momento.
Há um fato sobre taxa de quadros que precisa ser enunciado com cuidado para evitar uma inferência errada. O fornecedor documenta uma saída de 30 quadros por segundo, e os dez clipes obtidos rodam a 24, 25 e 30. São entregas para web e não saída do modelo, então a taxa de quadros é uma propriedade desses arquivos e não é usada em ponto algum desta página como evidência sobre o modelo.
Nada aqui é atribuído a um modo específico. O fornecedor não publica um prompt nem uma linha de parâmetros ao lado de nenhum desses clipes, então nenhuma legenda afirma que um deles saiu de um material de referência, uma resolução ou uma duração específicos. Quando uma legenda menciona que um quadro pertence a um clipe de determinada duração, essa duração foi medida do arquivo.
Como ler os clipes e os quadros fixos desta página
O material desta página é do fornecedor, e os rótulos dizem isso em cada item.
Onde aparece uma comparação nesta página, as duas metades vêm do mesmo clipe, então a diferença mostrada é uma mudança dentro de uma geração e não uma diferença entre duas delas.
- Os clipes publicados estão incorporados em vez de linkados, e cada legenda diz o que foi feito com eles: a taxa de bits de vídeo foi reduzida e a resolução, a taxa de quadros e a faixa de áudio foram mantidas.
- Os quadros fixos são imagens amostradas por este site a partir de clipes publicados, e cada legenda indica o ponto do clipe de onde foram tiradas. Não são imagens separadas que o fornecedor tenha divulgado.
- Nenhum prompt é publicado para nenhum desses clipes. Cada item da galeria diz isso, em vez de trazer um prompt que este site tenha inventado ou tomado emprestado do exemplo de outro modelo.
- Os quatro clipes são publicados pela sua duração ou pelo seu movimento, e os quadros fixos existem para mostrar registros que os clipes não conseguiriam carregar em tamanho visível.
Perguntas frequentes
Esta é a página oficial do Wan 3.0?
Não. É uma página deste site sobre o modelo. As páginas do próprio fornecedor são nomeadas como fontes ao longo de todo o texto, e esta página não foi revisada nem endossada pela Alibaba Cloud.
Quais modos posso executar aqui?
Três: texto para vídeo, imagem para vídeo e referência para vídeo. O fornecedor documenta sete tipos de tarefa para o mesmo nome de modelo, incluindo referência de arquivo e página web, edição de vídeo e extensão de vídeo, e este produto não declara nenhum desses três.
Por que o fornecedor chama de um modelo e esta página de três modos?
Porque o fornecedor roteia internamente e este serviço não. A Alibaba Cloud publica um nome de modelo e escolhe a tarefa a partir do que você anexa e do que seu prompt pede. O catálogo daqui divide o mesmo endpoint em três modos selecionáveis, que é um formato diferente para a mesma capacidade.
Quantas imagens e vídeos de referência posso anexar?
O fornecedor documenta até 10 imagens e 5 clipes, além de 5 clipes de áudio. O formulário do serviço aceita 10 imagens e 5 vídeos e não tem campo de áudio. A área de trabalho é a ponta estreita: sua entrada de vídeo de referência aceita um arquivo, e seu formulário de referência para vídeo não renderiza carregador de imagens nenhum.
Posso fazer um vídeo com primeiro e último quadro?
Não nesta área de trabalho. O fornecedor o documenta como um tipo de tarefa próprio, com uma imagem para o primeiro quadro e uma para o último. O formulário de imagem para vídeo do serviço aceita até duas imagens mas não distingue qual é qual, e a área de trabalho limita esse envio a uma única imagem.
Posso pedir uma saída fixa em 21:9?
Não. A lista de proporções do fornecedor inclui 21:9 e a deste serviço não. Escolher adaptive deixa o modelo igualar as proporções de uma entrada, mas um pedido só de texto não tem entrada para igualar, então um enquadramento ultra largo fixo não pode ser pedido aqui.
O fornecedor usa 1080P como padrão. E esta página?
720p. A referência de API do fornecedor nomeia 1080P como padrão para este endpoint e o formulário deste serviço nomeia 720p. A diferença importa porque as tarifas publicadas aqui são indexadas por resolução além de por material de referência, e o padrão custa cerca de metade do que o padrão do fornecedor custaria.
Por que a tabela de tarifas tem uma linha de áudio se não há campo de áudio?
É o que o catálogo publica. A tabela de tarifas cobre cinco classes de material de referência em três resoluções, e uma dessas classes é áudio, enquanto o formulário do mesmo modo publica apenas campos de imagem e vídeo. A mesma tabela está ligada a texto para vídeo, que não tem nenhum campo de anexo.
Posso desligar o som ou anexar áudio como referência?
Nenhum dos dois neste formulário. O bloco de capacidades do serviço declara o áudio como gerado e ligado por padrão com um interruptor, e o fornecedor também define o áudio como true por padrão e cobra o mesmo nos dois casos. O formulário publicado não tem campo de áudio, e a área de trabalho desenha um controle de áudio só quando o formulário contém um.
Quanto custa?
O servidor informa em pontos para o modo e as configurações que você escolheu, antes de a tarefa começar. O catálogo publica para este produto um preço inicial de 6 pontos por segundo e uma tabela de tarifas que varia com a resolução e com o que você anexa. Anexar um vídeo também muda a base do cálculo para segundos de entrada mais saída.