Wan 3.0：資料を読めるようになった最初の動画モデル

Wan 3.0 とは何か

Wan 3.0 は Alibaba の通義研究所による動画生成モデルで、2026年8月24日に公開テストから正式提供へ移行しました。Alibaba Cloud は自社の製品フィードで「動画生成モデル Wan3.0 が正式に提供開始」と発表し、同日の北京新聞は「1クリップ30秒、PPT も動画になる」とまとめています。

Wan ファミリーの第3世代にあたります。前の2世代（2.1、2.2）はオープン重みのコミュニティでもっとも広く使われる動画モデルのひとつで、その上に安価なローカル動画ワークフローの多くが築かれています。Wan 3.0 はこのファミリーがこれまでしなかったことをしました——文書を入力モダリティとして扱うのです。「資料を見ながらプロンプトを書く」のではなく、doc、xls、ppt、pdf、md のファイルをそのままモデルに渡し、中の構造と文字を読ませます。

競合と並べると位置づけがはっきりします。2026年後半、「1回30秒」はこの分野の上位モデルに共通するハードルになりました。ByteDance の Seedance 2.5、Kuaishou の Kling 4.0、Alibaba の Wan 3.0 が同じ線を争っています。Wan 3.0 を実際に差別化しているのは別の2点です。資料を読むこと。そして商用の狙いが顔に書いてあること——映画・ショートドラマ制作チーム、クリエイタープラットフォーム、広告・マーケティング会社、ゲーム・デザインスタジオ、観光プロモーション、音楽・エンタメ。つまり大量に映像を出す組織であり、個人ではありません。

Wan 2.x から何が変わったか

2行は二度読む価値があります。1行目は立場の変化です。Wan 2.2 は 2025年7月28日に Apache-2.0 でコードと重みを公開し、コミュニティの安価なローカル動画ワークフローの多くはその上にあります。Wan 3.0 は何かを公開するとは述べておらず、この系統のワークフローはここで途切れます。2行目は音です。Wan 2.x の時代は「まず映像を生成し、後から吹き込む」のが普通でした。ネイティブな音画同時生成はまさにその工程と、口の動きのやり直しを消します。

資料入力の実際の境界

Wan 3.0 唯一の専売特許なので、境界を正確に述べる価値があります。公表されたルールは明確です。1リクエストにつきファイルまたはリンクは1つ、100MB以下、50ページ以下で、doc、xls、ppt、pdf、txt、key、pages、numbers、md に対応します。公式が示す4つの例は次のとおりです。

• 製品資料 → ブランド映像・ローンチ広告。ブランド紹介の文書を渡し、一文を添えると、完成したブランド映像が出ます。
• 研修資料 → 動画教材。スライドを読み上げるのではなく、絵のある内容に変えます。
• 表計算データ → 動くグラフ。数字を動くビジュアルにします。画面上の文字の正確さにもっとも依存する種類です。
• 業務レポート → ナレーション付き解説動画。結論を語りのある映像にし、社内報告や対外発信に使います。

仕組みについて、公式の説明はプロンプトエンジニアリングと指示追従です。モデルはプロンプトを制御中枢として扱い、それが入力を解釈し、内容を組み立て、最終的な表現を決めます。実務的な一文にすると——資料は素材で、プロンプトは依然として監督です。資料だけを放り込んでプロンプトを書かなければ、方向を与えていないのと同じです。

どこで実際に使えるか

Seedance と同じで、Wan 3.0 は「一度登録すれば済む」製品ではなく、いくつかの経路を通ってあなたに届くモデルです。経路が価格と制限と権利を決めます。

• 万相の公式サイト——通義自身のコンシューマー向け入口。API に触れずに何ができるか見たいときはここから。
• Alibaba Cloud 百錬——中国国内の開発者向け経路。API 名は wan3.0-video で、公式は申請不要でそのまま呼び出せると明記し、秒単位課金、加えて Prime と呼ぶ高速推論サービスを用意しています。自社製品に組み込む最短の道です。
• 千問 AI プラットフォームと千問アプリ——公式が示した最初の経路のひとつ。すでに千問を使っている利用者向けです。
• 第三者プラットフォーム——公式は Flova、Libtv、巨日禄、海芸などでも提供が始まったと述べています。便利ですが上乗せ分を払うことになり、規約が Alibaba 公式と同じとは限りません。

実務的な帰結が3つあります。第一に、動画編集がその画面で使えるかを確認してください。公式は Wan 2.7 からの編集能力の継承を述べていますが、プラットフォームごとに開放される機能は同じとは限りません。第二に、プラットフォームのクレジットは「動画の単位」ではありません。解像度と尺を書かずにクレジットを本数に換算した表は、すべて推測です。第三に、失敗が非課金なのは公式 API がそう述べている範囲です。転売先が同じ扱いをするかは別途確認が必要です。

各ティアの料金

課金のしくみは明快です。生成した秒数に対して課金され、解像度が単価を決めます。以下は 2026年10月に公式表示から読んだ数字です。

もっともよく使う 720P で計算します。30秒の完成尺なら、生成そのものは18元です。前述の「使えるカット1本につき2〜3回」を当てると、実際の費用は1本あたり36〜54元に落ち着きます。1080P なら倍です。秒単位課金の意味はここにあります——尺が一次のコスト変数で、引き直し回数が二次の変数であり、たいてい後者のほうが高くつきます。

語られていない3つのこと

この節が、このページと数多く転載される記事との違いです。3つを探しました。結果は次のとおりです。

どれもモデルが弱いという意味ではありません。オフィス資料から映像へ向かう最短の経路であることは明らかで、そこに異論はありません。ただし、Wan 3.0 のパラメータ数、学習データ、あるいは特定の競合に対する優位性について読んだ主張は、一次資料が示されるまで宣伝として扱うべきだという意味です。

使えるカットを出す手順

資料入力が変えるのは1点です。出発点はこれまでプロンプトでしたが、いまはファイルにもなり得ます。同時に、新しい失敗のしかたも持ち込みます。

1. アップロードする前に資料を整える。

   モデルは構造と文字を読みます。何もかも詰め込んだ50ページの資料は、50の相反する方向を渡すのと同じです。伝えたい3ページまで削り、結論を1文にして先頭に置きます。公式はプロンプトが制御中枢だと言っています。ならば制御中枢に目標を与えてください。

2. プロンプトは形容詞ではなく時間割として書く。

   30秒は、モデルが秒単位の構造を読めるという意味です。「0〜6秒：製品の寄り、ゆっくり寄る。6〜18秒：使用シーン。18〜30秒：ロゴとエンドカード」。これが運任せではなく制御可能にする書き方で、前世代からのもっとも実質的な進歩です。

3. 低解像度で稽古し、高解像度は本番だけ。

   単価は解像度で段階的に上がります。まず 480P で30秒のリズムと構図を固め、残すと決めた1本だけを 1080P で描き直します。これが費用面で最大のてこです。安いプラットフォームを探すよりはるかに効きます。

4. 引き直す前に、タイムラインで直す。

   公式は動画編集を継承機能として発表に含め、映像・筋書き・台詞を変更できるとしています。1秒の不備で良い29秒を捨てないための機能です。まず編集、次に再生成と考えてください。

5. 文字が映るカットを抜き出して人が確認する。

   公式は画面内文字の描画精度がまだ改善中だと認めています。そして資料から動画を作る作業では、画面の文字が情報そのものであることがよくあります。見出し、数字、ロゴ、グラフのラベル。それぞれを個別に見る価値があります。これは Wan 3.0 固有の注意点です。

6. 表示を付け、参照素材の出所を記録する。

   公開時にはプラットフォームの AI 生成表示を付け、参照素材と資料の出所を記録します。Wan 3.0 は企業向けの量産を位置づけとしており、顧客は必ず尋ねます。この記録は形式ではなく、そのときに身を守るものです。

よくある質問

Wan 3.0 とは何ですか？

Alibaba 通義研究所の動画生成モデルで、2026年8月24日に正式提供へ移行しました。Wan ファミリーで初めて1回の生成を30秒まで伸ばし、初めて資料入力に対応した世代です。doc、xls、ppt、pdf、md をそのまま素材として渡せ、公式はこれを「なんでも動画に」と呼んでいます。入口は万相、Alibaba Cloud 百錬、千問 AI プラットフォーム、千問アプリで、API 名は wan3.0-video です。

料金は？

生成した秒数に対する課金で、解像度が単価を決めます。国内の百錬では 480P / 720P / 1080P が毎秒 0.3 / 0.6 / 1.2 元、国際版では同じティアが毎秒 $0.05 / $0.10 / $0.20 です。API は申請不要、失敗した生成は非課金と明記されています。開始時の割引は 2026年9月23日に終了しました。いまも流れている毎秒 0.21 元という数字は旧価格です。

オープンソースですか？ローカルで動かせますか？

いいえ。Wan 2.2 は 2025年7月28日に Apache-2.0 でコードと重みを公開しました（Hugging Face と ModelScope の Wan-AI、および GitHub）が、Wan 3.0 の発表は API のみです。Hugging Face の Wan-AI 組織を確認しましたが、27リポジトリの最新は Wan 2.2 系で Wan 3.0 はありません。ローカル実行の正当な手段はないため、オフライン生成が必須なら Wan 2.2 のような公開重みモデルを前提に設計してください——無料ツールの比較も参照してください。

資料入力は実際に使えますか？

能力は公表されており、制限も同じです。1リクエストにつきファイルまたはリンク1つ、100MB以下、50ページ以下。公式の例は、製品資料→ブランド映像、研修資料→動画教材、表計算→動くグラフ、レポート→ナレーション付き解説です。ただし同じ FAQ が画面内文字の描画精度は改善中だと認めており、この種の作業はまさにそれに依存します。「資料がワンクリックで映像になる」ツールではなく、絵コンテと映像生成の加速装置として使ってください。

どれくらいの長さを生成できますか？

1回の生成で最長30秒、最高1080P、ネイティブな音画同時生成に対応します。スマート尺提案はプロンプトを読んでから長さを提案し、続き生成は最初の生成から物語を続けられます。Wan 2.7 から引き継いだ動画編集により、全体を再生成せずに映像・筋書き・台詞を変更できます。

Wan 2.2 と Wan 3.0 の違いは？

尺が短いクリップから30秒になり、スマート尺提案と続き生成が加わりました。資料とウェブページの入力が入りました。実在感が主要な改善として打ち出されています（公式の言い方は「千人千面」で、均一な AI 顔ではなくなったという意味です）。そして見落とされがちなもう1点——Wan 2.2 はオープンソース、Wan 3.0 はそうではありません。

商用利用は安全ですか？

公式は対象顧客を、映画・ショートドラマ制作、クリエイタープラットフォーム、広告・マーケティング、ゲーム・デザインスタジオ、観光プロモーション、音楽・エンタメなど、大量に映像を出す組織と明記し、公開テスト期間中からそうした企業の制作工程に入っていたと述べています。ただし「商用利用できる」は「何を作っても安全」ではありません。実在人物の写真、保護されたブランド資産、他人の作品を参照に使うリスクは利用者側に残ります。オリジナルの被写体を使い、出所の記録を残してください。

Seedance 2.5 や Kling 4.0 と比べてどうですか？

3つとも「1回30秒」という同じ線を狙い、力点が違います。Wan 3.0 固有の能力は資料入力で、オフィス資料から映像への最短経路です。Seedance 2.5 は音画一体型で、同期音声と最大50点の参照素材の組み合わせが強みです。Kling 4.0 は 2026年10月時点で発表済みだが全公開には至っていません。同一条件の公開比較テストは存在しないため、自分の素材での実測で判断してください。

サイト内の関連ページ

• Seedance 2.5——ByteDance の30秒モデル。音画一体型の路線で、参照素材の枠が3者でもっとも広いモデルです。
• Kling 4.0——Kuaishou が発表済みでまだ全公開していない世代。公式が述べたこと、報道だけの部分、クレジットを実消費に換算した実際の価格。
• MiniMax H3——Arena の画像→動画ブラインドテストで1位、しかも重みをダウンロードできる数少ない最先端モデル。Wan 3.0 の非公開路線と対照をなします。
• Higgsfield Genjutsu——撮影済みの動画の人物・場所・物を、撮り直さずプロンプトも書かずに差し替えます。
• 無料 AI 動画ツールの比較——どの種類が本当に無料で使えるか、何を再利用するか、支払う前に何を確認すべきか。