Hasta 30 segundos, una sola toma
4, 6, 8, 10, 15, 20 o 30 segundos. Sin pegar trozos ni derivas entre segmentos. El siguiente modelo más largo de aquí llega a quince; los de Google se paran en ocho o diez.
Modelo · Alibaba Wan 3.0
Wan 3.0: 30 segundos de video en una sola tirada
El modelo de video de Alibaba y lo único que hace aquí que los modelos de Google no hacen: duración. Una generación te da de 4 a 30 segundos con el sonido ya dentro, en 480p, 720p o 1080p, en horizontal o en vertical. Pagas por segundo — $0.05, $0.10 o $0.20 según la resolución —, así que un borrador corto cuesta $0.20 y el clip más largo y nítido de la plataforma cuesta $6.00. Cripto o tarjeta, sin suscripción.
01Qué es
¿Qué es Wan 3.0?
Wan 3.0 es el modelo de generación de video de Alibaba, publicado en Alibaba Cloud Model Studio en agosto de 2026, y renderiza clips de 4 a 30 segundos con el audio generado en la misma pasada que la imagen. Aquí lee un prompt, un fotograma inicial y otro final opcionales, o hasta 10 imágenes de referencia, y devuelve un clip terminado en 480p, 720p o 1080p. Cobramos exactamente lo que Alibaba pide por el modelo — $0.05, $0.10 y $0.20 por segundo según la resolución — en lugar de aplicarle un margen, que es la misma política que seguimos con los modelos de Google.
¿Quién necesita de verdad 30 segundos?
Cualquiera que esté harto de pegar trozos. La mayoría de los modelos de video se queda en ocho o diez segundos, así que una secuencia de medio minuto son tres o cuatro generaciones, cuadrarlas a mano y aguantar las costuras donde el modelo cambió de opinión sobre la luz. Wan lo renderiza todo en una sola toma. Para bucles de producto, fondos ambientales, planos de proceso y cualquier cosa donde la cámara simplemente siga moviéndose, eso elimina el montaje por completo. En vertical funciona igual: 9:16 en cualquiera de las tres resoluciones, que es justo lo que piden Shorts y Reels.
02Lo que hace bien
Seis cosas que conviene saber antes de gastar
Sonido que no cuesta nada
El audio se genera con la imagen y viene activado. Quitarlo es un interruptor y el precio es el mismo en ambos casos, a diferencia de Veo, donde el audio nativo es un extra de pago.
Primer y último fotograma
Dale una imagen inicial para animar y, si quieres, otra final donde aterrizar. La misma imagen en los dos huecos te deja un bucle limpio.
Hasta 10 imágenes de referencia
Las referencias mantienen un personaje o un estilo estables de una tirada a otra. Son una alternativa a los fotogramas, no un añadido: el modelo acepta una cosa o la otra.
Seeds
Fija el seed y el mismo prompt aterriza muy cerca del mismo plano. Útil cuando ajustas palabra a palabra y quieres ver qué hizo esa palabra.
Tres niveles de precio
480p para borradores a $0.05 el segundo, 720p para publicar a $0.10, 1080p a $0.20. Prueba barato y renderiza el bueno una sola vez.
03Límites honestos
Lo que Wan 3.0 no va a hacer
Aquí editar no es una conversación. A Gemini Omni Flash le puedes decir «haz la luz más cálida» y el modelo ajusta la escena que recuerda. Wan puede volver a rodar un clip que le entregues — hasta 15 segundos de fuente, con fuente y resultado juntos dentro de 30 segundos —, pero cada petición empieza de cero, y los segundos de la fuente se cobran junto con los del resultado. Además genera un solo clip por ejecución: no hay cuadrículas de cuatro variantes para elegir. No hay prompt negativo, así que lo que no quieras hay que sacarlo de la escena con palabras, no prohibirlo. Las relaciones de aspecto son solo 16:9 y 9:16, y el techo es 1080p. Y los fotogramas iniciales y las imágenes de referencia se excluyen entre sí: o fotogramas o referencias, no ambos.
Alibaba es franca sobre dónde el modelo todavía está creciendo: sus propias notas de lanzamiento dicen que la textura del audio y el texto en pantalla aún no están donde quieren, y eso coincide a grandes rasgos con lo que vemos: el ambiente funciona y las frases habladas salieron mejor de lo que esperábamos, pero no es una pista que puedas afinar al detalle. Las tomas largas tienen su propio riesgo. Nuestro clip de alfarería de veinte segundos aguantó mejor de lo que esperaba, pero treinta segundos son muchos fotogramas que mantener coherentes, así que reserva presupuesto para un reintento en todo lo que pase de quince. Algo que el modelo hace en origen y que no hemos conectado: acepta documentos (PPT, PDF, hojas de cálculo) como entrada. Y su «extend» es una escena siguiente con el mismo reparto y decorado, no una continuación fotograma a fotograma. Si quieres un audio que puedas dirigir frase a frase, Gemini Omni Flash es la mejor herramienta; si necesitas 4K, que Wan no alcanza, la alternativa es Veo 3.1.
04Notas de campo
Lo que nos enseñó la producción real
Estas notas salen de producción publicitaria real con Wan 3.0 en septiembre de 2026: clips de producto, pasadas de limpieza sobre material filmado, remakes construidos a partir de un primer fotograma. Nada de esto está en la documentación, y averiguarlo costó dinero.
El orden de los bloques decide el resultado
Lo que va primero en el prompt se lleva la atención, y una descripción larga del producto se la lleva toda. En nuestras pruebas, una instrucción de limpieza en séptimo lugar se quedó sin hacer; las mismas palabras, movidas arriba como «TASK 1», se cumplieron. Pon primero lo que más necesitas.
Las negaciones funcionan como lista de dibujo
«No ring, no watch, no ink» nos dio un anillo de oro nuevo y un tatuaje más marcado. En nuestras pruebas, nombrar una cosa fue pedirla. Describe lo que sí debe estar: «each finger is plain skin from base to tip» logró lo que tres negaciones no pudieron.
Rellena las manos vacías
En nuestros planos donde el producto no debía aparecer, Wan cambió por él lo que la mano sostenía: un peine se convirtió en una recortadora. Nombra cada herramienta, di expresamente que un plano sin el producto está bien y escribe «nunca más de uno» en lugar de «exactamente uno». Más seguro todavía: genera esos planos como un segmento aparte cuyo prompt no describa el producto en ningún momento.
Un primer fotograma sujeta el objeto
A partir de una sola imagen inicial y sin referencias, Wan mantuvo un producto intacto durante diez segundos: botones en su sitio, nada de más en la escena. En nuestras pruebas con el mismo fotograma, otros modelos hicieron brotar un cable suelto y objetos ajenos. Si importa el producto exacto, haz primero el fotograma y deja que Wan lo anime en una sola ejecución.
La limpieza vuelve fotograma a fotograma
Editar un clip filmado para quitar tatuajes, un reloj y pulseras devolvió un material que coincidía con la fuente plano a plano, con la piel limpia. Para nosotros, los trozos de hasta unos ocho segundos fueron el tamaño fiable; las fuentes más largas conviene cortarlas en partes.
Una ejecución larga gana a una cadena
En Wan, extend significa «la escena siguiente», no una continuación fotograma a fotograma. Cuando necesites quince, veinte o treinta segundos, pídelos como una sola generación en vez de encadenar varias cortas.
Las duraciones son segundos enteros
El resultado se recorta al número entero de segundos que pediste, a 30 fps: entraron 94 fotogramas y volvieron 90. Por eso a nosotros no nos salió cortar justo en el límite de un plano: planifica los segmentos para que las uniones caigan en segundos enteros.
Una foto de referencia trae su vestuario
En nuestras pruebas, Wan copió la ropa y las joyas de la foto de una persona aunque el prompt dijera «solo cara y pelo». Recorta la referencia a lo que de verdad quieres trasladar.
Espacio para un guion plano a plano
El prompt admite hasta 20.000 caracteres, así que hay sitio para tareas numeradas, un candado para cada herramienta y una descripción de cada plano. Wan premia esa estructura: cuanto más exacto es un bloque sobre lo que hay en el encuadre, menos improvisa.
Defectos con los que contar. El sonido suele estar ahí, y el modelo pronuncia bien las frases habladas, y no solo en inglés. Un proyecto fue al revés: en las pasadas de edición y en un texto a vídeo con un prompt complejo, el motor de una recortadora volvió flojo, en torno a −45 dB: se oía, pero apenas. En nuestras otras pruebas la pista estaba donde debía, así que es un caso concreto y no un rasgo del modelo; si una pista floja te complica, comprueba el nivel y coge el sonido de tu fuente cuando haga falta. Los dígitos pequeños de la pantalla de un aparato los dibuja mejor que la competencia, pero no de forma fiable: nos salió 89 donde el fotograma decía 84, y con agarre horizontal los dígitos aparecieron girados. La forma de un producto puede desdibujarse en planos medios. Y al editar material filmado, el modelo a veces pinta un detalle de más adelante en la fuente: en un montaje, una línea rapada en un corte de pelo apareció un plano antes y desapareció en el siguiente. Reintentar no nos lo arregló, así que cortamos ese trozo.
05Cómo usarlo
Del prompt al clip en tres pasos
Describe el plano, no el tema
Sujeto, qué está haciendo, la cámara, la luz. «Plano continuo» merece decirse en voz alta. Luego añade una línea corta con «Audio/sound:» y lo que debería oírse: Wan capta la indirecta.
Primero el borrador en 480p
Cuatro segundos en 480p cuestan $0.20. Cuadra ahí la composición y después relanza el ganador en 720p o 1080p con la duración que de verdad necesitas.
Paga los segundos que te llevas
El saldo se cobra al arrancar el trabajo y se devuelve automáticamente si falla o si el filtro lo rechaza. Recarga con cripto o tarjeta; no hay ninguna cuota mensual esperándote.
06Precios
¿Cuánto cuesta Wan 3.0 frente a Veo 3.1 y Omni en 2026?
| Modelo | 4 s | 10 s | 30 s | Sonido |
|---|---|---|---|---|
| Wan 3.0 · 480p$0.05/s — borradores y redes | $0.20 | $0.50 | $1.50 | Incluido, gratis |
| Wan 3.0 · 720p$0.10/s — la opción habitual | $0.40 | $1.00 | $3.00 | Incluido, gratis |
| Wan 3.0 · 1080p$0.20/s — la más nítida | $0.80 | $2.00 | $6.00 | Incluido, gratis |
| Veo 3.1 Fast · 720pModelo de Google, solo 4–8 s | $0.35 | — | — | Cuesta aparte |
| Gemini Omni 1.1 Flash · 720pModelo de Google, por segundo, 3–10 s por generación | $0.40 | $1.00 | — | Siempre activo |
| Gemini Omni 1.1 Flash · 1080pEl mismo modelo en 1080p, $0.15 el segundo | $0.60 | $1.50 | — | Siempre activo |
Los precios son por clip terminado e incluyen la pista de audio. Un guion significa que el modelo no entrega esa duración en una sola generación: Veo se detiene en ocho segundos y Omni llega a 40 segundos solo extendiendo un clip terminado escena a escena. Los depósitos de $50 suman un 5% a tu saldo y los de $100 un 10%; un código promocional activo añade otro 10% sobre ese mismo depósito. El bono por volumen de +5% / +10% se aplica solo a las recargas con cripto.
La tabla completa de todos los modelos está en la página de precios.
07Sigue leyendo
Guías que van más a fondo
Convertir una foto en video
Cómo se comportan de verdad los fotogramas iniciales, los finales y los bucles, con los prompts que los hicieron.
Leer la guíaEscribir prompts para modelos de video
Lenguaje de cámara, luz, movimiento. Está escrito para Veo, pero la estructura se traslada a Wan casi sin cambios.
Leer la guíaGemini Omni Flash, a examen
El modelo al que recurrir cuando necesitas editar un clip hablándole en vez de volver a escribir el prompt.
Leer la guía08Preguntas frecuentes
Las preguntas que de verdad nos hacen
¿Cuánto puede durar un video de Wan 3.0?
Hasta 30 segundos en una sola generación. Las duraciones que puedes elegir son 4, 6, 8, 10, 15, 20 y 30 segundos, y el clip vuelve como una toma continua: no son cuatro clips cortos unidos. Los modelos Veo y Omni de Google se paran en ocho y diez segundos por clip.
¿Cuánto cuesta un clip de Wan 3.0?
Pagas por segundo: $0.05 en 480p, $0.10 en 720p y $0.20 en 1080p. Así que cuatro segundos de borrador son $0.20, diez segundos en 720p son $1.00 y el máximo, treinta segundos en 1080p, son $6.00. La pista de audio va incluida en ese precio.
Leer la respuesta completa¿Wan 3.0 genera sonido?
Sí, y viene activado. El sonido se renderiza junto a la imagen en vez de añadirse después, así que las pisadas suenan justo cuando el pie toca el suelo. Puedes quitarlo para tener un clip mudo y eso no cambia lo que pagas. Describe lo que quieres oír en una línea corta con «Audio/sound:» al final del prompt. Conviene saberlo: las propias notas de lanzamiento de Alibaba señalan la textura del audio como algo que aún están puliendo. En nuestras pruebas la pista se podía usar tal cual y las frases habladas sonaban bien, pero en un clip importante conviene revisar el nivel.
¿Puedo animar mi propia foto?
Sí. Suelta una imagen en el hueco del fotograma inicial y que el prompt describa qué debería pasarle. Puedes añadir un fotograma final para controlar dónde aterriza el plano, y usar la misma imagen en los dos huecos te da un bucle. Un detalle: los fotogramas y las imágenes de referencia no se pueden usar a la vez.
¿Wan 3.0 o Veo 3.1, cuál me conviene?
Wan 3.0 es el más nuevo y el más capaz de los dos: tomas de hasta 30 segundos frente a ocho, sonido incluido en el precio, clips de referencia en la entrada y un producto que sigue siendo él mismo cuando lo animas desde un primer fotograma. Veo 3.1 es la alternativa para lo que Wan no cubre — salida en 4K — y para clips cortos con el look de Google. Mi regla práctica: empieza con Wan y pasa a Veo cuando el encargo diga 4K.
¿Puedo editar un clip después de generarlo?
Sí, con un matiz. Entrégale a Wan un clip de hasta 15 segundos — hecho por él o filmado por ti —, describe el cambio y te devuelve un clip nuevo. Fuente y resultado juntos tienen que caber en 30 segundos, y los segundos de la fuente se cobran a la misma tarifa por segundo que el resultado. No es una conversación: cada edición es una petición nueva sin memoria de la anterior, y «extend» te da la escena siguiente en vez de una continuación fotograma a fotograma. El modelo que recuerda el clip que hizo es Gemini Omni Flash.
¿Puedo usar los videos de Wan 3.0 comercialmente?
Sí. Lo que generas es tuyo, también para trabajos de cliente y usos comerciales, sujeto a las normas de contenido de nuestros términos. No hay marca de agua en el resultado ni una licencia aparte que comprar.
Treinta segundos, un prompt
Las cuentas nuevas empiezan con $0.20 de saldo, suficiente para un borrador en 480p y ver si Wan es tu modelo. Clips desde $0.20, sin suscripción y sin compromiso.