30 सेकंड तक, एक ही टेक
4, 6, 8, 10, 15, 20 या 30 सेकंड। न जोड़ना, न हिस्सों के बीच फ़र्क़ आना। यहाँ का दूसरा सबसे लंबा मॉडल पंद्रह तक जाता है; Google के मॉडल आठ या दस पर रुक जाते हैं।
मॉडल · Alibaba Wan 3.0
Wan 3.0 — एक ही रन में 30 सेकंड का वीडियो
Alibaba का वीडियो मॉडल, और वह एक चीज़ जो यहाँ मौजूद Google के मॉडल नहीं कर पाते: लंबाई। एक जनरेशन में आपको 4 से 30 सेकंड मिलते हैं, ध्वनि पहले से उसी में, 480p, 720p या 1080p पर, हॉरिज़ॉन्टल या वर्टिकल। भुगतान प्रति सेकंड होता है — रेज़ोल्यूशन के हिसाब से $0.05, $0.10 या $0.20 — यानी एक छोटा ड्राफ़्ट $0.20 का पड़ता है और प्लेटफ़ॉर्म की सबसे लंबी, सबसे साफ़ क्लिप $6.00 की। क्रिप्टो या कार्ड, कोई सब्सक्रिप्शन नहीं।
01यह है क्या
Wan 3.0 क्या है?
Wan 3.0 अलीबाबा का वीडियो जनरेशन मॉडल है, जो अगस्त 2026 में Alibaba Cloud Model Studio पर आया, और यह 4 से 30 सेकंड की क्लिप बनाता है जिसमें ऑडियो तस्वीर के साथ उसी पास में जनरेट होता है। यहाँ यह एक प्रॉम्प्ट, वैकल्पिक शुरुआती और आख़िरी फ़्रेम, या ज़्यादा से ज़्यादा 10 रेफ़रेंस इमेज पढ़ता है और 480p, 720p या 1080p पर एक पूरी क्लिप लौटाता है। हम इस पर मार्कअप लगाने के बजाय ठीक वही दाम लेते हैं जो अलीबाबा ने मॉडल के लिए तय किए हैं — रेज़ोल्यूशन के हिसाब से प्रति सेकंड $0.05, $0.10 और $0.20 — यही नीति हम Google के मॉडलों पर भी अपनाते हैं।
30 सेकंड की ज़रूरत असल में किसे है?
हर उस इंसान को जो क्लिप जोड़-जोड़कर थक चुका है। ज़्यादातर वीडियो मॉडल आठ या दस सेकंड पर रुक जाते हैं, तो आधे मिनट के सीन का मतलब है तीन-चार जनरेशन, उन्हें हाथ से मिलाना, और वहाँ के जोड़ झेलना जहाँ मॉडल ने रोशनी को लेकर मन बदल लिया। Wan पूरी चीज़ को एक ही टेक में बनाता है। प्रोडक्ट लूप, माहौल वाले बैकग्राउंड, प्रोसेस शॉट और हर वह चीज़ जिसमें कैमरा बस चलता रहता है — इनमें एडिटिंग का चरण पूरी तरह ख़त्म हो जाता है। वर्टिकल भी वैसे ही काम करता है — तीनों रेज़ोल्यूशन पर 9:16, यानी वही जो Shorts और Reels को चाहिए।
02यह अच्छा क्या करता है
पैसे लगाने से पहले जान लेने लायक छह बातें
ऐसी ध्वनि जो मुफ़्त है
ऑडियो तस्वीर के साथ ही बनता है और डिफ़ॉल्ट रूप से चालू रहता है। बंद करना एक टॉगल भर है, और दोनों ही हाल में दाम वही रहता है — Veo के उलट, जहाँ नेटिव ऑडियो अलग से पैसे लेता है।
पहला और आख़िरी फ़्रेम
एनिमेट करने के लिए एक शुरुआती इमेज दीजिए, और चाहें तो एक आख़िरी इमेज जिस पर शॉट आकर रुके। दोनों जगह एक ही तस्वीर डालने से साफ़-सुथरा लूप मिलता है।
10 रेफ़रेंस इमेज तक
रेफ़रेंस किसी विषय या स्टाइल को कई रन में एक जैसा बनाए रखते हैं। ये फ़्रेम के साथ नहीं, फ़्रेम के बदले काम आते हैं — मॉडल दोनों में से एक ही लेता है।
सीड
सीड तय कर दीजिए और वही प्रॉम्प्ट लगभग वही शॉट देगा। तब काम आता है जब आप एक-एक शब्द बदलकर देखना चाहते हैं कि उस शब्द ने क्या किया।
तीन क़ीमत स्तर
ड्राफ़्ट के लिए 480p, प्रति सेकंड $0.05; पब्लिश करने के लिए 720p, $0.10 पर; 1080p, $0.20 पर। ड्राफ़्ट सस्ते में बनाइए, जो रखना है उसे एक बार रेंडर कीजिए।
03ईमानदार सीमाएँ
Wan 3.0 जो नहीं करेगा
यहाँ एडिटिंग कोई बातचीत नहीं है। Gemini Omni Flash से आप कह सकते हैं "रोशनी थोड़ी गर्म कर दो" और मॉडल उस सीन को बदल देता है जो उसे याद है। Wan आपकी दी हुई क्लिप को दोबारा शूट कर सकता है — 15 सेकंड तक का सोर्स, और सोर्स व नतीजा मिलाकर 30 सेकंड के भीतर — लेकिन हर अनुरोध शून्य से शुरू होता है, और सोर्स के सेकंड भी नतीजे के सेकंड के साथ बिल होते हैं। यह हर रन में एक ही क्लिप बनाता है — चार वेरिएंट की ग्रिड में से चुनने जैसा कुछ नहीं। नेगेटिव प्रॉम्प्ट नहीं है, इसलिए जो आपको नहीं चाहिए उसे मना करने के बजाय सीन से लिखकर बाहर रखना पड़ता है। आस्पेक्ट रेशियो सिर्फ़ 16:9 और 9:16 हैं, और ऊपरी सीमा 1080p है। और शुरुआती फ़्रेम और रेफ़रेंस इमेज एक साथ नहीं चलते: या तो फ़्रेम चुनिए या रेफ़रेंस, दोनों नहीं।
मॉडल अभी कहाँ विकसित हो रहा है, इस पर Alibaba साफ़ बात करता है: उसके अपने लॉन्च नोट्स कहते हैं कि ऑडियो की बनावट और स्क्रीन पर टेक्स्ट की रेंडरिंग अभी वहाँ नहीं पहुँची जहाँ वे चाहते हैं, और मोटे तौर पर यह हमारे अनुभव से मेल खाता है — माहौल की आवाज़ जँचती है और संवाद हमारी उम्मीद से बेहतर निकले, पर यह ऐसा ट्रैक नहीं जिसे बारीकी से गढ़ा जा सके। लंबे टेक का अपना जोखिम है। ऊपर वाली हमारी बीस सेकंड की मिट्टी के बर्तन वाली क्लिप मेरी उम्मीद से बेहतर टिकी, लेकिन तीस सेकंड में बहुत सारे फ़्रेम एकरूप रखने होते हैं, इसलिए पंद्रह सेकंड से ऊपर की हर चीज़ के लिए एक रीट्राई का बजट रखिए। एक चीज़ जो मूल मॉडल करता है और हमने नहीं जोड़ी: वह दस्तावेज़ (PPT, PDF, स्प्रेडशीट) इनपुट के रूप में लेता है। और उसका "extend" उन्हीं कलाकारों और उसी सेट के साथ अगला सीन है, फ़्रेम-दर-फ़्रेम सटीक निरंतरता नहीं। अगर आपको ऐसा ऑडियो चाहिए जिसे वाक्य-दर-वाक्य निर्देशित किया जा सके, तो Gemini Omni Flash बेहतर औज़ार है; अगर 4K चाहिए, जहाँ तक Wan नहीं पहुँचता, तो विकल्प Veo 3.1 है।
04फ़ील्ड नोट्स
असली प्रोडक्शन ने हमें क्या सिखाया
ये नोट्स सितंबर 2026 में Wan 3.0 पर किए गए असली विज्ञापन प्रोडक्शन से आए हैं: प्रोडक्ट क्लिप, फ़िल्माए गए फ़ुटेज पर सफ़ाई के पास, पहले फ़्रेम से बनाए गए रीमेक। इनमें से कुछ भी दस्तावेज़ों में नहीं है, और हर बात जानने में पैसा लगा।
ब्लॉक का क्रम नतीजा तय करता है
प्रॉम्प्ट में जो पहले आता है, ध्यान उसी को मिलता है, और प्रोडक्ट का लंबा विवरण सारा ध्यान खींच लेता है। हमारे टेस्ट में सातवें स्थान पर रखा सफ़ाई का निर्देश छूट गया; वही शब्द "TASK 1" बनाकर सबसे ऊपर रखे तो उन पर अमल हुआ। जो चीज़ सबसे ज़रूरी है, उसे सबसे पहले रखिए।
निषेध ड्रॉइंग की सूची की तरह काम करते हैं
"No ring, no watch, no ink" से हमें एक नई सोने की अँगूठी और ज़्यादा गहरा टैटू मिला। हमारे टेस्ट में किसी चीज़ का नाम लेना उसे माँगने जैसा निकला। इसके बजाय बताइए कि वहाँ क्या होना चाहिए: "each finger is plain skin from base to tip" ने वह कर दिखाया जो तीन निषेध नहीं कर पाए।
यह खाली हाथ भर देता है
हमारे जिन शॉट्स में प्रोडक्ट नहीं दिखना चाहिए था, वहाँ Wan ने हाथ में पकड़ी चीज़ को प्रोडक्ट से बदल दिया — कंघी ट्रिमर बन गई। हर औज़ार का नाम लीजिए, साफ़ कहिए कि बिना प्रोडक्ट वाला फ़्रेम ठीक है, और "ठीक एक" की जगह "कभी एक से ज़्यादा नहीं" लिखिए। इससे भी सुरक्षित: ऐसे शॉट्स को अलग सेगमेंट के रूप में रेंडर कीजिए, जिसके प्रॉम्प्ट में प्रोडक्ट का ज़िक्र ही न हो।
पहला फ़्रेम वस्तु को थामे रखता है
सिर्फ़ एक शुरुआती इमेज से और बिना रेफ़रेंस के, Wan ने प्रोडक्ट को दस सेकंड तक जस का तस रखा: बटन अपनी जगह, सीन में कुछ भी फ़ालतू नहीं। उसी फ़्रेम पर हमारे परीक्षणों में दूसरे मॉडलों ने एक भटकी हुई तार और बाहरी चीज़ें उगा दीं। अगर ठीक वही प्रोडक्ट मायने रखता है, तो पहले फ़्रेम बनाइए और Wan को एक ही रन में उसे एनिमेट करने दीजिए।
सफ़ाई फ़्रेम-दर-फ़्रेम लौटती है
टैटू, घड़ी और ब्रेसलेट हटाने के लिए फ़िल्माई गई क्लिप को एडिट करने पर ऐसा फ़ुटेज लौटा जो सोर्स से शॉट-दर-शॉट मेल खाता था, और त्वचा साफ़ थी। हमारे लिए लगभग आठ सेकंड तक के टुकड़े भरोसेमंद आकार रहे; लंबे सोर्स को हिस्सों में काटना बेहतर है।
एक लंबा रन चेन से बेहतर है
Wan पर extend का मतलब है "अगला सीन", फ़्रेम-दर-फ़्रेम सटीक निरंतरता नहीं। जब आपको पंद्रह, बीस या तीस सेकंड चाहिए, तो छोटे-छोटे जोड़ने के बजाय उन्हें एक ही जनरेशन के रूप में ऑर्डर कीजिए।
अवधियाँ पूरे सेकंड में होती हैं
नतीजा आपके ऑर्डर किए हुए पूरे सेकंड तक काट दिया जाता है, 30 fps पर: 94 फ़्रेम गए, 90 लौटे। इसलिए ठीक शॉट की सीमा पर काटना हमारे यहाँ नहीं बन पाया — सेगमेंट ऐसे प्लान कीजिए कि जोड़ पूरे सेकंड पर पड़ें।
रेफ़रेंस फ़ोटो अपने कपड़े भी साथ लाती है
हमारे टेस्ट में Wan ने किसी व्यक्ति की फ़ोटो से कपड़े और गहने कॉपी कर लिए, भले ही प्रॉम्प्ट में लिखा था "सिर्फ़ चेहरा और बाल"। रेफ़रेंस को उतने तक क्रॉप कीजिए जितना आप सचमुच आगे ले जाना चाहते हैं।
शॉट-दर-शॉट ब्रीफ़ के लिए जगह
प्रॉम्प्ट 20,000 अक्षरों तक लेता है, इसलिए नंबर वाले टास्क, हर औज़ार पर लॉक और हर शॉट के विवरण की जगह है। Wan इस ढाँचे का इनाम देता है: कोई ब्लॉक जितनी सटीकता से बताता है कि फ़्रेम में क्या है, वह उतना ही कम मनमानी करता है।
वे ख़ामियाँ जिनका हिसाब पहले से रखिए। आवाज़ आम तौर पर रहती है, और मॉडल संवाद भी ठीक-ठाक बोल लेता है — सिर्फ़ अंग्रेज़ी में नहीं। एक प्रोजेक्ट में उल्टा हुआ: एडिट पास में और जटिल प्रॉम्प्ट वाले एक text-to-video में ट्रिमर की मोटर की आवाज़ धीमी लौटी, क़रीब −45 dB — सुनाई तो दी, पर कमज़ोर। हमारे बाक़ी प्रयासों में ट्रैक अपनी जगह था, इसलिए इसे मॉडल का स्वभाव नहीं, एक ख़ास मामला मानिए; अगर धीमी आवाज़ भारी पड़े तो लेवल जाँच लीजिए और ज़रूरत हो तो आवाज़ अपने सोर्स से ले लीजिए। डिवाइस की डिस्प्ले पर छोटे अंक प्रतिस्पर्धियों से बेहतर बनते हैं, पर भरोसेमंद नहीं — जहाँ फ़्रेम में 84 था वहाँ हमें 89 मिला, और आड़ी पकड़ में अंक घूमे हुए निकले। मीडियम शॉट में प्रोडक्ट का आकार नरम पड़ सकता है। और फ़ुटेज एडिट करते समय मॉडल कभी-कभी सोर्स में बाद में आने वाला ब्योरा पहले ही बना देता है — हेयरकट में शेव की हुई एक रेखा एक शॉट पहले दिख गई और अगले में ग़ायब हो गई। दोबारा चलाने पर भी हमारे यहाँ यह ठीक नहीं हुआ, इसलिए हमने वह हिस्सा काट दिया।
05चलाएँ कैसे
प्रॉम्प्ट से क्लिप तक, तीन क़दम में
विषय नहीं, शॉट लिखिए
कौन, क्या कर रहा है, कैमरा, रोशनी। "Single continuous shot" लिख देना काम आता है। फिर जो सुनाई देना चाहिए उसके लिए एक छोटी "Audio/sound:" पंक्ति जोड़िए — Wan इशारा पकड़ लेता है।
पहले 480p पर ड्राफ़्ट बनाइए
480p पर चार सेकंड $0.20 के पड़ते हैं। कंपोज़िशन वहीं ठीक कर लीजिए, फिर जो सबसे अच्छा निकला उसे असल में जितनी लंबाई चाहिए उतनी पर 720p या 1080p में दोबारा चलाइए।
जितने सेकंड मिले, उतने का भुगतान
जॉब शुरू होते ही बैलेंस से कटता है, और जॉब फेल होने या फ़िल्टर के रोकने पर अपने-आप वापस आ जाता है। क्रिप्टो या कार्ड से टॉप-अप कीजिए; कोई मासिक शुल्क आपका इंतज़ार नहीं कर रहा।
06क़ीमतें
2026 में Wan 3.0 की कीमत Veo 3.1 और Omni की तुलना में कितनी है?
| मॉडल | 4 सेकंड | 10 सेकंड | 30 सेकंड | ध्वनि |
|---|---|---|---|---|
| Wan 3.0 · 480p$0.05/सेकंड — ड्राफ़्ट और सोशल | $0.20 | $0.50 | $1.50 | शामिल, मुफ़्त |
| Wan 3.0 · 720p$0.10/सेकंड — आम पसंद | $0.40 | $1.00 | $3.00 | शामिल, मुफ़्त |
| Wan 3.0 · 1080p$0.20/सेकंड — सबसे साफ़ | $0.80 | $2.00 | $6.00 | शामिल, मुफ़्त |
| Veo 3.1 Fast · 720pGoogle का मॉडल, सिर्फ़ 4–8 सेकंड | $0.35 | — | — | अलग से शुल्क |
| Gemini Omni 1.1 Flash · 720pGoogle का मॉडल, प्रति सेकंड, एक रन में 3–10 से. | $0.40 | $1.00 | — | हमेशा चालू |
| Gemini Omni 1.1 Flash · 1080pवही मॉडल 1080p में, $0.15 प्रति सेकंड | $0.60 | $1.50 | — | हमेशा चालू |
क़ीमतें तैयार क्लिप की हैं और उनमें ऑडियो ट्रैक शामिल है। डैश का मतलब है कि वह मॉडल उतनी लंबाई एक ही रन में नहीं देता: Veo आठ सेकंड पर रुक जाता है, और Omni 40 सेकंड तक तभी पहुँचता है जब तैयार क्लिप को सीन-दर-सीन आगे बढ़ाया जाए। $50 के डिपॉज़िट पर बैलेंस में 5% और $100 पर 10% जुड़ता है; चालू प्रोमो कोड उसी डिपॉज़िट पर 10% और जोड़ देता है। +5% / +10% वॉल्यूम बोनस केवल क्रिप्टो टॉप-अप पर लागू होता है।
हर मॉडल की पूरी तालिका क़ीमत वाले पेज पर है।
07आगे पढ़ें
गहराई में जाने वाली गाइड
फ़ोटो को वीडियो में बदलना
शुरुआती फ़्रेम, आख़िरी फ़्रेम और लूप असल में कैसा बर्ताव करते हैं, उन्हीं प्रॉम्प्ट के साथ जिनसे ये बने।
गाइड पढ़ेंवीडियो मॉडल के लिए प्रॉम्प्ट लिखना
कैमरे की भाषा, रोशनी, गति। लिखा Veo के लिए गया है, पर ढाँचा Wan पर लगभग ज्यों का त्यों चलता है।
गाइड पढ़ेंGemini Omni Flash की समीक्षा
वह मॉडल जिसे तब चुनिए जब क्लिप को नया प्रॉम्प्ट लिखकर नहीं, बात करके बदलना हो।
गाइड पढ़ें08सवाल-जवाब
वे सवाल जो लोग सच में पूछते हैं
Wan 3.0 का वीडियो कितना लंबा हो सकता है?
एक ही जनरेशन में 30 सेकंड तक। चुनने के लिए लंबाइयाँ हैं 4, 6, 8, 10, 15, 20 और 30 सेकंड, और क्लिप एक ही लगातार टेक के रूप में आती है — चार छोटी क्लिप जोड़कर नहीं बनाई जाती। Google के Veo और Omni मॉडल प्रति क्लिप आठ और दस सेकंड पर रुक जाते हैं।
Wan 3.0 की एक क्लिप कितने की पड़ती है?
भुगतान प्रति सेकंड होता है: 480p पर $0.05, 720p पर $0.10, 1080p पर $0.20। यानी चार सेकंड का ड्राफ़्ट $0.20, 720p पर दस सेकंड $1.00, और अधिकतम — 1080p पर तीस सेकंड — $6.00। ऑडियो ट्रैक इसी क़ीमत में शामिल है।
पूरा उत्तर पढ़ेंक्या Wan 3.0 ध्वनि भी बनाता है?
हाँ, और वह डिफ़ॉल्ट रूप से चालू रहती है। ध्वनि बाद में जोड़ी नहीं जाती, तस्वीर के साथ ही बनती है, इसलिए क़दमों की आवाज़ ठीक वहीं पड़ती है जहाँ पैर पड़ता है। चुप क्लिप चाहिए तो बंद कर सकते हैं, और इससे आपका ख़र्च नहीं बदलता। जो सुनाई देना चाहिए उसे प्रॉम्प्ट के आख़िर में एक छोटी "Audio/sound:" पंक्ति में लिख दीजिए। जान लेना ठीक रहेगा: अलीबाबा के अपने लॉन्च नोट ऑडियो की बनावट को अब भी सुधारे जा रहे हिस्से में गिनते हैं। हमारे प्रयासों में ट्रैक जैसा आया वैसे ही काम आ गया और संवाद भी ठीक सुनाई दिए, पर किसी अहम क्लिप में लेवल जाँच लेना बेहतर है।
क्या मैं अपनी फ़ोटो को एनिमेट कर सकता हूँ?
हाँ। इमेज को शुरुआती फ़्रेम वाले स्लॉट में डालिए और प्रॉम्प्ट में लिखिए कि उसके साथ क्या होना चाहिए। शॉट कहाँ जाकर रुके, यह तय करने के लिए आख़िरी फ़्रेम जोड़ सकते हैं, और दोनों स्लॉट में एक ही तस्वीर डालने पर लूप मिलता है। एक पेच: फ़्रेम और रेफ़रेंस इमेज साथ में इस्तेमाल नहीं हो सकते।
Wan 3.0 या Veo 3.1 — किसे चुनूँ?
दोनों में Wan 3.0 नया और ज़्यादा सक्षम है: आठ के मुक़ाबले 30 सेकंड तक के टेक, क़ीमत में शामिल आवाज़, इनपुट में रेफ़रेंस क्लिप, और ऐसा प्रोडक्ट जो पहले फ़्रेम से एनिमेट करने पर भी वैसा ही रहता है। Veo 3.1 उस चीज़ का विकल्प है जो Wan नहीं देता — 4K आउटपुट — और Google के लुक वाली छोटी क्लिप के लिए। मेरा सीधा नियम: Wan से शुरू कीजिए, और जब ब्रीफ़ में 4K लिखा हो तब Veo पर जाइए।
क्या क्लिप बन जाने के बाद उसे एडिट कर सकते हैं?
हाँ, एक शर्त के साथ। Wan को 15 सेकंड तक की क्लिप दीजिए — उसकी बनाई हुई या आपकी फ़िल्माई हुई — बदलाव बताइए, और वह नई क्लिप लौटाता है। सोर्स और नतीजा मिलाकर 30 सेकंड के भीतर आने चाहिए, और सोर्स के सेकंड भी नतीजे वाली प्रति-सेकंड दर पर बिल होते हैं। यह बातचीत नहीं है: हर एडिट एक नया अनुरोध है जिसे पिछला याद नहीं, और "extend" फ़्रेम-दर-फ़्रेम सटीक निरंतरता के बजाय अगला सीन देता है। अपनी बनाई क्लिप को याद रखने वाला मॉडल Gemini Omni Flash है।
क्या Wan 3.0 के वीडियो व्यावसायिक रूप से इस्तेमाल हो सकते हैं?
हाँ। आप जो बनाते हैं वह आपका है, क्लाइंट और व्यावसायिक काम समेत, बशर्ते हमारी शर्तों में दिए कंटेंट नियम माने जाएँ। आउटपुट पर कोई वॉटरमार्क नहीं है और अलग से कोई लाइसेंस नहीं ख़रीदना पड़ता।
तीस सेकंड, एक प्रॉम्प्ट
नए अकाउंट में बैलेंस पर $0.20 मिलते हैं — इतना कि एक 480p ड्राफ़्ट बनाकर देख सकें कि Wan आपका मॉडल है या नहीं। क्लिप $0.20 से, कोई सब्सक्रिप्शन नहीं, कोई बंधन नहीं।