Até 30 segundos, uma tomada
4, 6, 8, 10, 15, 20 ou 30 segundos. Sem emendas, sem desvio entre os trechos. O modelo mais longo depois dele aqui chega a quinze; os do Google param em oito ou dez.
Modelo · Alibaba Wan 3.0
Wan 3.0 — 30 segundos de vídeo em uma geração
O modelo de vídeo da Alibaba e a única coisa que ele faz aqui que os modelos do Google não fazem: duração. Uma geração entrega de 4 a 30 segundos já com som dentro, em 480p, 720p ou 1080p, na horizontal ou na vertical. Você paga por segundo — $0.05, $0.10 ou $0.20, conforme a resolução —, então um rascunho curto custa $0.20 e o clipe mais longo e mais nítido da plataforma custa $6.00. Cripto ou cartão, sem assinatura.
01O que é
O que é o Wan 3.0?
O Wan 3.0 é o modelo de geração de vídeo da Alibaba, lançado no Alibaba Cloud Model Studio em agosto de 2026, e renderiza clipes de 4 a 30 segundos com o áudio gerado na mesma passada que a imagem. Aqui ele lê um prompt, um frame inicial e um frame final opcionais, ou até 10 imagens de referência, e devolve um clipe pronto em 480p, 720p ou 1080p. Cobramos exatamente o que a Alibaba pede pelo modelo — $0.05, $0.10 e $0.20 por segundo conforme a resolução — em vez de aplicar margem, a mesma política que usamos com os modelos do Google.
Quem precisa mesmo de 30 segundos?
Quem está cansado de emendar. A maioria dos modelos de vídeo para em oito ou dez segundos, então uma sequência de meio minuto vira três ou quatro gerações, encaixe manual e emendas visíveis onde o modelo mudou de ideia sobre a luz. O Wan renderiza tudo em uma tomada só. Para loops de produto, fundos de ambiente, planos de processo e qualquer coisa em que a câmera simplesmente siga andando, isso elimina a etapa de edição. Na vertical funciona igual — 9:16 em qualquer uma das três resoluções, que é o que Shorts e Reels pedem.
02O que ele faz bem
Seis coisas que vale saber antes de gastar
Som que não custa nada
O áudio é gerado junto com a imagem e vem ligado. Desligar é um toque, e o preço é o mesmo dos dois jeitos — diferente do Veo, em que o áudio nativo é um extra pago.
Primeiro e último frame
Dê a ele uma imagem inicial para animar e, se quiser, uma imagem final onde o plano deve aterrissar. A mesma imagem nos dois campos entrega um loop limpo.
Até 10 imagens de referência
As referências mantêm um personagem ou um estilo consistentes entre gerações. Elas substituem os frames, não somam a eles: o modelo aceita um ou outro.
Seeds
Fixe o seed e o mesmo prompt cai bem perto do mesmo plano. Útil quando você ajusta uma palavra por vez e quer ver o que aquela palavra fez.
Três faixas de preço
480p para rascunhos a $0.05 por segundo, 720p para publicar a $0.10, 1080p a $0.20. Rascunhe barato e renderize o escolhido uma vez só.
03Limites honestos
O que o Wan 3.0 não vai fazer
Aqui editar não é uma conversa. Ao Gemini Omni Flash você pode dizer "deixe a luz mais quente" e o modelo ajusta a cena de que se lembra. O Wan consegue refilmar um clipe que você entrega — até 15 segundos de origem, com origem e resultado juntos dentro de 30 segundos —, mas cada pedido começa do zero, e os segundos da origem são cobrados junto com os do resultado. Ele também gera um clipe por execução: nada de grades com quatro variantes para escolher. Não há prompt negativo, então o que você não quer precisa ser tirado da cena pela escrita, não proibido. As proporções são só 16:9 e 9:16, e o teto é 1080p. E quadros iniciais e imagens de referência se excluem: escolha quadros ou referências, não os dois.
A Alibaba é franca sobre onde o modelo ainda está crescendo: as próprias notas de lançamento dizem que a textura do áudio e a renderização de texto na tela ainda não estão onde eles querem, e isso bate em linhas gerais com o que vemos — a ambiência funciona e as falas saíram melhor do que esperávamos, mas não é uma trilha que dê para ajustar em detalhe. Tomadas longas têm o seu próprio risco. Nosso clipe de cerâmica de vinte segundos se sustentou melhor do que eu esperava, mas trinta segundos são muitos quadros para manter coerentes, então reserve verba para uma nova tentativa em tudo que passar de quinze. Uma coisa que o modelo faz na origem e que não ligamos aqui: ele aceita documentos (PPT, PDF, planilhas) como entrada. E o "extend" dele é uma próxima cena com o mesmo elenco e cenário, não uma continuação quadro a quadro. Se você quer áudio que dá para dirigir frase por frase, o Gemini Omni Flash é a ferramenta melhor; se precisa de 4K, que o Wan não alcança, a alternativa é o Veo 3.1.
04Notas de campo
O que a produção real nos ensinou
Estas notas vêm de produção publicitária real com o Wan 3.0 em setembro de 2026: clipes de produto, passadas de limpeza sobre material filmado, remakes construídos a partir de um primeiro quadro. Nada disso está na documentação, e tudo custou dinheiro para descobrir.
A ordem dos blocos decide o resultado
O que vem primeiro no prompt fica com a atenção, e uma descrição longa do produto leva toda ela. Nos nossos testes, uma instrução de limpeza em sétimo lugar ficou de fora; as mesmas palavras, levadas para o topo como "TASK 1", foram cumpridas. Coloque primeiro aquilo de que você mais precisa.
Negações funcionam como lista de desenho
"No ring, no watch, no ink" nos deu um anel de ouro novo e uma tatuagem mais forte. Nos nossos testes, nomear uma coisa foi pedir por ela. Descreva o que deve estar lá: "each finger is plain skin from base to tip" fez o que três negações não conseguiram.
Ele preenche mãos vazias
Nos nossos planos em que o produto não devia aparecer, o Wan trocou por ele o que a mão segurava — um pente virou um aparador. Nomeie cada ferramenta, diga com todas as letras que um plano sem o produto está certo e escreva "nunca mais de um" em vez de "exatamente um". Mais seguro ainda: gere esses planos como um segmento separado cujo prompt nunca descreve o produto.
Um primeiro quadro segura o objeto
A partir de uma única imagem inicial e sem referências, o Wan manteve um produto intacto por dez segundos: botões no lugar, nada sobrando na cena. Nos nossos testes com o mesmo quadro, outros modelos fizeram brotar um cabo solto e objetos estranhos. Se o produto exato importa, faça primeiro o quadro e deixe o Wan animá-lo em uma única execução.
A limpeza volta quadro a quadro
Editar um clipe filmado para remover tatuagens, um relógio e pulseiras devolveu um material que batia com a origem plano a plano, com a pele limpa. Para nós, trechos de até uns oito segundos foram o tamanho confiável; origens mais longas é melhor cortar em partes.
Uma execução longa vence uma cadeia
No Wan, extend significa "a próxima cena", não uma continuação quadro a quadro. Quando precisar de quinze, vinte ou trinta segundos, peça tudo como uma geração só em vez de encadear várias curtas.
As durações são segundos inteiros
O resultado é aparado para o número inteiro de segundos que você pediu, a 30 fps: entraram 94 quadros e voltaram 90. Por isso cortar exatamente no limite de um plano não deu certo para nós — planeje os segmentos para que as emendas caiam em segundos inteiros.
Uma foto de referência traz o guarda-roupa junto
Nos nossos testes, o Wan copiou roupas e joias da foto de uma pessoa mesmo quando o prompt dizia "só rosto e cabelo". Recorte a referência para o que você realmente quer levar adiante.
Espaço para um briefing plano a plano
O prompt aceita até 20.000 caracteres, então há espaço para tarefas numeradas, uma trava para cada ferramenta e a descrição de cada plano. O Wan recompensa essa estrutura: quanto mais exato um bloco é sobre o que está em quadro, menos ele improvisa.
Defeitos para levar em conta. O som costuma estar lá, e o modelo diz as falas bem — e não só em inglês. Um projeto fugiu à regra: em passadas de edição e num texto para vídeo com prompt complexo, o motor de um aparador voltou baixo, por volta de −45 dB — dava para ouvir, mas fraco. Nas nossas outras gerações a faixa estava no lugar, então isso é um caso, não um traço do modelo; se um som fraco atrapalha, confira o nível e pegue a trilha da sua origem quando precisar. Dígitos pequenos no visor de um aparelho saem melhor do que na concorrência, mas não de forma confiável — recebemos 89 onde o quadro dizia 84, e com a pegada na horizontal os dígitos vieram girados. A forma de um produto pode amolecer em planos médios. E, ao editar material filmado, o modelo às vezes pinta um detalhe que só aparece mais adiante na origem — numa montagem, uma linha raspada num corte de cabelo surgiu um plano antes e sumiu no seguinte. Tentar de novo não resolveu para nós, então cortamos esse trecho.
05Como usar
Do prompt ao clipe em três passos
Descreva o plano, não o tema
Sujeito, o que ele faz, a câmera, a luz. “Plano único e contínuo” vale dizer em voz alta. Depois acrescente uma linha curta com “Audio/sound:” e o que deve ser ouvido — o Wan capta a deixa.
Rascunhe primeiro em 480p
Quatro segundos em 480p custam $0.20. Acerte a composição ali e depois rode o vencedor de novo em 720p ou 1080p, na duração que você realmente precisa.
Pague pelos segundos que saíram
Seu saldo é debitado quando o job começa e devolvido automaticamente se ele falhar ou o filtro recusar. Recarregue com cripto ou cartão; não há mensalidade nenhuma esperando por você.
06Preços
Quanto custa o Wan 3.0 comparado ao Veo 3.1 e ao Omni em 2026?
| Modelo | 4 s | 10 s | 30 s | Som |
|---|---|---|---|---|
| Wan 3.0 · 480p$0.05/s — rascunhos e redes sociais | $0.20 | $0.50 | $1.50 | Incluso, grátis |
| Wan 3.0 · 720p$0.10/s — a escolha de sempre | $0.40 | $1.00 | $3.00 | Incluso, grátis |
| Wan 3.0 · 1080p$0.20/s — o mais nítido | $0.80 | $2.00 | $6.00 | Incluso, grátis |
| Veo 3.1 Fast · 720pModelo do Google, só 4–8 s | $0.35 | — | — | Custa à parte |
| Gemini Omni 1.1 Flash · 720pModelo do Google, por segundo, 3–10 s por geração | $0.40 | $1.00 | — | Sempre ligado |
| Gemini Omni 1.1 Flash · 1080pO mesmo modelo em 1080p, $0.15 por segundo | $0.60 | $1.50 | — | Sempre ligado |
Os preços são por clipe pronto e incluem a trilha de áudio. Um travessão significa que o modelo não entrega aquela duração numa única geração: o Veo para nos oito segundos e o Omni só chega a 40 segundos estendendo um clipe pronto, cena a cena. Depósitos de $50 somam 5% ao seu saldo e $100 somam 10%; um código promocional ativo acrescenta mais 10% sobre o mesmo depósito. O bônus por volume de +5% / +10% vale apenas para recargas em cripto.
A tabela completa de todos os modelos fica na página de preços.
07Leia depois
Guias que vão mais fundo
Transformando uma foto em vídeo
Como frames iniciais, frames finais e loops se comportam de verdade, com os prompts que os produziram.
Ler o guiaEscrevendo prompts para modelos de vídeo
Linguagem de câmera, luz, movimento. Escrito para o Veo, mas a estrutura passa para o Wan quase sem mudanças.
Ler o guiaGemini Omni Flash, na prática
O modelo para o qual correr quando é preciso editar um clipe conversando, em vez de reescrever o prompt.
Ler o guia08FAQ
Perguntas que realmente aparecem
Qual a duração máxima de um vídeo do Wan 3.0?
Até 30 segundos em uma única geração. As durações disponíveis são 4, 6, 8, 10, 15, 20 e 30 segundos, e o clipe volta como uma tomada contínua — não são quatro clipes curtos emendados. Os modelos Veo e Omni do Google param em oito e dez segundos por clipe.
Quanto custa um clipe do Wan 3.0?
Você paga por segundo: $0.05 em 480p, $0.10 em 720p, $0.20 em 1080p. Ou seja, quatro segundos de rascunho saem por $0.20, dez segundos em 720p por $1.00 e o máximo — trinta segundos em 1080p — por $6.00. A trilha de áudio está incluída nesse preço.
Ler a resposta completaO Wan 3.0 gera som?
Sim, e ele vem ligado. O som é renderizado junto com a imagem, em vez de ser acrescentado depois, então o passo soa exatamente quando o pé toca o chão. Dá para desligar e ter um clipe mudo, e isso não muda o que você paga. Descreva o que quer ouvir numa linha curta com “Audio/sound:” no fim do prompt. Vale saber: as próprias notas de lançamento da Alibaba citam a textura do áudio como algo ainda em refinamento. Nas nossas gerações a trilha dava para usar como veio e as falas soavam bem, mas num clipe importante vale conferir o nível.
Posso animar a minha própria foto?
Pode. Solte uma imagem no campo do frame inicial e deixe o prompt descrever o que deve acontecer com ela. Você pode adicionar um frame final para controlar onde o plano aterrissa, e usar a mesma imagem nos dois campos gera um loop. Um detalhe: frames e imagens de referência não podem ser usados juntos.
Wan 3.0 ou Veo 3.1 — qual usar?
O Wan 3.0 é o mais novo e o mais capaz dos dois: tomadas de até 30 segundos contra oito, som incluído no preço, clipes de referência na entrada e um produto que continua sendo ele mesmo quando você o anima a partir de um primeiro quadro. O Veo 3.1 é a alternativa para o que o Wan não cobre — saída em 4K — e para clipes curtos com o visual do Google. Minha regra prática: comece com o Wan e troque para o Veo quando o briefing pedir 4K.
Dá para editar um clipe depois de gerado?
Sim, com uma ressalva. Entregue ao Wan um clipe de até 15 segundos — feito por ele ou filmado por você —, descreva a mudança, e ele devolve um clipe novo. Origem e resultado juntos precisam caber em 30 segundos, e os segundos da origem são cobrados na mesma tarifa por segundo do resultado. Não é uma conversa: cada edição é um pedido novo, sem memória do anterior, e "extend" entrega a próxima cena em vez de uma continuação quadro a quadro. O modelo que se lembra do clipe que fez é o Gemini Omni Flash.
Posso usar os vídeos do Wan 3.0 comercialmente?
Sim. O que você gera é seu para usar, inclusive em trabalhos de cliente e comerciais, respeitadas as regras de conteúdo dos nossos termos. Não há marca d’água no resultado nem licença separada para comprar.
Trinta segundos, um prompt
Contas novas começam com $0.20 de saldo — o suficiente para um rascunho em 480p e descobrir se o Wan é o seu modelo. Clipes a partir de $0.20, sem assinatura e sem compromisso.