ยาวถึง 30 วินาที เทคเดียว
4, 6, 8, 10, 15, 20 หรือ 30 วินาที ไม่ต้องต่อคลิป ไม่มีการเพี้ยนระหว่างช่วง โมเดลที่ยาวรองลงมาบนแพลตฟอร์มนี้ไปได้สิบห้าวินาที ส่วนของ Google หยุดที่แปดหรือสิบ
โมเดล · Alibaba Wan 3.0
Wan 3.0 — วิดีโอ 30 วินาทีในการสร้างครั้งเดียว
โมเดลวิดีโอของ Alibaba กับสิ่งหนึ่งที่โมเดลของ Google บนแพลตฟอร์มนี้ทำไม่ได้: ความยาว การสร้างครั้งเดียวให้คุณ 4 ถึง 30 วินาทีพร้อมเสียงในตัว ที่ 480p, 720p หรือ 1080p ทั้งแนวนอนและแนวตั้ง คิดเงินเป็นวินาที — $0.05, $0.10 หรือ $0.20 ตามความละเอียด ดังนั้นร่างสั้น ๆ ราคา $0.20 ส่วนคลิปที่ยาวและคมที่สุดบนแพลตฟอร์มอยู่ที่ $6.00 จ่ายด้วยคริปโตหรือบัตร ไม่ต้องสมัครสมาชิก
01มันคืออะไร
Wan 3.0 คืออะไร?
Wan 3.0 คือโมเดลสร้างวิดีโอของ Alibaba ที่เปิดตัวบน Alibaba Cloud Model Studio เมื่อเดือนสิงหาคม 2026 และเรนเดอร์คลิปความยาว 4 ถึง 30 วินาที โดยมีเสียงที่สร้างขึ้นในรอบเดียวกันกับภาพ ที่นี่มันอ่านพรอมต์ เฟรมเริ่มต้นและเฟรมปิดท้ายแบบเลือกใส่ได้ หรือภาพอ้างอิงได้ถึง 10 ภาพ แล้วคืนคลิปที่เสร็จสมบูรณ์หนึ่งคลิปที่ 480p, 720p หรือ 1080p เราคิดราคาตามที่ Alibaba ประกาศไว้สำหรับโมเดลนี้เป๊ะ ๆ — $0.05, $0.10 และ $0.20 ต่อวินาทีตามความละเอียด — ไม่บวกเพิ่ม ซึ่งเป็นนโยบายเดียวกับที่เราใช้กับโมเดลของ Google
ใครต้องการ 30 วินาทีจริง ๆ?
ใครก็ตามที่เบื่อการต่อคลิป โมเดลวิดีโอส่วนใหญ่จบที่ราวแปดหรือสิบวินาที ลำดับภาพครึ่งนาทีจึงหมายถึงการสร้างสามสี่ครั้ง จับคู่ด้วยมือ และทนกับรอยต่อตรงที่โมเดลเปลี่ยนใจเรื่องแสง Wan เรนเดอร์ทั้งหมดเป็นเทคเดียว สำหรับลูปสินค้า ภาพพื้นหลังสร้างบรรยากาศ ภาพกระบวนการผลิต และอะไรก็ตามที่กล้องแค่เคลื่อนไปเรื่อย ๆ นั่นคือการตัดขั้นตอนตัดต่อทิ้งไปทั้งขั้น แนวตั้งก็เหมือนกัน — 9:16 ได้ครบทั้งสามความละเอียด ซึ่งตรงกับที่ Shorts และ Reels ต้องการ
02สิ่งที่มันทำได้ดี
หกเรื่องที่ควรรู้ก่อนจ่ายเงิน
เสียงที่ไม่คิดเงินเพิ่ม
เสียงถูกสร้างไปพร้อมภาพและเปิดไว้เป็นค่าเริ่มต้น การปิดเป็นแค่สวิตช์ และราคาก็เท่าเดิมไม่ว่าจะเปิดหรือปิด — ต่างจาก Veo ที่เสียงในตัวเป็นของเสริมแบบจ่ายเพิ่ม
เฟรมแรกและเฟรมสุดท้าย
ใส่ภาพเริ่มต้นให้มันทำให้เคลื่อนไหว และจะใส่ภาพปิดท้ายเป็นจุดจบด้วยก็ได้ ใช้ภาพเดียวกันทั้งสองช่องแล้วคุณจะได้ลูปที่เนียน
ภาพอ้างอิงได้ถึง 10 ภาพ
ภาพอ้างอิงช่วยรักษาตัวแบบหรือสไตล์ให้คงเส้นคงวาข้ามการสร้างแต่ละครั้ง มันเป็นทางเลือกแทนเฟรม ไม่ใช่ของที่ใส่เพิ่ม — โมเดลรับอย่างใดอย่างหนึ่งเท่านั้น
ซีด
ล็อกซีดไว้ แล้วพรอมต์เดิมจะให้ภาพที่ใกล้เคียงของเดิม มีประโยชน์ตอนที่คุณปรับทีละคำและอยากเห็นว่าคำนั้นทำอะไร
ราคาสามระดับ
480p สำหรับร่างที่ $0.05 ต่อวินาที, 720p สำหรับงานเผยแพร่ที่ $0.10, 1080p ที่ $0.20 ร่างแบบถูก ๆ แล้วค่อยเรนเดอร์ตัวจริงครั้งเดียว
03ข้อจำกัดตามจริง
สิ่งที่ Wan 3.0 ทำไม่ได้
การแก้ไขที่นี่ไม่ใช่บทสนทนา กับ Gemini Omni Flash คุณบอกได้ว่า "ทำแสงให้อุ่นขึ้น" แล้วโมเดลจะปรับฉากที่มันจำได้ ส่วน Wan ถ่ายคลิปที่คุณส่งให้ใหม่ได้ — ต้นฉบับยาวได้ถึง 15 วินาที โดยต้นฉบับกับผลลัพธ์รวมกันต้องอยู่ใน 30 วินาที — แต่ทุกคำขอเริ่มจากศูนย์ และวินาทีของต้นฉบับถูกคิดเงินรวมกับวินาทีของผลลัพธ์ มันยังเรนเดอร์ครั้งละหนึ่งคลิป ไม่มีตารางสี่แบบให้เลือก ไม่มี negative prompt ดังนั้นสิ่งที่คุณไม่ต้องการต้องเขียนให้มันไม่อยู่ในฉาก ไม่ใช่สั่งห้าม อัตราส่วนภาพมีแค่ 16:9 และ 9:16 และเพดานอยู่ที่ 1080p ส่วนเฟรมเริ่มต้นกับภาพอ้างอิงใช้ร่วมกันไม่ได้ ต้องเลือกเฟรมหรือภาพอ้างอิงอย่างใดอย่างหนึ่ง
Alibaba พูดตรง ๆ ว่าโมเดลยังต้องพัฒนาตรงไหน บันทึกเปิดตัวของเขาเองระบุว่าเนื้อเสียงและการเรนเดอร์ข้อความบนจอยังไม่ถึงจุดที่ต้องการ ซึ่งโดยรวมตรงกับที่เราเห็น เสียงบรรยากาศน่าเชื่อ และบทพูดออกมาดีกว่าที่เราคาด แต่ยังไม่ใช่แทร็กที่จะปรับแต่งได้ละเอียด เทคยาวมีความเสี่ยงในตัว คลิปปั้นดินเผายี่สิบวินาทีด้านบนของเรานิ่งกว่าที่ผมคาด แต่สามสิบวินาทีคือเฟรมจำนวนมากที่ต้องคงความต่อเนื่อง จึงควรเผื่องบสำหรับรันซ้ำหนึ่งครั้งกับงานที่ยาวเกินสิบห้าวินาที มีอย่างหนึ่งที่โมเดลต้นทางทำได้แต่เรายังไม่ได้ต่อไว้ คือรับเอกสาร (PPT, PDF, สเปรดชีต) เป็นอินพุต และ "extend" ของมันคือฉากถัดไปที่ใช้ตัวแสดงและฉากเดิม ไม่ใช่การต่อเนื่องที่แม่นยำระดับเฟรม ถ้าคุณต้องการเสียงที่กำกับได้ทีละประโยค Gemini Omni Flash เป็นเครื่องมือที่เหมาะกว่า ถ้าต้องการ 4K ซึ่ง Wan ไปไม่ถึง ทางเลือกคือ Veo 3.1
04บันทึกหน้างาน
สิ่งที่งานผลิตจริงสอนเรา
บันทึกเหล่านี้มาจากงานผลิตโฆษณาจริงด้วย Wan 3.0 ในเดือนกันยายน 2026 ทั้งคลิปสินค้า งานเก็บกวาดบนฟุตเทจที่ถ่ายจริง และงานรีเมกที่สร้างจากเฟรมแรก ไม่มีข้อไหนอยู่ในเอกสาร และทุกข้อต้องจ่ายเงินถึงจะรู้
ลำดับของบล็อกตัดสินผลลัพธ์
อะไรที่อยู่ต้นพรอมต์จะได้ความสนใจ และคำบรรยายสินค้ายาว ๆ จะดึงความสนใจไปหมด ในการรันของเรา คำสั่งเก็บกวาดที่อยู่ลำดับที่เจ็ดถูกข้ามไป แต่ข้อความเดียวกันเมื่อย้ายขึ้นบนสุดเป็น "TASK 1" กลับถูกทำตาม วางสิ่งที่คุณต้องการที่สุดไว้ก่อน
คำปฏิเสธทำงานเหมือนรายการสิ่งที่ต้องวาด
"No ring, no watch, no ink" ให้แหวนทองวงใหม่และรอยสักที่เข้มขึ้น ในการรันของเรา การเอ่ยชื่อสิ่งใดกลายเป็นการขอสิ่งนั้น ให้บรรยายสิ่งที่ควรมีแทน "each finger is plain skin from base to tip" ทำได้ในสิ่งที่คำปฏิเสธสามคำทำไม่ได้
มันเติมของใส่มือที่ว่าง
ในช็อตของเราที่ไม่ควรมีสินค้า Wan สลับของที่มือถืออยู่ให้กลายเป็นสินค้า หวีกลายเป็นปัตตาเลี่ยน ให้ระบุชื่อเครื่องมือทุกชิ้น บอกชัด ๆ ว่าเฟรมที่ไม่มีสินค้านั้นใช้ได้ และเขียนว่า "ไม่เกินหนึ่งชิ้นเด็ดขาด" แทน "หนึ่งชิ้นพอดี" ปลอดภัยกว่านั้นคือเรนเดอร์ช็อตเหล่านั้นเป็นเซกเมนต์แยกที่พรอมต์ไม่พูดถึงสินค้าเลย
เฟรมแรกยึดวัตถุไว้ได้
จากภาพเริ่มต้นภาพเดียวโดยไม่มีภาพอ้างอิง Wan รักษาสินค้าไว้ครบถ้วนตลอดสิบวินาที ปุ่มอยู่ที่เดิม ไม่มีอะไรเกินมาในฉาก ในการทดสอบของเรากับเฟรมเดียวกัน โมเดลอื่นงอกสายไฟหลงและวัตถุแปลกปลอมขึ้นมา ถ้าต้องเป็นสินค้าชิ้นนั้นเป๊ะ ๆ ให้ทำเฟรมก่อน แล้วให้ Wan ทำให้มันเคลื่อนไหวในรันเดียว
งานเก็บกวาดกลับมาตรงกันทุกเฟรม
การแก้ไขคลิปที่ถ่ายจริงเพื่อลบรอยสัก นาฬิกา และกำไล ได้ฟุตเทจที่ตรงกับต้นฉบับทีละช็อต พร้อมผิวที่สะอาด สำหรับเรา ชิ้นงานยาวไม่เกินราวแปดวินาทีเป็นขนาดที่ไว้ใจได้ ต้นฉบับที่ยาวกว่านั้นควรตัดเป็นส่วน ๆ
รันยาวครั้งเดียวดีกว่าต่อเป็นโซ่
extend บน Wan หมายถึง "ฉากถัดไป" ไม่ใช่การต่อเนื่องที่แม่นยำระดับเฟรม เมื่อต้องการสิบห้า ยี่สิบ หรือสามสิบวินาที ให้สั่งเป็นการสร้างครั้งเดียวแทนการต่อคลิปสั้นหลายอัน
ความยาวเป็นวินาทีเต็ม
ผลลัพธ์ถูกตัดให้เหลือจำนวนวินาทีเต็มที่คุณสั่ง ที่ 30 fps ส่งเข้าไป 94 เฟรม ได้กลับมา 90 เฟรม การตัดให้ตรงรอยต่อช็อตพอดีจึงไม่สำเร็จสำหรับเรา ให้วางแผนเซกเมนต์ให้รอยต่อตกที่วินาทีเต็ม
รูปอ้างอิงพาเสื้อผ้ามาด้วย
ในการรันของเรา Wan ลอกเสื้อผ้าและเครื่องประดับจากรูปถ่ายบุคคล แม้พรอมต์จะบอกว่า "เฉพาะใบหน้าและผม" ให้ครอปรูปอ้างอิงจนเหลือเฉพาะส่วนที่คุณอยากให้ติดไปจริง ๆ
มีที่พอสำหรับบรีฟแบบช็อตต่อช็อต
พรอมต์รับได้ถึง 20,000 อักขระ จึงมีที่สำหรับงานที่ใส่หมายเลข การล็อกเครื่องมือทุกชิ้น และคำบรรยายของแต่ละช็อต Wan ตอบแทนโครงสร้างแบบนั้น ยิ่งบล็อกบอกแม่นว่าในเฟรมมีอะไร มันก็ยิ่งด้นสดน้อยลง
ข้อบกพร่องที่ต้องเผื่อไว้ ปกติแล้วเสียงมาครบ และโมเดลพูดบทได้ดีพอใช้ ไม่ใช่เฉพาะภาษาอังกฤษ แต่มีงานหนึ่งที่ต่างออกไป ในรอบแก้ไขและใน text-to-video ที่พรอมต์ซับซ้อน เสียงมอเตอร์ของปัตตาเลี่ยนกลับมาเบา ราว −45 dB ได้ยินอยู่แต่แผ่ว ในรอบอื่น ๆ ของเราแทร็กเสียงอยู่ครบ จึงถือเป็นกรณีเฉพาะ ไม่ใช่นิสัยของโมเดล ถ้าเสียงเบาเป็นปัญหา ให้ตรวจระดับเสียงและหยิบเสียงจากต้นฉบับมาใช้เมื่อจำเป็น ตัวเลขเล็ก ๆ บนจอของอุปกรณ์วาดได้ดีกว่าคู่แข่งแต่ยังไม่นิ่ง เราเคยได้ 89 ทั้งที่ในเฟรมเขียนว่า 84 และเมื่อจับเครื่องแนวนอนตัวเลขก็ออกมาหมุน รูปทรงของสินค้าอาจนิ่มลงในช็อตระยะกลาง และเมื่อแก้ไขฟุตเทจ บางครั้งโมเดลวาดรายละเอียดที่อยู่ช่วงหลังของต้นฉบับเข้ามาก่อน เช่น เส้นไถบนทรงผมที่โผล่มาเร็วไปหนึ่งช็อตแล้วหายไปในช็อตถัดไป กรณีนั้นเรารันซ้ำแล้วก็ไม่หาย จึงตัดช่วงนั้นทิ้งไป
05วิธีใช้งาน
จากพรอมต์สู่คลิปในสามขั้นตอน
บรรยายช็อต ไม่ใช่หัวข้อ
ตัวแบบ, มันกำลังทำอะไร, กล้อง, แสง คำว่า “single continuous shot” คุ้มที่จะเขียนออกมาตรง ๆ แล้วเติมบรรทัดสั้น ๆ ว่า “Audio/sound:” สำหรับสิ่งที่ควรได้ยิน — Wan รับสัญญาณนี้
ร่างที่ 480p ก่อน
สี่วินาทีที่ 480p ราคา $0.20 จัดองค์ประกอบภาพให้ลงตัวตรงนั้น แล้วค่อยรันตัวที่ชนะซ้ำที่ 720p หรือ 1080p ตามความยาวที่คุณต้องการจริง ๆ
จ่ายตามวินาทีที่ได้
ยอดคงเหลือจะถูกตัดตอนงานเริ่มทำงาน และคืนให้อัตโนมัติถ้างานล้มเหลวหรือถูกตัวกรองปฏิเสธ เติมเงินด้วยคริปโตหรือบัตร ไม่มีค่าบริการรายเดือนรออยู่
06ราคา
Wan 3.0 ราคาเท่าไหร่เทียบกับ Veo 3.1 และ Omni ในปี 2026?
| โมเดล | 4 วิ | 10 วิ | 30 วิ | เสียง |
|---|---|---|---|---|
| Wan 3.0 · 480p$0.05/วิ — สำหรับร่างและโซเชียล | $0.20 | $0.50 | $1.50 | รวมอยู่แล้ว ฟรี |
| Wan 3.0 · 720p$0.10/วิ — ตัวเลือกที่ใช้กันปกติ | $0.40 | $1.00 | $3.00 | รวมอยู่แล้ว ฟรี |
| Wan 3.0 · 1080p$0.20/วิ — ตัวที่คมที่สุด | $0.80 | $2.00 | $6.00 | รวมอยู่แล้ว ฟรี |
| Veo 3.1 Fast · 720pโมเดลของ Google, 4–8 วิเท่านั้น | $0.35 | — | — | คิดเงินเพิ่ม |
| Gemini Omni 1.1 Flash · 720pโมเดลของ Google คิดเป็นวินาที 3–10 วิต่อรอบ | $0.40 | $1.00 | — | เปิดตลอด |
| Gemini Omni 1.1 Flash · 1080pโมเดลเดียวกันที่ 1080p $0.15 ต่อวินาที | $0.60 | $1.50 | — | เปิดตลอด |
ราคาเป็นต่อคลิปที่เสร็จแล้วและรวมแทร็กเสียงด้วย เครื่องหมายขีดหมายความว่าโมเดลนั้นให้ความยาวดังกล่าวในรอบเดียวไม่ได้ Veo หยุดที่แปดวินาที ส่วน Omni ไปถึง 40 วินาทีได้ก็ต่อเมื่อขยายคลิปที่เสร็จแล้วทีละฉาก เติมเงิน $50 ได้ยอดเพิ่ม 5% และ $100 ได้เพิ่ม 10% ส่วนโปรโมโค้ดที่เปิดใช้อยู่จะเพิ่มอีก 10% จากการเติมเงินก้อนเดียวกัน โบนัสตามยอดเติม +5% / +10% ใช้ได้เฉพาะการเติมด้วยคริปโตเท่านั้น
ตารางเต็มของทุกโมเดลอยู่ที่หน้าราคา
07อ่านต่อ
คู่มือที่ลงลึกกว่า
เปลี่ยนรูปถ่ายให้เป็นวิดีโอ
เฟรมเริ่มต้น เฟรมปิดท้าย และลูป ทำงานจริงอย่างไร พร้อมพรอมต์ที่ใช้สร้าง
อ่านคู่มือเขียนพรอมต์สำหรับโมเดลวิดีโอ
ภาษาของกล้อง แสง การเคลื่อนไหว เขียนไว้สำหรับ Veo แต่โครงสร้างย้ายมาใช้กับ Wan ได้แทบไม่ต้องแก้
อ่านคู่มือรีวิว Gemini Omni Flash
โมเดลที่ควรหยิบใช้เมื่อคุณอยากแก้คลิปด้วยการพูดคุย แทนการเขียนพรอมต์ใหม่
อ่านคู่มือ08คำถามที่พบบ่อย
คำถามที่คนถามกันจริง ๆ
วิดีโอ Wan 3.0 ยาวได้สูงสุดเท่าไหร่?
สูงสุด 30 วินาทีในการสร้างครั้งเดียว ความยาวที่เลือกได้คือ 4, 6, 8, 10, 15, 20 และ 30 วินาที และคลิปที่ได้คือเทคต่อเนื่องเทคเดียว — ไม่ใช่คลิปสั้นสี่ชิ้นมาต่อกัน โมเดล Veo และ Omni ของ Google หยุดที่แปดและสิบวินาทีต่อคลิป
คลิป Wan 3.0 ราคาเท่าไหร่?
คุณจ่ายเป็นวินาที: $0.05 ที่ 480p, $0.10 ที่ 720p, $0.20 ที่ 1080p ดังนั้นร่างสี่วินาทีคือ $0.20 สิบวินาทีที่ 720p คือ $1.00 และสูงสุด — สามสิบวินาทีที่ 1080p — คือ $6.00 แทร็กเสียงรวมอยู่ในราคานี้แล้ว
อ่านคำตอบฉบับเต็มWan 3.0 สร้างเสียงด้วยไหม?
ใช่ และเปิดไว้เป็นค่าเริ่มต้น เสียงถูกเรนเดอร์ไปพร้อมภาพ ไม่ใช่ใส่ทีหลัง เสียงฝีเท้าจึงตรงกับจังหวะที่เท้าลงพื้น คุณปิดเพื่อให้ได้คลิปเงียบก็ได้ และราคาที่จ่ายไม่เปลี่ยน อธิบายสิ่งที่อยากได้ยินในบรรทัดสั้น ๆ ว่า “Audio/sound:” ท้ายพรอมต์ ที่ควรรู้ไว้: บันทึกเปิดตัวของ Alibaba เองระบุว่าเนื้อเสียงยังเป็นส่วนที่กำลังปรับปรุง ในการรันของเราแทร็กใช้ได้ตามที่ได้มาและบทพูดก็ฟังดูดี แต่ถ้าเป็นคลิปสำคัญควรตรวจระดับเสียงสักหน่อย
ฉันทำให้รูปถ่ายของตัวเองเคลื่อนไหวได้ไหม?
ได้ วางรูปลงในช่องเฟรมเริ่มต้น แล้วให้พรอมต์อธิบายว่าควรเกิดอะไรขึ้นกับมัน คุณเพิ่มเฟรมปิดท้ายเพื่อคุมจุดจบของช็อตได้ และถ้าใช้รูปเดียวกันทั้งสองช่องก็จะได้ลูป มีข้อควรระวังหนึ่งข้อ: เฟรมกับภาพอ้างอิงใช้ร่วมกันไม่ได้
Wan 3.0 หรือ Veo 3.1 — ควรใช้ตัวไหน?
Wan 3.0 เป็นตัวที่ใหม่กว่าและเก่งกว่าในสองตัวนี้ เทคยาวได้ถึง 30 วินาทีเทียบกับแปดวินาที เสียงรวมอยู่ในราคา รับคลิปอ้างอิงเป็นอินพุต และสินค้ายังเป็นตัวมันเองเมื่อทำให้เคลื่อนไหวจากเฟรมแรก Veo 3.1 เป็นทางเลือกสำหรับสิ่งที่ Wan ไม่ครอบคลุม คือเอาต์พุต 4K และสำหรับคลิปสั้นในลุคแบบ Google หลักง่าย ๆ ของผมคือเริ่มด้วย Wan แล้วค่อยสลับไป Veo เมื่อบรีฟระบุว่า 4K
แก้ไขคลิปหลังจากสร้างเสร็จแล้วได้ไหม?
ได้ แต่มีข้อแม้ ส่งคลิปยาวไม่เกิน 15 วินาทีให้ Wan จะเป็นคลิปที่มันสร้างหรือที่คุณถ่ายเองก็ได้ อธิบายสิ่งที่จะเปลี่ยน แล้วมันจะส่งคลิปใหม่กลับมา ต้นฉบับกับผลลัพธ์รวมกันต้องอยู่ใน 30 วินาที และวินาทีของต้นฉบับถูกคิดในอัตราต่อวินาทีเดียวกับผลลัพธ์ นี่ไม่ใช่บทสนทนา ทุกการแก้ไขคือคำขอใหม่ที่จำครั้งก่อนไม่ได้ และ "extend" ให้ฉากถัดไป ไม่ใช่การต่อเนื่องที่แม่นยำระดับเฟรม โมเดลที่จำคลิปที่ตัวเองสร้างได้คือ Gemini Omni Flash
ใช้วิดีโอจาก Wan 3.0 ในเชิงพาณิชย์ได้ไหม?
ได้ สิ่งที่คุณสร้างเป็นของคุณที่จะนำไปใช้ รวมถึงงานลูกค้าและงานเชิงพาณิชย์ ภายใต้กฎเนื้อหาในข้อกำหนดของเรา ผลลัพธ์ไม่มีลายน้ำ และไม่ต้องซื้อไลเซนส์แยกต่างหาก
สามสิบวินาที พรอมต์เดียว
บัญชีใหม่เริ่มต้นด้วยยอด $0.20 — พอสำหรับร่าง 480p เพื่อดูว่า Wan ใช่โมเดลของคุณหรือไม่ คลิปเริ่มต้น $0.20 ไม่มีสมาชิกรายเดือน ไม่มีข้อผูกมัด