Tới 30 giây, một cú máy
4, 6, 8, 10, 15, 20 hoặc 30 giây. Không ghép nối, không lệch giữa các đoạn. Mô hình dài thứ nhì ở đây chỉ tới mười lăm giây; của Google dừng ở tám hoặc mười.
Mô hình · Alibaba Wan 3.0
Wan 3.0 — 30 giây video trong một lần chạy
Mô hình video của Alibaba, và điều duy nhất nó làm được mà các mô hình của Google ở đây thì không: độ dài. Một lần tạo cho bạn 4 đến 30 giây đã có sẵn âm thanh, ở 480p, 720p hoặc 1080p, ngang hoặc dọc. Bạn trả tiền theo giây — $0.05, $0.10 hoặc $0.20 tùy độ phân giải — nên một bản nháp ngắn tốn $0.20, còn clip dài nhất và nét nhất trên nền tảng tốn $6.00. Tiền điện tử hoặc thẻ, không cần đăng ký gói.
01Nó là gì
Wan 3.0 là gì?
Wan 3.0 là mô hình tạo video của Alibaba, ra mắt trên Alibaba Cloud Model Studio vào tháng 8 năm 2026, dựng các clip dài 4 đến 30 giây với âm thanh được tạo trong cùng một lượt với hình ảnh. Ở đây, nó đọc một lời nhắc, một khung mở đầu và khung kết thúc tùy chọn, hoặc tối đa 10 ảnh tham chiếu, rồi trả về một clip hoàn chỉnh ở 480p, 720p hoặc 1080p. Chúng tôi thu đúng mức giá Alibaba công bố cho mô hình — $0.05, $0.10 và $0.20 mỗi giây tùy độ phân giải — thay vì cộng thêm, đúng như chính sách chúng tôi áp dụng cho các mô hình của Google.
Ai thực sự cần tới 30 giây?
Bất kỳ ai đã chán việc ghép nối. Phần lớn mô hình video dừng ở khoảng tám hoặc mười giây, nên một phân cảnh nửa phút đồng nghĩa với ba bốn lần tạo, khớp tay từng đoạn, và chấp nhận các mối nối nơi mô hình đổi ý về ánh sáng. Wan dựng toàn bộ thành một cú máy. Với các vòng lặp sản phẩm, nền không khí, cảnh quy trình và bất cứ thứ gì chỉ cần máy quay cứ thế trôi đi, khâu dựng biến mất hoàn toàn. Video dọc cũng vậy — 9:16 ở cả ba độ phân giải, đúng thứ Shorts và Reels cần.
02Nó làm tốt điều gì
Sáu điều đáng biết trước khi tiêu tiền
Âm thanh không tốn thêm đồng nào
Âm thanh được tạo cùng hình ảnh và bật sẵn. Tắt nó chỉ là một công tắc, và giá vẫn y nguyên dù bật hay tắt — khác với Veo, nơi âm thanh gốc là tùy chọn có phí.
Khung đầu và khung cuối
Đưa cho nó một ảnh mở đầu để làm cho chuyển động, và nếu muốn, thêm một ảnh kết thúc để dừng lại ở đó. Dùng cùng một ảnh cho cả hai ô sẽ cho bạn một vòng lặp liền mạch.
Tối đa 10 ảnh tham chiếu
Ảnh tham chiếu giữ cho nhân vật hay phong cách nhất quán qua nhiều lần chạy. Chúng là lựa chọn thay cho khung hình, không phải bổ sung — mô hình chỉ nhận một trong hai.
Seed
Cố định seed và cùng một lời nhắc sẽ cho ra khuôn hình gần như y hệt. Rất hữu ích khi bạn chỉnh từng chữ một và muốn thấy chữ đó đã làm gì.
Ba bậc giá
480p cho bản nháp ở $0.05 mỗi giây, 720p để đăng ở $0.10, 1080p ở $0.20. Nháp thì rẻ thôi, rồi dựng bản ưng ý đúng một lần.
03Giới hạn nói thẳng
Những gì Wan 3.0 sẽ không làm
Ở đây chỉnh sửa không phải là một cuộc trò chuyện. Với Gemini Omni Flash, bạn có thể nói "làm ánh sáng ấm hơn" và mô hình sẽ chỉnh lại cảnh mà nó còn nhớ. Wan có thể quay lại một clip bạn đưa cho nó — nguồn tối đa 15 giây, nguồn và kết quả cộng lại nằm trong 30 giây — nhưng mỗi yêu cầu đều bắt đầu từ số không, và số giây của nguồn được tính tiền cùng số giây của kết quả. Nó cũng chỉ tạo một clip mỗi lần chạy — không có lưới bốn phương án để chọn. Không có negative prompt, nên thứ gì bạn không muốn thì phải viết sao cho nó không có mặt trong cảnh, chứ không cấm được. Tỷ lệ khung hình chỉ có 16:9 và 9:16, và trần là 1080p. Khung hình bắt đầu và ảnh tham chiếu cũng loại trừ nhau: chọn khung hình hoặc chọn tham chiếu, không được cả hai.
Alibaba nói thẳng về những chỗ mô hình còn đang hoàn thiện: chính ghi chú ra mắt của họ viết rằng chất âm thanh và chữ hiển thị trên màn hình chưa đạt mức họ mong muốn, và điều đó về cơ bản khớp với những gì chúng tôi thấy — tiếng nền nghe thuyết phục, thoại ra tốt hơn chúng tôi tưởng, nhưng đây không phải bản tiếng mà bạn gọt giũa được đến từng chi tiết. Cảnh quay dài có rủi ro riêng. Clip làm gốm hai mươi giây của chúng tôi ở trên giữ được tốt hơn tôi tưởng, nhưng ba mươi giây là rất nhiều khung hình cần giữ nhất quán, nên hãy dự trù kinh phí cho một lần chạy lại với bất cứ thứ gì dài quá mười lăm giây. Một điều mô hình gốc làm được mà chúng tôi chưa nối vào: nó nhận tài liệu (PPT, PDF, bảng tính) làm đầu vào. Và "extend" của nó là cảnh tiếp theo với cùng dàn nhân vật và bối cảnh, không phải phần nối tiếp chính xác từng khung hình. Nếu bạn muốn âm thanh có thể điều khiển từng câu, Gemini Omni Flash là công cụ hợp hơn; nếu cần 4K, thứ Wan không đạt tới, thì phương án thay thế là Veo 3.1.
04Ghi chép thực địa
Những điều sản xuất thực tế đã dạy chúng tôi
Các ghi chép này đến từ việc sản xuất quảng cáo thật trên Wan 3.0 vào tháng 9 năm 2026: clip sản phẩm, các lượt làm sạch trên cảnh quay thật, các bản làm lại dựng từ khung hình đầu tiên. Không điều nào có trong tài liệu, và điều nào cũng tốn tiền mới biết.
Thứ tự các khối quyết định kết quả
Thứ gì đứng đầu prompt sẽ được chú ý, và một đoạn mô tả sản phẩm dài sẽ hút hết sự chú ý đó. Trong các lần chạy của chúng tôi, một chỉ dẫn làm sạch nằm ở vị trí thứ bảy trong prompt bị bỏ qua; cũng những chữ ấy, khi đưa lên đầu thành "TASK 1", thì được thực hiện. Hãy đặt điều bạn cần nhất lên trước.
Câu phủ định hoạt động như danh sách cần vẽ
"No ring, no watch, no ink" cho chúng tôi một chiếc nhẫn vàng mới và một hình xăm đậm hơn. Trong các lần chạy của chúng tôi, gọi tên một thứ hóa ra là yêu cầu nó. Thay vào đó hãy mô tả thứ cần có: "each finger is plain skin from base to tip" làm được điều mà ba câu phủ định không làm nổi.
Nó lấp đầy bàn tay trống
Ở những cảnh của chúng tôi vốn không được có sản phẩm, Wan đã tráo bất cứ thứ gì bàn tay đang cầm thành sản phẩm — chiếc lược biến thành tông đơ. Hãy gọi tên từng dụng cụ, nói rõ rằng một khung hình không có sản phẩm là ổn, và viết "không bao giờ nhiều hơn một" thay cho "đúng một". An toàn hơn nữa: tạo những cảnh đó thành một phân đoạn riêng mà prompt hoàn toàn không mô tả sản phẩm.
Khung hình đầu tiên giữ chặt vật thể
Chỉ từ một ảnh bắt đầu và không có tham chiếu, Wan giữ nguyên vẹn sản phẩm suốt mười giây: nút bấm đúng chỗ, không có gì thừa trong cảnh. Trong thử nghiệm của chúng tôi trên cùng khung hình đó, các mô hình khác mọc thêm một sợi dây lạc và vật thể lạ. Nếu cần đúng sản phẩm đó, hãy làm khung hình trước rồi để Wan làm nó chuyển động trong một lần chạy.
Bản làm sạch trả về khớp từng khung hình
Chỉnh sửa một clip quay thật để xóa hình xăm, đồng hồ và vòng tay đã trả về cảnh quay khớp với nguồn từng cảnh một, với làn da sạch. Với chúng tôi, những đoạn dài đến khoảng tám giây là kích thước đáng tin cậy; nguồn dài hơn thì nên cắt thành nhiều phần.
Một lần chạy dài thắng một chuỗi nối
Extend trên Wan nghĩa là "cảnh tiếp theo", không phải phần nối tiếp chính xác từng khung hình. Khi cần mười lăm, hai mươi hay ba mươi giây, hãy đặt chúng thành một lần tạo duy nhất thay vì nối nhiều đoạn ngắn.
Thời lượng là số giây nguyên
Kết quả bị cắt về đúng số giây nguyên bạn đã đặt, ở 30 fps: đưa vào 94 khung hình thì nhận về 90. Vì vậy việc cắt chính xác tại ranh giới cảnh đã không thành với chúng tôi — hãy lên kế hoạch phân đoạn sao cho các mối nối rơi vào giây nguyên.
Ảnh tham chiếu mang theo cả tủ quần áo
Trong các lần chạy của chúng tôi, Wan sao chép quần áo và trang sức từ ảnh của một người ngay cả khi prompt ghi "chỉ khuôn mặt và tóc". Hãy cắt ảnh tham chiếu sao cho chỉ còn đúng phần bạn muốn mang sang.
Đủ chỗ cho một bản brief theo từng cảnh
Prompt nhận tới 20.000 ký tự, nên có đủ chỗ cho các nhiệm vụ đánh số, một khóa cho từng dụng cụ và mô tả từng cảnh. Wan đáp lại cấu trúc đó: một khối nói càng chính xác trong khung hình có gì, nó càng ít ứng biến.
Những lỗi cần tính trước. Âm thanh thường vẫn có, và mô hình đọc thoại khá ổn — không chỉ tiếng Anh. Một dự án thì ngược lại: trong các lượt chỉnh sửa và trong một lần text-to-video với prompt phức tạp, tiếng mô-tơ tông đơ trả về nhỏ, khoảng −45 dB — vẫn nghe được, nhưng yếu. Ở những lần chạy khác của chúng tôi, track âm thanh vẫn đúng chỗ, nên hãy xem đó là một trường hợp cụ thể chứ không phải đặc tính của mô hình; nếu tiếng quá nhỏ gây phiền, hãy kiểm tra mức âm và khi cần thì lấy tiếng từ nguồn của bạn. Các chữ số nhỏ trên màn hình thiết bị được vẽ tốt hơn đối thủ nhưng không ổn định — chúng tôi nhận được 89 trong khi khung hình ghi 84, và khi cầm máy nằm ngang thì chữ số bị xoay. Hình dạng sản phẩm có thể mềm đi ở cảnh trung. Và khi chỉnh sửa cảnh quay thật, mô hình đôi khi vẽ vào một chi tiết thuộc phần sau của nguồn — một đường cạo trên kiểu tóc xuất hiện sớm một cảnh rồi biến mất ở cảnh kế tiếp. Chạy lại không sửa được lỗi đó cho chúng tôi, nên chúng tôi đã cắt bỏ đoạn ấy.
05Cách chạy
Từ lời nhắc tới clip trong ba bước
Mô tả cú máy, đừng mô tả chủ đề
Chủ thể, nó đang làm gì, máy quay, ánh sáng. Cụm “single continuous shot” rất đáng viết ra. Rồi thêm một dòng ngắn “Audio/sound:” cho những gì cần nghe thấy — Wan hiểu ý.
Nháp ở 480p trước đã
Bốn giây ở 480p tốn $0.20. Chốt bố cục ở đó, rồi chạy lại bản thắng cuộc ở 720p hoặc 1080p với độ dài bạn thật sự cần.
Trả tiền cho số giây bạn nhận được
Số dư bị trừ khi tác vụ bắt đầu, và được hoàn tự động nếu nó thất bại hoặc bị bộ lọc từ chối. Nạp tiền bằng tiền điện tử hoặc thẻ; không có khoản phí hằng tháng nào chờ sẵn bạn cả.
06Giá
Wan 3.0 giá bao nhiêu so với Veo 3.1 và Omni trong năm 2026?
| Mô hình | 4 giây | 10 giây | 30 giây | Âm thanh |
|---|---|---|---|---|
| Wan 3.0 · 480p$0.05/giây — bản nháp và mạng xã hội | $0.20 | $0.50 | $1.50 | Có sẵn, miễn phí |
| Wan 3.0 · 720p$0.10/giây — lựa chọn thường dùng | $0.40 | $1.00 | $3.00 | Có sẵn, miễn phí |
| Wan 3.0 · 1080p$0.20/giây — bản nét nhất | $0.80 | $2.00 | $6.00 | Có sẵn, miễn phí |
| Veo 3.1 Fast · 720pMô hình của Google, chỉ 4–8 giây | $0.35 | — | — | Tính thêm tiền |
| Gemini Omni 1.1 Flash · 720pMô hình của Google, tính theo giây, 3–10 giây mỗi lần chạy | $0.40 | $1.00 | — | Luôn bật |
| Gemini Omni 1.1 Flash · 1080pCùng mô hình ở 1080p, $0.15 mỗi giây | $0.60 | $1.50 | — | Luôn bật |
Giá tính cho mỗi clip hoàn chỉnh và đã gồm cả phần âm thanh. Dấu gạch ngang nghĩa là mô hình không cho ra độ dài ấy trong một lần chạy: Veo dừng ở tám giây, còn Omni chỉ đạt 40 giây bằng cách nối dài một clip đã xong theo từng cảnh. Nạp $50 được cộng thêm 5% vào số dư và $100 được cộng 10%; một mã khuyến mãi đang hoạt động cộng thêm 10% nữa trên cùng khoản nạp đó. Thưởng theo mức nạp +5% / +10% chỉ áp dụng khi nạp bằng crypto.
Bảng đầy đủ cho mọi mô hình nằm ở trang bảng giá.
07Đọc tiếp
Những hướng dẫn đi sâu hơn
Biến một tấm ảnh thành video
Khung mở đầu, khung kết thúc và vòng lặp thực sự hoạt động ra sao, kèm những lời nhắc đã tạo ra chúng.
Đọc hướng dẫnViết lời nhắc cho các mô hình video
Ngôn ngữ máy quay, ánh sáng, chuyển động. Viết cho Veo, nhưng cấu trúc chuyển sang Wan gần như không cần đổi.
Đọc hướng dẫnĐánh giá Gemini Omni Flash
Mô hình để tìm đến khi bạn cần sửa một clip bằng cách nói chuyện với nó thay vì viết lại lời nhắc.
Đọc hướng dẫn08Câu hỏi thường gặp
Những câu người ta thật sự hỏi
Video Wan 3.0 dài tối đa bao nhiêu?
Tối đa 30 giây trong một lần tạo. Các độ dài bạn chọn được là 4, 6, 8, 10, 15, 20 và 30 giây, và clip trả về là một cú máy liền mạch — không phải bốn clip ngắn ghép lại. Các mô hình Veo và Omni của Google dừng ở tám và mười giây mỗi clip.
Một clip Wan 3.0 giá bao nhiêu?
Bạn trả theo giây: $0.05 ở 480p, $0.10 ở 720p, $0.20 ở 1080p. Vậy bốn giây bản nháp là $0.20, mười giây ở 720p là $1.00, và mức tối đa — ba mươi giây ở 1080p — là $6.00. Phần âm thanh đã nằm trong mức giá đó.
Đọc câu trả lời đầy đủWan 3.0 có tạo âm thanh không?
Có, và nó bật sẵn. Âm thanh được dựng cùng hình ảnh chứ không phải thêm vào sau, nên tiếng bước chân rơi đúng lúc chân chạm đất. Bạn có thể tắt đi để lấy clip không tiếng, và điều đó không làm thay đổi số tiền phải trả. Hãy mô tả thứ bạn muốn nghe trong một dòng ngắn “Audio/sound:” ở cuối lời nhắc. Đáng lưu ý: chính ghi chú ra mắt của Alibaba liệt kê chất âm là phần vẫn đang được hoàn thiện. Trong các lần chạy của chúng tôi, phần tiếng dùng được ngay và thoại nghe ổn, nhưng với clip quan trọng thì nên kiểm tra mức âm.
Tôi có thể làm ảnh của mình chuyển động không?
Có. Thả một tấm ảnh vào ô khung mở đầu và để lời nhắc mô tả điều gì sẽ xảy ra với nó. Bạn có thể thêm khung kết thúc để quyết định cú máy dừng ở đâu, và dùng cùng một tấm ảnh cho cả hai ô sẽ cho bạn một vòng lặp. Một lưu ý: khung hình và ảnh tham chiếu không dùng chung được.
Wan 3.0 hay Veo 3.1 — nên dùng cái nào?
Wan 3.0 là mô hình mới hơn và mạnh hơn trong hai cái: cảnh quay tới 30 giây so với tám giây, âm thanh đã gồm trong giá, clip tham chiếu ở đầu vào, và sản phẩm vẫn là chính nó khi bạn làm nó chuyển động từ khung hình đầu tiên. Veo 3.1 là phương án thay thế cho thứ Wan không có — đầu ra 4K — và cho clip ngắn mang phong cách của Google. Quy tắc của tôi: bắt đầu với Wan, và chuyển sang Veo khi brief yêu cầu 4K.
Tôi có sửa được clip sau khi đã tạo không?
Được, kèm một lưu ý. Đưa cho Wan một clip tối đa 15 giây — do nó tạo hoặc do bạn quay —, mô tả thay đổi, và nó trả về một clip mới. Nguồn và kết quả cộng lại phải nằm trong 30 giây, và số giây của nguồn được tính cùng mức giá theo giây như kết quả. Đây không phải cuộc trò chuyện: mỗi lần chỉnh là một yêu cầu mới, không nhớ gì về lần trước, và "extend" cho bạn cảnh tiếp theo chứ không phải phần nối tiếp chính xác từng khung hình. Mô hình nhớ được clip nó đã tạo là Gemini Omni Flash.
Tôi có được dùng video Wan 3.0 cho mục đích thương mại không?
Có. Thứ bạn tạo ra là của bạn để sử dụng, kể cả trong công việc cho khách hàng và mục đích thương mại, trong khuôn khổ các quy định về nội dung trong điều khoản của chúng tôi. Kết quả không có watermark và không phải mua giấy phép riêng nào.
Ba mươi giây, một lời nhắc
Tài khoản mới bắt đầu với $0.20 trong số dư — đủ cho một bản nháp 480p để xem Wan có phải mô hình của bạn không. Clip từ $0.20, không đăng ký gói, không ràng buộc.