Wan 3.0：プロンプトや写真から音声付き動画を作る動画生成AI

Wan 3.0はAlibabaのWan動画モデルシリーズの最新世代で、通義万相（Tongyi Wanxiang）とも呼ばれ、wan.videoで公開されています。Wan 2.2、Wan 2.5、Wan 2.7に続くバージョンです。テキスト、静止画、キーフレーム、参照素材を読み取り、音声付きの動画をレンダリングします。上のジェネレーターからそのまま使えます。

上のジェネレーターを開き、テキストから動画、画像から動画、フレームから動画、参照から動画のいずれかを選んで、プロンプトを書くか素材をアップロードします。5〜30秒の尺、解像度、アスペクト比を決めて生成するだけです。

このページで試せます。Wan 3.0はAPIベータですが、このページはすでにそれを呼び出しているため、招待を申請する必要も公開日を待つ必要もありません。4つのモードはすべてブラウザで開いています。まずは5秒・720pでテストしてみてください。

はい、30秒が上限です。尺は5〜30秒の範囲を1秒単位で選べるため、決まったプリセットではなく7秒、12秒、23秒といった指定ができます。初期値は5秒です。

はい。wan i2vとして検索されるWanの画像から動画は、4つのモードのうちの1つです。20MBまでのjpg、png、webpをアップロードすると1枚目のフレームになり、動きはプロンプトで決めます。

参照から動画に切り替えて、参照画像を最大10点、15秒までの動画を5本、音声ファイルを5本、合計20点まで読み込みます。プロンプトからは@メンションでそれぞれを名指しできます。

プロンプトの自動拡張は、このページのWan 3.0のリクエストすべてに組み込まれていて、生成前に実行され、短いプロンプトでは埋まらないカメラ、ライティング、テンポを補います。このジェネレーターにオフのスイッチはありません。細かく制御したいときは、カットの内容を最後まで書き切ってください。プロンプト欄は5000文字まで入り、編集の間はシード値を固定しておけます。

99%で止まって見えるときは、混雑でジョブが順番待ちになっているか、最後のエンコードがまだ動いている場合がほとんどで、プロンプトが失敗したわけではありません。音声付きの長い1080pレンダリングがいちばん時間を要します。5秒・720pのテストを1本流せば、処理が進んでいることを確認できます。

形容詞を足すのではなく、レンダリングにアンカーを与えてください。1枚目のフレームをアップロードして冒頭を固定する、最後のフレームを足して終わりを決める、あるいは参照から動画で目的の顔や商品そのものを添えて@メンションで指定します。

いいえ。Wan 3.0は2026年8月にAPI専用のベータとして公開され、Hugging Faceの重みも、GitHubリポジトリも、ComfyUIのノードもありません。「wan 3.0 ローカル」で見つかるワークフローは、3.0ではなく以前のWanのリリース向けに作られたものです。ホスト型エンドポイントが唯一の実行手段で、上のジェネレーターがそれにあたります。

Wan 3.0は、同じAlibabaの系譜にあるWan 2.2、wan 2.2 animate、Wan 2.5、Wan 2.7に続くバージョンです。入力の幅がいちばん広く、クリップは30秒まで、そして映像と一緒に音声が付きます。Wan 2.7は同じモデルメニューに並んでいるので、1つのプロンプトで両方を試せます。

モデルごとにモーション、顔、音の読み取り方は異なり、ベンチマークの話題が自分の結果を言い当てることはほとんどありません。Wan 3.0が抜けているのは入力の幅で、4つのモード、20点の参照素材、30秒までの尺に対応します。Seedance 2.0、MiniMax H3、LTX 2.3はドロップダウン1つ隣にあるので、直接比べてみてください。