WAN 3.0 от Alibaba: обзор видеонейросети и доступ в России

WAN 3.0 от Alibaba — обзор видеонейросети: возможности, генерация видео, особенности модели и способы доступа к WAN 3.0 в России.

WAN 3.0 — облачная видеомодель Alibaba, которая умеет не только создавать ролики по тексту, но и работать с изображениями, аудио, видео, документами и веб-страницами. Публичная бета стартовала в августе 2026 года; самое заметное обновление — генерация клипов продолжительностью до 30 секунд за один проход. Но важен не только хронометраж: модель объединяет генерацию, работу с референсами, звуковое сопровождение и редактирование видео в одном процессе.

СТИВА (STIVA.ai) — русскоязычный агрегатор нейросетей. Сервис заявляет, что доступен без VPN и зарубежной карты; модели и генерация собраны в одном интерфейсе.

Чтобы создать видео с доступной в СТИВА моделью WAN:

WAN — семейство генеративных моделей Alibaba, ориентированное прежде всего на видео. WAN 3.0 представлена как универсальная модель: вместо отдельных инструментов для каждого этапа пользователь может в одном сценарии сгенерировать ролик, задать визуальные референсы, добавить звук, а затем отредактировать или продлить результат.

Основные возможности WAN 3.0:

Главное количественное отличие — продолжительность: у WAN 2.7 максимальный ролик обычно ограничен 15 секундами, у WAN 3.0 заявлено до 30 секунд за один проход. Важно, что речь не просто о склейке двух коротких фрагментов: модель должна удерживать движение и логику сцены на более длинном отрезке.

Второе изменение — работа с документами и страницами в интернете. Презентация, PDF или публичная веб-страница могут выступать источником содержания для ролика. Это удобно для презентаций продуктов, учебных материалов и коротких объясняющих видео. Для документа или веб-ссылки указываются ограничения до 100 МБ и до 50 страниц; перед загрузкой конфиденциальных материалов стоит также проверить правила хранения данных у выбранного провайдера.

Третье — интеграция сценариев. WAN 3.0 объединяет генерацию по тексту и изображению, референсное видео, звук, редактирование и продолжение клипа. Alibaba отдельно заявляет об улучшении согласованности персонажей, предметов, пространства и стиля. Это полезное направление развития, но «согласованность» не означает гарантированное совпадение каждого кадра с референсом.

Опишите героя, место, действие, атмосферу и движение камеры. Модель построит видеоряд и, если это предусмотрено режимом и запросом, добавит звук. Такой сценарий подходит для черновой рекламы, тизеров, вертикального контента и визуализации идей.

В режиме image-to-video пользователь загружает изображение, которое задаёт исходную композицию. В режиме первого и последнего кадра можно дополнительно указать, к какому визуальному результату должен прийти ролик. Это полезно для продуктовых сцен, иллюстраций и коротких переходов.

Референсами могут быть изображения, видео и аудио: например, внешний вид героя, предмет, пространство или манера звучания. WAN 3.0 поддерживает до 20 мультимодальных материалов, однако конкретные лимиты по типам файлов зависят от режима и параметров запроса.

Можно попросить изменить отдельные элементы уже готового видео или продолжить сцену. Это потенциально экономит время по сравнению с полной перегенерацией, если нужно поправить фон, стиль или действие. Для точного монтажа результат всё равно стоит просмотреть покадрово.

Для длинного клипа удобнее описывать не набор прилагательных, а последовательность действий. Например:

Вертикальный рекламный ролик кофейни, 15 секунд, реалистичная кинематографичная съёмка. 0–4 секунды: общий план кофейни на рассвете, камера медленно приближается к стойке. 4–10 секунд: бариста готовит эспрессо, крупные планы кофемолки и кофе в чашке. 10–15 секунд: чашка на столе у окна, мягкий пар, тёплый утренний свет. Сохраняй одну и ту же чашку и интерьер на протяжении ролика. Звук: спокойный фон кофейни, без музыки и реплик.

Рабочая структура промпта: формат и длительность → персонажи и предметы → действия по времени → движение камеры → свет и стиль → звук → что нельзя менять. Для логотипов и мелкого текста лучше использовать качественные исходники и проверять результат отдельно: видеогенераторы могут искажать надписи.

Ориентир для стандартной модели wan3.0-video — оплата за секунды готового видео. В одной из опубликованных ценовых сеток базовая ставка составляет около $0,05 за секунду в 480p, $0,10 в 720p и $0,20 в 1080p. Соответственно, ролик на 30 секунд обойдётся примерно в $1,50, $3 или $6. Цена может отличаться в зависимости от региона, режима, акций и провайдера.

Если запрос включает исходное видео, тарификация в некоторых сценариях может учитывать и его длительность, и длительность результата. У варианта wan3.0-video-prime, рассчитанного на более быструю генерацию, условия оплаты нужно проверять отдельно. В агрегаторах вроде СТИВА действует собственная система токенов — она не равна напрямую тарифу Alibaba.

Сильные стороны WAN 3.0 — длинный ролик за один запуск, сочетание видео и звука, работа с несколькими типами референсов и возможность использовать документы как исходный материал. Модель особенно интересна для черновых рекламных сцен, презентаций продуктов, визуального прототипирования и контента, где важно сохранить общий образ персонажа или предмета.

Ограничения тоже важны. Чем больше событий и персонажей нужно уместить в 30 секунд, тем выше риск, что модель упростит сюжет или изменит детали. Мелкие надписи, логотипы, сложная физика, точная хореография и синхронизация губ требуют проверки. Заявления разработчика о реалистичности и стабильности не стоит считать гарантией готового результата без монтажа и контроля.

Есть и инфраструктурный нюанс: WAN 3.0 — облачная модель; на дату проверки официальный репозиторий не содержит публичного комплекта весов и инструкции для полноценного локального запуска. Поэтому установить именно WAN 3.0 в ComfyUI на обычный домашний компьютер официальным способом нельзя; доступные локальные версии относятся к более ранним релизам WAN.

WAN 3.0 стоит протестировать, если нужны ролики до 30 секунд, анимация собственных изображений, видео с референсами или быстрые версии материалов на основе презентаций и документов. Она может быть полезна маркетологам, авторам соцсетей, дизайнерам и командам, которым нужно быстро подготовить видеоконцепт.

Если же критичны локальная установка, точная типографика, полностью контролируемый монтаж или предсказуемый результат с первого раза, WAN 3.0 пока не заменит привычный видеоредактор и ручную постобработку.

WAN 3.0 — заметный шаг для видеогенерации Alibaba: модель удваивает максимальную длительность относительно WAN 2.7, принимает более разнообразные исходные материалы и объединяет видео, аудио, референсы и редактирование в одном облачном рабочем процессе. Её сильная сторона — не обещание «снять фильм одной кнопкой», а возможность быстрее собрать и доработать короткую сцену.

Для пользователей из России СТИВА удобна как агрегатор линейки WAN, но по каталогу на 7 октября 2026 года там доступна WAN 2.7, а не WAN 3.0. Поэтому перед генерацией проверьте точную версию модели. Для самой WAN 3.0 пока следует выбирать сервис, который прямо подтверждает доступ к wan3.0-video, и тестировать модель на коротком ролике до того, как запускать дорогую финальную генерацию.