VIBEPAPER JOURNAL / AI CREATION
Wan 3.0: qué permite el plano secuencia, cómo configurarlo y qué vimos al probarlo
VibePaper · Actualizado el
Wan 3.0 es el modelo de video de Alibaba para escenas más largas en una sola toma. Sus límites publicados llegan a 30 segundos a 1080p, con pista de audio en la misma generación, y acepta imágenes, videos y audio como referencias. Generamos un clip de prueba de 5 segundos a 1080p en el generador de video de VibePaper: un mercado nocturno bajo la lluvia que termina en un violonchelista bajo un arco. Ese clip no demuestra el techo de 30 segundos. Muestra cómo se ve una toma continua con la duración que probamos, y deja claro a partir de qué punto las cifras publicadas dejan de ser algo que hayamos visto.
- Wan 3.0
- generación de video con IA
- video en plano secuencia
- de referencia a video
- audio nativo
De un vistazo
| Capacidad | Cifra o comportamiento publicado | Qué significa en la práctica |
|---|---|---|
| Duración del clip | De 2 a 30 segundos por generación; 5 segundos por defecto; -1 activa la duración inteligente | Fija una duración antes de generar. Nuestro único clip de prueba dura 5 segundos. |
| Resolución y fotogramas por segundo | 480P, 720P o 1080P (1080P es el valor predeterminado de la API); 30 fps | Nuestro clip de prueba es de 1080p. La versión web de este artículo es de 720p. |
| Sonido | El parámetro audio es true por defecto, así que la salida incluye audio | El archivo de prueba tiene pista de audio. La versión web que publicamos está silenciada. |
| Referencias | Hasta 10 imágenes; 5 videos y 5 clips de audio, cada grupo con un máximo de 15 segundos en total | El modo Reference las admite. Cada archivo debe responder a una pregunta que el plano necesite resolver. |
| Modos de fotograma | El primer fotograma y el último admiten una imagen cada uno | Estos modos no aceptan referencias de audio. |
| Salida | MP4 con codificación H.264 | Usa el MP4 directamente en un montaje o en una página. |
Qué cambia con Wan 3.0
El cambio principal es la duración. Las versiones anteriores de Wan estaban pensadas para clips más cortos, y Wan 3.0 sube el techo a 30 segundos en una sola generación. La referencia de la API lo describe como un modelo basado en referencias: se pueden pasar imágenes, videos y audio a la vez, y la salida puede incluir sonido.
Para quien crea, eso cambia lo que puede ser un primer intento. Una escena que antes necesitaba varias generaciones cortas y un empalme tosco puede, en principio, probarse en una sola toma. Si una escena concreta se sostiene durante toda la duración es algo que cada persona tiene que comprobar con su propio material. La cifra publicada es un techo, no una promesa para cada prompt.
Las funciones de Wan 3.0
Un solo plano secuencia de hasta 30 segundos
La API acepta duraciones de 2 a 30 segundos, a 30 fps. El valor predeterminado es 5 segundos. Si fijas la duración en -1, se activa la duración inteligente, que deja que el modelo elija la duración a partir del prompt. No hemos hecho una generación de 30 segundos, así que no podemos describir cómo se sostiene una toma más larga. Lo que sí muestra nuestro clip de 5 segundos se explica en la sección de metraje de prueba, más abajo.
Sonido en la misma generación
El parámetro audio es true por defecto, lo que significa que el video generado incluye una pista de audio. El archivo que probamos tiene una pista AAC estéreo. No hicimos una revisión de escucha, así que este artículo no valora la calidad del sonido. A la versión web que publicamos le quitamos el audio, porque la página reproduce los clips silenciados y el archivo pesa menos sin él.
Referencias de imagen, video y audio
La generación basada en referencias admite hasta 10 imágenes, 5 videos y 5 clips de audio. Cada video de referencia debe durar entre 1 y 15 segundos, y la duración total de todos los videos de referencia no puede superar los 15 segundos. El audio de referencia sigue la misma regla. El audio se pasa como referencia en el modo Reference y se puede combinar con imágenes y videos de referencia. Los modos de primer fotograma y de primer y último fotograma solo admiten imágenes.
La ficha del producto dice que estas referencias permiten a Wan 3.0 seguir a un mismo personaje durante todo el plano. La documentación de la API explica cómo se pasan las entradas, pero no dice hasta qué punto un personaje se mantiene durante 30 segundos, y nosotros no hemos probado esa afirmación.
Qué muestra nuestro clip de prueba
Generamos el clip en VibePaper el 14 de octubre de 2026 como un video de 16:9, 1080p y 5 segundos, a partir de un prompt de texto que pedía una toma continua por un mercado nocturno iluminado con farolillos bajo la lluvia, que terminara en un músico callejero. El primer fotograma es un plano general de puestos de comida bajo farolillos rojos, con un cocinero trabajando sobre las llamas y vapor saliendo de una olla. Un fotograma de la mitad del clip se adentra entre la gente, con personas bajo paraguas y letreros de los puestos en primer plano. El último fotograma se sitúa en un arco de piedra, con un violonchelista sentado en el centro y farolillos encima.
Metraje real de nuestra prueba
Los clips de abajo proceden de la misma generación. La versión web es de 720p y está silenciada, recodificada a partir del archivo original de 1080p. Los fotogramas fijos se extrajeron del mismo clip, al mismo tamaño que el video.
Cómo crear un clip con Wan 3.0 en VibePaper
- 01Abre el modo VideoEn la página del generador de video, cambia las pestañas superiores de Image a Video. La página ofrece Image, Video y Text.
- 02Elige Wan 3.0 en el selector de modelosElige el modelo antes de tocar el resto de ajustes, para que la relación de aspecto, la resolución y la duración que fijes se apliquen al modelo que vas a usar.
- 03Elige el modo de entradaEl selector de modo de entrada ofrece First / last frame y Reference. Usa First / last frame cuando la imagen inicial ya esté aprobada. Usa Reference para añadir imágenes, un video o un clip de audio como guía.
- 04Escribe el prompt como un solo planoDescribe un plano continuo en orden: el lugar, una acción, un movimiento de cámara, la luz y el sonido que quieres. Nuestro prompt de prueba era una sola toma con una única trayectoria de cámara, lo que resulta más fácil de evaluar que varios cambios a la vez.
- 05Revisa los ajustes y generaFija la relación de aspecto, la resolución y la duración en la fila de ajustes antes de enviar. Compara el resultado con el prompt y, si un momento sale mal, cambia una sola cosa y vuelve a generar en lugar de reescribirlo todo.
Dónde está cada control
La fila de ajustes está debajo del cuadro del prompt, junto al botón Generate. Las capturas siguientes la recorren de izquierda a derecha: el modelo, la relación de aspecto, la resolución y la duración. Están tomadas de la interfaz de Paper Gen en inglés.
Límites y preguntas abiertas
Una lista de funciones te dice para qué está pensado un modelo. Son los límites los que deciden si encaja en tu trabajo, así que esto es lo que pudimos confirmar y lo que no.
- No hemos generado un clip de 30 segundos. El techo publicado es de 30 segundos, pero nuestro único resultado de prueba dura 5, así que no podemos decir cómo se ve una toma más larga.
- La duración de las referencias tiene un tope total. El video de referencia y el audio de referencia tienen cada uno un límite combinado de 15 segundos por petición, así que un conjunto largo de referencias hay que recortarlo antes.
- Algunos modos admiten menos. Los modos de primer fotograma y de primer y último fotograma solo admiten imágenes y no aceptan audio.
- El botón Generate no mostraba precio para Wan 3.0 cuando lo comprobamos, y la referencia de la API que consultamos no indica ninguno, así que este artículo no cita un precio. Consulta el precio en el producto antes de enviar.
- Aquí no valoramos la calidad del sonido ni el comportamiento de labios o voz de Wan 3.0. Hicimos una sola prueba y no la escuchamos en una revisión controlada.
Una lista de comprobación del prompt para tu primer intento
Un solo plano continuo, sin cortes. La cámara avanza a la altura de una persona que camina por un mercado nocturno estrecho bajo la lluvia, pasa junto a una parrilla con llamas y vapor que sube, y se detiene en un arco de piedra donde toca un violonchelista. Luz cálida de farolillos frente a la lluvia azulada, adoquines mojados que reflejan los farolillos, fotorrealista, sin texto.Preguntas que nos hacen sobre Wan 3.0
¿Cuánto puede durar un clip de Wan 3.0?
Alibaba Cloud Model Studio publica de 2 a 30 segundos por generación, con 5 segundos por defecto. Si fijas la duración en -1, se usa la duración inteligente. Nuestro único clip de prueba dura 5 segundos.
¿Wan 3.0 genera sonido?
El parámetro audio de la API es true por defecto, así que la salida incluye una pista de audio. No hicimos una revisión de escucha, así que este artículo no valora su calidad. La versión web que publicamos está silenciada.
¿Qué referencias puedo añadir?
En el modo Reference, hasta 10 imágenes, 5 videos y 5 clips de audio. El video de referencia y el audio de referencia tienen cada uno un límite combinado de 15 segundos. Los modos de primer fotograma y de primer y último fotograma solo admiten imágenes.
¿Está disponible 1080p?
La API admite 480P, 720P y 1080P, con 1080P como valor predeterminado. Nuestro clip de prueba es de 1080p. Revisa el ajuste de resolución en VibePaper antes de generar, porque las opciones que aparecen ahí son las que realmente puedes elegir.
¿Por qué este artículo muestra un clip de 5 segundos?
Es el único resultado de Wan 3.0 que tenemos. Preferimos mostrar lo que generamos antes que un clip más largo que no hicimos. Una prueba de 30 segundos es lo siguiente que hay que hacer antes de sacar conclusiones sobre los planos secuencia.
Referencias y alcance
Los conceptos técnicos siguen las fuentes oficiales y primarias que se citan abajo. Las sugerencias de flujo de trabajo y los ejemplos son análisis editorial, no una garantía de resultados.
- Wan3.0 Video Generation API Reference, Alibaba Cloud Model StudioFuente del rango de duración de 2 a 30 segundos, las resoluciones 480P/720P/1080P, los 30 fps, la salida MP4 (H.264), los límites de imágenes, video y audio de referencia y el valor predeterminado del parámetro audio.