VIBEPAPER JOURNAL / AI CREATION
Wan 3.0：長回しで何ができるのか、設定方法、テストで見えたこと
VibePaper · 更新日
Wan 3.0 は、長めのワンテイクのシーンに向けた Alibaba の動画モデルです。公表されている上限は 1080p で最長30秒、同じ生成の中で音声トラックも出力され、画像、動画、音声を参照素材として受け付けます。私たちは VibePaper の動画生成で、5秒・1080p のテストクリップを生成しました。雨の夜市を進み、アーチの下のチェロ奏者で終わる映像です。このクリップで30秒の上限が証明されるわけではありません。私たちが試した長さでワンテイクがどう見えるか、そして公表値のどこから先が私たちの見ていない領域なのかを示すものです。
- Wan 3.0
- AI動画生成
- 長回し動画
- 参照から動画を生成
- ネイティブ音声
概要
| 機能 | 公表値・挙動 | 実際の意味 |
|---|---|---|
| クリップの長さ | 1回の生成で2〜30秒。初期値は5秒。-1 でスマートな長さ指定 | 生成前に長さを設定しましょう。私たちのテストクリップは5秒の1本だけです。 |
| 解像度とフレームレート | 480P、720P、1080P（API の初期値は 1080P）。30 fps | テストクリップは 1080p です。この記事のWeb版は 720p です。 |
| 音声 | audio パラメータの初期値は true なので、出力に音声が含まれる | テストファイルには音声トラックがあります。公開しているWeb版は無音です。 |
| 参照素材 | 画像は最大10枚。動画5本と音声5本で、それぞれ合計15秒まで | 参照モードで受け付けます。どのファイルも、ショットに必要な問いのどれかに答えるものにしましょう。 |
| フレームモード | 開始フレームと終了フレームは、それぞれ画像1枚 | これらのモードでは音声の参照素材を使えません。 |
| 出力 | H.264 エンコードの MP4 | MP4 はそのまま編集やページに使えます。 |
Wan 3.0 で変わったこと
いちばん大きな変化は長さです。以前の Wan は短いクリップを前提に作られていましたが、Wan 3.0 では1回の生成の上限が30秒まで上がりました。API リファレンスでは、参照素材をベースにしたモデルと説明されています。画像、動画、音声をまとめて渡すことができ、出力には音を含められます。
クリエイターにとっては、最初の試作で何ができるかが変わります。以前なら短い生成を何回か重ねて粗くつなぐ必要があったシーンも、理屈の上ではワンテイクで試せます。あるシーンが最後まで破綻しないかどうかは、それぞれが自分の素材で確かめるしかありません。公表値はあくまで上限で、どんなプロンプトでもそうなるという約束ではありません。
Wan 3.0 の機能
最長30秒の長回し
API は 30 fps で2〜30秒の長さを受け付けます。初期値は5秒です。長さを -1 に設定するとスマートな長さ指定になり、モデルがプロンプトから長さを決めます。私たちは30秒の生成を試していないので、長いテイクがどこまで保たれるかは説明できません。5秒のクリップでわかったことは、下のテスト映像のセクションで紹介します。
同じ生成の中で音も作る
audio パラメータの初期値は true で、生成された動画には音声トラックが含まれます。私たちがテストしたファイルには、ステレオの AAC トラックがありました。試聴によるレビューはしていないため、この記事では音質を評価していません。公開しているWeb版は音声を取り除いています。ページではクリップを無音で再生するうえ、音声がないほうがファイルも小さくなるからです。
画像・動画・音声の参照素材
参照素材ベースの生成では、画像最大10枚、動画最大5本、音声最大5本を受け付けます。参照動画は1本あたり1〜15秒で、すべての参照動画の合計も15秒を超えられません。参照音声も同じルールです。音声は参照モードで参照素材として渡し、参照画像や参照動画と組み合わせられます。開始フレームモードと開始・終了フレームモードでは画像しか使えません。
製品カードには、これらの参照素材によって Wan 3.0 がショット全体を通してひとりのキャラクターを追えると書かれています。API ドキュメントで説明されているのは入力の渡し方です。キャラクターが30秒間どこまで保たれるかは書かれておらず、私たちもその主張は検証していません。
テストクリップからわかること
クリップは2026年10月14日に VibePaper で、16:9・1080p・5秒の動画として生成しました。プロンプトはテキストのみで、提灯に照らされた雨の夜市を途切れずに進み、ストリートミュージシャンで終わるワンテイクを指示しました。最初のフレームは赤い提灯の下に屋台が並ぶ引きの画で、料理人が火の上で調理し、鍋から湯気が立っています。クリップ中盤のフレームでは人混みの中に入り、手前に傘を差した人々と屋台の看板が映ります。最後のフレームは石造りのアーチの中で、中央にチェロ奏者が座り、頭上に提灯が下がっています。
テストで生成した実際の映像
以下のクリップは同じ生成から取ったものです。Web版は 720p・無音で、元の 1080p ファイルから再エンコードしました。静止画は同じクリップから切り出したフレームで、動画と同じサイズです。
VibePaper で Wan 3.0 のクリップを作る方法
- 01動画モードを開く動画生成のページで、上部のタブを「画像」から「動画」に切り替えます。ページには「画像」「動画」「テキスト」があります。
- 02モデル選択で Wan 3.0 を選ぶほかの設定に触る前にモデルを選びましょう。そうすれば、設定した縦横比、解像度、長さが、実際に使うモデルに適用されます。
- 03入力モードを選ぶ入力モードの切り替えには「開始・終了フレーム」と「参照生成」があります。最初の画像がすでに決まっているときは「開始・終了フレーム」を使います。画像、動画、音声クリップを手がかりとして追加したいときは「参照生成」を使います。
- 04プロンプトはひとつのショットとして書く途切れないひとつのショットを、場所、ひとつの動作、ひとつのカメラワーク、光、欲しい音の順に書きます。私たちのテストプロンプトは、カメラの経路がひとつだけのワンテイクでした。複数の変化を一度に入れるより、結果を判断しやすくなります。
- 05設定を確認してから生成する送信前に、設定行で縦横比、解像度、長さを決めます。結果はプロンプトと照らし合わせて確認し、どこか一瞬だけがおかしければ、すべてを書き直すのではなくひとつだけ変えてもう一度生成しましょう。
各設定の場所
設定行はプロンプト欄の下、「生成」ボタンの横にあります。以下のキャプチャは左から右へ、モデル、縦横比、解像度、長さの順に並んでいます。英語版の Paper Gen の画面から撮影したものです。
制限と未解決の疑問
機能一覧からわかるのは、モデルが何をするために作られたかです。自分の仕事に合うかどうかを決めるのは制限のほうなので、確認できたことと、できなかったことを紹介します。
- 30秒のクリップはまだ生成していません。公表されている上限は30秒ですが、私たちのテスト結果は5秒の1本だけなので、長いテイクがどう見えるかはわかりません。
- 参照素材の長さは合計で制限されます。参照動画と参照音声は、1回のリクエストあたりそれぞれ合計15秒までなので、長い参照素材はあらかじめ短くしておく必要があります。
- 受け付ける素材が少ないモードもあります。開始フレームモードと開始・終了フレームモードは画像しか使えず、音声は受け付けません。
- 私たちが確認した時点では、Wan 3.0 の「生成」ボタンに料金が表示されておらず、読んだ API リファレンスにも記載がなかったため、この記事では料金を示していません。送信前に製品画面で料金を確認してください。
- Wan 3.0 の音質や、口の動き・声の挙動はここでは評価していません。テストは1回だけで、条件をそろえた試聴レビューもしていません。
最初の1本のためのプロンプト・チェックリスト
途切れないワンショット、カットなし。カメラは歩く人の目線の高さで、雨の降る狭い夜市を進み、火が上がり湯気の立つグリルの横を通り過ぎて、チェロ奏者が演奏する石造りのアーチで止まる。青い雨に映える暖かな提灯の光、提灯を映す濡れた石畳、フォトリアル、文字なし。Wan 3.0 についてよくいただく質問
Wan 3.0 のクリップはどのくらいの長さにできますか？
Alibaba Cloud Model Studio の公表値は1回の生成で2〜30秒、初期値は5秒です。長さを -1 にするとスマートな長さ指定になります。私たちのテストクリップは5秒の1本だけです。
Wan 3.0 は音声も生成しますか？
API の audio パラメータの初期値は true なので、出力には音声トラックが含まれます。試聴によるレビューはしていないため、この記事では音質を評価していません。公開しているWeb版は無音です。
どんな参照素材を追加できますか？
参照モードでは、画像最大10枚、動画最大5本、音声最大5本です。参照動画と参照音声はそれぞれ合計15秒が上限です。開始フレームモードと開始・終了フレームモードでは画像しか使えません。
1080p は使えますか？
API は 480P、720P、1080P に対応しており、初期値は 1080P です。私たちのテストクリップも 1080p です。実際に選べるのは VibePaper の画面に表示される選択肢なので、生成前に解像度の設定を確認してください。
この記事で紹介しているのが5秒のクリップなのはなぜですか？
私たちが持っている Wan 3.0 の結果がそれだけだからです。作ってもいない長いクリップより、実際に生成したものを見せたいと考えています。長回しについて結論を出す前に、次に行うべきなのは30秒のテストです。
参考資料と本記事の範囲
技術的な説明は、以下に挙げた公式資料と一次情報に基づいています。ワークフローの提案や作例は編集部の分析であり、結果を保証するものではありません。
- Wan3.0 Video Generation API Reference, Alibaba Cloud Model Studio2〜30秒の長さの範囲、480P/720P/1080P の解像度、30 fps、MP4（H.264）出力、参照画像・動画・音声の上限、audio パラメータの初期値についての出典。