VIBEPAPER JOURNAL / AI CREATION
Wan 3.0: o que o plano-sequência permite, como configurar e o que vimos nos testes
VibePaper · Atualizado em
O Wan 3.0 é o modelo de vídeo da Alibaba para cenas mais longas em uma única tomada. Os limites divulgados chegam a 30 segundos em 1080p, com trilha de áudio na mesma geração, e ele aceita imagens, vídeos e áudio como referências. Geramos um clipe de teste de 5 segundos em 1080p no gerador de vídeo do VibePaper: uma feira noturna na chuva que termina em um violoncelista sob um arco. Esse clipe não comprova o teto de 30 segundos. Ele mostra como fica uma tomada contínua na duração que testamos e deixa claro a partir de onde os números divulgados deixam de ser algo que vimos.
- Wan 3.0
- geração de vídeo com IA
- vídeo em plano-sequência
- referência para vídeo
- áudio nativo
Visão geral
| Recurso | Número ou comportamento divulgado | O que significa na prática |
|---|---|---|
| Duração do clipe | De 2 a 30 segundos por geração; padrão de 5 segundos; -1 ativa a duração inteligente | Defina uma duração antes de gerar. Nosso único clipe de teste tem 5 segundos. |
| Resolução e taxa de quadros | 480P, 720P ou 1080P (1080P é o padrão da API); 30 fps | Nosso clipe de teste é 1080p. A versão web deste artigo é 720p. |
| Som | O parâmetro audio é true por padrão, então a saída inclui áudio | O arquivo de teste tem trilha de áudio. A versão web que publicamos está sem som. |
| Referências | Até 10 imagens; 5 vídeos e 5 clipes de áudio, cada grupo com no máximo 15 segundos no total | O modo Reference aceita essas referências. Cada arquivo deve responder a uma pergunta que o plano precisa resolver. |
| Modos de quadro | Primeiro e último quadro aceitam uma imagem cada | Esses modos não aceitam referências de áudio. |
| Saída | MP4 com codificação H.264 | Use o MP4 diretamente em uma edição ou em uma página. |
O que muda com o Wan 3.0
A principal mudança é a duração. As versões anteriores do Wan eram pensadas para clipes mais curtos, e o Wan 3.0 eleva o teto para 30 segundos em uma única geração. A referência da API o descreve como um modelo baseado em referências: imagens, vídeos e áudio podem ser enviados juntos, e a saída pode trazer som.
Para quem cria, isso muda o que uma primeira tentativa pode ser. Uma cena que antes exigia várias gerações curtas e uma emenda grosseira pode, em princípio, ser testada em uma única tomada. Se uma cena específica se sustenta por toda a duração é algo que cada pessoa precisa conferir com o próprio material. O número divulgado é um teto, não uma promessa para qualquer prompt.
Os recursos do Wan 3.0
Um único plano-sequência de até 30 segundos
A API aceita durações de 2 a 30 segundos, a 30 fps. O padrão é 5 segundos. Definir a duração como -1 ativa a duração inteligente, que deixa o modelo escolher a duração a partir do prompt. Não fizemos uma geração de 30 segundos, então não podemos descrever como uma tomada mais longa se sustenta. O que o nosso clipe de 5 segundos mostra está na seção de vídeos de teste, mais abaixo.
Som na mesma geração
O parâmetro audio é true por padrão, o que significa que o vídeo gerado inclui uma trilha de áudio. O arquivo que testamos tem uma trilha AAC estéreo. Não fizemos uma avaliação de escuta, então este artigo não julga a qualidade do som. A versão web que publicamos teve o áudio removido, porque a página reproduz os clipes sem som e o arquivo fica menor sem ele.
Referências de imagem, vídeo e áudio
A geração baseada em referências aceita até 10 imagens, 5 vídeos e 5 clipes de áudio. Cada vídeo de referência deve ter de 1 a 15 segundos, e a soma de todos os vídeos de referência não pode passar de 15 segundos. O áudio de referência segue a mesma regra. O áudio é enviado como referência no modo Reference e pode ser combinado com imagens e vídeos de referência. Os modos de primeiro quadro e de primeiro e último quadro aceitam apenas imagens.
A ficha do produto diz que essas referências permitem que o Wan 3.0 acompanhe um mesmo personagem ao longo de todo o plano. A documentação da API explica como as entradas são enviadas, mas não diz o quanto um personagem se mantém ao longo de 30 segundos, e nós não testamos essa afirmação.
O que o nosso clipe de teste mostra
Geramos o clipe no VibePaper em 14 de outubro de 2026, como um vídeo 16:9, 1080p e 5 segundos, a partir de um prompt de texto que pedia uma tomada contínua por uma feira noturna iluminada por lanternas, na chuva, terminando em um músico de rua. O primeiro quadro é uma vista ampla de barracas de comida sob lanternas vermelhas, com um cozinheiro trabalhando sobre as chamas e vapor subindo de uma panela. Um quadro do meio do clipe entra no meio da multidão, com pessoas de guarda-chuva e placas das barracas em primeiro plano. O último quadro fica em um arco de pedra, com um violoncelista sentado no centro e lanternas no alto.
Vídeos reais do nosso teste
Os clipes abaixo são da mesma geração. A versão web é 720p e sem som, recodificada a partir do arquivo original em 1080p. Os quadros estáticos foram extraídos do mesmo clipe, no mesmo tamanho do vídeo.
Como criar um clipe com o Wan 3.0 no VibePaper
- 01Abra o modo VideoNa página do gerador de vídeo, troque as abas do topo de Image para Video. A página oferece Image, Video e Text.
- 02Escolha o Wan 3.0 no seletor de modelosEscolha o modelo antes de mexer nos outros ajustes, para que a proporção, a resolução e a duração definidas se apliquem ao modelo que você vai usar.
- 03Escolha o modo de entradaO seletor de modo de entrada oferece First / last frame e Reference. Use First / last frame quando a imagem de abertura já estiver aprovada. Use Reference para adicionar imagens, um vídeo ou um clipe de áudio como guia.
- 04Escreva o prompt como um único planoDescreva um plano contínuo em ordem: o lugar, uma ação, um movimento de câmera, a luz e o som que você quer. Nosso prompt de teste era uma única tomada com um só trajeto de câmera, o que é mais fácil de avaliar do que várias mudanças ao mesmo tempo.
- 05Confira os ajustes e depois gereDefina proporção, resolução e duração na linha de ajustes antes de enviar. Compare o resultado com o prompt e, se um momento sair errado, mude uma única coisa e gere de novo em vez de reescrever tudo.
Onde fica cada controle
A linha de ajustes fica abaixo da caixa do prompt, ao lado do botão Generate. As capturas abaixo a percorrem da esquerda para a direita: modelo, proporção, resolução e duração. Elas foram feitas na interface do Paper Gen em inglês.
Limites e perguntas em aberto
Uma lista de recursos diz o que um modelo foi feito para fazer. São os limites que decidem se ele serve para o seu trabalho, então aqui está o que conseguimos e o que não conseguimos confirmar.
- Não geramos um clipe de 30 segundos. O teto divulgado é de 30 segundos, mas nosso único resultado de teste tem 5, então não podemos dizer como fica uma tomada mais longa.
- A duração das referências tem um limite total. Vídeo de referência e áudio de referência têm, cada um, um limite somado de 15 segundos por solicitação, então um conjunto longo de referências precisa ser cortado antes.
- Alguns modos aceitam menos. Os modos de primeiro quadro e de primeiro e último quadro aceitam apenas imagens e não aceitam áudio.
- O botão Generate não mostrava preço para o Wan 3.0 na nossa checagem, e a referência da API que lemos não informa nenhum, então este artigo não cita preço. Confira o preço no produto antes de enviar.
- A qualidade do som e o comportamento de lábios ou voz do Wan 3.0 não são avaliados aqui. Fizemos um único teste e não o ouvimos em uma avaliação controlada.
Um checklist de prompt para a sua primeira tentativa
Um único plano contínuo, sem cortes. A câmera avança na altura de quem caminha por uma feira noturna estreita na chuva, passa por uma grelha com chamas e vapor subindo e para em um arco de pedra onde um violoncelista toca. Luz quente das lanternas contra a chuva azulada, calçamento molhado refletindo as lanternas, fotorrealista, sem texto.Perguntas que recebemos sobre o Wan 3.0
Quanto tempo pode durar um clipe do Wan 3.0?
O Alibaba Cloud Model Studio divulga de 2 a 30 segundos por geração, com padrão de 5 segundos. Definir a duração como -1 usa a duração inteligente. Nosso único clipe de teste tem 5 segundos.
O Wan 3.0 gera som?
O parâmetro audio da API é true por padrão, então a saída inclui uma trilha de áudio. Não fizemos uma avaliação de escuta, então este artigo não julga a qualidade. A versão web que publicamos está sem som.
Quais referências posso adicionar?
No modo Reference, até 10 imagens, 5 vídeos e 5 clipes de áudio. Vídeo de referência e áudio de referência têm, cada um, um limite somado de 15 segundos. Os modos de primeiro quadro e de primeiro e último quadro aceitam apenas imagens.
O 1080p está disponível?
A API suporta 480P, 720P e 1080P, com 1080P como padrão. Nosso clipe de teste é 1080p. Confira o ajuste de resolução no VibePaper antes de gerar, porque as opções mostradas ali são as que você realmente pode escolher.
Por que este artigo mostra um clipe de 5 segundos?
É o único resultado do Wan 3.0 que temos. Preferimos mostrar o que geramos a mostrar um clipe mais longo que não fizemos. Um teste de 30 segundos é o próximo passo antes de tirar conclusões sobre planos-sequência.
Referências e escopo
Os conceitos técnicos seguem as fontes oficiais e primárias listadas abaixo. As sugestões de fluxo de trabalho e os exemplos são análise editorial, não garantia de resultado.
- Wan3.0 Video Generation API Reference, Alibaba Cloud Model StudioFonte da faixa de duração de 2 a 30 segundos, das resoluções 480P/720P/1080P, dos 30 fps, da saída MP4 (H.264), dos limites de imagens, vídeo e áudio de referência e do padrão do parâmetro audio.