Wan 3.0 — Vídeo IA de 30 segundos desde texto, imagen y referencia
Modelo de vídeo Wanxiang 3.0 de Alibaba Tongyi Lab. Genera hasta 30 segundos en una sola pasada a 480p, 720p o 1080p — desde un prompt, un primer fotograma (último opcional) o referencias mixtas de imagen, vídeo y audio — con audio nativo opcional en SeeVid.
Disponible en la plataforma SeeVid
El modelo de vídeo Wanxiang 3.0 de Alibaba Tongyi
Wan 3.0 (Tongyi Wanxiang 3.0) es la generación 2026 de la familia de vídeo IA de Alibaba Tongyi Lab. Los materiales públicos describen hasta 30 segundos en una generación, audio-visual nativo y un sistema omni-referencia para texto, imágenes, vídeo y audio. En SeeVid puedes usar texto a vídeo, imagen a vídeo (primer fotograma, último opcional) y referencia a vídeo con hasta 10 imágenes, 5 clips y 5 archivos de audio.
Hasta 30 segundos, una pasada
Elige 2–30 segundos o Auto. Auto deja que el modelo encaje la duración al prompt, sin alargar un beat corto ni cortar una historia larga. No hace falta unir muchos clips de 5 segundos.
Texto, imagen y referencias mixtas
Parte de un prompt, anima un still (fotograma final opcional) o combina hasta 10 imágenes, 5 vídeos (1–15 s cada uno, 15 s en total) y 5 audios.
Audio nativo en la misma pasada
Voz, canto, efectos y ambiente pueden generarse con la imagen. El audio está activado por defecto; desactívalo para un clip silencioso. El lip-sync y el diálogo multilingüe son capacidades destacadas de Wan 3.0.
Rostros, props, espacio y estilo
La referencia a vídeo busca consistencia de personaje, producto, espacio y estilo en un clip más largo — útil para anuncios, explainers y borradores narrativos antes de pulir en el editor.
Tomas más largas, referencias más firmes, audio incluido
Wan 3.0 apunta a creadores que necesitan más que un beat de 5–15 segundos: un lienzo narrativo de 30 segundos, bloqueo de referencia a nivel de píxel y sonido que llega con la imagen.
Wan 3.0 en SeeVid
Las opciones coinciden con el generador de vídeo IA. Los créditos se cobran por segundo de salida (Auto cuenta como 20 s). Referencia a vídeo también cobra los segundos de vídeo de referencia.
Texto a vídeo
Describe escena, cámara, estilo y diálogo. Duración 2–30 s o Auto; 480p / 720p / 1080p; aspecto adaptive, 16:9, 9:16, 1:1, 4:3 o 3:4.
Imagen a vídeo
Una imagen es el primer fotograma; una segunda puede ser el último. Máximo dos imágenes. Mismas opciones de duración, calidad y aspecto que texto a vídeo.
Referencia a vídeo
Hasta 10 imágenes (≤20 MB), 5 vídeos (1–15 s, ≤100 MB, 15 s en total) y 5 audios (1–15 s, ≤15 MB, 15 s en total). Salida más vídeo de referencia no puede superar 30 segundos.
Duración inteligente
Elige una longitud exacta o Auto. Auto se factura como trabajo de 20 segundos para no alargar un beat corto ni cortar una historia a mitad.
480p / 720p / 1080p
Tres niveles de calidad. Créditos SeeVid: 3.7 / 7.5 / 15 por segundo de salida en 480p / 720p / 1080p. Ejemplo: 720p × 5 s = 37 créditos.
Interruptor de audio nativo
El audio está activado por defecto (voz, efectos, ambiente). Desactiva generar audio para un clip silencioso que puntuarás después.
Preguntas frecuentes
Preguntas habituales sobre Wan 3.0 (Tongyi Wanxiang 3.0) y su uso en SeeVid.
Empieza a crear con Wan 3.0 hoy
Prueba Wan 3.0 en SeeVid: texto a vídeo, imagen a vídeo y referencia a vídeo, de 2 a 30 segundos, con audio nativo opcional y hasta 1080p.