Alibaba Wan3.0: 30-Sekunden-Videos aus Text, Bild und Dokument

Alibaba hat Wan3.0 offiziell gestartet: Das Videomodell erzeugt Clips von bis zu 30 Sekunden Länge — doppelt so lang wie beim Vorgänger Wan2.5. Die Besonderheit liegt bei den Eingaben: Neben Text akzeptiert das Modell bis zu 10 Bilder, 5 Videos und 5 Audioclips sowie Dokumente wie PDFs, Webseiten und PowerPoint-Präsentationen, wie TechNode und The Decoder berichten.

Alibaba Cloud hebt Verbesserungen bei "instruction following, consistency across shots and audio quality" hervor — also Instruktionstreue, Konsistenz über Einstellungen hinweg und Tonqualität. Genau die Konsistenz von Figuren, Requisiten und Raumaufteilung gilt als Achillesferse generativer Videomodelle; Wan3.0 soll sichtbares Driften und Verzerrungen reduzieren.

Die Preise sind aggressiv gestaffelt: Ein 30-Sekunden-Clip kostet in 480p ab 1,50 Dollar, in 720p ab 3 Dollar und in 1080p ab 6 Dollar (Standard-Modus); die Prime-Variante liegt jeweils rund 40 Prozent darüber. Vom 24. August bis 23. September gilt zudem ein 30-Prozent-Rabatt auf ausgewählten Plattformen. Verfügbar ist das Modell über wan.video, Alibaba Cloud Model Studio und die Qwen Cloud API.

Der Kontext macht die Ambition deutlich: Alibaba meldete zuletzt einen Rückgang des Quartalsgewinns um 75 Prozent gegenüber dem Vorjahr — Folge massiv erhöhter KI-Investitionen, die unter anderem über eine milliardenschwere Aktienplatzierung finanziert werden. Wan3.0 ist das erste große Produkt dieser Offensive.

Für Content-Teams heißt das: Aus einem Foliensatz oder Produktdokument wird per Prompt ein fertiger Clip — zu Preisen, die klassische Videoproduktion deutlich unterbieten. Der Preiskampf im Video-KI-Markt, in dem auch OpenAI, Google und Runway stehen, geht damit in die nächste Runde.