Wan 2.5 無料オンライン AI 動画生成、Wan 3.0 にアップグレード
Yovid では Wan 2.5 を提供していません。動かしているのは Alibaba の後継モデル Wan 3.0 で、Wan 2.5 を際立たせた声、音楽、効果音はそのまま、クリップの長さを 10 秒から最長 30 秒に伸ばしました。プロンプト、最初のフレーム、または最大 10 枚の画像と 5 本のクリップから始められます。 Yovid で Wan 3.0 の動画づくりを始めましょう。
Yovid で Wan 3.0 が作る映像
Yovid で Wan 2.5 の代わりに Wan 3.0 を使う理由
- Yovid で動くのは Wan 3.0。Wan 2.5 ではありません：Wan 2.5 は 2025 年のプレビュー版で、その後に 3 つの新バージョンが登場。Yovid では最新版を動かしています。
- Wan 3.0 は 30 秒、Wan 2.5 の 3 倍：Wan 2.5 は 10 秒まででしたが、Yovid の Wan 3.0 は 2 秒から 30 秒まで選べます。
- Wan 2.5 は音声を同じ処理に持ち込んだ：声、効果音、音楽が映像と一緒に生成される仕組みを、Wan 3.0 は初期設定でオンのまま引き継ぎます。
- 書いた言語で、口の動きに合うセリフ：Wan 3.0 は、指定した言語のセリフを、正しい口に合わせて発声します。
- 参照に画像最大 10 枚と動画最大 5 本：Wan 2.5 はテキストか 1 枚の画像から作りましたが、Wan 3.0 は参照の束をまるごと受け付けます。
- ショットリストを丸ごと書ける、10,000 文字のプロンプト：時間付きのショット、カメラワーク、音楽の合図、すべてのセリフが、1 本のプロンプトに収まります。
- Yovid での Wan 3.0 の設定とクレジット：2–30 秒、3 段階の解像度、アスペクト比 5 種類と自動、音声込みで、1 秒あたり約 1.2 クレジットから。
Yovid で動くのは Wan 3.0。Wan 2.5 ではありません
Alibaba は 2025 年 9 月、Alibaba Cloud Model Studio で Wan 2.5 をプレビューとして公開しました。Wan 2.1 や 2.2 のようにダウンロードできる重みではなく、ホスト型のモデルです。目玉は音声で、セリフ、効果音、音楽が映像と同時に生成され、5 秒または 10 秒のクリップを最大 1080p で作れました。
Wan 2.6、Wan 2.7、Wan 3.0 は 1 年のうちに続けて登場しました。Yovid が動かしているのは Wan 3.0 だけなので、このページの入力画面は Wan 3.0 で開き、ここで作るクリップはすべて Wan 3.0 によるものです。下の表で、各バージョンの進化点を確認できます。
| Wan 2.5・2025 年 9 月 | 5 秒または 10 秒、ネイティブ音声付きテキストまたは最初のフレームから 480p、720p、1080p。プロンプトは最大 1,500 文字。 |
|---|---|
| Wan 2.6・2025 年 12 月 | 最長 15 秒、マルチショット人物の見た目と声を一貫させる、参照から動画への生成を追加。 |
| Wan 2.7・2026 年 4 月 | 最長 15 秒、さらに動画編集画像と動画を混ぜた参照を最大 5 つ。プロンプトは最大 5,000 文字。 |
| Wan 3.0・2026 年 8 月 | 最長 30 秒、Yovid で使えるバージョンより自然でバリエーション豊かな顔と、参照素材へのより厳密な一貫性。 |
Wan 3.0 は 30 秒、Wan 2.5 の 3 倍
10 秒で収まるのはワンショットだけ。30 秒あれば、導入、展開、結末のあるシーンが描けます。左は 10 秒の Wan 2.5 のデモで、ひとりのレポーター、ひとつのセリフ、ひとつの追いかけショット。右は 30 秒の Wan 3.0 のデモで、4 枚の参照画像から、2 つの時間軸で語られる再会を、日本語のナレーション付きで描いています。
Yovid では長さはスライダーで、2 秒から 30 秒まで 1 秒単位で選べ、料金も選んだ秒数に応じて変わります。まず短い尺でアイデアを試し、プロンプトが固まったらフルの長さでレンダリングしましょう。
| Wan 2.5・10 秒 | Wan 3.0・30 秒 |
|---|---|
Wan 2.5 は音声を同じ処理に持ち込んだ
映像と一緒に音声を生成することが、Wan 2.5 の目玉機能でした。セリフは話し手の口に、足音は足が地面に着くフレームに合います。この 10 秒の Wan 2.5 Preview のデモでは、北京の住人が近所の人に濃い北京訛りで声をかけ、鳥かごのツグミがタイミングよくさえずります。
Wan 3.0 はそれを引き継ぎ、さらに余裕を持たせています。Yovid では音声は初期設定でオンで、追加料金はかかりません。音声のオン・オフでクリップの料金は変わらないためです。セリフはかぎ括弧で囲み、誰がどの言語で話すかを書きましょう。自分で音楽を付けるつもりなら、音声をオフにできます。
プロンプト（要約）： Early autumn morning in a Beijing hutong, warm side light on grey flagstones, an old pagoda tree swaying in the breeze. A man in his sixties in a navy cotton jacket and cloth shoes carries a rosewood birdcage; the thrush inside chirps twice. He meets a neighbor, smiles, nods and says in a broad Beijing accent: "哟，吃了么您呐？没事儿遛遛弯儿，舒坦！" (Eaten yet? Just out for a stroll. Feels great!) The cage sways as the bird flutters; pots of jasmine stir by the grey brick wall.
書いた言語で、口の動きに合うセリフ
セリフを書き、話し手と言語を指定すれば、Wan 3.0 が口の動きを合わせて発声します。この 24 秒のデモでは、3 枚の参照画像で 2 人のゲームキャラクターと道場を固定しています。彼女が「ここは何のステージ？」と尋ね、彼が「これは最初の試練だ」と答え、冷たいシステム音声が試験を始める、そのすべてが日本語で、それぞれ正しい口に合っています。
Alibaba のほかの Wan 3.0 のデモには、英語、北京語、韓国語、ポルトガル語、タイ語、スペイン語、アラビア語のセリフもあります。「低く落ち着いた声で」「早口で緊張した様子で」のように話し方も添えると、シーンに合った演技になります。
Wan 3.0参照に画像最大 10 枚と動画最大 5 本
Wan 2.5 は、テキストプロンプトか、最初のフレームとして使う 1 枚の画像から始めるものでした。Yovid の Wan 3.0 には参照モードが加わり、最大 10 枚の画像と、1〜15 秒の動画 5 本で人物、生き物、商品、場所を固定しながら、プロンプトで演出できます。
この 30 秒のデモでは 9 枚の画像を使いました。女性 1 人、蓮の世界 1 つ、そして 2D で描かれた姿と 3D 版を並べた、小さな生き物 7 つです。彼女の顔は最初から最後まで保たれ、生き物たちは絵の中から 3D へと歩み出します。プロンプトでは各ファイルを名前（Image 1、Image 2 など）で指定し、それぞれに 1 つの役割を与えましょう。
Wan 3.0ショットリストを丸ごと書ける、10,000 文字のプロンプト
Wan 2.5 のプロンプトは 1,500 文字までで、よく描写したワンショットが入る程度でした。Yovid の Wan 3.0 は最大 10,000 文字を受け付けるので、秒単位のショット、それぞれのカメラ技法、音楽の合図、すべてのセリフまで、計画をまるごと入れられます。
この 30 秒のデモは、参照画像なしの 1 本のテキストプロンプトから生まれました。雲間へのダイブからゆっくりした引きまで、時間付きの 9 つのショットを書き並べ、Wan 3.0 はその順序とテンポに従っています。
Wan 3.0Yovid での Wan 3.0 の設定とクレジット
書く前にフレームを決めておくと、ブロッキング（人物の配置と動線）がそのフレームに合わせて構成されます。画像から始めるときは、「自動」にするとその画像の形が保たれます。クレジットは出力 1 秒ごとに課金され、解像度だけで決まります。参照動画を加えた場合は、その秒数も加算されます。
| 長さ | 2 秒から 30 秒初期設定は 5 秒。Wan 2.5 は 5 秒か 10 秒でした。 |
|---|---|
| 解像度 | 480p、720p、1080p初期設定は 720p。Wan 2.5 と同じ 3 段階です。 |
| アスペクト比 | 16:9、9:16、1:1、4:3、3:4、自動 |
| 入力 | テキスト、最初のフレーム（最後のフレームは任意）、または参照素材画像最大 10 枚と、1〜15 秒の動画 5 本（MP4 または MOV、各 100 MB まで）。 |
| 音声 | 初期設定でオン、追加クレジットなし声、音楽、効果音。生成ごとにオフにできます。 |
| クレジット | 1 秒あたり約 1.2、2.4、4.8480p、720p、1080p の場合。クレジットパックの標準料金で、720p・5 秒のクリップなら約 12 クレジット。 |
Wan 2.5 から Wan 3.0 に乗り換える人
Wan 2.5 を探している人の多くが求めているのは、10 秒のクリップをつなぎ合わせなくても、しゃべってサウンドトラックも付く 1 本です。Wan 3.0 が特に力を発揮するのは、こんな仕事です：
- ショートドラマ・コント制作者：10 秒を超える会話シーンを、参照画像でエピソードをまたいで同じキャストのまま。
- 広告・SNS チーム：ナレーションと音楽付きの商品スポットを 1 回のレンダリングで。商品は手持ちの写真でぶれずに保たれます。
- 音楽・ダンス動画の制作者：歌詞、ビート、リップシンクが同じ生成から出てくるパフォーマンス。
- アニメーター・ゲームスタジオ：水墨と水彩からセルシェードの CG まで、スタイライズドなオープニングやトレーラーを 30 秒の 1 回で。
- Wan 2.5 のプロンプト集を持つチーム：以前のプロンプトはそのまま出発点になります。まずそのまま実行し、増えた尺を埋めるために時間付きのビート、参照、セリフを足しましょう。
Wan 2.5 の後継 Wan 3.0 と Seedance 2.5・MiniMax H3・Kling 3.0 を比較
Yovid では Wan 2.5 を提供していないため、表には入っていません。最後の行を除くすべてのセルは、Yovid の生成画面で各モデルが現在提供している設定から読み込んでいます。
| 機能 / モデル | Wan 3.0 |  Seedance 2.5 |  MiniMax H3 |  Kling 3.0 |
|---|---|---|---|---|
| 最長尺 | 30 秒 | 30 秒 | 15 秒 | 15 秒 |
| 最高解像度 | 1080p | 1080p | 2K | 1080p |
| アスペクト比 | 16:9, 9:16, 1:1, 4:3, 3:4 | 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 | 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 | 16:9, 9:16, 1:1 |
| 参照画像 | 10 | 30 | 9 | — |
| 参照動画 | 5 | 10 | 3 | — |
| アップロード動画の編集・延長 | — | 対応 | — | — |
| 720p・5 秒のクレジット | 12 | 31 | 23 | 13 |
| 向いている用途 | Wan 2.5 らしいクリップを音声付きで、最長 30 秒まで、低予算で。 | 大きな参照の束と、アップロードした映像の編集・延長。 | 最長 15 秒の、シャープな 2K クリップ。 | 最大 1080p の、生き生きとした 15 秒のキャラクタークリップ。 |
クレジットは、720p（またはモデルが対応する最も近い解像度）で 5 秒の動画を作る場合のクレジットパックの標準料金で、Yovid の最新料金に連動します。
Wan 2.5 の代わりとしての Wan 3.0：強みと制約
Yovid で Wan 3.0 に乗り換えて得られるものと、手放すものです。
強み
- 3 倍の長さ：1 クリップ 2〜30 秒。Wan 2.5 は 5 秒か 10 秒でした。
- 追加料金なしの音声：声、音楽、効果音は初期設定でオンのまま、無音のクリップと同じ料金です。
- Wan 2.5 にはなかった参照：画像最大 10 枚と動画最大 5 本で、人物、商品、場所の一貫性を保てます。
- 長いプロンプト：最大 10,000 文字（Wan 2.5 は 1,500 文字）なので、時間付きのショットリストも収まります。
制約
- Wan 2.5 そのものではない：Wan 2.5 で作った既存の映像に合わせる必要がある案件では、Yovid でそのモデルを再現することはできません。2.5 のプレビューは Alibaba Cloud Model Studio に今も記載されています。
- 音声ファイルのアップロード不可：Wan 2.5 の API では自分の音声ファイルを軸にクリップを作れましたが、Yovid の Wan 3.0 はテキスト、画像、動画クリップから作ります。
- プランによる制限：無料プランでは使えません。Lite 以上のプランか買い切りのクレジットパックのいずれかで、1080p も含めて Wan 3.0 を利用できます。
- 解像度：Wan 2.5 と同じく、最高 1080p までです。2K や 4K が必要なら MiniMax H3 か Veo 3.1 を選ぶか、生成結果を Yovid の動画アップスケーラーにかけましょう。
Wan 2.5 風のプロンプトを Wan 3.0 で動かす方法
- ステップ 1
Wan 3.0 を開く
このページから始めると、Wan 3.0 が選択された状態で生成画面が開きます。Wan 2.5 はモデル一覧にありません。
- ステップ 2
シーンと音を書く
ショットを描写し、セリフをかぎ括弧で囲んで言語を指定し、あれば最初のフレーム、または画像最大 10 枚と動画最大 5 本を追加します。
- ステップ 3
長さを設定して生成
2 秒から 30 秒、比率、解像度を選び、クレジット料金を確認して、生成し、MP4 をダウンロードします。
まず試したい Wan 3.0 プロンプト
Alibaba の Wan 3.0 のショーケースから、実際のプロンプトを中国語から翻訳して短くまとめ、生成されたクリップと並べました。どれも Yovid の生成画面で Wan 3.0 を選んだ状態で開きます。Image 1、Image 2 などに言及するプロンプトには、自分の参照画像が必要です。
カーテンコール、ワンテイク
テキストから動画・24 秒A 24-second, 16:9 single continuous take with a realistic film look, one 35 mm lens and no cuts. A singer of about 28, dark hair pinned up, in a muted wine-red velvet gown, has nearly missed her entrance. 0–12 s: the camera backs away fast as she threads a narrow backstage, past a makeup artist blotting her forehead, a rolling costume rack and a painted flat pushed across her path; the stage manager says into his headset, "布景就位，灯光准备，主幕待命。" (Set in place, lights ready, main curtain on standby.) 12–21 s: in the wings he raises a hand: "最后八小节。" (Last eight bars.) The orchestra thins to bass and sparse piano, and the camera slowly circles her as she closes her eyes. 21–24 s: "Three… Two… One!" The cue light turns green, the curtain rises and she steps into the light before a full house.
出典：Alibaba Cloud Model Studio · Wan 3.0
このプロンプトを試す8 つの言語、1 つのフック
参照 3 点・24 秒A 24-second photoreal hip-hop video on a city rooftop at blue hour. Image 1 sets the four-piece crew (female lead vocalist, male DJ, two hype performers), Image 2 the lead’s face and silver-black techwear, Image 3 the rooftop stage and skyline. An original 106 BPM anthem with a two-bar synth-and-brass hook. Eight shots, one language each, every line on the beat: "One beat." "同一个节拍。" "ひとつのリズム。" "하나의 리듬." "Um só ritmo." "จังหวะเดียวกัน." "Un mismo ritmo." "إيقاع واحد." At the 21-second drop the camera pulls back to the whole crew: "Different voices, one beat." Exact lip sync, the same face and voice throughout, no captions or logos.
出典：Alibaba Cloud Model Studio · Wan 3.0
このプロンプトを試す猫と狼の手合わせ
参照 2 点・30 秒A 30-second, 16:9, 1080P cinematic 3D animated action short. @Image 1 is the only tabby-cat heroine: brown-grey stripes, amber eyes, teal hooded cape, bronze shoulder guards, ringed tail. @Image 2 is the only grey-wolf hero: layered grey fur, ice-blue eyes, blue-and-gold cloud-pattern robe. Their swords stay sheathed on their backs throughout. In a ruined cave temple under a giant weathered stone Buddha head they spar bare-handed: punches, sweeps and wrist grabs, a chase up broken stairs, a one-second slow-motion clash at the top of a leap, a ledge that gives way until he catches her wrist, and a back-to-back landing in drifting pink petals. No dialogue or music, only impacts, cloth, falling stone, footsteps and wind.
出典：Alibaba Cloud Model Studio · Wan 3.0
このプロンプトを試す蓮の世界へ
参照 9 点・30 秒A 30-second, 16:9 cinematic surreal Eastern fantasy. Image 1 is the only identity reference for a young woman with long, softly wavy dark-brown hair, an open light-blue denim shirt and cream trousers; keep her face identical in every shot. Image 2 fixes a hidden realm of giant translucent lotus flowers glowing peach, coral and pale gold. Images 3–9 each show one small creature, 2D on the left and 3D on the right. She parts the vines and walks in; she touches a lotus and a glowing drop reflects three of the 2D creatures; they leap a stream and turn into their 3D forms; she kneels, smiling, as they gather around her; the camera rises as every lotus blooms at once. Live action blended with film-grade CG, no captions or logos.
出典：Alibaba Cloud Model Studio · Wan 3.0
このプロンプトを試す
Yovid のほかの動画モデル
Wan 2.5 から Wan 3.0 に移るためのガイド
Yovid の全動画モデルを比較し、Wan 3.0 の長い尺を活かす、時間付きの長めのプロンプトの書き方を学びましょう。