Wan 3.0 無料オンライン AI 動画生成
監督のように書いたプロンプト、最初のフレーム、または最大 10 枚の画像と 5 本のクリップを参照として重ねれば、Wan 3.0 は声、音楽、効果音がすでにミックスされた 2–30 秒のクリップを 1 本返します。480p、720p、1080p でレンダリングできます。 Yovid で Wan 3.0 の動画づくりを始めましょう。
Wan 3.0 が作れる映像
Yovid で Wan 3.0 を選ぶ理由
- 30 秒の物語まるごと、1 回の生成で：2 秒から 30 秒まで好きな長さを選べば、導入、展開、結末までをひとつのクリップで描けます。
- プロンプトで演出する、ワンテイク：カメラの経路とテンポをビートごとに書けば、Wan 3.0 は途切れのない 1 本のショットを保ちます。
- 声、音楽、効果音を同じ処理で：セリフ、歌、効果音が映像と一緒に生成され、口の動きも合い、多くの言語に対応します。
- 参照に画像最大 10 枚と動画最大 5 本：参照の束で人物、生き物、商品、場所を固定し、あとは言葉で演出します。
- 全速力でもキャラクターがぶれない：毛並み、衣装、小道具が、30 秒の追跡、転倒、接近戦を通して保たれます。
- Wan 3.0 のすべての設定をひとつの画面に：5 種類のアスペクト比と自動、3 段階の解像度、2–30 秒、そして 3 通りの始め方。
- 1 秒あたりの低コスト、音声込み：720p で 1 秒あたり約 2.4 クレジット。音声のオン・オフで料金は変わりません。
30 秒の物語まるごと、1 回の生成で
Wan 3.0 は Wan 2.7 の 15 秒の 2 倍の長さで動作し、状況説明のショット、盛り上がり、ピーク、静かな締めくくりを収める余裕があります。下のクリップは、参照画像をまったく使わず、ひとつのテキストプロンプトだけで、雲間へのダイブから祭り、ゆっくりした引きまでをフルの 30 秒でレンダリングしています。
Yovid では、長さはスライダーで 2 秒から 30 秒まで、1 秒単位で選べます。アイデアは 5 秒で練り、残したいバージョンにだけフルの 30 秒を使いましょう。追加の 1 秒ごとに課金されるためです。
Wan 3.0プロンプトで演出する、ワンテイク
長さが役立つのは、カメラがきちんと動くときだけです。ここでは、劇場の中の経路（楽屋の廊下、衣装ラック、舞台袖、ステージ）と各区間のテンポをプロンプトで指定し、モデルは 24 秒のワンショットを保っています。スタッフの間を駆け抜け、舞台袖で突然静止し、満席の客席に向かって幕が上がります。
「0–7 s」や「12–14 s」のような時間付きのビートが、いちばん明確な指示になります。Yovid の Wan 3.0 は最大 10,000 文字のプロンプトを受け付けるので、セリフ込みのショットリストを丸ごと入れられます。
Wan 3.0声、音楽、効果音を同じ処理で
音声は初期設定でオンです。Wan 3.0 はサウンドトラックをフレームと一緒に作るので、セリフは正しい口に、足音は拍に、音楽はカットに合わせて切り替わります。このデモでは、ひとりのボーカリストが、英語、北京語、日本語、韓国語、タイ語、アラビア語を含む 8 つの言語で同じフックをラップし、顔、衣装、声は最後まで同じです。
セリフはかぎ括弧で囲み、誰がどの言語で話すかを書いてください。Wan 3.0 では音声は無料で、音声のオン・オフでクレジット料金は変わりません。
Wan 3.0参照に画像最大 10 枚と動画最大 5 本
入力画面を参照モードに切り替えると、Wan 3.0 は 1 回のリクエストで最大 10 枚の画像と、1〜15 秒の動画 5 本を受け付けます。各ファイルに 1 つの役割を与え、プロンプトで名前を指定してください。@Image 1 は人物、@Image 2 は舞台、残りはキャラクターや小道具、という具合です。
このデモでは 9 枚の画像を使いました。若い女性 1 人、蓮の庭の舞台 1 つ、そして 2D で描かれ 3D でモデリングされた 7 つの生き物です。彼女の顔は最初のフレームから最後まで保たれ、生き物たちは平面の絵から 3D へと歩み出します。
Wan 3.0全速力でもキャラクターがぶれない
速いアクションは、生成キャラクターが崩れやすい場面です。この 2 枚の画像を使ったデモでは、動物の武闘家の 2 人が、崩れかけた洞窟寺院で 30 秒間手合わせをします。階段の追走、跳躍の頂点でのスローモーションの激突、崩れる岩棚があっても、毛並みの模様、衣、しっぽ、鞘に収めた剣は設計どおりのままです。
プロンプトの働きが大きく、参照ごとに変えてはいけない点を列挙し、戦いを時間付きのビートに分け、衝撃音や布、落ちる石に至るまで、すべての音に名前を付けています。
プロンプト（要約）： 30 s, 16:9, cinematic 3D animated action. @Image 1 is the only tabby-cat heroine (teal hooded cape, bronze armor, ringed tail); @Image 2 is the only male hero (blue-and-gold cloud robe). Swords stay sheathed on their backs. They spar hand to hand in a ruined cave temple: a chase up broken stairs, a one-second slow-motion clash mid-air, a collapsing ledge, a back-to-back landing in drifting petals.
Wan 3.0 のすべての設定をひとつの画面に
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、Wan 3.0 はプリセットの比率を押し付けず、その画像の形を保ちます。
| 長さ | 2 秒から 30 秒初期設定は 5 秒。 |
|---|---|
| 解像度 | 480p、720p、1080p初期設定は 720p。 |
| 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）、または参照素材参照：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 | 初期設定でオン声、音楽、効果音。生成ごとにオフにできます。 |
| プロンプトの長さ | 最大 10,000 文字 |
| 出力 | MP4 |
1 秒あたりの低コスト、音声込み
Wan 3.0 は出力 1 秒ごとに課金され、料金が変わるのは解像度だけです。音声、アスペクト比、入力の種類では変わりません。参照動画を加えた場合は、その秒数も入力と出力の合計として課金されます。
そのため、長いクリップにも手が届きます。まず 480p でプロンプトを固め、公開するバージョンだけ 1080p でもう一度生成しましょう。
| 480p | 1 秒あたり約 1.2 クレジットフル尺の 30 秒クリップで約 36 クレジット。 |
|---|---|
| 720p | 1 秒あたり約 2.4 クレジット初期設定です。5 秒のクリップで約 12 クレジット。 |
| 1080p | 1 秒あたり約 4.8 クレジットフル尺の 30 秒クリップで約 144 クレジット。 |
| 参照動画 | 入力と出力の秒数の合計で課金10 秒の参照動画から 10 秒の結果を作ると、20 秒分として課金されます。 |
Wan 3.0 が向いている人
音声付きの 30 秒、10 枚の参照枠、低い 1 秒あたり料金。この組み合わせは、こんな仕事に特に向いています：
- ショートドラマ・シリーズ制作者：セリフ入りの 30 秒のシーンを、参照画像でエピソードをまたいで同じキャストのまま。
- 広告主・ブランドチーム：ナレーションと音楽付きの商品スポットやブランドフィルム。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：リップシンク、ビート、カットが 1 回の生成で揃うパフォーマンスを、複数の言語で。
- 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。
- 店舗・旅行のマーケター：カフェ、ホテル、観光地のムード映像を、手元にある写真を軸に。
Wan 3.0 と Seedance 2.5・MiniMax H3・Kling 3.0・Veo 3.1 を比較
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。クレジットを使う前に、長さ、参照素材、コストを比べられます。
| 機能 / モデル | Wan 3.0 |  Seedance 2.5 |  MiniMax H3 |  Kling 3.0 |  Veo 3.1 Fast |
|---|---|---|---|---|---|
| 最長尺 | 30 秒 | 30 秒 | 15 秒 | 15 秒 | 8 秒 |
| 最高解像度 | 1080p | 1080p | 2K | 1080p | 4K |
| 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 | 16:9, 9:16 |
| 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 | 15 |
| 向いている用途 | 音声付きの 30 秒クリップを、1 秒あたり最安で。 | 最大の参照枠に加えて、映像の編集や延長。 | 少ない参照から作る、最長 15 秒の 2K クリップ。 | 生き生きとした 15 秒のキャラクタークリップを 1080p で。 | 最大 4K の、8 秒のヒーローショット。 |
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 3.0 の強みと制約
Yovid で Wan 3.0 が最良の選択になる場面と、別のモデルやツールのほうが合う場面です。
強み
- 音声付き 30 秒：Wan 2.7 の 2 倍の長さで、セリフ、音楽、効果音まで追加クレジットなし。
- 1 秒あたりの料金：720p で 1 秒あたり約 2.4 クレジット。Seedance 2.5 の料金の半分を下回ります。
- 参照の束：1 回のリクエストで画像最大 10 枚と動画最大 5 本を使い、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 文字まで受け付けるので、すべてのセリフを含む時間付きのショットリストも収まります。
制約
- 解像度：1080p まで。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。
- プランによる制限：無料プランでは使えません。有料プランか買い切りのクレジットパックのいずれかで、1080p も含めて利用できます。
- API より入力が少ない：Alibaba 自身の API は音声、ドキュメント、Web ページも受け付け、クリップの編集や延長もできます。Yovid ではテキスト、画像、動画クリップから作ります。
- 画面上の文字：Alibaba は、文字の描画と音声の質感はまだ改善中だとしているため、タイトルやキャプションはエディタで加えましょう。
3 ステップで Wan 3.0 の動画を作る
- ステップ 1
Wan 3.0 を開く
このページから始めるか、動画生成画面を開いてモデル一覧から Wan 3.0 を選びます。
- ステップ 2
シーンを描写し、入力を追加
ショット、音、セリフを書き、最初のフレーム、または画像最大 10 枚と動画最大 5 本を追加して、長さ、アスペクト比、解像度を設定します。
- ステップ 3
生成してダウンロード
音声をオンにして結果を確認し、ビートがずれていたらプロンプトを絞り込み、MP4 をダウンロードします。
デモの裏側にある Wan 3.0 プロンプト
実際の Wan 3.0 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。生成画面で開いて、自分のディテールに差し替えてみましょう。Image 1、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。
最後の八小節
テキストから動画・24 秒A 24-second single take, 16:9, realistic film look, one 35 mm lens, no cuts. A singer of about 28, dark hair pinned up, in a deep wine-red velvet gown, nearly misses her entrance. 0–12 s: the camera backs away fast as she weaves through a narrow backstage past a costume rack, a sliding painted flat and a prop cart; 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 standing by.) 12–21 s: in the wings he raises a hand: "最后八小节。" (Last eight bars.) The music thins, the camera slowly circles her and 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雲上の宴
テキストから動画・30 秒A nine-shot, 30-second Eastern fantasy in a retro Chinese calendar-poster style: even ink outlines, patterned cotton-ball clouds, aged rice-paper watercolor in teal and peach. 0–4 s: an FPV dive from the sky past a giant turtle carrying a mountain of palaces. 4–11 s: riding a golden qilin low and fast over a festival of musicians and dancers. 11–19 s: a pipa player builds to one sweeping chord. 21–27 s: a dancer whirls a long red silk into a ring of flame. 27–30 s: a slow pull-up as the mountain drifts into the clouds. Guzheng, pipa and bells over soft electronics.
出典：Alibaba Cloud Model Studio · Wan 3.0
このプロンプトを試す道場のローディング
参照 3 点・24 秒About 24 s, a cinematic Japanese sci-fi game opening. Image 1 is the male character (silver hair, goggles, long grey coat), Image 2 the female character (twin buns, red mechanical mask, white combat suit), Image 3 a traditional wooden dojo. In a blank white virtual space, grid lines spread under their feet and the dojo builds itself plank by plank. She looks around and asks, 「ここは……何のステージ？」 He raises a palm: 「お前の適性を測る、最初の試練だ。」 The dojo dissolves back to white and a system voice says 「適性試験、開始。」 Accurate Japanese lip sync, no subtitles.
出典：Alibaba Cloud Model Studio · Wan 3.0
このプロンプトを試す1 つのビート、8 つの言語
参照 3 点・24 秒A 24-second international hip-hop video, photoreal, rooftop at blue hour. Image 1: the four-person crew (lead vocalist, DJ, two hype performers). Image 2: the lead vocalist. Image 3: the rooftop stage and skyline. A catchy 106 BPM anthem with a two-bar synth and brass hook. Eight shots, one language each, landing 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." Beat drop at 21 s: "Different voices, one beat." Precise lip sync, same face and voice throughout.
出典：Alibaba Cloud Model Studio · Wan 3.0
このプロンプトを試す廃墟での手合わせ
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: teal hooded cape, bronze shoulder armor, ringed tail. @Image 2 is the only male hero: blue-and-gold cloud-pattern robe, blue bracers. Their swords stay sheathed on their backs. In a ruined cave temple with a giant stone Buddha head, they spar hand to hand: punches and sweeps, a chase up broken stairs, a one-second slow-motion clash mid-air, a collapsing ledge where he catches her wrist, and a back-to-back landing in drifting pink petals. No dialogue or music; only impacts, cloth, falling stone 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
参照 9 点・30 秒A 30-second, 16:9 surreal Eastern fantasy. Image 1 is the only identity reference for a young woman with long wavy brown hair, an open light-blue denim shirt and cream trousers. Image 2 fixes a hidden realm of giant translucent lotus flowers. Images 3–9 each show one creature in 2D (left) and 3D (right). She parts the vines and enters the realm; she touches a lotus and a glowing drop reflects the 2D creatures; they leap across a stream and turn into their 3D forms; she kneels, smiling, as they gather; the camera rises as every lotus blooms at once.
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 3.0 の動画をもっと良くするためのガイド
長いプロンプトの組み立て方、画像から動画の作例、Yovid の全動画モデルを並べた比較。