Alibaba ha introdotto Wan 3.0, nuova generazione della propria famiglia di modelli per la creazione video con intelligenza artificiale, ampliando in modo significativo sia la durata dei filmati sia il numero di formati che possono essere utilizzati come materiale di partenza. Il modello può produrre in una singola generazione video della durata massima di circa 30 secondi, superando la struttura dei brevi clip che ha caratterizzato molte delle precedenti piattaforme di generazione video, e integra un sistema multimodale denominato Omni Reference, attraverso il quale può utilizzare contemporaneamente testo, immagini, video, audio e differenti tipologie di file. Tra gli input supportati rientrano documenti, PDF, fogli di calcolo, presentazioni e pagine web, che possono quindi diventare direttamente la base informativa per la costruzione di una sequenza video.
La gestione di documenti e contenuti strutturati rappresenta una delle caratteristiche più rilevanti della nuova versione. Un utente può fornire, per esempio, una presentazione contenente descrizioni di prodotto, un foglio di calcolo con dati e informazioni commerciali oppure un documento che definisce contenuti e struttura narrativa; Wan 3.0 analizza questi materiali e li utilizza per determinare gli elementi da rappresentare nella sequenza generata, riducendo la necessità di trasferire manualmente tutte le informazioni all’interno di un prompt testuale. La funzione può essere utilizzata anche con pagine web pubbliche, permettendo al modello di ricavare dal contenuto della pagina gli elementi necessari alla produzione del video. Per gli input più complessi, compresi PDF, slide, fogli di calcolo e documenti con molte istruzioni, il sistema mette a disposizione una modalità di elaborazione dedicata che interpreta prima il materiale fornito e successivamente lo utilizza nella fase generativa.
Omni Reference permette inoltre di attribuire funzioni differenti ai singoli materiali caricati. Un’immagine può essere utilizzata come riferimento per l’aspetto di un personaggio, un’altra per un prodotto o un oggetto che deve rimanere riconoscibile, mentre un filmato può fornire informazioni sul movimento e un file audio può definire voce, dialogo o caratteristiche sonore della scena. Il modello utilizza questi riferimenti all’interno della stessa generazione, con l’obiettivo di preservare identità visiva, caratteristiche degli oggetti e coerenza narrativa durante una sequenza più lunga. Wan 3.0 integra anche la produzione audiovisiva, generando l’audio insieme alle immagini invece di affidare necessariamente a una seconda fase l’aggiunta di suoni, dialoghi o componenti ambientali.
La durata massima di circa 30 secondi modifica anche il tipo di contenuto che può essere prodotto attraverso una singola esecuzione. La piattaforma è progettata per gestire sequenze con uno sviluppo interno più articolato, composte da un’apertura, un’evoluzione dell’azione e una conclusione, senza rendere obbligatoria la generazione separata di numerosi clip da montare successivamente. Il sistema comprende inoltre una funzione Smart Duration, attraverso la quale il modello può determinare automaticamente la lunghezza più adatta in base al prompt e ai riferimenti forniti, mentre l’utente può continuare a indicare direttamente una durata precisa quando il progetto richiede tempi prestabiliti. L’intervallo operativo indicato per le generazioni parte da pochi secondi e arriva fino alla soglia dei 30 secondi.
Wan 3.0 mantiene anche strumenti dedicati al controllo della struttura visiva, compresa una modalità basata sul primo e sull’ultimo fotogramma. L’utente può fornire le immagini che devono rappresentare l’inizio e la conclusione della sequenza e affidare al modello la generazione coerente del movimento e degli eventi intermedi; questo sistema è destinato soprattutto alle produzioni nelle quali la posizione iniziale o finale di un soggetto, la composizione della scena oppure l’inquadratura conclusiva devono essere rispettate con maggiore precisione. La modalità basata sui fotogrammi estremi rimane distinta dal flusso Omni Reference, che concentra invece il controllo sull’insieme dei materiali multimodali forniti come riferimenti.
Alibaba ha lavorato anche sulla continuità dei soggetti durante le sequenze più lunghe, con interventi rivolti alla stabilità dell’aspetto dei personaggi, alla gestione delle espressioni e alla conservazione delle caratteristiche di prodotti e altri elementi visivi utilizzati come riferimento. L’estensione della durata rende infatti più complesso mantenere costanti volto, abbigliamento, proporzioni e dettagli di uno stesso soggetto lungo l’intero filmato; Wan 3.0 utilizza quindi i riferimenti forniti dall’utente per mantenere questi elementi durante l’evoluzione della scena, insieme alle indicazioni relative a movimento della telecamera, azioni e sviluppo temporale.
Il modello supporta output fino alla classe 1080p e può essere impiegato in diversi rapporti d’aspetto, permettendo di produrre materiali destinati sia ai formati video tradizionali sia ai contenuti verticali utilizzati sulle piattaforme social. La generazione audiovisiva consente inoltre di associare direttamente alla scena elementi quali rumori ambientali, effetti sonori, parlato e altri eventi acustici, che possono essere descritti insieme alle azioni previste nel filmato; l’audio può comunque essere disattivato quando il progetto prevede una lavorazione sonora separata.
Wan 3.0 viene reso disponibile attraverso l’ecosistema cloud di Alibaba, con accesso tramite Alibaba Cloud Model Studio e Qwen Cloud, mentre la distribuzione attraverso la piattaforma dedicata Wan è prevista progressivamente. L’accesso iniziale comprende una fase beta e il rilascio delle relative API, attraverso le quali sviluppatori e piattaforme esterne possono integrare la generazione video nei propri prodotti e processi automatici. Le indicazioni diffuse per l’API riportano una tariffazione legata alla durata e alla risoluzione del filmato, con prezzi iniziali indicati intorno a 0,05 dollari al secondo per 480p, 0,10 dollari per 720p e 0,20 dollari al secondo per 1080p, mentre la disponibilità completa delle interfacce viene estesa progressivamente agli utenti.
L’introduzione di documenti, fogli di calcolo e presentazioni tra gli input rende Wan 3.0 utilizzabile anche in flussi di produzione nei quali il video viene costruito partendo da materiale aziendale già esistente. Una presentazione commerciale può fornire struttura e informazioni per un filmato promozionale, un documento può contenere lo script e le indicazioni visive, mentre un foglio di calcolo può offrire dati e contenuti da interpretare prima della generazione. Il modello riunisce così in un’unica pipeline l’analisi di fonti eterogenee, l’utilizzo di riferimenti visivi e sonori, la definizione della durata e la produzione simultanea di immagini in movimento e audio, puntando alla realizzazione di sequenze complete anziché alla sola generazione di singoli brevi clip.