Alibabas Videogenerierungsmodell Wan3.0 ist am 24. August in die öffentliche Beta gegangen. Die maximale Länge pro Generierung wurde auf 30 Sekunden angehoben, gleichzeitig unterstützt das Modell erstmals Office-Dokumente wie doc, xls, ppt, pdf und md als Eingabe und wandelt vorhandenes Material direkt in Video um. Nutzer können es über Alibaba Cloud Bailian, Wanjing Yike, die offizielle Wanxiang-Website und die Qwen-Chat-Desktopversion ausprobieren; in der Qwen-App läuft der Zugang derzeit im Gray-Release.
Die Bedeutung dieser Längenstufe zeigt sich am deutlichsten am Schnittplatz. Ein Clip unter zehn Sekunden trägt kaum mehr als eine einzelne Einstellung, für durchgehende Kamerafahrten oder einen One-Shot bleibt kaum Raum; erst bei 30 Sekunden passt eine vollständige kleine Szene hinein. In der von Alibaba veröffentlichten Fähigkeitenliste steht Konsistenz weit oben – Figuren, Requisiten, Ton, Raumbeziehungen und Stil müssen über die gesamte Sequenz stabil bleiben, und genau das fällt bei längeren Clips am schwersten.
Der Preis entscheidet über den Einzug in die Produktion
Die API-Preise werden pro Sekunde berechnet: 480p, 720p und 1080p kosten 0,3, 0,6 beziehungsweise 1,2 Yuan pro Sekunde. Vom 24. August bis zum 23. September gibt es 30 Prozent Rabatt, wodurch die drei Stufen auf 0,21, 0,42 und 0,84 Yuan pro Sekunde sinken.
Umgerechnet auf tatsächliche Produktion: Ein 30-sekündiges 1080p-Video kostet zum Normalpreis 36 Yuan, im Aktionszeitraum 25,2 Yuan; dieselbe Länge in 480p kostet regulär 9 Yuan, im Aktionszeitraum 6,3 Yuan.
Eine grobe Hochrechnung auf Produktionsniveau. Eine fünfminütige KI-Kurzserienfolge, komplett in 1080p und jede Einstellung im ersten Versuch erfolgreich, würde bei reinen Generierungskosten rund 360 Yuan liegen. In der Praxis lassen sich Ausschussmaterial nicht vermeiden; bei einer geschätzten Trefferquote von eins zu drei landen die Kosten bei gut 1.000 Yuan. Das liegt in einer völlig anderen Größenordnung als Realdreh und auch weit unter früheren minutenbasierten Lösungen, die oft mehrere Dutzend US-Dollar kosteten. Für Auftraggeber, die große Mengen an Kurzserien, Werbespots oder Tourismus-Content brauchen, ist der Preis damit vom „Mal ausprobieren" ins „Budget einplanbar" gerückt.
Verteilt man 30 Sekunden auf einzelne Einstellungen, wird die eigentliche Hürde sichtbar. Ein 30-sekündiges Endprodukt im üblichen Tempo besteht aus etwa vier bis sechs Einstellungen, und das Modell muss dasselbe Gesicht, dieselbe Requisite, dieselbe Szenerie über all diese Schnitte hinweg konsistent halten. Bei Zehn-Sekunden-Modellen kaschiert die kurze Länge Fehler noch; bei 30 Sekunden fehlt diese Deckung, und Konsistenzprobleme werden sofort sichtbar. Dass Alibaba diesmal Figuren, Requisiten, Ton, Raumbeziehungen und Stil gemeinsam in die Fähigkeitenliste aufgenommen hat, ist im Grunde die Antwort darauf.
Bei der 30-Sekunden-Marke ist Wan3.0 nicht das erste Modell, das sie erreicht – zuvor hatte ByteDances Seedance 2.5 die Länge bereits auf 30 Sekunden angehoben. Dass mehrere chinesische Anbieter denselben Wert gleichzeitig anheben, zeigt: Die Kontinuität langer Einstellungen hat die Auflösung als Hauptkampffeld dieser Runde abgelöst.
Vom Prompt-Feld zur fertigen PowerPoint als Eingang
Die Unterstützung für doc-, xls-, ppt-, pdf- und md-Eingaben ist diesmal die genauere Betrachtung wert. Bisher musste für ein Produktvideo erst jemand das Material durchlesen, in einzelne Einstellungen zerlegen und daraus einen Prompt schreiben – diese manuelle „Übersetzung" hat oft mehr Zeit gekostet als die eigentliche Generierung. Dokumente direkt ins Modell zu geben, streicht diesen Arbeitsschritt. Der Preis dafür ist weniger Kontrolle: Das Modell entscheidet selbst, welche Seite zum Bild und welcher Abschnitt zur Erzähltext wird, was Nachbesserungen schwerer zu verorten macht; der Workflow funktioniert daher besser bei stark standardisiertem Material.
Die Anwendungsfälle auf Unternehmensseite passen gut dazu: Schulungsunterlagen, Produkthandbücher, Geschäftsberichte, interne Mitteilungen – Material, das ohnehin schon als PPT oder PDF vorliegt. Dieser Ansatz erklärt auch, warum Wan3.0 in die Qwen-Chat-Desktopversion und Bailian integriert wurde – es zielt auf Bürolauf-Workflows ab, nicht auf spontane Social-Media-Inhalte.
Bei der Generierungsqualität betont Alibaba Details beim Rendern realer Personen: Mikroexpressionen sowie Haut- und Augenbereich wurden diesmal besonders überarbeitet, auch Farbabstimmung und Stilverschmelzung wurden angepasst. Die Rückmeldungen aus der Branche konzentrieren sich auf drei Begriffe: stabil, echt wirkend, hochwertig. Nutzer nennen als konkrete Veränderung, dass sich lange Erzählsequenzen flüssiger anfühlen und weniger Nachjustierungen nötig sind.
Diese Beschreibungen bleiben bislang subjektive Eindrücke, öffentliche Vergleichstests fehlen noch. Die eigentliche Antwort liefert der Monat nach Ende der Aktion: wie viele kommerzielle Videos tatsächlich damit produziert wurden.
Quellen: Ankündigung von Alibaba Cloud, Quantum Bit, IT Home, CocoLoop; die 30-Sekunden-Länge pro Generierung, die Unterstützung von doc/xls/ppt/pdf/md als Eingabe, die Liste der verfügbaren Plattformen sowie die regulären und um 30 Prozent reduzierten Aktionspreise für 480p/720p/1080p (0,3/0,6/1,2 Yuan pro Sekunde) wurden anhand der genannten Quellen geprüft; die Produktionskostenschätzung stammt von dieser Redaktion.