El modelo de generación de vídeo de Alibaba, Wan3.0, entró en pruebas públicas el 24 de agosto. La duración máxima por generación se amplió a 30 segundos y, por primera vez, el modelo admite documentos de oficina como doc, xls, ppt, pdf y md como entrada, convirtiendo directamente material ya existente en vídeo. Los usuarios pueden probarlo en Alibaba Cloud Bailian, Wanjing Yike, el sitio oficial de Wanxiang y la versión de escritorio de Qwen Chat; en la app de Qwen el acceso se está liberando de forma gradual (gray release).
El significado de este salto de duración se aprecia mejor en la mesa de edición. Un clip de menos de diez segundos apenas admite un solo plano, dejando poco margen para movimientos de cámara continuos o planos secuencia; con 30 segundos ya cabe una pequeña escena completa. En la lista de capacidades publicada por Alibaba, la consistencia ocupa un lugar destacado: personajes, objetos, sonido, relaciones espaciales y estilo deben mantenerse estables durante todo el fragmento, precisamente el punto donde más cuesta sostener duraciones largas.
El precio decide si entra en la línea de producción
El precio de la API se cobra por segundo: 480P, 720P y 1080P cuestan 0,3, 0,6 y 1,2 yuanes por segundo, respectivamente. Del 24 de agosto al 23 de septiembre hay un descuento del 30%, que reduce los tres niveles a 0,21, 0,42 y 0,84 yuanes por segundo.
Convertido en producción real: un vídeo de 30 segundos en 1080P cuesta 36 yuanes al precio estándar y 25,2 yuanes durante la promoción; la misma duración en 480P cuesta 9 yuanes al precio estándar y 6,3 yuanes en promoción.
Haciendo un cálculo aproximado a escala de producción real. Un episodio de cinco minutos de un microdrama de IA, íntegramente en 1080P y con cada plano logrado a la primera, tendría un coste de generación puro de unos 360 yuanes. En la práctica, el material desechado es inevitable; estimando una tasa de aprovechamiento de uno de cada tres, el coste supera los mil yuanes. Esta cifra está en otra categoría comparada con el rodaje real, y también queda muy por debajo de las soluciones anteriores tarifadas por minuto, que solían costar decenas de dólares. Para clientes que necesitan grandes volúmenes de microdramas, publicidad o promoción turística, el coste ha pasado de "probar a ver" a "caber en el presupuesto".
Repartiendo los 30 segundos entre el número de planos se ve más claro dónde está el reto. Un vídeo final de 30 segundos, a ritmo habitual, tiene entre cuatro y seis planos, y el modelo debe mantener la misma cara, el mismo objeto y el mismo escenario sin deformarse en cada corte. En los modelos de diez segundos, la corta duración todavía disimulaba los fallos; en 30 segundos esa cobertura desaparece, y cualquier problema de consistencia queda expuesto de inmediato. Que Alibaba haya incluido esta vez personajes, objetos, sonido, relaciones espaciales y estilo juntos en la lista de capacidades es, básicamente, una respuesta a este problema.
En esta marca de 30 segundos por generación, Wan3.0 no es el primero en llegar: antes, Seedance 2.5 de ByteDance ya había ampliado la duración a 30 segundos. Que varias empresas chinas eleven al mismo tiempo el mismo indicador hasta este nivel indica que la continuidad en planos largos ha sustituido a la resolución como el principal campo de batalla de esta ronda.
Trasladar la puerta de entrada del prompt a un archivo de PowerPoint
El soporte para entradas en doc, xls, ppt, pdf y md es el detalle que más merece atención esta vez. Antes, para hacer un vídeo de presentación de producto, alguien tenía que leer todo el material, dividirlo en escenas y luego escribir un prompt; esa etapa de "traducción manual" solía consumir más tiempo que la propia generación. Introducir el documento directamente en el modelo elimina ese paso. El precio a pagar es menos control: el modelo decide por sí solo qué página se convierte en imagen y qué fragmento en narración, lo que dificulta localizar qué ajustar cuando hay que rehacer algo; este flujo funciona mejor con material ya muy estandarizado.
Los escenarios empresariales encajan bien con esto: material de formación, manuales de producto, presentaciones de resultados financieros, comunicados internos, contenido que de por sí ya suele existir en PPT y PDF. Este enfoque también ayuda a explicar por qué Wan3.0 se integró en la versión de escritorio de Qwen Chat y en Bailian: apunta al flujo de trabajo de oficina, no a la creación espontánea en redes sociales.
En cuanto a calidad de generación, Alibaba destaca los detalles en el renderizado de personas reales: las microexpresiones y el tratamiento de la piel y los ojos fueron los puntos más trabajados esta vez, además de ajustes en la armonización del color y la fusión de estilos. Las opiniones del sector se concentran en tres palabras: estable, realista y con calidad percibida. Los usuarios mencionan como cambio concreto una narrativa más fluida en secuencias largas y menos ajustes de parámetros de ida y vuelta.
Por ahora, estas descripciones siguen siendo impresiones subjetivas; las comparativas y evaluaciones públicas aún no han llegado. La respuesta real llegará el mes posterior al fin de la promoción: cuántos vídeos comerciales se han producido de verdad con él.
Fuentes: comunicado de Alibaba Cloud, Quantum Bit, IT Home, CocoLoop; la duración de 30 segundos por generación, el soporte de entradas doc/xls/ppt/pdf/md, la lista de plataformas disponibles, así como los precios estándar y promocionales con un 30% de descuento para 480P/720P/1080P (0,3/0,6/1,2 yuanes por segundo) se han verificado con las fuentes citadas; la estimación de coste de producción es un cálculo aproximado de esta redacción.