Model pembuatan video Wan3.0 milik Alibaba resmi memasuki beta publik penuh pada 24 Agustus. Sekali proses generasi kini bisa mencapai 30 detik, dan untuk pertama kalinya model ini menerima dokumen perkantoran — doc, xls, ppt, pdf, dan md — sebagai input, mengubah materi yang sudah ada langsung menjadi video. Pengguna bisa mencobanya di Alibaba Cloud Bailian, Wan Jing Yi Ke, situs resmi Wanxiang, serta versi desktop Qwen Chat, sementara di aplikasi Qwen fitur ini dibuka secara bertahap.
Lompatan durasi ini terasa paling nyata di meja editing. Klip di bawah sepuluh detik nyaris hanya cukup untuk satu bidikan, sehingga gerakan kamera berkelanjutan atau pengambilan gambar panjang nyaris mustahil dilakukan; begitu durasi mencapai 30 detik, barulah ada ruang untuk satu adegan pendek yang utuh. Dalam daftar kemampuan yang dirilis Alibaba kali ini, konsistensi ditempatkan cukup tinggi — menjaga karakter, properti, suara, hubungan spasial, dan gaya tetap stabil sepanjang klip adalah bagian tersulit dari durasi yang lebih panjang.
Harga yang menentukan apakah alat ini masuk alur produksi
Tarif API dihitung per detik: 480P, 720P, dan 1080P masing-masing 0,3 yuan, 0,6 yuan, dan 1,2 yuan per detik. Dari 24 Agustus hingga 23 September, ketiga tingkatan ini mendapat diskon 30%, turun menjadi 0,21 yuan, 0,42 yuan, dan 0,84 yuan per detik.
Jika dikonversi ke hasil jadi: satu video 1080P berdurasi 30 detik berharga 36 yuan dengan harga normal, dan 25,2 yuan selama masa promo; durasi yang sama pada 480P berharga 9 yuan normal, 6,3 yuan saat promo.
Kalau dihitung kasar ke skala produksi, satu episode drama pendek AI berdurasi lima menit, seluruhnya digarap di 1080P dengan asumsi setiap bidikan langsung jadi, biaya generasi murninya sekitar 360 yuan. Dalam praktiknya, klip yang terbuang tidak terhindarkan; dengan asumsi rasio hasil pakai tiga banding satu, biayanya jadi sedikit di atas 1.000 yuan. Angka ini jauh berbeda levelnya dengan syuting nyata, dan juga berbeda jauh dari skema harga per menit sebelumnya yang bisa mencapai puluhan dolar AS. Bagi klien di industri drama pendek, iklan, dan promosi pariwisata yang butuh video jadi dalam jumlah besar, biaya ini sudah bergeser dari “coba-coba” menjadi “bisa dianggarkan”.
Kalau 30 detik itu dipecah per jumlah bidikan, letak kesulitannya jadi lebih terlihat. Video jadi berdurasi 30 detik yang dipotong dengan ritme normal biasanya terdiri dari empat sampai enam bidikan, dan model harus menjaga wajah, properti, dan latar yang sama tetap konsisten di setiap potongan. Model kelas sepuluh detik bisa menyembunyikan ketidakkonsistenan di balik durasinya yang pendek, tapi pada 30 detik penutup itu hilang, dan setiap kegagalan konsistensi langsung terlihat. Alibaba memasukkan karakter, properti, suara, hubungan spasial, dan gaya sekaligus ke dalam satu daftar kemampuan kali ini pada dasarnya adalah respons terhadap masalah ini.
Wan3.0 bukan yang pertama mencapai batas 30 detik untuk klip tunggal — sebelumnya Seedance 2.5 dari ByteDance sudah lebih dulu memperpanjang durasinya ke 30 detik. Beberapa pemain domestik yang mendorong metrik yang sama ke titik yang sama dalam waktu berdekatan menunjukkan bahwa konsistensi bidikan panjang, bukan resolusi, telah menjadi medan pertempuran utama di babak persaingan ini.
Memindahkan titik masuk dari prompt ke satu berkas presentasi
Dukungan input doc, xls, ppt, pdf, dan md adalah detail yang paling layak dicermati kali ini. Dulu, membuat satu video pengenalan produk membutuhkan seseorang untuk membaca materi terlebih dahulu, memecahnya menjadi storyboard, lalu menuliskannya sebagai prompt — proses “penerjemahan” manual ini sering memakan waktu lebih lama daripada proses generasinya sendiri. Dengan memasukkan dokumen langsung ke model, tahap ini sepenuhnya terpangkas. Konsekuensinya adalah kontrol yang berkurang — model sendiri yang memutuskan halaman mana jadi visual dan paragraf mana jadi narasi, sehingga sulit menentukan titik yang perlu diperbaiki saat harus diulang; alur kerja ini lebih cocok untuk materi dengan tingkat standardisasi tinggi.
Skenario penggunaan di sisi perusahaan cocok betul dengan desain ini: materi pelatihan, manual produk, laporan keuangan, dan pengumuman internal memang sudah berbentuk PPT dan PDF. Jalur ini juga menjelaskan mengapa Wan3.0 ditempatkan di versi desktop Qwen Chat dan Bailian — targetnya adalah alur kerja perkantoran, bukan konten spontan di media sosial.
Soal kualitas hasil, Alibaba menekankan detail rendering sosok manusia nyata, dengan ekspresi mikro, pengolahan kulit, dan area mata menjadi fokus perbaikan kali ini, disertai penyesuaian pada penyelarasan warna dan perpaduan gaya. Reaksi industri sejauh ini terpusat pada tiga kata: stabil, realistis, dan berkualitas. Perubahan spesifik yang disebut pengguna adalah kesinambungan narasi jangka panjang yang lebih terjaga dan jumlah iterasi penyesuaian parameter yang berkurang.
Semua penilaian ini untuk saat ini masih sebatas kesan pengguna, dan uji banding independen yang dipublikasikan belum menyusul. Jawaban sesungguhnya baru akan terlihat dalam sebulan setelah masa promo berakhir — berapa banyak video jadi komersial yang benar-benar diproduksi menggunakan alat ini.
Sumber: Pengumuman resmi Alibaba Cloud, Quantum Bit (QbitAI), IT Home, CocoLoop; durasi klip tunggal 30 detik, dukungan input doc/xls/ppt/pdf/md, daftar platform peluncuran, serta harga normal dan promo per detik untuk tingkatan 480P/720P/1080P (0,3/0,6/1,2 yuan) semuanya telah diperiksa silang berdasarkan sumber-sumber di atas; estimasi biaya produksi merupakan perhitungan kasar dari redaksi kami.