O modelo de geração de vídeo da Alibaba, Wan3.0, entrou em teste público em 24 de agosto. A duração máxima por geração subiu para 30 segundos e, pela primeira vez, o modelo passou a aceitar documentos de escritório como doc, xls, ppt, pdf e md como entrada, convertendo diretamente material já pronto em vídeo. Os usuários podem experimentá-lo no Alibaba Cloud Bailian, no Wanjing Yike, no site oficial do Wanxiang e na versão desktop do Qwen Chat; no aplicativo Qwen, o acesso está sendo liberado gradualmente (gray release).
O significado desse salto de duração fica mais claro na mesa de edição. Um clipe de menos de dez segundos mal comporta um único plano, deixando pouco espaço para movimentos de câmera contínuos ou tomadas em plano-sequência; com 30 segundos, já cabe uma pequena cena completa. Na lista de capacidades divulgada pela Alibaba, a consistência aparece em posição de destaque — personagens, objetos de cena, som, relações espaciais e estilo precisam se manter estáveis ao longo de todo o trecho, e é justamente aí que durações mais longas mais sofrem.
O preço é que decide se ele entra na linha de produção
O preço da API é cobrado por segundo: 480P, 720P e 1080P custam, respectivamente, 0,3, 0,6 e 1,2 yuan por segundo. De 24 de agosto a 23 de setembro há um desconto de 30%, que reduz os três níveis para 0,21, 0,42 e 0,84 yuan por segundo.
Convertendo em produção real: um vídeo de 30 segundos em 1080P custa 36 yuans no preço padrão e 25,2 yuans no período promocional; a mesma duração em 480P custa 9 yuans no preço padrão e 6,3 yuans na promoção.
Fazendo uma conta grosseira em escala de produção real. Um episódio de cinco minutos de uma minissérie de IA, todo em 1080P e com cada plano aprovado na primeira tentativa, teria um custo de geração de cerca de 360 yuans. Na prática, descartes são inevitáveis; estimando uma taxa de aproveitamento de um em três, o custo passa da casa dos mil yuans. Essa faixa de valores está em outra categoria em relação à filmagem real, e também fica bem abaixo das soluções anteriores cobradas por minuto, que costumavam custar dezenas de dólares. Para clientes que precisam de grandes volumes de minisséries, publicidade ou promoção turística, o custo passou da fase de "vamos testar" para a de "cabe no orçamento".
Dividindo os 30 segundos pelo número de planos, fica mais evidente onde está o desafio. Um vídeo final de 30 segundos, no ritmo padrão, tem entre quatro e seis planos, e o modelo precisa manter o mesmo rosto, o mesmo objeto de cena e o mesmo cenário sem deformações a cada corte. Nos modelos de dez segundos, a curta duração ainda disfarçava as falhas; em 30 segundos, essa cobertura desaparece, e qualquer problema de consistência fica visível na hora. O fato de a Alibaba ter colocado personagens, objetos de cena, som, relações espaciais e estilo juntos na lista de capacidades desta vez é, essencialmente, uma resposta a esse ponto.
Nessa marca de 30 segundos por geração, o Wan3.0 não é o primeiro a chegar lá — antes dele, o Seedance 2.5, da ByteDance, já havia elevado a duração para 30 segundos. O fato de várias empresas chinesas levarem o mesmo indicador ao mesmo patamar ao mesmo tempo mostra que a continuidade em planos longos substituiu a resolução como principal campo de disputa desta rodada.
Movendo a porta de entrada do prompt para um arquivo de PowerPoint
O suporte a entradas em doc, xls, ppt, pdf e md é o detalhe que mais merece atenção desta vez. Antes, para fazer um vídeo de apresentação de produto, era preciso alguém ler todo o material, dividi-lo em cenas e depois escrever um prompt — essa etapa de "tradução manual" costumava consumir mais tempo do que a própria geração. Alimentar o modelo diretamente com o documento elimina essa etapa. O preço a pagar é menos controle: o modelo decide sozinho qual página vira imagem e qual trecho vira narração, o que dificulta localizar o que ajustar quando é preciso refazer algo; esse fluxo funciona melhor com material já bastante padronizado.
Os cenários corporativos combinam bem com isso: material de treinamento, manuais de produto, apresentações de resultados financeiros, comunicados internos — conteúdo que já costuma existir em PPT e PDF. Esse caminho também ajuda a explicar por que o Wan3.0 foi integrado à versão desktop do Qwen Chat e ao Bailian — ele mira o fluxo de trabalho corporativo, não a criação casual em redes sociais.
Em termos de qualidade de geração, a Alibaba destaca detalhes na renderização de pessoas reais: microexpressões e o tratamento da pele e dos olhos foram os pontos mais trabalhados desta vez, além de ajustes na harmonização de cores e na fusão de estilos. O feedback do setor se concentra em três palavras: estável, realista e com qualidade percebida. Os usuários citam como mudança concreta uma narrativa mais fluida em sequências longas e menos idas e vindas ajustando parâmetros.
Por enquanto, essas descrições ainda são impressões subjetivas; comparações e avaliações públicas ainda não acompanharam o lançamento. A resposta de verdade virá no mês seguinte ao fim da promoção: quantos vídeos comerciais realmente foram produzidos com ele.
Fontes: comunicado da Alibaba Cloud, Quantum Bit, IT Home, CocoLoop; a duração de 30 segundos por geração, o suporte a entradas doc/xls/ppt/pdf/md, a lista de plataformas disponíveis, além dos preços padrão e promocionais com 30% de desconto para 480P/720P/1080P (0,3/0,6/1,2 yuan por segundo), foram conferidos junto às fontes citadas; a estimativa de custo de produção é um cálculo aproximado feito por esta redação.