Video con Wan 3.0: guía completa de entradas, audio, precios y API

Wan 3.0 es una vía de video multimodal en PixMind para crear clips de 2 a 30 segundos a partir de texto, imágenes, fotogramas iniciales y finales, medios de referencia, archivos o páginas web. Su ID de modelo estable actual es wan3.0-video, y entre sus ajustes de salida se incluyen 480p, 720p y 1080p con audio sincronizado.

La decisión principal no es si se debe escribir un prompt más largo, sino qué modo de entrada da al modelo el tipo de control adecuado. Un primer fotograma fija el inicio de una toma, dos extremos definen el principio y el final, las referencias comunican identidad o estilo, y un archivo o una página web aporta material de origen para interpretar. Estos modos tienen reglas de compatibilidad diferentes.

Esta guía se verificó el 5 de septiembre de 2026 con el generador Wan 3.0 y la página de la API disponibles en ese momento, la implementación de PixMind, la referencia de la API de Alibaba, el repositorio oficial y la lista actual de modelos publicados de Alibaba Cloud. Verifica interfaces y límites, no velocidad, calidad ni fiabilidad mediante una prueba comparativa de pago.

Acerca de esta guía: PixMind Editorial Team documenta el comportamiento actual del producto mediante comprobaciones de las páginas activas, revisión de la implementación y fuentes primarias del modelo. No se encargó ninguna prueba comparativa de pago para este artículo.

Puntos clave

• Usa el ID de modelo actual de PixMind wan3.0-video; no lo sustituyas por un identificador de origen o antiguo.
• Elige una estrategia de control antes de añadir medios: extremos para fijar con exactitud el principio y el final, referencias para reutilizar una identidad o un estilo, y un archivo o enlace para planificar a partir de una fuente.
• La vía actual admite salidas de 2 a 30 segundos en 480p, 720p o 1080p, con relaciones de aspecto adaptativas o fijas y audio sincronizado.
• Los límites de referencia son 10 imágenes, 5 videos y 5 archivos de audio. La referencia de origen de Alibaba también limita a 15 segundos cada una de las duraciones combinadas de los videos y audios de referencia.
• Cuando una solicitud contiene video de entrada, la regla de origen de Alibaba exige que la duración del video de entrada más la duración de salida solicitada no supere 30 segundos.
• Los precios de la API y los créditos de Studio son independientes. En una tarea de API, el precio devuelto al aceptarla es la estimación final específica de esa tarea.

Contenido de esta guía

• Qué es Wan 3.0 hoy en PixMind
• Especificaciones de Wan 3.0 de un vistazo
• Cómo elegir un modo de entrada
• Límites de referencias y combinaciones válidas
• Cómo encaja el audio sincronizado en el flujo de trabajo
• Duración, resolución, relación de aspecto y precio de la API
• Plantillas de prompts organizadas por objetivo de control
• Wan 3.0 frente a Wan 2.7
• Flujos de trabajo de Studio y de la API
• Limitaciones, derechos y comprobaciones de publicación
• Preguntas frecuentes

Qué es Wan 3.0 hoy en PixMind

Wan 3.0 es la vía conectada actualmente de la familia de modelos de video Wan para la generación multimodal en PixMind. La interfaz activa del producto identifica wan3.0-video como la vía estable y ofrece entradas de texto, imagen, extremos, referencias, archivos y web desde un único generador.

Esta descripción importa porque una familia de modelos de origen puede incluir productos que una plataforma conectada no ofrece. La documentación de Alibaba enumera tanto wan3.0-video como wan3.0-video-prime, pero la página actual de la API de PixMind solo muestra wan3.0-video. La documentación de origen puede explicar cómo funciona la tecnología, pero no demuestra que todas sus variantes estén disponibles mediante PixMind.

El modelo se entiende mejor como un conjunto de modos de control:

• Texto a video parte de una descripción de la escena sin requerir un medio visual de origen.
• Imagen a video con primer fotograma parte de una imagen proporcionada y pide al modelo que la anime hacia delante.
• Generación con primer y último fotograma fija los dos extremos de una toma.
• Generación basada en referencias condiciona el resultado con imágenes, video, audio o una combinación compatible.
• Entrada de archivo o página web aporta material de origen que puede orientar la solicitud.

El centro de la familia de modelos Wan permite consultar otras vías de Wan, mientras que el generador activo sigue siendo la fuente que muestra los controles disponibles para cada tarea concreta.

Especificaciones de Wan 3.0 de un vistazo

La vía actual de PixMind combina una duración de clip larga, varios tipos de referencia y tres niveles de resolución, pero cada fila siguiente debe considerarse un dato de interfaz con fecha, no una promesa permanente del servicio.

Dos fuentes también pueden describir un límite en niveles distintos. La página del producto de PixMind dice que un video de referencia puede durar hasta 15 segundos, mientras que la referencia de la API de Alibaba establece una duración combinada de 15 segundos para los videos de referencia. Al proporcionar varios clips, la regla más segura es mantener su duración combinada en 15 segundos o menos. Aplica el mismo límite combinado a varios archivos de audio de referencia. Una solicitud con video de entrada tiene otro límite de origen: la duración total del video de entrada más la duración de salida solicitada no debe superar 30 segundos.

Cómo elegir un modo de entrada

Elige el modo que corresponda a la restricción que no puedes permitirte perder. Añadir entradas no aporta automáticamente más control, y los modos incompatibles pueden invalidar una solicitud.

Usa texto a video para una composición abierta

La generación solo con texto es adecuada para una toma nueva cuando no es necesario conservar ninguna imagen o extremo existente. Define el sujeto, la acción, el lugar, la cámara, la iluminación, el ritmo y el sonido alrededor de un solo acontecimiento principal.

Usa un primer fotograma cuando importe la imagen inicial

La generación de imagen a video con primer fotograma parte de una composición aprobada. Indica qué se mueve, qué permanece estable y cómo se comporta la cámara.

Usa el primer y el último fotograma para controlar los extremos

Dos extremos son adecuados para transiciones cuyo inicio y final ya están definidos. Alibaba lo considera un modo independiente: no lo combines con medios de referencia, archivos, enlaces ni audio de entrada.

Usa referencias cuando la continuidad o el sonido sean prioritarios

El modo de referencia condiciona una toma con recursos relacionados. Las imágenes pueden indicar el aspecto, el video puede comunicar el movimiento y el audio puede aportar ritmo o dirección sonora. Estos tipos se pueden combinar dentro de sus límites.

Si elegir modelo y modo es el obstáculo principal, AI Video Agent ofrece un recorrido guiado desde el briefing de una escena hasta las opciones actuales. La generación directa con Wan 3.0 es más adecuada para quienes ya saben qué modo de entrada y ajustes quieren controlar.

Límites de referencias y combinaciones válidas

Wan 3.0 admite varios tipos de referencia a la vez, pero los modos de extremos, archivo y enlace crean límites claros. Construye la solicitud en torno a una combinación válida antes de empezar a recortar prompts.

Las reglas de origen de Alibaba se pueden resumir así:

Asigna una función a cada recurso, como definir el producto, el fondo o el movimiento de cámara. En un archivo o página, indica qué se debe extraer. Nunca des por hecho que cada oración, precio o descargo aparecerá con exactitud.

Cómo encaja el audio sincronizado en el flujo de trabajo

El audio sincronizado forma parte de la vía actual, así que planifica el ambiente, los efectos, la intención del diálogo y el ritmo junto con la acción visual.

En una escena sencilla, separa las instrucciones de sonido de las visuales:

Visual: A barista places a ceramic cup on a walnut counter as the camera makes a slow 20-degree arc.
Timing: The cup lands at 00:03 and steam becomes visible immediately after.
Audio: Quiet cafe room tone, one soft ceramic tap at 00:03, no music, no spoken dialogue.

Esta estructura no garantiza una sincronización perfecta fotograma a fotograma. Revisa el ritmo del diálogo, las palabras involuntarias, la música y el parecido de las voces antes de publicar.

El modo de extremos de origen de Alibaba no admite audio de entrada. Si el audio debe dirigir la generación, usa una imagen de referencia y un audio de referencia. Si importan más los extremos, añade después sonido con la licencia adecuada.

Los derechos de voz exigen especial cuidado. No subas una referencia de voz ni publiques una imitación vocal identificable sin el permiso necesario y sin cumplir las condiciones aplicables.

Duración, resolución, relación de aspecto y precio de la API

Define el formato de entrega antes de generar porque la duración y la resolución cambian directamente el coste de la API, mientras que la relación de aspecto determina si la composición encaja en su canal final. El precio activo de la API verificado el 5 de septiembre de 2026 es $0.050 por segundo en 480p, $0.090 por segundo en 720p y $0.18 por segundo en 1080p.

Las siguientes estimaciones son simplemente la duración multiplicada por la tarifa por segundo de esa fecha:

Son estimaciones de planificación, no un presupuesto para una solicitud futura. Los precios y las reglas de las cuentas pueden cambiar. La página activa de la API de Wan 3.0 es la referencia pública actual, y la respuesta de la tarea aceptada es la estimación final específica para esa tarea.

La fila de 30 segundos no está disponible para todas las solicitudes condicionadas por video. Según la regla de origen documentada por Alibaba, resta de 30 segundos la duración total del video de entrada para obtener la duración máxima de salida que se puede solicitar y confirma los controles activos de PixMind antes de enviar.

La facturación de la API es independiente de los créditos de Studio. No conviertas una vista previa de créditos de Studio en un precio en dólares de la API ni supongas que un saldo de API otorga derechos en Studio. Consulta la página actual de precios para conocer el contexto del plan y después revisa la interfaz que vayas a usar.

Para planificar los canales, 16:9 se adapta a entregas horizontales, 9:16 al video vertical y 1:1 a espacios cuadrados. La relación adaptativa puede seguir el material de origen, pero una relación de destino fija reduce el recorte posterior. Usa 480p para pruebas estructurales de bajo coste y aumenta la resolución cuando el modo, el ritmo y la composición sean estables.

Plantillas de prompts organizadas por objetivo de control

Un buen prompt define qué permanece estable, qué puede cambiar y cómo se desarrolla el cambio. Estas estructuras no garantizan un resultado.

Plantilla 1: crea una toma controlada a partir de texto

Create a [duration]-second [aspect ratio] shot.
Subject and action: [one subject performing one clear action].
Setting: [location, time, background activity].
Camera and light: [framing, movement, light direction, palette].
Timing: [start], [midpoint], [final state].
Audio: [ambience, effects, dialogue, music].
Preserve or avoid: [essential constraints].

Plantilla 2: anima un primer fotograma aprobado

Use the image as the opening composition.
Keep stable: [identity, product, logo, or geometry].
Animate: [motion and final action by time].
Camera: [locked, pan, dolly, or orbit].
Audio: [sound tied to visible events].
Do not introduce: [unwanted additions].

Plantilla 3: asigna funciones a referencias multimodales

Image 1 defines [subject]. Image 2 defines [setting or palette].
Video 1 defines [camera or action], not identity.
Audio 1 defines [tempo, timing, ambience, or dialogue cue].
Create a [duration]-second [ratio] scene with [one narrative beat].
Prioritize: [two constraints]. Allow variation in: [nonessential details].

Plantilla 4: convierte un archivo o página web en un briefing de video específico

Use the [file or web page] as source material.
Extract only: [approved facts or section].
Audience and goal: [viewer], [explain, introduce, or summarize].
Structure: [opening], [two beats], [final message].
Do not invent: [prices, claims, quotations, or features].
Audio: [narration, ambience, effects, music].

Realiza la prueba útil de menor coste antes de un renderizado final largo. Si la composición es incorrecta, acorta el prompt en vez de añadir adjetivos. Si falla la continuidad, reduce las referencias y etiqueta sus funciones. Si falla el ritmo, describe menos acontecimientos con marcas de tiempo más claras.

Wan 3.0 frente a Wan 2.7

Wan 3.0 es un nuevo destino de integración, no una nueva etiqueta para una solicitud de Wan 2.7. La vía actual usa wan3.0-video, amplía la salida documentada a 30 segundos y extiende la planificación de entradas a extremos, referencias, archivos y páginas web. Antes de migrar, vuelve a validar los nombres de parámetros, las combinaciones válidas, la relación, la duración, el audio, la gestión de respuestas y los precios.

Este es un resumen de migración de interfaz, no una afirmación de que 3.0 gane todas las comparaciones de calidad. No se realizó una generación comparativa controlada para esta guía. La preferencia del resultado puede depender del tema, las referencias, el diseño de la toma y los criterios de revisión.

Mantén identificables los artículos específicos de cada versión en lugar de cambiar silenciosamente el nombre de la guía completa de Wan 2.7. Sigue siendo necesaria una comparación controlada antes de concluir sobre movimiento, coherencia, fidelidad al prompt, sonido o valor.

Flujos de trabajo de Studio y de la API

Studio y el acceso a la API responden a necesidades operativas distintas y emplean sistemas de facturación independientes. Studio resulta adecuado para la configuración interactiva y la iteración visual; la API está pensada para aplicaciones que necesitan envíos repetibles, seguimiento de tareas y gestión programática de resultados.

Flujo de trabajo en Studio

Abre el generador Wan 3.0, elige el modo, adjunta solo fuentes compatibles y confirma la duración, resolución, relación y vista previa activa de créditos. Genera después de revisar los ajustes e inspecciona todo el video y el audio antes de exportar.

Flujo de trabajo con la API

1. Confirma la disponibilidad de wan3.0-video y el precio actual de la API.
2. Envía una combinación de modos válida a POST /v1/generations.
3. Guarda el ID de tarea y los datos de precios aceptados; después consulta esa misma tarea.
4. Valida el resultado y registra los parámetros, la procedencia de las fuentes y las aprobaciones de derechos.

Alibaba documenta en origen la creación asíncrona y la consulta de tareas. No traslades sus reglas de duración de las tareas a PixMind salvo que PixMind las indique. La guía de inicio rápido de la API de PixMind explica por qué guardar un ID de tarea es más seguro que reenviar la solicitud tras un tiempo de espera agotado en el cliente.

Limitaciones, derechos y comprobaciones de publicación

Los resultados de Wan 3.0 necesitan revisión humana porque el control multimodal no equivale a una conformidad garantizada. La interfaz documentada indica qué entradas y ajustes se aceptan; no establece exactitud, fiabilidad, autorización legal ni idoneidad para una publicación concreta.

Usa esta lista antes de publicar:

• Exactitud visual y temporal: compara todo el clip con las referencias aprobadas y comprueba desviaciones, cambios de objetos, textos incorrectos o cortes no deseados.
• Revisión del audio: comprueba el diálogo, el parecido de las voces, el ritmo, las voces de fondo, la música y los efectos.
• Revisión de datos: verifica en la fuente las afirmaciones derivadas de un documento o página.
• Revisión de derechos: confirma el permiso para prompts, imágenes, metraje, audio, personas, voces, marcas, logotipos y cualquier otro material de terceros.
• Revisión de entrega: inspecciona la duración, dimensiones, relación, codificación y reproducción del archivo exportado en la plataforma de destino.
• Conservación de registros: guarda los datos de la tarea aceptada, la procedencia de las entradas, los registros de consentimiento o licencia, la persona revisora y la decisión de aprobación.

El uso comercial depende de cumplir los requisitos del plan de pago, de las condiciones aplicables del modelo y el proveedor, y de los derechos del usuario sobre prompts, referencias, personas, voces, logotipos y demás material de terceros. La generación no autoriza automáticamente esos derechos. Consulta las condiciones de precios actuales y los términos del servicio para la cuenta y el caso de uso, y solicita asesoramiento profesional cuando las implicaciones legales lo requieran.

Preguntas frecuentes

¿Puedo usar audio con la generación basada en el primer y el último fotograma?

No como entrada de audio en el modo de primer y último fotograma documentado por Alibaba. Si el audio debe dirigir el resultado, usa el patrón oficial de imagen de referencia más audio de referencia. Si los extremos son obligatorios, conserva ese modo y gestiona el audio con licencia en un flujo independiente.

¿Cuánto cuesta la generación mediante la API de Wan 3.0?

La estimación del 5 de septiembre de 2026 es $0.050 por segundo en 480p, $0.090 por segundo en 720p y $0.18 por segundo en 1080p. Trata estos valores como datos de planificación con fecha. La respuesta de la tarea aceptada proporciona la estimación final específica de esa tarea, y la facturación de la API es independiente de los créditos de Studio.

¿Está wan3.0-video-prime disponible mediante PixMind?

La página actual de modelos de PixMind muestra wan3.0-video, no wan3.0-video-prime. Alibaba documenta Prime como una variante de origen, pero eso no demuestra que esté disponible mediante PixMind.

¿Puedo usar comercialmente los resultados de Wan 3.0?

El uso comercial está sujeto a condiciones; no es automático. Depende de que se cumplan los requisitos del plan de pago, de las condiciones aplicables del modelo y el proveedor, y de tus derechos sobre todos los prompts, referencias, personas, voces, logotipos y materiales de terceros presentes en la tarea y el resultado.

Elige una restricción y ejecuta una primera tarea controlada

La forma más clara de empezar con Wan 3.0 es elegir la restricción que más importa y después seleccionar el modo de entrada correspondiente. Usa texto para una composición abierta, un primer fotograma para un inicio fijo, dos extremos para un final definido, referencias para reutilizar una identidad o dirigir el sonido, y un archivo o enlace para planificar a partir de una fuente.

Mantén la primera tarea lo bastante corta como para descubrir problemas estructurales. Confirma el ID del modelo, las referencias, la relación, la resolución, la duración, el audio, el precio y los derechos antes de enviar. Revisa el resultado completo en lugar de juzgar una miniatura.

Cuando estas decisiones estén claras, abre el generador Wan 3.0 para una tarea interactiva o la página de la API de Wan 3.0 para un flujo programático. Vuelve a comprobar los controles activos y el precio aceptado de la tarea en el momento de generar.

---

Wan 3.0 vs. Wan 2.7: migración y elección del modelo