Alibaba Cloudが動画生成AI「Wan3.0」公開、最大30秒生成や文書入力に対応

これまでの AI 動画生成ツールは、数秒の短いクリップを出力するのが限界で、一本の映像作品にまとめるには細切れの素材を編集ソフトで繋ぎ合わせる根気が必要でした。

アリババは、動画生成 AI の最新世代となる「Wan3.0」を Alibaba Cloud Model Studio や Qwen プラットフォーム上で公開しました。1 回のリクエストで最大 30 秒の動画を生成可能にし、テキストや画像だけでなく、Word や PowerPoint、PDF などの業務文書をそのまま入力プロンプトとして受け付ける機能を備えています。

ドキュメントをそのまま映像化

Wan3.0 の最大の特徴は、対応する入力形式の大幅な拡大です。テキスト、画像、音声、動画に加え、DOC、XLS、PPT、PDF、TXT、Markdown など、最大 50 ページかつ 100MB までのファイルやウェブリンクを直接読み込めます。たとえばカフェのブランド紹介資料をアップロードしてトーンを指定するだけで、30 秒のブランド映像に落とし込むことができます。

生成時間は前世代 Wan2.7 の 15 秒から 30 秒へと倍増しました。プロンプト内容に応じた最適な尺の自動提案機能や動画延長機能も備えています。さらに Wan2.7 で導入された編集機能も引き継いでおり、生成された動画の構図やプロット、台詞をゼロから作り直すことなく部分修正できます。

人物表現では、AI 特有の不自然な滑らかさを抑え、多様な顔立ちや微細な表情、自然な身体の動きを再現することに注力しています。一方でアリババ社内テストの結果として、音声の質感表現や映像内の文字描画精度には依然として課題が残っており、今後のアップデートで順次改善していくとしています。

API 利用料は秒単位の従量課金制です。480P が 1 秒あたり 0.05 ドル、720P が 0.10 ドル、1080P が 0.20 ドルとなっています。30 秒のフル HD（1080P）動画なら 6 ドル、480P の下書きなら 1.5 ドルで出力可能です。

なぜ重要か

広告制作者や映像クリエイターにとって、30 秒という長さをワンテイクで出力できる価値は極めて大きいと言えます。短尺の素材集めから脱却し、起承転結のあるストーリーテリングや複雑なカメラワークを 1 回の API 呼び出しで完結できるようになります。企画書や製品資料をそのままプロモーション動画に変換できるため、社内資料の映像化コストも大幅に下がります。

競合各社が 5 秒から 10 秒の美麗なクリップ生成で競い合っている中、アリババはオフィス文書の理解と 30 秒という尺の長さを前面に打ち出しました。これは単なるクリエイティブツールにとどまらず、エンタープライズの業務フローに組み込む情報レイヤーを狙った動きと見られます。

料金体系としても、480P で 1.5 ドルという低価格でラフを作成し、構図を確認した上で 6 ドルの 1080P で本番レンダリングできる設計は実用的だと評価できます。ただし、30 秒の長さを維持する中で物理的な一貫性を破綻させないことは依然として難度が高く、公表されているように文字の描画や音声の質感には弱点が残っています。完全な完成品をワンボタンで作るというよりは、プロの制作現場での下処理やプロトタイプ作成を強力に後押しするツールとして試す価値があると考えられます。