DX Builder
DX Builder
DATOS DE BENCHMARK · API DIRECTA DE DASHSCOPE · DIRECCIÓN MULTIMODAL/Referencia técnica y guía de producción de Wan 3.0 (DashScope)
Abrir Engine Studio

Manual del motor Wan 3.0: Benchmarks medidos e ingeniería de prompts

Wan 3.0 (`wan3.0-video`) es el modelo insignia de generación de vídeo multimodal de Alibaba, que ofrece renderizado nativo en 1080p, dinámica física completa, sincronización labial nativa en varios idiomas para diálogos y referencia de múltiples recursos de hasta 30 segundos por toma continua. Todas las métricas de rendimiento que aparecen a continuación reflejan pruebas directas de la API de DashScope realizadas por DXBuilder.

API directa de Wan 3.0Benchmarks medidos1080p nativoLip-sync y audio nativosTomas de hasta 30 sReferencia de múltiples recursos
ALIBABAALIBABA· modelo oficial
Manual del motor Wan 3.0: Benchmarks medidos e ingeniería de prompts
Velocidad de renderizado33–46 min (720p) · 50 min (1080p)
Resolución nativa480p · 720p · 1080p nativo
Duración máx. de toma2 s a 30 s continua
Relaciones de aspecto admitidas16:9 · 9:16 · 1:1 · 4:3 · 3:4
Entrada multimodal10 img + 5 víd + 5 audio + doc/enlace
Pipeline de audioLip-sync nativo + SFX foley
Derechos comercialesLicencia comercial completa

1. Arquitectura, especificaciones verificadas y anuncios de Alibaba

Tomas continuas largas (2 s a 30 s) [Medido por nosotros]

Genera tomas continuas de 2 a 30 segundos por solicitud sin degradación temporal cuando se estructura con listas de planos temporizadas.

Condicionamiento multimodal nativo [Medido por nosotros]

Acepta hasta 10 imágenes, 5 clips de vídeo (≤15 s en total), 5 pistas de audio (≤15 s) y 1 documento (100 MB / 50 páginas) o enlace web por tarea de renderizado.

Diálogo nativo, lip-sync y foley [Medido por nosotros]

Sintetiza diálogos temporizados entre {llaves} con precisión verificada de sincronización labial en portugués europeo y dialectos regionales, además de efectos sonoros (SFX) atmosféricos.

Fidelidad de materiales y recursos de marca [Medido por nosotros]

Mapea con precisión logotipos y texturas de referencia en superficies dinámicas (bordados en tela, letreros de neón, brasas incandescentes) sin degradación gráfica.

Cero tiempo de espera en multirreferencia [Medido por nosotros]

Nuestras pruebas de benchmark confirman que escalar los recursos de referencia de 0 a 4 elementos no añade latencia adicional de renderizado en GPU.

Funciones en la hoja de ruta de Alibaba [Anunciado por Alibaba, no probado]

La edición de vídeo basada en instrucciones, la extensión temporal encadenada de vídeo y la inyección de contexto mediante búsquedas web en directo siguen sin verificarse en producción.

30s · 720P · 1 foto + logo · falas PT-PT · 10 cortes aos tempos escritos
Vídeo vertical: gerado e medido pela DXBuilder · grelha: demos oficiais Alibaba (wan.video)

2. Comparativa de benchmarks: Wan 3.0 frente a Seedance 2.5

Parámetro de producciónWan 3.0 (DashScope Directo)Seedance 2.5 PRO
Duración máxima de toma única30 Segundos (Continuo nativo) [Medido]Hasta 30 segundos por take
Resoluciones nativas480p · 720p · 1080p nativo (Sin escalado por IA)480p · 720p (1080p/4K vía Upscaling Topaz)
Motor de audio y diálogoLip-sync nativo + SFX ambientales + dialectos [Medido]Generación de audio independiente / pipeline de post-sincronización
Duración de renderizado (toma de 30 s)33–46 min (720p) · 50 min (1080p) [Medido]2–5 min (pipeline rápido)
Capacidad de entrada multimodal10 imágenes + 5 vídeos + 5 audios + 1 doc/enlace50 imágenes de referencia + vídeo y audio de referencia
Coste por segundo (DXBuilder)7.5 cr/s (480p) · 15 cr/s (720p) · 30 cr/s (1080p)25 cr/s (480p) · 35 cr/s (720p) · descuento hasta -25% a los 30s

3. Modos de dirección y límites de entrada multimodal

1 · Dirección con lista de planos temporizada (Texto + Audio nativo)

Gatilho: Formatea los prompts con marcas de tiempo absolutas y etiquetas de diálogo explícitas: HARD CUT at Xs — [SCALE/ANGLE]: action {spoken dialogue}.

Regras: Los prompts en prosa continua generan 0–1 cortes en 15 s; las listas de planos temporizadas ejecutan de 4 a 12 cortes [Medido por nosotros].

"00:00-00:05 CLOSE-UP: Merchant whispers {"O porto fecha à meia-noite."} [AUDIO: wind howling]. HARD CUT at 00:05 — WIDE SHOT: Storm surges over stone pier."

2 · Transferencia de recursos multimodales (Bloqueo de imagen / logotipo / audio)

Gatilho: Sube imágenes de referencia (identidad del sujeto, vestuario, parche de logotipo) y clips de audio con bloqueos de identidad explícitos.

Regras: Las fotos del sujeto deben ser nítidas y estar orientadas verticalmente (la rotación EXIF arruina la geometría facial). El número de recursos de referencia (0 a 4) no altera el tiempo de renderizado [Medido por nosotros].

"Apply character facial structure from @Image1 and wardrobe jacket patch from @Image2. Subject turns 45 degrees left. Material: heavy distressed leather."

3 · Pipeline de iteración rápida en 5 segundos [Reportado por terceros]

Gatilho: Diseña y calibra la composición, la iluminación y el movimiento de cámara en renders de prueba de 5 segundos antes de lanzar los pases finales completos de 30 segundos en 1080p.

Regras: Ahorra más del 80 % del presupuesto de créditos durante la calibración del encuadre; pasa a 30 s/1080p solo una vez fijados los tiempos y el reconocimiento de recursos.

"5s Test: 35mm low-angle tracking shot, protagonist walks 30% across frame left-to-right. Verify silhouette and backlight before full sequence render."

4. Reglas de dirección medidas y sintaxis de prompts

Cortes secos temporizados [Medido por nosotros]HARD CUT at 04:00 — MEDIUM SHOT: Actor turns to camera | HARD CUT at 09:00 — EXTREME CLOSE-UP: Hand grips copper dial.
Etiquetado de lip-sync y diálogo [Medido por nosotros + AtlasCloud]Character speaks directly into lens: {"Temos apenas três minutos antes da ignição."} [AUDIO: heavy mechanical hum, no background music]
Bloque de fijación de estilo (Look Lock) [Medido por nosotros][LOOK LOCK: overcast daylight 5600K, charcoal wool overcoat, wet cobblestone environment, muted cyan color grading]
Base física explícita [Medido por nosotros]Real gravitational weight, splashing water droplets with inertia, cloth drag resistance, no floating, no weightless wire-work.
Bloque de exclusión de propiedad intelectual (Anti-IP) [Medido por nosotros][NEGATIVE: no superhero emblems, no commercial franchise logos, no copyright costumes, no smooth slide floating motion]
Vectorización por porcentaje de encuadre [Reportado por terceros]Subject accelerates from right edge to center, occupying 40% vertical frame height, moving 35% horizontal distance per second.

5. Plantillas de prompts para producción

Toma narrativa cinematográfica multicorte (15 s — Lip-sync en portugués europeo)

Escena temporizada de varios planos con sincronización labial nativa de diálogos, diseño de sonido ambiental y peso físico verificado [Medido por nosotros].

[LOOK LOCK: Moody neon-lit alley, wet asphalt, 35mm anamorphic, heavy rain]
00:00-00:04 MEDIUM TRACKING SHOT: Detective walks forward with heavy footsteps, rain dripping from brimmed hat.
00:04-00:09 HARD CUT — CLOSE-UP: Detective stops under amber streetlight, looks straight into lens, speaking firmly: {"Não há mais tempo para negociações. O navio já partiu do cais."}
00:09-00:15 HARD CUT — OVER-THE-SHOULDER WIDE: A black cargo boat vanishes into foggy harbor waters. Real gravitational water displacement, heavy splashes.
[AUDIO: continuous heavy rainfall, distant foghorn, crisp vocal dialogue, no background synth music]
[NEGATIVE: no floating, no weightless wire-work, no superhero emblems, no frozen locked-off camera]

Materialización de recursos de marca y física dinámica (30 s nativos en 1080p)

Secuencia completa de 30 segundos evaluada que demuestra la reproducción de logotipos de referencia en superficies físicas con dinámica de masa real [Medido por nosotros].

[LOOK LOCK: Blacksmith forge workshop, warm 3200K tungsten backlight, volumetric smoke and rising embers]
00:00-00:08 LOW ANGLE SLOW DOLLY IN: Blacksmith hammers glowing hot steel bar on iron anvil with heavy impact shocks.
00:08-00:16 HARD CUT — MACRO SHOT: Hammer strikes molten metal surface, embossing the DXBuilder geometric logo from @Image1 into glowing orange iron, sparking embers scattering with authentic physics.
00:16-00:24 HARD CUT — MEDIUM PROFILE: Blacksmith plunges the branded metal blade into cold water vat. Instant dense steam eruption and boiling fluid turbulence.
00:24-00:30 HARD CUT — CLOSE-UP HERO SHOT: Water drips off the engraved brand logo on dark Damascus steel, camera maintains subtle hand-held organic drift.
[AUDIO: metallic anvil strikes, roaring forge fire, loud water quenching hiss, deep room tone]
[NEGATIVE: no static frozen camera, no synthetic plastic texture, no franchise trademarks]
Wan 3.0

6. Calculadora de créditos y costes de generación

3s10s30s
Total estimado150 créditos
Generar en el Studio

7. Preguntas frecuentes

Según nuestras mediciones directas de la API (agosto de 2026), una toma de 30 segundos a 720p tarda una media de ~40 minutos (rango de 33–46 min). Una toma de 30 segundos a 1080p se renderiza en ~50 minutos (+11 % de duración frente a 720p). Los tiempos de espera en cola se estabilizaron en ~0,5 min tras el escalado inicial. Puedes cerrar el navegador; los renders se completan de forma autónoma en tu biblioteca de DXBuilder.
👑 Sin prompts, sin esfuerzo

¿No quieres escribir prompts? Entra tú en la película.

Los presets Premium usan el motor Seedance 2.5: subes una selfie y un director IA rueda un blockbuster de 3 actos contigo como protagonista. De 15 segundos a 1:30.

Ver todos los presets Premium
Créditos gratis al registrarte Sin suscripción obligatoria Reembolso automático si falla

Explora los otros motores de DXBuilder