DX Builder
DX Builder
DADOS DE BENCHMARK · API DIRETA DASHSCOPE · REALIZAÇÃO MULTIMODAL/Wan 3.0 (DashScope) — Referência Técnica e Guia de Produção
Abrir Engine Studio

Manual do Motor Wan 3.0: Benchmarks Medidos e Engenharia de Prompts

O Wan 3.0 (`wan3.0-video`) é o modelo topo de gama de geração de vídeo multimodal da Alibaba, oferecendo renderização nativa a 1080p, dinâmica física completa, sincronização labial (lip-sync) nativa multilingue para diálogos e referenciação de múltiplos recursos (assets) até 30 segundos por take contínuo. Todas as métricas de desempenho abaixo refletem testes diretos na API DashScope realizados pela DXBuilder.

API Direta Wan 3.0Benchmarks Medidos1080p NativoLip-Sync e Áudio NativosTakes até 30sReferenciação de Múltiplos Assets
ALIBABAALIBABA· modelo oficial
Manual do Motor Wan 3.0: Benchmarks Medidos e Engenharia de Prompts
Velocidade de Renderização33–46m (720p) · 50m (1080p)
Resolução Nativa480p · 720p · 1080p Native
Duração Máxima do Take2s a 30s contínuos
Proporções Suportadas16:9 · 9:16 · 1:1 · 4:3 · 3:4
Entrada Multimodal10 Img + 5 Vid + 5 Audio + Doc/Link
Pipeline de ÁudioNative Lip-Sync + Foley SFX
Direitos ComerciaisFull Commercial License

1. Arquitetura, Especificações Verificadas e Anúncios da Alibaba

Takes Contínuos Longos (2s a 30s) [Medido por nós]

Gera takes contínuos de 2 a 30 segundos por pedido sem quebras temporais quando estruturados com listas de planos temporizadas.

Condicionamento Multimodal Nativo [Medido por nós]

Aceita até 10 imagens, 5 clipes de vídeo (≤15s no total), 5 faixas de áudio (≤15s) e 1 documento (100MB/50 páginas) ou ligação web por tarefa de renderização.

Diálogo, Lip-Sync e Foley Nativos [Medido por nós]

Sintetiza diálogos temporizados entre {chavetas} com precisão comprovada de sincronização labial em português europeu e dialetos regionais, além de efeitos sonoros (SFX) atmosféricos.

Fidelidade de Materiais e Recursos de Marca [Medido por nós]

Mapeia com precisão logótipos e texturas de referência em superfícies dinâmicas (bordados em tecido, letreiros néon, brasas incandescentes) sem degradação gráfica.

Multirreferência sem Tempo de Espera Adicional [Medido por nós]

Os nossos testes de benchmark confirmam que aumentar os recursos de referência de 0 para 4 itens adiciona zero latência de renderização na GPU.

Funcionalidades no Roteiro da Alibaba [Anunciado pela Alibaba, não testado]

Edição de vídeo baseada em instruções, extensão temporal encadeada de vídeo e injeção de contexto de pesquisa web ao vivo permanecem por verificar em produção.

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. Comparação de Benchmarks: Wan 3.0 vs. Seedance 2.5

Parâmetro de ProduçãoWan 3.0 (DashScope Direto)Seedance 2.5 PRO
Duração Máxima de Take Único30 Segundos (Contínuo nativo) [Medido]Até 30 segundos por take
Resoluções Nativas480p · 720p · 1080p Nativo (Sem upscaling por IA)480p · 720p (1080p/4K via Upscaling Topaz)
Motor de Áudio e DiálogoLip-sync nativo + SFX ambientais + dialetos [Medido]Pipeline separado de geração de áudio / pós-sincronização
Duração da Renderização (Take de 30s)33–46 min (720p) · 50 min (1080p) [Medido]2–5 min (pipeline rápido)
Capacidade de Entrada Multimodal10 imagens + 5 vídeos + 5 áudios + 1 doc/link50 imagens de referência + vídeo e áudio de referência
Custo por Segundo (DXBuilder)7.5 cr/s (480p) · 15 cr/s (720p) · 30 cr/s (1080p)25 cr/s (480p) · 35 cr/s (720p) · desconto até -25% aos 30s

3. Modos de Realização e Limites de Entrada Multimodal

1 · Realização com Lista de Planos Temporizada (Texto + Áudio Nativo)

Gatilho: Formata prompts com marcadores temporais absolutos e etiquetas explícitas de diálogo: HARD CUT at Xs — [SCALE/ANGLE]: action {spoken dialogue}.

Regras: Prompts em prosa contínua produzem 0–1 cortes em 15s; listas de planos temporizadas executam 4–12 cortes [Medido por nós].

"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 · Transferência Multimodal de Recursos (Bloqueio de Imagem / Logótipo / Áudio)

Gatilho: Carrega imagens de referência (identidade do sujeito, guarda-roupa, patch de logótipo) e clipes de áudio com bloqueios explícitos de identidade.

Regras: As fotos do sujeito devem ser limpas e verticais (a rotação EXIF corrompe a geometria facial). A quantidade de recursos de referência (0 a 4) não altera o tempo de renderização [Medido por nós].

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

3 · Pipeline de Iteração Rápida de 5 Segundos [Relatado por terceiros]

Gatilho: Esboça e calibra composição, iluminação e movimento de câmara em renderizações de teste de 5 segundos antes de avançar para as passagens finais completas de 30 segundos a 1080p.

Regras: Poupa mais de 80% do orçamento de créditos durante a calibração do enquadramento; atualiza para 30s/1080p apenas após a fixação da temporização e do reconhecimento 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. Regras de Realização Medidas e Sintaxe de Prompts

Cortes Secos Temporizados [Medido por nós]HARD CUT at 04:00 — MEDIUM SHOT: Actor turns to camera | HARD CUT at 09:00 — EXTREME CLOSE-UP: Hand grips copper dial.
Etiquetagem de Lip-Sync e Diálogo [Medido por nós + AtlasCloud]Character speaks directly into lens: {"Temos apenas três minutos antes da ignição."} [AUDIO: heavy mechanical hum, no background music]
Bloco de Bloqueio de Estilo (Look Lock) [Medido por nós][LOOK LOCK: overcast daylight 5600K, charcoal wool overcoat, wet cobblestone environment, muted cyan color grading]
Fundamentação Física Explícita [Medido por nós]Real gravitational weight, splashing water droplets with inertia, cloth drag resistance, no floating, no weightless wire-work.
Bloco Anti-Injeção de PI [Medido por nós][NEGATIVE: no superhero emblems, no commercial franchise logos, no copyright costumes, no smooth slide floating motion]
Vetores por Percentagem de Enquadramento [Relatado por terceiros]Subject accelerates from right edge to center, occupying 40% vertical frame height, moving 35% horizontal distance per second.

5. Modelos de Prompts de Produção

Take Narrativo Cinematográfico Multicorte (15s — Lip-Sync em Português Europeu)

Cena multicorte temporizada com sincronização labial nativa de diálogos, sonoplastia ambiente e peso físico verificado [Medido por nós].

[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]

Materialização de Recursos de Marca e Física Dinâmica (30s Nativo 1080p)

Sequência completa de 30 segundos avaliada em benchmark, demonstrando a reprodução de logótipo de referência em superfícies físicas com dinâmica de massa real [Medido por nós].

[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 e Economia de Geração

3s10s30s
Total Estimado150 créditos
Gerar no Studio

7. Perguntas Frequentes

Com base nas nossas medições diretas da API (agosto de 2026), um take de 30 segundos a 720p demora em média ~40 minutos (intervalo de 33–46 min). Um take de 30 segundos a 1080p renderiza em ~50 minutos (+11% de duração face a 720p). Os tempos de espera em fila estabilizaram em ~0.5 min após o dimensionamento de lançamento. Podes fechar o teu navegador; as renderizações são concluídas autonomamente na tua biblioteca DXBuilder.
👑 Sem prompts, sem esforço

Não queres escrever prompts? Entra tu no filme.

Os presets Premium usam o motor Seedance 2.5 — envias uma selfie e um realizador IA filma um blockbuster de 3 atos contigo como protagonista. De 15 segundos a 1:30.

Ver todos os presets Premium
Créditos grátis ao registar Sem assinatura obrigatória Reembolso automático se falhar

Explora os outros motores da DXBuilder