Alibaba hat mit Wan 3.0 Anfang August 2026 die nächste Generation seines KI-Videomodells in eine öffentliche Beta geschickt – und setzt dabei einen Wert nach oben, der die Branche seit Monaten beschäftigt: einzelne Clips von bis zu 30 Sekunden Länge. Das ist doppelt so viel wie beim Vorgänger Wan 2.7, der bei 15 Sekunden endete. Der US-Tech-Dienst TNGlobal berichtete am 10. August 2026 über den Start der Public Beta; die Modell-Karte wan3.0-video ist inzwischen in Alibabas Model Studio gelistet. Für alle, die mit generativem Video arbeiten, ist das eine der wichtigeren Meldungen dieses Sommers – nicht wegen eines einzelnen spektakulären Features, sondern wegen der Kombination aus Cliplänge, Multimodalität und einem aggressiv niedrigen Sekundenpreis.
Was Wan 3.0 kann
Der augenfälligste Sprung ist die Dauer. 30 Sekunden aus einem einzigen Generierungsvorgang klingen nach wenig, sind im Kontext KI-Video aber ein echter Einschnitt: Die meisten konkurrierenden Modelle liefern nativ fünf bis zehn Sekunden und müssen längere Sequenzen über Verkettung (Video-Extension) zusammensetzen, was Kontinuitätsfehler mit sich bringt. Alibaba adressiert genau diesen Punkt und wirbt mit „präziser visueller Kontinuität ohne Verzerrungen" sowie einer Video-Extension-Funktion für noch längere Erzählbögen. Dazu kommt eine intelligente Dauer-Empfehlung, die anhand des Prompts vorschlägt, wie lang ein Clip sinnvoll sein sollte.
Der zweite große Baustein ist die Multimodalität der Eingaben. Wan 3.0 akzeptiert nicht nur Text und Bild, sondern auch Video, Audio, ganze Webseiten, PDFs und PowerPoint-Präsentationen als Ausgangsmaterial. Für die Praxis heißt das: Ein bestehendes Foliendeck oder ein PDF-Konzept kann direkter Ausgangspunkt für eine Videosequenz werden. Technisch stehen mehrere Modi bereit – Text-to-Video, Image-to-Video, die Steuerung über den ersten Frame beziehungsweise ersten und letzten Frame sowie ein Reference-to-Video-Modus. Bei Letzterem lassen sich laut Alibaba Cloud bis zu zehn Referenzbilder, fünf Referenzvideos und fünf Audiodateien kombinieren, um Look, Bewegung und Klang gezielt vorzugeben.
Audio wird dabei standardmäßig mitgeneriert. Wan 3.0 reiht sich damit in den klaren Branchentrend der letzten Monate ein: Modelle wie Klings Video-2.6-Linie oder xAIs Grok Imagine Video hatten Sprache, Soundeffekte und Umgebungston bereits in einem Durchgang mit dem Bild erzeugt. Alibaba nennt zusätzlich mehrsprachige Audioausgabe, realistische menschliche Gesichter mit synchronisierten Mikrobewegungen sowie stabile UI- und Motion-Graphics-Elemente als Stärken – Letzteres ist ein wunder Punkt vieler Modelle, die bei eingeblendetem Text und Grafik schnell flackern.
Auflösung, Preise und Zugang
Bei der Auflösung bleibt Wan 3.0 zunächst konservativ: dokumentiert sind 480p, 720p und 1080p – 4K ist bislang nicht bestätigt. Interessant ist die Preisgestaltung, die Alibaba Cloud pro Sekunde und nach Auflösung staffelt. In der Region Peking werden rund 0,30, 0,60 beziehungsweise 1,20 Yuan pro Sekunde für 480p, 720p und 1080p aufgerufen; über den Standort Singapur liegen die Werte bei etwa 0,37, 0,75 und 1,50 Yuan pro Sekunde. Umgerechnet bewegt sich selbst 1080p damit im Bereich weniger Cent pro Sekunde – ein Preisniveau, das den anhaltenden Wettlauf nach unten fortsetzt, den zuletzt auch xAI mit Grok Imagine Video befeuert hatte.
Der Zugang ist in der Beta-Phase allerdings noch eingeschränkt. Das Modell trägt in Model Studio die Kennzeichnung „preview" und ist laut Preisseite zunächst nur auf Einladung nutzbar; die Freischaltung erfolgt regionsspezifisch über Alibaba Clouds Model Studio und die Qwen Cloud Platform und setzt eine Konto-Verifizierung voraus. Wichtig für Studios, die auf offene Gewichte hoffen: Anders als frühere Wan-Versionen, die Alibaba teils quelloffen bereitgestellt hatte, ist für Wan 3.0 bisher kein Gewichte-Release aufgetaucht. Wer das Modell einsetzen will, ist also vorerst auf die API angewiesen.
Einordnung: Wo Wan 3.0 im Feld steht
Der Markt für KI-Video ist 2026 dicht getaktet. Allein zwischen Februar und Mai kamen Kling 3.0, Seedance 2.0, Veo 3.1 Lite und LTX-2.3 heraus; im Sommer folgten das ausgerollte Kling-Video-2.6-Modell mit nativer Audio-Generierung und xAIs Grok Imagine Video 1.5. In diesem Umfeld positioniert sich Wan 3.0 weniger über einen einzelnen Rekordwert als über die Breite: lange Clips, viele Eingabeformate, günstiger Sekundenpreis. Genau diese Kombination macht es für Produktionsworkflows attraktiv, in denen nicht der eine Hero-Shot zählt, sondern viele Varianten schnell und kalkulierbar entstehen müssen.
Gleichzeitig gilt die übliche Vorsicht bei Beta-Ankündigungen: Herstellerangaben zu Kontinuität, Gesichtern und Grafikstabilität sind Marketing, bis unabhängige Tests sie bestätigen. Die 30-Sekunden-Marke sagt zudem nichts über die tatsächliche Prompt-Treue über die gesamte Länge aus – erfahrungsgemäß driften Modelle gegen Ende langer Clips. Und die Beschränkung auf 1080p bedeutet für hochauflösende Endformate weiterhin einen Upscaling-Schritt in der Post.
Bemerkenswert ist auch, was der Schritt über Alibaba hinaus signalisiert. Die chinesischen Anbieter – ByteDance mit Seedance, Kuaishou mit Kling und nun Alibaba mit Wan – treiben das Tempo im KI-Video derzeit maßgeblich und tun das über zwei Hebel: aggressive Preise und die enge Verzahnung mit ihren Cloud-Ökosystemen. Wan 3.0 ist Teil einer wachsenden Produktfamilie; rund um die Kernmodelle sind zuletzt spezialisierte Komponenten wie WanSong, Wan-Dancer und Wan-Streamer aufgetaucht, die auf Musik, Bewegung und Streaming-Szenarien zielen. Für Studios bedeutet das einerseits mehr Auswahl und sinkende Kosten, andererseits eine strategische Frage: Wie viel Abhängigkeit von einer einzelnen Cloud-Plattform ist vertretbar – gerade wenn offene Gewichte, anders als bei früheren Wan-Versionen, vorerst ausbleiben und der Zugang an Region und Konto-Verifizierung gebunden ist.
Was das für eure Projekte bedeutet
Für eine KI-Videoproduktion wie uns ist Wan 3.0 aus drei Gründen relevant. Erstens verschiebt die native 30-Sekunden-Länge die Grenze, ab der man Clips mühsam aneinanderstückeln muss – gerade für Short-Form-Drama, Social-Reels und Erklärsequenzen kann das ganze Zwischenschritte einsparen. Zweitens senkt der Multimodal-Input die Reibung im Briefing: Ein Kundendeck als PPT oder ein PDF-Konzept lässt sich direkter in eine erste Videofassung überführen, ohne alles vorab in Text-Prompts zu übersetzen. Drittens ist der Sekundenpreis niedrig genug, um breit zu iterieren – wichtig, wenn man in der Konzeptphase viele Looks gegeneinander testet.
Konkret empfiehlt sich für den Start ein nüchterner Vergleichstest: dieselbe Szene in Wan 3.0, Kling 2.6 und Veo 3.1 generieren und auf Prompt-Treue über die volle Länge, Audio-Sync und Grafikstabilität prüfen. Wegen des Invitation-only-Zugangs sollte man sich zudem früh für Model Studio registrieren und die Region (Peking oder Singapur) bewusst wählen, da Preise und Verfügbarkeit dort abweichen. Für Kundenprojekte mit Auslieferung in 4K bleibt ein Upscaling-Schritt eingeplant, und weil bisher keine offenen Gewichte vorliegen, sollte man Wan 3.0 vorerst als Cloud-Dienst kalkulieren – inklusive Datenschutz-Check, welche Inhalte man über eine chinesische Cloud-Plattform verarbeiten darf.
Unterm Strich ist Wan 3.0 kein Paukenschlag, der alles andere alt aussehen lässt – aber ein weiterer, sehr handfester Schritt dahin, dass längere, tonlich fertige Videosequenzen zum kalkulierbaren Rohstoff werden. Wir behalten die Public Beta im Auge und melden uns, sobald belastbare unabhängige Tests und – falls sie kommen – offene Gewichte vorliegen.