Der Wettlauf um das längste, konsistenteste KI-Video hat einen neuen Spitzenreiter — zumindest bei der Shot-Länge. Alibaba hat Anfang August 2026 sein Videomodell Wan 3.0 in die öffentliche Beta geschickt und positioniert es klar gegen Sora, Veo, Kling und die eigene Landsmann-Konkurrenz von ByteDance. Das Kernversprechen: bis zu 30 Sekunden Video in einem einzigen Generierungsdurchgang — also eine echte durchgehende Einstellung statt aneinandergeklebter Clips. Für alle, die mit KI-Video nicht nur GIF-artige Schnipsel, sondern erzählbare Szenen produzieren wollen, ist das ein größerer Sprung, als es auf den ersten Blick klingt.
Wir haben uns die Ankündigung und die ersten technischen Details angesehen und ordnen ein, was Wan 3.0 wirklich kann, wo das Modell noch Lücken hat — und was der Release für eure Produktionen bedeutet.
Was Wan 3.0 auf dem Papier kann
Wan 3.0 ist die nächste Generation von Alibabas Wan-Reihe und wird über die Alibaba-Cloud-Plattform (Model Studio bzw. die Qwen-Cloud) als öffentliche Beta ausgerollt. Der Zugang läuft zunächst API-zentriert; eine breite Verfügbarkeit über Drittanbieter-Plattformen ist angekündigt, aber noch nicht überall verfügbar. Die wichtigsten Eckdaten im Überblick:
- Bis zu 30 Sekunden pro Generierung — doppelt so lang wie beim Vorgänger Wan 2.7-Video (15 Sekunden) und deutlich länger als die typischen 5–15 Sekunden vieler Mainstream-Modelle.
- Single-Shot-Prinzip: Ein API-Aufruf erzeugt die vollen 30 Sekunden als eine Einstellung — nicht als mehrere zusammengefügte Clips. Das macht laut Alibaba komplexe, ununterbrochene Kamerabewegungen möglich.
- Multimodale Eingaben: Neben Text, Bild, Video und Audio akzeptiert Wan 3.0 auch Webseiten sowie ganze Dokumente — PDF, Word, Excel und PowerPoint — als kreative Referenz.
- Maximale Auflösung 1080p — eine native 4K-Stufe gibt es (noch) nicht.
- Stabilitäts-Features: intelligente Dauer-Empfehlung je nach Prompt, Video-Verlängerung zum narrativen Ausbau sowie verbesserte Konsistenz von Figuren, Requisiten und Mikro-Mimik, um das berüchtigte „visuelle Driften" zu reduzieren.
30 Sekunden am Stück: Warum die Shot-Länge zählt
In der KI-Videoproduktion ist die Länge einer einzelnen, konsistenten Einstellung eine der härtesten Währungen. Wer schon einmal versucht hat, aus mehreren 5-Sekunden-Clips eine zusammenhängende Szene zu montieren, kennt das Problem: Figuren verändern subtil ihr Gesicht, das Licht springt, Kleidung wechselt Details, und an jedem Schnitt entsteht ein Bruch, den man kaschieren muss. Je länger ein Modell eine Einstellung stabil durchhalten kann, desto weniger Flickwerk ist nötig — und desto glaubwürdiger wirkt das Ergebnis.
Genau hier setzt Wan 3.0 an. 30 Sekunden in einem einzigen Durchgang bedeuten, dass eine Kamerafahrt, ein Dialogmoment oder eine Actionsequenz ohne harten Cut durchgezogen werden kann. Alibaba spricht explizit von „one-take shot language" — also der Möglichkeit, eine Szene in einer durchgehenden Bewegung zu erzählen, wie man es aus dem klassischen Filmhandwerk kennt. Für kurze Werbespots, Musikvideo-Passagen oder erzählerische Establishing-Shots ist das potenziell ein Gamechanger, weil die Montagearbeit sinkt und die visuelle Kohärenz steigt.
Dokumente als Input: der eigentliche Clou
So beeindruckend die 30 Sekunden sind — das vielleicht spannendste Detail ist die Bandbreite der Eingaben. Wan 3.0 versteht nicht nur Text-Prompts, Referenzbilder und Videos, sondern auch komplette Dokumente: PDFs, Tabellen, Präsentationen, Markdown-Dateien und Webseiten. Damit lässt sich potenziell aus einem Pitch-Deck, einem Produktdatenblatt oder einem Briefing-Dokument direkt ein Video-Entwurf ableiten.
Für Produktionsteams verschiebt das die Startlinie: Statt ein Konzept erst mühsam in einen präzisen Prompt zu übersetzen, kann das vorhandene Briefing selbst zur Grundlage werden. In der Praxis wird sich zeigen müssen, wie gut das Modell aus einem sperrigen PowerPoint tatsächlich sinnvolle Bildideen destilliert — aber als Workflow-Idee ist „Dokument rein, Video-Rohschnitt raus" für Agenturen und Marketing-Teams hochattraktiv.
Wo Wan 3.0 (noch) schwächelt
Bei aller Euphorie: Wan 3.0 ist kein Rundum-sorglos-Paket. Drei Einschränkungen sollte man kennen.
Erstens der Ton. Anders als etwa MiniMax H3 oder FLUX 3, die auf nativen Sound setzen, ist Audio bei Wan 3.0 noch die Schwachstelle. Alibaba selbst räumt ein, dass die Audioqualität „noch Luft nach oben" habe. Wer Dialog, Musik und Sounddesign braucht, wird um eine separate Tonspur — und damit um Postproduktion — vorerst nicht herumkommen.
Zweitens die Auflösung. Mit 1080p als Obergrenze bleibt Wan 3.0 hinter Wettbewerbern zurück, die bereits natives 2K oder 4K liefern. Für Social-Media-Content ist Full HD völlig ausreichend; für hochauflösende Kino- oder Großbild-Ausspielungen braucht es ein Upscaling.
Drittens Open Source. Frühere Wan-Versionen hatten der Community offene Gewichte beschert — Wan 2.2 gilt als letztes echtes Open-Weight-Flaggschiff der Reihe. Wan 3.0 ist dagegen proprietär und geschlossen; veröffentlichte Modellgewichte gibt es nicht. Wer auf lokale Deployments oder Feintuning gesetzt hat, bleibt vorerst auf die ältere Generation angewiesen.
Die 30-Sekunden-Einstellung ist der Schlagzeilen-Wert. Der leise Paradigmenwechsel ist, dass ein Briefing-Dokument selbst zum Video-Input wird — das verkürzt den Weg von der Idee zum Rohschnitt drastisch.
Die Preise: nutzungsbasiert nach Auflösung
Alibaba rechnet Wan 3.0 sekundengenau und nach Auflösung ab. Die kommunizierten Beta-Preise liegen bei rund 0,3 Yuan pro Sekunde für 480p (etwa 0,042 US-Dollar), 0,6 Yuan für 720p (rund 0,084 Dollar) und 1,2 Yuan pro Sekunde für 1080p (etwa 0,168 Dollar). Ein voller 30-Sekunden-Clip in Full HD kostet damit überschlägig rund fünf US-Dollar — ein Wert, der im Rahmen der aktuellen Premium-Videomodelle liegt und für Testläufe kalkulierbar bleibt. Wie stabil diese Preise nach der Beta bleiben, ist offen.
Einordnung: Der chinesische Dreikampf spitzt sich zu
Wan 3.0 erscheint in einem Umfeld, in dem sich chinesische Anbieter mit Releases geradezu überbieten. Nahezu zeitgleich standen ByteDances Seedance 2.5 und Kuaishous Kling 3.0 in den Schlagzeilen, dazu MiniMax H3 mit nativem 2K-Ton. Während die westlichen Platzhirsche Sora und Veo den Diskurs prägen, liefert die chinesische Konkurrenz in hoher Taktung konkrete technische Vorsprünge — mal bei der Auflösung, mal beim Ton, jetzt bei der Shot-Länge und der Input-Vielfalt.
Für uns als Produktion heißt das vor allem: Es gibt nicht mehr das eine „beste" Modell, sondern ein Werkzeugset, aus dem man je nach Aufgabe wählt. Wan 3.0 empfiehlt sich dort, wo lange, ununterbrochene Einstellungen und dokumentenbasierte Briefings gefragt sind — nicht dort, wo fertiger Ton oder maximale Auflösung im Vordergrund stehen.
Was das für eure Projekte bedeutet
Konkret sehen wir drei Ansatzpunkte. Erstens Establishing- und Kamerafahrt-Shots: Wenn ihr eine durchgehende, 20–30 Sekunden lange Einstellung braucht — etwa einen fließenden Schwenk durch einen Raum oder eine Landschaft — ist Wan 3.0 einen Test wert, weil ihr euch das Zusammensetzen mehrerer Clips spart. Zweitens Briefing-zu-Rohschnitt: Habt ihr ein Kunden-Deck oder ein Produktdatenblatt, lässt sich damit schnell ein erster visueller Entwurf erzeugen, den ihr dann verfeinert — ideal für Pitches und Moodboards. Drittens der Workflow-Mix: Plant Wan 3.0 als Bild-Lieferant ein, aber kalkuliert die Tonspur separat. Dialog, Musik und Sounddesign gehören in einen dedizierten Audio- und Postproduktions-Schritt, bis Alibaba beim nativen Ton nachlegt.
Unser Rat: Nutzt die Beta-Phase für gezielte Tests statt für Produktionsdeadlines. Prüft an einem echten Projekt, wie stabil die 30-Sekunden-Einstellungen bei euren Motiven halten und wie brauchbar der Dokumenten-Input in der Praxis ist. Wer jetzt Erfahrungswerte sammelt, hat einen Vorsprung, sobald das Modell die offene Beta verlässt und die Preise sich verfestigen. Full HD, lange Shots und ein niedriger Einstiegspreis machen Wan 3.0 zu einem ernstzunehmenden Baustein — solange man seine Grenzen bei Ton und Auflösung von vornherein einplant.