Ein 5-Sekunden-Video in 720p mit Ton kostet mit Wan 3.0 auf zzo.ai 100 Credits (1,00 $). Kein Abo: Du kaufst Credits einmal, und sie verfallen nicht.
Wan 3.0 ist das KI-Videomodell von Alibaba, seit dem 6. August 2026 als öffentliche Beta und seit dem 24. August allgemein verfügbar. Es erzeugt Clips bis 30 Sekunden in bis zu 1080p mit Ton, aus Text, einem Foto oder Referenzbildern. Open Source ist es nicht: Alibaba bietet es nur als gehostetes Modell an.
Videos mit 5–30 s
Bis 1080p
Ton an oder aus
Prompt aus diesem Video. Pass ihn an oder schreib deinen eigenen.
Mit Wan 3.0 erstellt
Bei jedem siehst du Prompt, Modell und was es hier kostet. Wähl eins aus, um damit zu starten.
“One unbroken thirty-second Steadicam move through a working film studio backlot at two in the morning. No cuts anywhere in the take. 0 to 6s: the camera walks out of a scene dock past stacked flats and a rail of period costume, catching a grip taping down a cable run, then pushes through hanging plastic sheeting into open air. 6 to 14s: it crosses a New York street standing set with the rain machines at full pressure, water sheeting off fire escapes and pooling in the gutters, a stunt performer in a soaked overcoat waiting on her mark while a focus puller measures to her face. 14 to 22s: it turns left down a service alley between two sound stages, past a catering truck with its shutter half down and an electrician asleep in a folding chair, the rain noise falling away behind the wall. 22 to 30s: it comes out onto the lot road, cranes up over a parked camera truck and holds on the whole backlot under sodium light, rain still falling on one street and nowhere else. Anamorphic, sodium and mercury practicals, deep blacks, fine film grain. Sound: rain machines roaring then dropping off, a radio crackle, boots on wet asphalt, a generator running under everything, no music.”Wan 3.0, 30 s, mit Ton, 1.200 Credits, erstellt auf Wan
“Medium close-up, 50mm. A night-market noodle vendor in a white apron stands behind a steaming wok under bare hanging bulbs. He looks into the camera and says: "Thirty years. Same pan, same recipe." Then he tosses the noodles high and flames jump up from the wok. Camera: gentle living handheld that barely breathes, slight push-in. Audio: his voice, sizzling oil, crowd chatter, distant scooters. Photorealistic, warm practical light.”Wan 3.0, 8 s, mit Ton, 160 Credits, erstellt auf Wan
“A 20-second ultra-widescreen plush universe adventure clip, featuring ultra-fine plush textures throughout, cinematic space scale, a contrast between cute appearances and intense action, exaggerated FPV camera movements, and realistic soft-body physics. A spaceship made of plush fabric, buttons, zippers, and stuffing cotton carries three small plush animals — a rabbit, a fox, and a crow — fleeing at high speed through a universe composed of giant yarn planets, fluffy nebulae, and puppet giant beasts. A massive interstellar whale beast covered in deep blue long fur with eyes like two glass buttons chases the ship from within the nebula. The dynamics include the zipper ship launching via catapult, high-speed orbiting around a yarn planet, the giant whale bursting out from behind, navigating through a button asteroid belt, being swallowed by the whale beast, escaping through a golden zipper on its back, the whale slowly deflating as if losing its stuffing cotton, and finally flying through a pink-purple fluffy nebula toward a colorful button sun.”Wan 3.0, 20 s, mit Ton, 400 Credits, erstellt auf Wan
“Slow dolly-in on a matte terracotta vase standing on a travertine plinth in a sunlit plaster room. Late-afternoon light slides slowly across the wall as dust drifts through the beam. Calm, premium product film, shallow depth of field. Audio: soft room tone and a faint breeze.”Wan 3.0, 5 s, mit Ton, 100 Credits, erstellt auf Wan
“A ten-second vertical spot for an unbranded titanium dive watch, no dialogue. The watch lies face up on wet black slate in a dark room, a single hard key raking across it from the left so the brushed case and the polished lugs read as two different metals. The dial is plain matte slate-grey with luminous dot markers only. A hand in a rolled navy sleeve enters from the bottom of frame and, without lifting the watch, turns the bezel one full rotation so every detent is visible against the lume. The camera pushes from a wide macro into a tight macro on the dial as the rotation finishes, then holds. Water beads slide off the crystal and off the edge of the slate. Sound: the bezel clicking through its detents, water running off stone, a low room tone, no music. No logos, no brand names, no text or numbers anywhere on the watch.”Wan 3.0, 10 s, mit Ton, 400 Credits, erstellt auf Wan
“One continuous shot. A 15-second vertical lip swatch video for the lip gloss in Image 1. A young woman with natural makeup and dark hair tied back faces the camera, framed from the shoulders up, in soft window daylight against a plain warm-beige wall. 0-5s: she holds the lip gloss from Image 1 up beside her face. 5-10s: she takes off the cap and glides the applicator across her lips once, leaving a glossy rose-pink colour. 10-15s: the camera slowly pushes in to a close-up of her lips as she smiles slightly and the gloss catches the light. Keep the lip gloss exactly as in Image 1: clear tube, rose-pink gloss, plain silver cap, no text. Sound: soft room tone, the faint click of the cap. No dialogue, no BGM. No subtitles, no logos, no text.”Wan 3.0, 15 s, mit Ton, 300 Credits, erstellt auf Wan, Eingabebild mit GPT Image 2.5 erstellt
“Handheld shot on a rainy night market street. The woman with the bicycle turns her head to the camera and says: ‘I know a better place for noodles.’ Rain keeps falling, people with umbrellas walk past behind her, and neon signs reflect on the wet road. Audio: steady rain, distant street chatter, and her voice.”Wan 3.0, Bild-zu-Video, 5 s, mit Ton, 100 Credits, erstellt auf Wan, Eingabebild mit GPT Image 2.5 erstellt
“The harbour fish market mid-morning, in one continuous walking take past the stalls: crushed ice heaped with silver fish, a monger's gloved hands sliding a whole fish onto paper, a customer pointing, the camera moving through steam and shouted orders without a cut. Documentary handheld 35mm, natural and practical light only, shallow depth of field, fine 35mm film grain, muted teal and amber grade, no on-screen text. Sound: overlapping shouted prices, ice being shovelled, paper tearing, wet slap of fish on the counter, gulls in the rafters.”Wan 3.0, 5 s, mit Ton, 100 Credits, erstellt auf Wan
“I2V: A time-lapse of a mountain landscape transitioning from a vast, starry night to a vibrant dawn. Voiceover: A deep, serene male voice says: 'In the vast silence of the cosmos, our world is but a fleeting moment. Yet, within it, life defiantly thrives.'”Wan 3.0, Bild-zu-Video, 10 s, mit Ton, 200 Credits, Eingabebild mit GPT Image 2.5 erstellt
Was du mit Wan 3.0 erstellen kannst
Zu jedem Beispiel gibt es die Einstellungen und den Prompt, mit denen wir starten würden, und den Preis. Übernimm es direkt oder pass es an.
erstellt auf Wan
30 Sekunden in einer Einstellung
Ein Steadicam-Gang durch das Außengelände eines Filmstudios bei Nacht, eine Einstellung über die vollen 30 Sekunden, am Ende mit der Kranfahrt nach oben, die der Prompt verlangt. Der Prompt stammt aus einer veröffentlichten Anleitung zu Wan 3, wo er mit der schnelleren Prime-Version lief; hier ist es das Standardmodell. Ein Moment fiel anders aus: Der schlafende Beleuchter erscheint auf einem Handydisplay statt in der Szene.
Text-zu-Video
1080p
30 s
mit Ton
16:9
“One unbroken thirty-second Steadicam move through a working film studio backlot at two in the morning. No cuts anywhere in the take. 0 to 6s: the camera walks out of a scene dock past stacked flats and a rail of period costume, catching a grip taping down a cable run, then pushes through hanging plastic sheeting into open air. 6 to 14s: it crosses a New York street standing set with the rain machines at full pressure, water sheeting off fire escapes and pooling in the gutters, a stunt performer in a soaked overcoat waiting on her mark while a focus puller measures to her face. 14 to 22s: it turns left down a service alley between two sound stages, past a catering truck with its shutter half down and an electrician asleep in a folding chair, the rain noise falling away behind the wall. 22 to 30s: it comes out onto the lot road, cranes up over a parked camera truck and holds on the whole backlot under sodium light, rain still falling on one street and nowhere else. Anamorphic, sodium and mercury practicals, deep blacks, fine film grain. Sound: rain machines roaring then dropping off, a radio crackle, boots on wet asphalt, a generator running under everything, no music.”
Tipp: Schreib „No cuts anywhere in the take“ und gib jedem Teil des Wegs einen eigenen Zeitabschnitt.
1.200 Credits
erstellt auf Wan
Erst ein Satz, dann Flammen
Er sagt den Satz wie geschrieben, dann schlagen große Flammen aus dem Wok. Der Prompt stammt aus Kreas Test Seedance 2.5 gegen Wan 3.0, in dem ebenfalls Wan 3.0 die Flammen lieferte und Seedance nicht. Die Schilder hinter ihm zeigen erfundene Schrift. Denselben Prompt siehst du auch auf der Seite zu MiniMax H3.
Text-zu-Video
720p
8 s
mit Ton
16:9
“Medium close-up, 50mm. A night-market noodle vendor in a white apron stands behind a steaming wok under bare hanging bulbs. He looks into the camera and says: "Thirty years. Same pan, same recipe." Then he tosses the noodles high and flames jump up from the wok. Camera: gentle living handheld that barely breathes, slight push-in. Audio: his voice, sizzling oil, crowd chatter, distant scooters. Photorealistic, warm practical light.”
Tipp: Setz den Satz früh in den Clip und die große Aktion danach („first …, only then …“).
160 Credits
erstellt auf Wan
Eine stilisierte 3D-Geschichte in 20 Sekunden
Jeder Moment aus Alibabas eigenem Beispiel-Prompt ist da, im Look von Plüschfiguren. Der Prompt verlangt Ultra-Breitbild; Wan 3.0 bietet kein 21:9, deshalb ist dieser Clip in 16:9. Bei etwa 3,5 bis 4 Sekunden wird die Bewegung kurz hektisch.
Text-zu-Video
720p
20 s
mit Ton
16:9
“A 20-second ultra-widescreen plush universe adventure clip, featuring ultra-fine plush textures throughout, cinematic space scale, a contrast between cute appearances and intense action, exaggerated FPV camera movements, and realistic soft-body physics. A spaceship made of plush fabric, buttons, zippers, and stuffing cotton carries three small plush animals — a rabbit, a fox, and a crow — fleeing at high speed through a universe composed of giant yarn planets, fluffy nebulae, and puppet giant beasts. A massive interstellar whale beast covered in deep blue long fur with eyes like two glass buttons chases the ship from within the nebula. The dynamics include the zipper ship launching via catapult, high-speed orbiting around a yarn planet, the giant whale bursting out from behind, navigating through a button asteroid belt, being swallowed by the whale beast, escaping through a golden zipper on its back, the whale slowly deflating as if losing its stuffing cotton, and finally flying through a pink-purple fluffy nebula toward a colorful button sun.”
Tipp: Nenn bei langen stilisierten Clips das Material einmal am Anfang („ultra-fine plush textures“); es hält dann über die ganze Länge.
400 Credits
erstellt auf Wan
Eine Kamerafahrt auf ein Produkt
Eine langsame Fahrt auf eine Vase in einem sonnigen Raum zu, in einer Einstellung – etwa für die Startseite eines Etsy-Shops. Der Prompt stammt aus Fusers Test Wan 3.0 gegen Seedance 2.5, dort mit 6 Sekunden; hier läuft er mit 5.
Text-zu-Video
720p
5 s
mit Ton
16:9
“Slow dolly-in on a matte terracotta vase standing on a travertine plinth in a sunlit plaster room. Late-afternoon light slides slowly across the wall as dust drifts through the beam. Calm, premium product film, shallow depth of field. Audio: soft room tone and a faint breeze.”
Tipp: Eine Kamerabewegung pro Clip, mit Tempo: „slow dolly-in“.
100 Credits
erstellt auf Wan
Ein Produktvideo im Hochformat (überarbeiteter Prompt)
Dieser Prompt ist unsere Überarbeitung eines Prompts aus einer veröffentlichten Anleitung zu Wan 3. In der Originalfassung zeigte das Zifferblatt beim ersten Versuch eine echte Uhrenmarke, und beim zweiten glitten die Finger durch die Uhr, als die Hand sie anhob. Wir haben vier Dinge geändert: „unbranded“, ein schlichtes Zifferblatt, eine Hand, die die Lünette dreht, ohne die Uhr anzuheben, und eine letzte Zeile, die Logos und Text ausschließt. Dieser Take hat ein schlichtes graues Zifferblatt und keinen Fehler, aber auf der Lünette stehen noch Zahlen, die der Prompt weglassen wollte.
Text-zu-Video
1080p
10 s
mit Ton
9:16
“A ten-second vertical spot for an unbranded titanium dive watch, no dialogue. The watch lies face up on wet black slate in a dark room, a single hard key raking across it from the left so the brushed case and the polished lugs read as two different metals. The dial is plain matte slate-grey with luminous dot markers only. A hand in a rolled navy sleeve enters from the bottom of frame and, without lifting the watch, turns the bezel one full rotation so every detent is visible against the lume. The camera pushes from a wide macro into a tight macro on the dial as the rotation finishes, then holds. Water beads slide off the crystal and off the edge of the slate. Sound: the bezel clicking through its detents, water running off stone, a low room tone, no music. No logos, no brand names, no text or numbers anywhere on the watch.”
Tipp: Lass Hände kleine Produkte nicht hochheben: Drehen, Antippen oder Zeigen verbirgt den Kontakt, den das Modell falsch darstellt.
400 Credits
erstellt auf Wan, Eingabebild mit GPT Image 2.5 erstellt
Ein Model-Swatch aus einem einzigen Produktfoto (überarbeiteter Prompt)
Referenz-zu-Video aus einem einzigen Packshot (erstellt mit GPT Image 2.5): Ein Model hält den Lipgloss hoch, trägt ihn auf, und die Kamera fährt an ihre Lippen heran; die Tube entspricht dem Bild. Alibabas einzeiliger Beispiel-Prompt brachte uns zweimal kein Model und eine zusätzliche Szene, also haben wir ihn nach der Formel aus Alibabas Prompt-Anleitung zu Wan 3.0 umgeschrieben: eine durchgehende Einstellung, zeitlich gesetzte Momente, das Bild mit Nummer, Ton und was wegbleiben soll. Nach der Nahaufnahme fährt die Kamera wieder zurück, und am Ende hält sie die verschlossene Tube.
Referenz-zu-Video
720p
15 s
mit Ton
9:16
“One continuous shot. A 15-second vertical lip swatch video for the lip gloss in Image 1. A young woman with natural makeup and dark hair tied back faces the camera, framed from the shoulders up, in soft window daylight against a plain warm-beige wall. 0-5s: she holds the lip gloss from Image 1 up beside her face. 5-10s: she takes off the cap and glides the applicator across her lips once, leaving a glossy rose-pink colour. 10-15s: the camera slowly pushes in to a close-up of her lips as she smiles slightly and the gloss catches the light. Keep the lip gloss exactly as in Image 1: clear tube, rose-pink gloss, plain silver cap, no text. Sound: soft room tone, the faint click of the cap. No dialogue, no BGM. No subtitles, no logos, no text.”
Tipp: Nenn dein Produkt „the lip gloss in Image 1“ und sag, was sich nicht ändern darf: Farbe, Kappe, kein Text.
300 Credits
erstellt auf Wan, Eingabebild mit GPT Image 2.5 erstellt
Ein Foto einer Person, die spricht
Bild-zu-Video: Sie dreht den Kopf zur Kamera und sagt ihren Satz, im Bildausschnitt des Startbilds, während hinter ihr Menschen mit Regenschirmen vorbeigehen. Der Prompt stammt aus Fusers Test Wan 3.0 gegen Seedance 2.5, in dem Seedance 2.5 das Foto als mögliche echte Person abgelehnt hat. Das Startbild haben wir selbst mit GPT Image 2.5 erstellt.
Bild-zu-Video
720p
5 s
mit Ton
16:9
“Handheld shot on a rainy night market street. The woman with the bicycle turns her head to the camera and says: ‘I know a better place for noodles.’ Rain keeps falling, people with umbrellas walk past behind her, and neon signs reflect on the wet road. Audio: steady rain, distant street chatter, and her voice.”
Tipp: Beschreib die Bewegung und den Satz; Person, Straße und Licht legt das Foto schon fest.
100 Credits
erstellt auf Wan
Ein Gang wie in einer Doku
Ein Gang mit der Handkamera an den Fischständen vorbei, in einer Einstellung, mit den Geräuschen des Markts aus demselben Durchgang. Der Prompt ist ein veröffentlichter Showcase-Prompt für Wan 3.
Text-zu-Video
720p
5 s
mit Ton
16:9
“The harbour fish market mid-morning, in one continuous walking take past the stalls: crushed ice heaped with silver fish, a monger's gloved hands sliding a whole fish onto paper, a customer pointing, the camera moving through steam and shouted orders without a cut. Documentary handheld 35mm, natural and practical light only, shallow depth of field, fine 35mm film grain, muted teal and amber grade, no on-screen text. Sound: overlapping shouted prices, ice being shovelled, paper tearing, wet slap of fish on the counter, gulls in the rafters.”
Tipp: Für einen Doku-Look nenn die Kamera („handheld walking take“) und zwei oder drei Dinge, an denen sie vorbeikommt, in der richtigen Reihenfolge.
100 Credits
Was Wan 3.0 auszeichnet
Eine ganze Szene in einer Generierung
Bis zu 30 Sekunden in einem Durchgang; laut Alibaba hören gängige Videogeneratoren, Wan 2.7 eingeschlossen, bei 15 auf. Figuren und Kulissen halten über die ganze Länge; worauf du achten musst, ist ein ungebetener Schnitt.
So nutzt du es: Schreib „One continuous shot“ in die erste Zeile, wenn du eine Einstellung willst. Für eine Abfolge gibst du jeder Einstellung einen eigenen Zeitabschnitt von je 2 bis 5 Sekunden, lückenlos aneinandergereiht: „Shot 1 (0-4s): …“.
Gib dem Modell Bilder einer Person, eines Produkts oder eines Orts, und es hält sie in einer neuen Szene fest. Laut Alibaba bleiben Gesichter, Haare, Kleidung und Accessoires bis ins Detail gleich, und Requisiten behalten von Einstellung zu Einstellung ihre Logos und Materialien.
So nutzt du es: Wähl Referenz-zu-Video, lade die Bilder hoch und verweise auf sie mit der Nummer in der Reihenfolge des Hochladens: „The child in Image 1 stands in the entryway of the modern apartment in Image 2“. In Fusers Test folgte die Umgebung dem Hintergrund des Personenfotos – gib dem Ort also ein eigenes Bild, wenn er wichtig ist.
Ton mit dem Bild
Dialog, Soundeffekte und Musik entstehen im selben Durchgang. Alibabas Rat: Beschreib Handlung, Material und Wetter klar, dann ergänzt das Modell die passenden Geräusche.
So nutzt du es: Schreib Sprache als „she says: ‚…‘“, früh in der jeweiligen Einstellung, damit sie nicht abgeschnitten wird. Schreib „No dialogue“ oder „No BGM, generate only ambient and action sounds“, wenn du das nicht willst; sonst entscheidet das Modell.
Gleicher Preis: 100 Credits (720p, 5 s)
Was Wan 3.0 gut kann – und wo es an Grenzen stößt
Stärken
Bis zu 30 Sekunden in einer Generierung. In der Auswertung von Atlas Cloud mit 49 Durchgängen tauschte in keinem der neun 30-Sekunden-Clips eine Figur Gesicht, Outfit oder Kulisse.
Hält sich wörtlich an den Prompt: In den Tests von Krea und Fuser mit identischen Prompts gegen Seedance 2.5 erfasste es Details, die das andere Modell verpasste – Flammen, die aus einem Wok schlagen, Staub in einem Lichtstrahl, Hände, die im Bild bleiben, während ein Töpfer spricht.
Zeitlich gesetzte Schnitte sitzen: Fuser verlangte Schnitte bei 3 und 6 Sekunden und bekam sie bis auf ein Einzelbild genau.
Animiert Fotos von Menschen: In Fusers Test erweckte es ein fotorealistisches Startbild zum Leben, das Seedance 2.5 abgelehnt hatte.
In den Ranglisten von Artificial Analysis für Videos mit Ton lag es im Oktober 2026 bei Text-zu-Video und bei der Videobearbeitung auf Platz 1.
Grenzen
Es kann unaufgefordert in einen anderen Blickwinkel schneiden oder überblenden, vor allem in langen Clips; Krea bekam trotz „no cuts“ bei 13,6 Sekunden einen harten Schnitt. Beginn den Prompt mit „One continuous shot“ und prüf den Take.
Bewegungsrichtung und Reihenfolge können verrutschen: Krea verlangte eine Fahrt von links nach rechts, stattdessen kam der Skateboarder auf die Kamera zu. Schreib die Reihenfolge aus („first …, only then …“).
Widersprechen sich Bild und Prompt, gewinnt das Bild.
Kleine Schrift und Etiketten im Bild können verstümmelt oder spiegelverkehrt herauskommen. Alibaba räumt selbst ein, dass Textdarstellung und Klangtextur noch nicht da sind, wo das Unternehmen sie haben will.
Der Ton ist laut abgemischt: Krea hat 9 bis 14 dB mehr gemessen als bei Seedance 2.5, du wirst ihn im Schnitt also vermutlich leiser drehen.
Bis 1080p, kein 4K. Videobearbeitung und Dokumente als Eingabe gibt es auf Alibabas eigener Plattform, auf zzo.ai aber nicht.
Schritt für Schritt zu einem guten ersten Ergebnis mit Wan 3.0
Günstig entwerfen, in hoher Qualität fertigstellen. Jeder Schritt zeigt Einstellungen und Kosten.
1
Die Einstellung in 480p finden
Probier die Idee in der niedrigsten Auflösung und mit kurzer Länge aus. Ändere immer nur eine Sache.
480p
5 s
mit Ton
16:9
3 Durchgänge × 50 = 150 Credits
2
Die volle Länge in 720p
Schreib die zeitlich gesetzten Einstellungen und generiere die Länge, die du brauchst. Prüf lange Takes auf Schnitte, bevor du weitermachst.
720p
15 s
mit Ton
16:9
300 Credits
3
Die finale Fassung in 1080p
Für die finale Fassung und große Bildschirme. Jeder Durchgang ist ein neuer Take, rechne also mit kleinen Abweichungen vom Entwurf.
1080p
15 s
mit Ton
16:9
600 Credits
Rund 1.050 Credits (10,50 $ zum Standardpreis) für das ganze Projekt. Fehlgeschlagene Durchgänge bekommst du zurück, sie zählen also nicht mit.
Die Einstellungen erklärt
Was jede Option bewirkt und wie sie sich auf den Preis auswirkt.
Modi
Text-zu-Video startet mit deinen Worten. Bild-zu-Video nimmt dein Foto als Startbild und behält sein Format; beschreib die Bewegung, nicht das Bild. Referenz-zu-Video nutzt deine Bilder, um eine Person, ein Produkt oder einen Ort gleich zu halten.
Gleicher Preis: 100 Credits (720p, 5 s)
Auflösung
480p für Entwürfe, 720p für die meisten Social-Media-Posts, 1080p für die finale Fassung. Jede Stufe nach oben verdoppelt den Preis pro Sekunde.
480p: 50 · 720p: 100 · 1080p: 200 Credits (5 s)
Videolänge
Hier 5 bis 30 Sekunden. Der Preis steigt mit der Länge. In langen Clips passieren die ungebetenen Schnitte, schreib also „One continuous shot“ oder gib jedem Moment eine Zeit.
5 s: 100 · 30 s: 600 Credits (720p)
Ton
Standardmäßig an, ohne Aufpreis. Schalte ihn aus, wenn du eigene Musik oder einen Sprechertext darunterlegst.
Gleicher Preis: 100 Credits (720p, 5 s)
Seitenverhältnisse
16:9 für das Web und YouTube, 9:16 im Hochformat für Reels, TikTok und Shorts, 1:1, 4:3 und 3:4 für Feeds und Produktbilder. Bei Bild-zu-Video gilt das Format deines Fotos.
16:9, 9:16, 1:1, 4:3, 3:4 · kein Preisunterschied
Wan 3.0: technische Daten
Aktualisiert am 28. Oktober 2026
Entwickler
Alibaba
Veröffentlicht
2026-08-06
Typ
Video
Modi
Text-zu-Video, Bild-zu-Video, Referenz-zu-Video
Videolänge
5–30s
Auflösung
480p, 720p, 1080p
Ton
Optional (an/aus)
Seitenverhältnisse
16:9, 9:16, 1:1, 4:3, 3:4
Kommerzielle Nutzung
Erlaubt, gemäß unseren Bedingungen
Fehlgeschlagene Generierungen
Credits automatisch zurück
Preis ab
50 (0,50 $)
Wan 3.0: Preis pro Generierung
Credits werden erst abgebucht, wenn eine Generierung startet, und bei einem Fehlschlag zurückgebucht. Die kleinste Option kostet 50 Credits.
Alibabas Prompt-Anleitung für Wan 3.0 setzt einen Prompt aus Teilen zusammen: eine Gesamtbeschreibung, die Referenzbilder mit Nummer, die Einstellungen mit ihren Zeiten, Dialog, Ton, Stil und eine kurze Liste dessen, was wegbleiben soll. Ein Satz reicht für ein Video, aber je genauer die Beschreibung, desto näher kommt das Ergebnis.
Reih die Zeiten der Einstellungen aneinander, je 2 bis 5 Sekunden, ohne Lücken oder Überschneidungen: „Shot 1 (0-3s): …, Shot 2 (3-6s): …“.
Verlang eine Einstellung in der ersten Zeile: „One continuous shot“. Für eine Kamera, die sich nicht bewegt: „Fixed shot, camera static, position unchanged“.
Schreib Sprache als „he says: ‚…‘“ und schreib „No dialogue“, wenn niemand sprechen soll; sonst entscheidet das Modell.
Halt die Verneinungen kurz: nur das, was du nicht willst, etwa „No subtitles, No watermark, No extra brand names“. Wiederhol nicht, was der Prompt schon sagt.
Vermeide schnelle Wiederholungen, die das Modell nicht steuern kann, etwa „shaking head 3 times per second“.
Mit einem Startbild beschreibst du Bewegung, Handlung, Dialog und Kamera; Motiv und Szene legt das Bild schon fest.
Wenn ein Ergebnis danebengeht
Die typischen Probleme mit Wan 3.0, woher sie kommen und was du ändern solltest.
Der Clip schneidet in einen anderen Blickwinkel
Ursache: Wan 3.0 kann Schnitte oder Überblendungen einfügen, vor allem in langen Clips.
Lösung: Schreib „One continuous shot“ in die erste Zeile, wie Alibabas Anleitung rät, halt die Handlung an einem Ort und lass den Clip bei Bedarf noch einmal laufen.
Dinge passieren in der falschen Reihenfolge oder Richtung
Ursache: Tester sahen, wie sich Ereignisse überlagerten und ein Skateboarder in die falsche Richtung fuhr.
Lösung: Schreib die Reihenfolge („first …, only then …“) und die Richtung („moves from left to right across the frame“) in klaren Worten.
Eine Requisite ändert zwischen zwei Einstellungen ihre Form
Ursache: Fuser sah, wie sich ein Topf zwischen Nahaufnahme und halbnaher Einstellung veränderte.
Lösung: Beschreib jede Requisite, die gleich bleiben muss, so sorgfältig wie die Person, und nenn sie in jeder Einstellung erneut.
Die Umgebung passt nicht zu deiner Beschreibung
Ursache: Bei Referenz-zu-Video kann die Szene stattdessen dem Hintergrund des Personenfotos folgen.
Lösung: Lade ein eigenes Bild des Orts hoch und verweise mit seiner Nummer darauf.
Ein gesprochener Satz wird abgeschnitten
Ursache: Ein Satz spät in der letzten Einstellung hat wenig Zeit, zu Ende zu kommen.
Lösung: Setz den Dialog früh in seine Einstellung oder gib dem Clip ein paar Sekunden mehr.
Kleine Schrift ist verstümmelt oder spiegelverkehrt
Ursache: Laut Alibaba ist die Schrift im Bild noch nicht ausgereift.
Lösung: Halt Text kurz und groß oder füg ihn im Schnittprogramm hinzu.
Die Anfrage wurde abgelehnt oder die Generierung ist fehlgeschlagen
Ursache: Alibabas Inhaltsprüfung hat die Eingabe oder das Ergebnis blockiert, oder das Modell hat einen Fehler zurückgegeben.
Lösung: Es wird nichts berechnet: Die Credits gehen zurück auf dein Guthaben. Formulier den Prompt um oder nimm ein anderes Bild.
Wan 3.0 vs. Wan 2.7
Wan 3.0 ist das erste Wan-Modell mit Clips bis 30 Sekunden. Alibaba verweist auf lebensechtere, vielfältigere Gesichter und eine feinere Konsistenz von Figuren und Requisiten. Anders als Wan 2.1 und 2.2 hat es keine offenen Gewichte.
Bis zu 30 Sekunden in einer Generierung; Wan 2.7 hörte bei 15 auf.
Lebensechtere, vielfältigere Gesichter: Laut Alibaba ist das Modell auf unterschiedliche, lebensnahe Gesichter ausgelegt statt auf den glatten, austauschbaren Look typischer KI-Figuren.
Figuren und Requisiten bleiben über mehrere Einstellungen bis ins Detail gleich.
Dokumente und Webseiten als Eingabe sowie Videobearbeitung auf Alibabas eigener Plattform. zzo.ai bietet Text-zu-Video, Bild-zu-Video und Referenz-zu-Video.
Keine offenen Gewichte: Das Modell gibt es nur gehostet.
Ein 5-Sekunden-Video in 720p mit Ton kostet mit Wan 3.0 auf zzo.ai 100 Credits (1,00 $). Kein Abo: Du kaufst Credits einmal, und sie verfallen nicht. Je nach Auflösung und Länge kostet eine Generierung 50 bis 1.200 Credits (0,50 $ bis 12,00 $ zum Standardpreis). Mit dem Paket für 199,99 $ ab 0,45 $. Schlägt eine Generierung fehl, bekommst du die Credits automatisch zurück.
Brauche ich ein Abo, um Wan 3.0 zu nutzen?
Nein. zzo.ai hat kein Abo: Du kaufst einmal ein Credit-Paket und nutzt es für Wan 3.0 oder jedes andere Modell. Deine Credits verfallen nicht.
Wie lang und in welcher Auflösung kann Wan 3.0 Videos erstellen?
Auf zzo.ai erstellt Wan 3.0 Videos von 5 bis 30 Sekunden in 480p, 720p, 1080p, in den Seitenverhältnissen 16:9, 9:16, 1:1, 4:3, 3:4.
Was kostet ein 10-Sekunden-Video mit Wan 3.0?
Ein 10-Sekunden-Video in 720p mit Ton kostet 200 Credits: 2,00 $ zum Standardpreis oder 1,82 $ mit dem Paket für 199,99 $. Ein Abo gibt es nicht.
Kann ich Wan 3.0 per API oder in Claude nutzen?
Ja. Erstelle in den Einstellungen einen API-Schlüssel und nutze Wan 3.0 dann über den MCP-Server von zzo.ai in Claude, Cursor oder deinem eigenen Code. Abgerechnet wird über dasselbe Guthaben zu denselben Preisen wie auf der Website.
Was ist Wan 3.0?
Wan 3.0 ist das Videomodell von Alibaba, seit dem 6. August 2026 als öffentliche Beta und seit dem 24. August 2026 allgemein verfügbar. Es erzeugt Clips bis 30 Sekunden in bis zu 1080p mit Ton, aus Text, einem Foto oder Referenzbildern.
Von welchem Unternehmen kommt Wan 3.0, und was passiert mit meinen Daten?
Wan 3.0 wird vom chinesischen Konzern Alibaba entwickelt. zzo.ai gehört nicht zu Alibaba und ist kein offizielles Angebot des Herstellers, sondern eine unabhängige Website, auf der du mehrere Video- und Bildmodelle mit denselben Credits nutzt. Für die Generierung werden dein Prompt und hochgeladene Bilder an den Anbieter gesendet, der das Modell ausführt, und von dort an den Entwickler des Modells weitergegeben; dafür gelten deren eigene Bedingungen und Datenschutzerklärungen. Außerdem gehen Prompts, Bilder und Ergebnisse an die Moderations-API von OpenAI, die sie anhand unserer Nutzungsrichtlinie prüft. Mehr dazu steht in unserer Datenschutzerklärung.
Ist Wan 3.0 Open Source? Kann ich es lokal ausführen?
Nein. Alibaba bietet Wan 3.0 nur als gehostetes Modell an und hat keine Gewichte veröffentlicht; die offenen Wan-Modelle auf Hugging Face stammen aus der 2.x-Reihe. Wan 3.0 nutzt du also online, zum Beispiel hier – ohne eigene Grafikkarte, direkt im Browser.
Was ist neu gegenüber Wan 2.2 und Wan 2.7?
Wan 3.0 ist das erste Wan-Modell mit Clips bis 30 Sekunden; bei Wan 2.7 war nach 15 Sekunden Schluss. Laut Alibaba sind die Gesichter lebensechter und vielfältiger, und Figuren und Requisiten bleiben bis ins Detail gleich. Anders als Wan 2.1 und 2.2 gibt es keine offenen Gewichte. Mehr dazu weiter unten bei den Versionen.
Kann ich Wan 3.0 in Deutschland nutzen?
Ja. zzo.ai läuft direkt im Browser, ohne Installation. Laut unseren Nutzungsbedingungen ist der Dienst nur in Festlandchina, Hongkong und Macau nicht verfügbar. Du brauchst ein Konto und ein Credit-Paket.
Wan 3.0 oder Seedance 2.5 – welches Modell passt besser?
Nimm Wan 3.0, wenn der Prompt wörtlich umgesetzt werden soll, wenn du ein Foto einer Person animieren willst oder wenn dir ein niedrigerer Preis pro Sekunde wichtig ist. Nimm Seedance 2.5, wenn es vor allem auf eine Einstellung ohne Schnitt, eine exakte Bewegungsrichtung oder einen ruhigeren, filmischen Ton ankommt. In Fusers fünf Tests mit identischen Eingaben (2. Oktober 2026) gewann Wan 3.0 dreimal, einmal gab es ein Unentschieden.
Versteht Wan 3.0 deutsche Prompts?
Laut Alibabas API-Dokumentation versteht Wan 3.0 Prompts auf Chinesisch und Englisch; Deutsch wird dort nicht genannt. Deutsche Prompts haben wir auf zzo.ai nicht getestet. Schreib deinen Prompt deshalb lieber auf Englisch.
Erzeugt Wan 3.0 auch Ton?
Ja. Sprache, Soundeffekte und Musik entstehen zusammen mit dem Bild. Du kannst den Ton ausschalten; der Preis bleibt in beiden Fällen gleich.
Warum schneidet mein Video mit Wan 3.0 in eine andere Einstellung?
Wan 3.0 fügt manchmal Schnitte oder Überblendungen ein, um die niemand gebeten hat, häufiger in langen Clips. Beginn den Prompt mit „One continuous shot“, gib jedem Moment einen Zeitabschnitt und lass ihn bei Bedarf noch einmal laufen.
Warum wurde meine Anfrage abgelehnt?
Alibabas Inhaltsprüfung blockiert sexuelle, gewalttätige und andere unzulässige Eingaben und Ergebnisse sowie mutmaßliche Urheberrechtsverletzungen. Wird eine Anfrage abgelehnt, bekommst du die Credits automatisch zurück.
Was kostet Wan 3.0 in Euro?
Die Preise sind in US-Dollar angegeben und stehen in der Preistabelle auf dieser Seite und auf dem Generieren-Button. Was du in Euro zahlst, hängt vom Wechselkurs deiner Bank oder deines Kartenanbieters ab. Die MwSt. wird an der Kasse berechnet und vor dem Bezahlen angezeigt.
Darf ich Videos von Wan 3.0 kommerziell nutzen?
Ja. Videos, die du auf zzo.ai generierst, darfst du verwenden, auch kommerziell – solange der Inhalt nicht gegen unsere Nutzungsbedingungen oder die Rechte anderer verstößt.
