En zzo.ai, un clip de 5 segundos en 720p con audio y Wan 3.0 cuesta 100 créditos (USD 1.00). Sin suscripción: compras créditos una vez y no vencen.
Wan 3.0 es el modelo de video con IA de Alibaba, en beta pública desde el 6 de agosto de 2026 y disponible para todos desde el 24 de agosto. Crea clips de hasta 30 segundos y hasta 1080p con audio, a partir de texto, una foto o imágenes de referencia. No es de código abierto: Alibaba solo lo ofrece como modelo alojado en la nube. zzo.ai no es el sitio oficial de Wan 3.0: es un sitio independiente donde lo usas en el navegador.
Clips de 5 a 30 s
Hasta 1080p
Audio activable
Prompt de este video. Edítalo o escribe el tuyo.
Hecho con Wan 3.0
Cada uno muestra el prompt, el modelo y lo que cuesta aquí. Elige uno para empezar a partir de él.
“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, con audio, 1,200 créditos, hecho en 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, con audio, 160 créditos, hecho en 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, con audio, 400 créditos, hecho en 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, con audio, 100 créditos, hecho en 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, con audio, 400 créditos, hecho en 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, con audio, 300 créditos, hecho en Wan, imagen de entrada hecha con GPT Image 2.5
“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, foto a video, 5 s, con audio, 100 créditos, hecho en Wan, imagen de entrada hecha con GPT Image 2.5
“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, con audio, 100 créditos, hecho en 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, foto a video, 10 s, con audio, 200 créditos, imagen de entrada hecha con GPT Image 2.5
Qué puedes crear con Wan 3.0
Cada uno trae la configuración y el prompt con los que empezaríamos, y lo que cuesta. Úsalo tal cual o edítalo.
hecho en Wan
Una sola toma de 30 segundos
Un recorrido con Steadicam por un set de cine de noche, en una sola toma durante los 30 segundos, que termina con la subida en grúa que pide el prompt. El prompt es de una guía publicada de Wan 3, donde se usó con la versión Prime, más rápida; este es el modelo estándar. Un momento salió distinto: el electricista dormido aparece en la pantalla de un teléfono en lugar de en la escena.
Texto a video
1080p
30 s
con audio
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.”
Consejo: Escribe “No cuts anywhere in the take” y dale a cada parte del recorrido su propio tramo de tiempo.
1,200 créditos
hecho en Wan
Una frase hablada y luego llamas
Dice la frase tal como está escrita y luego el wok se enciende con grandes llamas. El prompt es de la prueba de Krea entre Seedance 2.5 y Wan 3.0, donde Wan 3.0 también logró las llamas y Seedance no. Los letreros detrás de él son letras inventadas. La página de MiniMax H3 muestra el mismo prompt.
Texto a video
720p
8 s
con audio
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.”
Consejo: Pon la frase al principio del clip y la acción grande después (“first …, only then …”).
160 créditos
hecho en Wan
Una historia 3D estilizada en 20 segundos
Están todos los momentos del prompt de ejemplo de la propia Alibaba, con un look de peluche. El prompt pide pantalla ultra ancha; Wan 3.0 no ofrece 21:9, así que este es 16:9. El movimiento se acelera por un momento, entre los 3.5 y los 4 segundos.
Texto a video
720p
20 s
con audio
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.”
Consejo: En clips largos y estilizados, nombra el material (“ultra-fine plush textures”) una vez al principio; se mantiene durante toda la duración.
400 créditos
hecho en Wan
Un acercamiento a un producto
Un acercamiento lento a un jarrón en una habitación con sol, en una sola toma. El prompt es de la prueba de Fuser entre Wan 3.0 y Seedance 2.5, que lo generó a 6 segundos; aquí dura 5.
Texto a video
720p
5 s
con audio
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.”
Consejo: Un movimiento de cámara por clip, con su velocidad: “slow dolly-in”.
100 créditos
hecho en Wan
Un anuncio vertical de producto (prompt reescrito)
Este prompt es nuestra versión de uno de una guía publicada de Wan 3. Tal como se publicó, en la primera toma nos dio una marca de relojes real en la carátula, y en la segunda los dedos atravesaban el reloj al levantarlo. Cambiamos cuatro cosas: “unbranded”, una carátula lisa, una mano que gira el bisel sin levantar el reloj y una última línea que pide no poner logos ni texto. Esta toma tiene una carátula gris lisa y ningún error, pero el bisel todavía lleva números, que el prompt pedía quitar.
Texto a video
1080p
10 s
con audio
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.”
Consejo: Evita que las manos levanten productos pequeños: girar, tocar o señalar esconde el contacto que el modelo hace mal.
400 créditos
hecho en Wan, imagen de entrada hecha con GPT Image 2.5
Una modelo probándose el producto, desde una sola foto (prompt reescrito)
Referencia a video desde una sola foto de producto (hecha con GPT Image 2.5): una modelo muestra el brillo labial, se lo aplica y la cámara se acerca a sus labios, con el tubo igual al de la imagen. El prompt de ejemplo de una línea de Alibaba nos dio dos veces una escena sin modelo y con una escena de más, así que lo reescribimos con la fórmula de la guía de prompts de Wan 3.0 de Alibaba: una toma continua, momentos con tiempo, la imagen por número, el sonido y lo que se debe evitar. Después del primer plano la cámara se vuelve a alejar, y ella termina con el tubo cerrado en la mano.
Referencia a video
720p
15 s
con audio
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.”
Consejo: Nombra tu producto como “the lip gloss in Image 1” y di qué no debe cambiar: color, tapa, sin texto.
300 créditos
hecho en Wan, imagen de entrada hecha con GPT Image 2.5
La foto de una persona, hablando
Imagen a video: ella gira la cabeza hacia la cámara y dice su frase, en el encuadre de la imagen inicial, mientras pasan personas con paraguas detrás. El prompt es de la prueba de Fuser entre Wan 3.0 y Seedance 2.5, donde Seedance 2.5 rechazó la foto por ser posiblemente de una persona real. La imagen inicial es nuestra, hecha con GPT Image 2.5.
Imagen a video
720p
5 s
con audio
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.”
Consejo: Describe el movimiento y la frase; la foto ya define a la persona, la calle y la luz.
100 créditos
hecho en Wan
Un recorrido estilo documental
Un recorrido con cámara en mano por los puestos de pescado en una sola toma, con los sonidos del mercado en la misma pasada. El prompt es uno de los prompts de muestra publicados de Wan 3.
Texto a video
720p
5 s
con audio
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.”
Consejo: Para un toque documental, nombra la cámara (“handheld walking take”) y dos o tres cosas por las que pasa, en orden.
100 créditos
Qué distingue a Wan 3.0
Una escena completa en una generación
Hasta 30 segundos en una sola pasada; Alibaba señala que los generadores de video más usados, Wan 2.7 incluido, se quedan en 15. Los personajes y los escenarios se mantienen durante toda la duración; lo que hay que vigilar es un corte que nadie pidió.
Cómo usarlo: Escribe “One continuous shot” en la primera línea si quieres una sola toma. Para una secuencia, dale a cada plano su propio tramo de tiempo, de 2 a 5 segundos cada uno, uno tras otro: “Shot 1 (0-4s): …”.
Personajes y productos desde imágenes de referencia
Dale imágenes de una persona, un producto o un lugar y los mantiene en una escena nueva. Alibaba dice que los rostros, el cabello, la ropa y los accesorios se mantienen iguales con mucho detalle, y que los objetos conservan sus logos y materiales de un plano a otro.
Cómo usarlo: Elige Referencia a video, sube las imágenes y nómbralas por número en el orden en que las subiste: “The child in Image 1 stands in the entryway of the modern apartment in Image 2”. En la prueba de Fuser el escenario siguió el fondo de la foto de la persona, así que dale al lugar su propia imagen si importa.
Sonido con la imagen
Diálogos, efectos y música se generan en la misma pasada. Alibaba recomienda describir con claridad la acción, el material y el clima, y el modelo completa los efectos de sonido que corresponden.
Cómo usarlo: Escribe las voces como “she says: “…””, al principio de su plano para que no se corten. Escribe “No dialogue” o “No BGM, generate only ambient and action sounds” cuando no los quieras; si no, decide el modelo.
Mismo precio: 100 créditos (720p, 5 s)
En qué destaca Wan 3.0 y dónde tiene problemas
Destaca en
Hasta 30 segundos en una sola generación. En la reseña de Atlas Cloud con 49 generaciones, “en las nueve generaciones de 30 segundos, ningún personaje cambió de cara, de ropa ni de escenario”.
Sigue el prompt al pie de la letra: en las pruebas de Krea y de Fuser con el mismo prompt contra Seedance 2.5, captó detalles que el otro pasó por alto, como las llamas que saltan del wok, el polvo en un rayo de luz y las manos a la vista mientras habla un alfarero.
Los planos con tiempo marcado llegan a tiempo: Fuser pidió cortes en los segundos 3 y 6 y los obtuvo con un fotograma de diferencia.
Anima fotos de personas: en la prueba de Fuser animó un fotograma inicial fotorrealista que Seedance 2.5 rechazó.
Quedó en primer lugar en texto a video y en edición de video en las clasificaciones con audio de Artificial Analysis, en octubre de 2026.
Límites
Puede cortar a otro ángulo o hacer un fundido sin que lo pidas, sobre todo en clips largos; Krea obtuvo un corte seco a los 13.6 segundos pese a escribir “no cuts”. Empieza el prompt con “One continuous shot” y revisa la toma.
La dirección del movimiento y el orden de los hechos pueden fallar: Krea pidió un recorrido de izquierda a derecha y el ciclista vino hacia la cámara. Escribe el orden (“first …, only then …”).
Cuando la imagen y el prompt no coinciden, se queda con la imagen.
El texto pequeño y las etiquetas pueden salir ilegibles o al revés. La propia Alibaba dice que el texto y la textura del audio “todavía no están donde queremos”.
La mezcla de audio suena fuerte: Krea la midió de 9 a 14 dB por encima de la de Seedance 2.5, así que cuenta con bajarle el volumen al editar.
Hasta 1080p, sin 4K. La edición de video y los documentos como entrada existen en la plataforma de Alibaba, pero no se ofrecen en zzo.ai.
Un buen primer resultado con Wan 3.0, paso a paso
Haz borradores económicos y termina en alta calidad. Cada paso muestra su configuración y su costo.
1
Encuentra el plano en 480p
Prueba la idea a la resolución más baja y con una duración corta. Cambia una sola cosa a la vez.
480p
5 s
con audio
16:9
3 intentos × 50 = 150 créditos
2
Genera la duración completa en 720p
Escribe los planos con su tiempo y genera la duración que necesitas. Revisa que las tomas largas no tengan cortes antes de seguir.
720p
15 s
con audio
16:9
300 créditos
3
Haz la versión final en 1080p
Para versiones finales y pantallas grandes. Cada generación es una toma nueva, así que cuenta con pequeñas diferencias respecto al borrador.
1080p
15 s
con audio
16:9
600 créditos
Unos 1,050 créditos (USD 10.50 al precio estándar) por todo el trabajo. Si un intento falla, te devolvemos los créditos, así que no cuenta.
La configuración, explicada
Qué hace cada opción y cómo cambia el precio.
Modos
Texto a video parte de tus palabras. Imagen a video usa tu foto como fotograma inicial y conserva su forma; describe el movimiento, no la imagen. Referencia a video usa tus imágenes para mantener igual a una persona, un producto o un lugar.
Mismo precio: 100 créditos (720p, 5 s)
Resolución
480p para borradores, 720p para la mayoría de las publicaciones en redes, 1080p para versiones finales. Cada paso hacia arriba duplica el precio por segundo.
480p: 50 · 720p: 100 · 1080p: 200 créditos (5 s)
Duración
De 5 a 30 segundos aquí. El precio sube con la duración. En los clips largos es donde aparecen los cortes no pedidos, así que escribe “One continuous shot” o marca el tiempo de cada momento.
5 s: 100 · 30 s: 600 créditos (720p)
Audio
Activado por defecto, sin costo adicional. Desactívalo si vas a poner tu propia música o voz en off.
Mismo precio: 100 créditos (720p, 5 s)
Relación de aspecto
Horizontal (16:9) para la web y YouTube, vertical (9:16) para Reels, TikTok y Shorts, cuadrado (1:1), 4:3 y 3:4 para el feed y fotos de producto. Imagen a video usa la forma de tu foto.
16:9, 9:16, 1:1, 4:3, 3:4 · sin diferencia de precio
Especificaciones de Wan 3.0
Actualizado el 28 de octubre de 2026
Desarrollador
Alibaba
Lanzamiento
2026-08-06
Tipo
Video
Modos
Texto a video, Imagen a video, Referencia a video
Duración
5–30s
Resolución
480p, 720p, 1080p
Audio
Opcional (sí/no)
Relación de aspecto
16:9, 9:16, 1:1, 4:3, 3:4
Uso comercial
Permitido, según nuestros términos
Generaciones fallidas
Créditos devueltos automáticamente
Desde
50 (USD 0.50)
Precio de Wan 3.0 por generación
Los créditos se descuentan solo cuando empieza una generación, y se devuelven si falla. La opción más económica cuesta 50 créditos.
La guía de prompts de Alibaba para Wan 3.0 arma el prompt por partes: una descripción general, las imágenes de referencia por número, los planos con sus tiempos, el diálogo, el sonido, el estilo y una lista corta de lo que se debe evitar. Una oración basta para obtener un video, pero cuanto más precisa sea la descripción, más se acerca el resultado.
Marca el tiempo de los planos uno tras otro, de 2 a 5 segundos cada uno, sin huecos ni superposiciones: “Shot 1 (0-3s): …, Shot 2 (3-6s): …”.
Pide una sola toma en la primera línea: “One continuous shot”. Para una cámara que no se mueve: “Fixed shot, camera static, position unchanged”.
Escribe las voces como “he says: “…”” y escribe “No dialogue” cuando no deba haber; si no, decide el modelo.
Que las instrucciones negativas sean cortas: solo lo que no quieres, como “No subtitles, No watermark, No extra brand names”. No repitas lo que el prompt ya dice.
Evita repeticiones rápidas que el modelo no puede controlar, como “shaking head 3 times per second”.
Con una imagen como fotograma inicial, describe el movimiento, la historia, el diálogo y la cámara; la imagen ya define al sujeto y la escena.
Cuando un resultado sale mal
Los problemas habituales con Wan 3.0, por qué pasan y qué cambiar.
El clip corta a otro ángulo
Por qué: Wan 3.0 puede meter cortes o fundidos, sobre todo en clips largos.
Solución: Pon “One continuous shot” en la primera línea, como aconseja la guía de Alibaba, mantén la acción en un solo lugar y, si hace falta, genera otra vez.
Las cosas pasan en el orden o la dirección equivocados
Por qué: Quienes lo probaron vieron hechos que se superponían y a un ciclista que iba en la dirección contraria.
Solución: Escribe el orden (“first …, only then …”) y la dirección (“moves from left to right across the frame”) con palabras sencillas.
Un objeto cambia de forma entre planos
Por qué: Fuser vio una vasija que cambió entre el primer plano y el plano medio.
Solución: Describe cualquier objeto que deba coincidir con tanto cuidado como a la persona, y nómbralo otra vez en cada plano.
El escenario no es el que describiste
Por qué: En referencia a video, la escena puede seguir el fondo de la foto de la persona.
Solución: Sube una imagen aparte del lugar y nómbrala por su número.
Una frase hablada se corta
Por qué: Una frase colocada al final del último plano tiene poco espacio para terminar.
Solución: Pon el diálogo al principio de su plano o dale unos segundos más al clip.
El texto pequeño sale ilegible o al revés
Por qué: Según Alibaba, el texto en pantalla todavía está madurando.
Solución: Usa textos cortos y grandes, o agrégalos en un editor.
La solicitud fue rechazada o la generación falló
Por qué: La revisión de contenido de Alibaba bloqueó la entrada o el resultado, o el modelo devolvió un error.
Solución: No se cobra nada: te devolvemos los créditos automáticamente. Cambia las palabras del prompt o prueba con otra imagen.
Wan 3.0 vs Wan 2.7
Wan 3.0 es el primer modelo Wan con clips de 30 segundos. Alibaba destaca rostros más naturales y variados, y una coherencia más fina de personajes y objetos. A diferencia de Wan 2.1 y 2.2, no tiene pesos abiertos.
Hasta 30 segundos en una generación; Wan 2.7 llegaba a 15.
Rostros más naturales y variados: según Alibaba, está “hecho para rostros diversos y naturales, no para el look brillante e intercambiable de los personajes típicos de IA”.
Personajes y objetos que se mantienen iguales con más detalle de un plano a otro.
Documentos y páginas web como entrada, y edición de video, en la plataforma de Alibaba. zzo.ai ofrece texto a video, imagen a video y referencia a video.
Sin pesos abiertos: solo está disponible como modelo alojado.
En zzo.ai, un clip de 5 segundos en 720p con audio y Wan 3.0 cuesta 100 créditos (USD 1.00). Sin suscripción: compras créditos una vez y no vencen. Según la resolución y la duración, una generación cuesta de 50 a 1,200 créditos (de USD 0.50 a USD 12.00 con la tarifa estándar). Desde USD 0.45 con el paquete de USD 199.99. Si una generación falla, te devolvemos los créditos automáticamente.
¿Necesito una suscripción para usar Wan 3.0?
No. zzo.ai no tiene suscripción: compras un paquete de créditos una vez y lo usas en Wan 3.0 o en cualquier otro modelo. Tus créditos no vencen.
¿Cuánto pueden durar los videos de Wan 3.0 y en qué resolución?
En zzo.ai, Wan 3.0 crea clips de 5 a 30 segundos en 480p, 720p, 1080p, con relación de aspecto 16:9, 9:16, 1:1, 4:3, 3:4.
¿Cuánto cuesta un video de 10 segundos con Wan 3.0?
Un clip de 10 segundos en 720p con audio cuesta 200 créditos: USD 2.00 con la tarifa estándar o USD 1.82 con el paquete de USD 199.99. No hay suscripción.
¿Puedo usar Wan 3.0 por API o en Claude?
Sí. Crea una clave de API en Configuración y usa Wan 3.0 desde Claude, Cursor o tu propio código con el servidor MCP de zzo.ai. Usa el mismo saldo con los mismos precios que el sitio web.
¿Qué es Wan 3.0?
Wan 3.0 es el modelo de generación de video de Alibaba, en beta pública desde el 6 de agosto de 2026 y disponible para todos desde el 24 de agosto de 2026. Crea clips de hasta 30 segundos y hasta 1080p con audio, a partir de texto, una foto o imágenes de referencia.
¿Wan 3.0 es de Alibaba? ¿Qué pasa con mis datos?
Sí. Wan 3.0 lo desarrolla Alibaba. zzo.ai no pertenece a Alibaba y no es el sitio oficial de Wan: es un sitio independiente donde usas varios modelos de video e imagen con los mismos créditos. Para generar el video, tu prompt y las imágenes que subas se envían al proveedor que ejecuta el modelo y, desde ahí, al desarrollador del modelo; ellos los tratan según sus propios términos y políticas de privacidad. Además, la API de moderación de OpenAI revisa los prompts, las imágenes y los resultados según nuestra política de uso aceptable. Los detalles están en nuestro aviso de privacidad.
¿Wan 3.0 es open source? ¿Puedo usarlo en local?
No. Alibaba solo ofrece Wan 3.0 como modelo alojado y no ha publicado sus pesos; los modelos Wan abiertos de Hugging Face son de la generación 2.x. Para usar Wan 3.0 lo ejecutas en línea, por ejemplo aquí, en el navegador y sin tarjeta gráfica propia.
¿Qué cambió frente a Wan 2.2 y Wan 2.7?
Wan 3.0 es el primer modelo Wan con clips de 30 segundos; Wan 2.7 llegaba a 15. Según Alibaba, los rostros son más naturales y variados, y los personajes y objetos se mantienen iguales con más detalle. A diferencia de Wan 2.1 y 2.2, no tiene pesos abiertos. Hay más detalles abajo, en las versiones.
¿Wan 3.0 o Seedance 2.5? ¿Cuál me conviene?
Elige Wan 3.0 si quieres que siga el prompt al pie de la letra, animar la foto de una persona o un precio menor por segundo. Elige Seedance 2.5 si lo más importante es una toma sin cortes, una dirección de movimiento exacta o una mezcla de sonido más tranquila, como de cine. En las cinco pruebas de Fuser con las mismas entradas (2 de octubre de 2026), Wan 3.0 ganó tres y empató una.
¿Wan 3.0 entiende prompts en español?
La documentación de la API de Alibaba indica que Wan 3.0 entiende prompts en chino y en inglés; el español no aparece. Todavía no hemos probado prompts en español en zzo.ai. Por eso, escribe el prompt en inglés: los prompts en inglés suelen dar resultados más estables.
¿Puedo usar Wan 3.0 desde México o Latinoamérica?
Sí. zzo.ai funciona en el navegador, sin instalar nada. Según nuestros términos, el servicio solo no está disponible en China continental, Hong Kong y Macao. Necesitas una cuenta y un paquete de créditos.
¿Wan 3.0 genera audio?
Sí. Voces, efectos de sonido y música se generan junto con la imagen. Puedes desactivar el audio; el precio es el mismo en los dos casos.
¿Por qué mi video de Wan 3.0 cortó a otro plano?
Wan 3.0 a veces mete un corte o un fundido que nadie pidió, más a menudo en clips largos. Empieza el prompt con “One continuous shot”, dale a cada momento un tramo de tiempo y, si hace falta, genera otra vez.
¿Por qué rechazó mi solicitud?
La revisión de contenido de Alibaba bloquea entradas y resultados sexuales, violentos o que incumplen sus políticas, y las posibles infracciones de derechos de autor. Cuando se rechaza una solicitud, te devolvemos los créditos automáticamente.
¿Cuánto cuesta Wan 3.0 en pesos?
Los precios están en dólares estadounidenses (USD) y aparecen en la tabla de precios de esta página y en el botón Generar. Tu banco puede cobrar comisiones por compras en dólares. Los impuestos (como el IVA) se calculan al pagar y se muestran antes de confirmar.
¿Puedo usar los videos de Wan 3.0 con fines comerciales?
Sí. Los videos que generas en zzo.ai son tuyos para usarlos, también en trabajos comerciales, siempre que el contenido no infrinja nuestros términos ni los derechos de otras personas.
