Na zzo.ai, um vídeo de 5 segundos em 720p com som, feito com o Wan 3.0, custa 100 créditos (US$ 1,00). Sem assinatura: você compra créditos uma vez e eles não expiram.
O Wan 3.0 é o modelo de vídeo com IA da Alibaba, em beta pública desde 6 de agosto de 2026 e disponível para todos desde 24 de agosto. Ele cria vídeos de até 30 segundos, em até 1080p e com som, a partir de texto, de uma foto ou de imagens de referência. Não é open source: a Alibaba oferece o modelo só hospedado na nuvem, e aqui você o usa direto no navegador.
Vídeos de 5–30 s
Até 1080p
Com ou sem som
Prompt deste vídeo. Edite ou escreva o seu.
Feito com o Wan 3.0
Cada um mostra o prompt, o modelo e quanto custa aqui. Escolha um para começar a partir dele.
“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, com som, 1.200 créditos, feito na 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, com som, 160 créditos, feito na 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, com som, 400 créditos, feito na 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, com som, 100 créditos, feito na 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, com som, 400 créditos, feito na 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, com som, 300 créditos, feito na Wan, imagem de entrada feita na 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 para vídeo, 5 s, com som, 100 créditos, feito na Wan, imagem de entrada feita na 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, com som, 100 créditos, feito na 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 para vídeo, 10 s, com som, 200 créditos, imagem de entrada feita na GPT Image 2.5
O que você pode criar com Wan 3.0
Cada um vem com as configurações e o prompt que usaríamos para começar, e com o custo. Use como está ou edite.
feito na Wan
Um plano-sequência de 30 segundos
Uma caminhada de Steadicam por um estúdio de cinema à noite, um plano só pelos 30 segundos inteiros, terminando na subida de grua que o prompt pede. O prompt vem de um guia de Wan 3 publicado, onde rodou na versão Prime, mais rápida; aqui é o modelo padrão. Um momento saiu diferente: o eletricista dormindo aparece na tela de um celular, e não na cena.
Texto para vídeo
1080p
30 s
com som
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.”
Dica: Escreva “No cuts anywhere in the take” e dê a cada parte da caminhada seu próprio intervalo de tempo.
1.200 créditos
feito na Wan
Uma fala, depois as chamas
Ele diz a fala como foi escrita, e depois a wok solta grandes chamas. O prompt vem do teste Seedance 2.5 vs Wan 3.0 da Krea, em que o Wan 3.0 também acertou as chamas e o Seedance não. As placas atrás dele têm letras inventadas. A página do MiniMax H3 mostra o mesmo prompt.
Texto para vídeo
720p
8 s
com som
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.”
Dica: Coloque a fala no começo do vídeo e a ação grande depois dela (“first …, only then …”).
160 créditos
feito na Wan
Uma história em 3D estilizado, em 20 segundos
Todos os momentos do prompt de exemplo da própria Alibaba estão lá, com visual de bichinho de pelúcia. O prompt pede tela ultralarga; o Wan 3.0 não oferece 21:9, então este vídeo é 16:9. O movimento fica rápido por um instante, por volta de 3,5 a 4 segundos.
Texto para vídeo
720p
20 s
com som
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.”
Dica: Em vídeos longos e estilizados, diga o material (“ultra-fine plush textures”) uma vez, no começo; ele vale para o vídeo inteiro.
400 créditos
feito na Wan
Aproximação lenta num produto
Uma aproximação lenta num vaso, numa sala com sol, em um plano só. O prompt vem do teste Wan 3.0 vs Seedance 2.5 da Fuser, que o rodou com 6 segundos; aqui ele tem 5.
Texto para vídeo
720p
5 s
com som
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.”
Dica: Um movimento de câmera por vídeo, com a velocidade: “slow dolly-in”.
100 créditos
feito na Wan
Um anúncio vertical de produto (prompt reescrito)
Este prompt é a nossa versão reescrita de um prompt de um guia de Wan 3 publicado. Do jeito que foi publicado, ele nos deu na primeira tomada uma marca de relógio real no mostrador e, na segunda, os dedos atravessando o relógio quando a mão o levantava. Mudamos quatro coisas: “unbranded”, um mostrador liso, uma mão que gira o aro sem levantar o relógio e uma última linha pedindo nada de logos ou texto. Esta tomada tem um mostrador cinza liso e nenhuma falha, mas o aro ainda tem números, que o prompt pedia para deixar de fora.
Texto para vídeo
1080p
10 s
com som
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.”
Dica: Evite mãos pegando produtos pequenos: girar, tocar ou apontar esconde o contato que o modelo erra.
400 créditos
feito na Wan, imagem de entrada feita na GPT Image 2.5
Uma modelo usando o produto, a partir de uma foto (prompt reescrito)
Referências para vídeo a partir de uma única foto de produto (feita com o GPT Image 2.5): uma modelo mostra o gloss, aplica e a câmera se aproxima dos lábios, com o tubo igual ao da imagem. O prompt de exemplo de uma linha da Alibaba nos deu, duas vezes, um vídeo sem modelo e com uma cena a mais; então reescrevemos com a fórmula do guia de prompts do Wan 3.0 da Alibaba: um plano contínuo, momentos com tempo marcado, a imagem pelo número, som e o que deixar de fora. Depois do close, a câmera se afasta de novo, e ela termina segurando o tubo fechado.
Referências para vídeo
720p
15 s
com som
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.”
Dica: Chame seu produto de “the lip gloss in Image 1” e diga o que não pode mudar: cor, tampa, nenhum texto.
300 créditos
feito na Wan, imagem de entrada feita na GPT Image 2.5
A foto de uma pessoa, falando
Imagem para vídeo: ela vira a cabeça para a câmera e diz a fala, no enquadramento da imagem inicial, enquanto pessoas com guarda-chuvas passam atrás dela. O prompt vem do teste Wan 3.0 vs Seedance 2.5 da Fuser, em que o Seedance 2.5 recusou a foto por poder ser de uma pessoa real. A imagem inicial é nossa, criada com o GPT Image 2.5.
Imagem para vídeo
720p
5 s
com som
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.”
Dica: Descreva o movimento e a fala; a foto já define a pessoa, a rua e a luz.
100 créditos
feito na Wan
Uma caminhada de documentário
Uma caminhada com câmera na mão pelas bancas de peixe, num plano só, com os sons do mercado gerados junto. O prompt é um prompt de vitrine do Wan 3 publicado.
Texto para vídeo
720p
5 s
com som
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.”
Dica: Para um clima de documentário, diga a câmera (“handheld walking take”) e duas ou três coisas pelas quais ela passa, em ordem.
100 créditos
O que diferencia Wan 3.0
Uma cena inteira em uma geração
Até 30 segundos de uma vez; a Alibaba observa que os geradores de vídeo mais usados, o Wan 2.7 incluído, param em 15. Personagens e cenários se mantêm ao longo do vídeo; o que vale vigiar é um corte que ninguém pediu.
Como usar: Escreva “One continuous shot” na primeira linha se quiser uma tomada só. Para uma sequência, dê a cada plano seu intervalo de tempo, de 2 a 5 segundos, um colado no outro: “Shot 1 (0-4s): …”.
Personagens e produtos a partir de imagens de referência
Envie imagens de uma pessoa, produto ou lugar, e ele os mantém numa cena nova. A Alibaba diz que rostos, cabelo, roupas e acessórios ficam iguais nos mínimos detalhes, e que os objetos mantêm logos e materiais de um plano para o outro.
Como usar: Escolha Referências para vídeo, envie as imagens e cite cada uma pelo número, na ordem de envio: “The child in Image 1 stands in the entryway of the modern apartment in Image 2”. No teste da Fuser, o cenário seguiu o fundo da foto da pessoa; então, se o lugar importa, dê a ele uma imagem própria.
Som junto com a imagem
Falas, efeitos e música são gerados na mesma geração. A recomendação da Alibaba: descreva com clareza a ação, o material e o clima, e o modelo completa os efeitos sonoros que combinam.
Como usar: Escreva a fala como “she says: “…””, no começo do plano, para que não seja cortada. Diga “No dialogue” ou “No BGM, generate only ambient and action sounds” quando não quiser essas partes; senão, o modelo decide.
Mesmo preço: 100 créditos (720p, 5 s)
Onde o Wan 3.0 se sai bem e onde tem dificuldade
Pontos fortes
Até 30 segundos em uma geração. Na análise da Atlas Cloud com 49 gerações, “across all nine 30-second runs, no character swapped face, outfit or set” (em nenhuma das nove gerações de 30 segundos um personagem trocou de rosto, roupa ou cenário).
Segue o prompt ao pé da letra: nos testes da Krea e da Fuser com o mesmo prompt contra o Seedance 2.5, ele pegou detalhes que o outro perdeu, como chamas saltando da wok, poeira num feixe de luz e mãos que continuam à vista enquanto um ceramista fala.
Os planos com tempo marcado caem no tempo certo: a Fuser pediu cortes aos 3 e aos 6 segundos e recebeu os dois com diferença de no máximo um quadro.
Anima fotos de pessoas: no teste da Fuser, ele animou um quadro inicial fotorrealista que o Seedance 2.5 recusou.
Ficou em primeiro lugar em texto para vídeo e em edição de vídeo nos rankings com áudio da Artificial Analysis em outubro de 2026.
Limitações
Ele pode cortar para outro ângulo ou fazer uma fusão sem você pedir, principalmente em vídeos longos; a Krea recebeu um corte seco aos 13,6 segundos mesmo com “no cuts”. Comece o prompt com “One continuous shot” e confira a tomada.
A direção na tela e a ordem dos acontecimentos podem escapar: a Krea pediu um movimento da esquerda para a direita, e o ciclista veio em direção à câmera. Escreva a ordem por extenso (“first …, only then …”).
Quando a imagem e o prompt discordam, ele fica com a imagem.
Texto pequeno na tela e rótulos podem sair embaralhados ou espelhados. A própria Alibaba diz que a renderização de texto e a textura do áudio “not yet where we want them” (ainda não estão onde ela quer).
A mixagem de som é alta: a Krea mediu de 9 a 14 dB acima da do Seedance 2.5, então conte com baixar o volume na edição.
Até 1080p, sem 4K. Edição de vídeo e documentos como entrada existem na plataforma da Alibaba, mas não estão disponíveis na zzo.ai.
Um bom primeiro resultado com Wan 3.0, passo a passo
Faça rascunhos baratos e finalize em alta qualidade. Cada passo mostra as configurações e o custo.
1
Encontre o plano em 480p
Rode a ideia na menor resolução e numa duração curta. Mude uma coisa por vez.
480p
5 s
com som
16:9
3 gerações × 50 = 150 créditos
2
Gere a duração completa em 720p
Escreva os planos com seus tempos e gere a duração de que você precisa. Em tomadas longas, procure cortes antes de seguir.
720p
15 s
com som
16:9
300 créditos
3
Gere a versão final em 1080p
Para versões finais e telas grandes. Cada geração é uma tomada nova, então conte com pequenas diferenças em relação ao rascunho.
1080p
15 s
com som
16:9
600 créditos
Cerca de 1.050 créditos (US$ 10,50 no preço padrão) para o trabalho todo. Gerações com falha devolvem os créditos, então não entram na conta.
Configurações explicadas
O que cada opção faz e como ela muda o preço.
Modos
Texto para vídeo começa pelas suas palavras. Imagem para vídeo usa sua foto como quadro inicial e mantém o formato dela; descreva o movimento, não a imagem. Referências para vídeo usa suas imagens para manter uma pessoa, um produto ou um lugar.
Mesmo preço: 100 créditos (720p, 5 s)
Resolução
480p para rascunhos, 720p para a maioria dos posts em redes sociais, 1080p para versões finais. Cada degrau acima dobra o preço por segundo.
480p: 50 · 720p: 100 · 1080p: 200 créditos (5 s)
Duração do vídeo
De 5 a 30 segundos aqui. O preço acompanha a duração. É nos vídeos longos que aparecem cortes não pedidos, então escreva “One continuous shot” ou marque o tempo de cada momento.
5 s: 100 · 30 s: 600 créditos (720p)
Áudio
Ligado por padrão, sem custo extra. Desligue se for colocar sua própria música ou narração.
Mesmo preço: 100 créditos (720p, 5 s)
Proporções
16:9 para a web e o YouTube, vertical (9:16) para Reels, TikTok e Shorts, 1:1, 4:3 e 3:4 para o feed e fotos de produto. Imagem para vídeo segue o formato da sua foto.
16:9, 9:16, 1:1, 4:3, 3:4 · sem diferença de preço
Especificações do Wan 3.0
Atualizado em 28 de outubro de 2026
Desenvolvedor
Alibaba
Lançamento
2026-08-06
Tipo
Vídeo
Modos
Texto para vídeo, Imagem para vídeo, Referências para vídeo
Duração do vídeo
5–30s
Resolução
480p, 720p, 1080p
Áudio
Opcional (com ou sem)
Proporções
16:9, 9:16, 1:1, 4:3, 3:4
Uso comercial
Permitido, conforme nossos termos
Gerações que falharam
Créditos devolvidos automaticamente
A partir de
50 (US$ 0,50)
Preço do Wan 3.0 por geração
Os créditos só são cobrados quando a geração começa e voltam se ela falhar. A opção mais barata custa 50 créditos.
O guia de prompts da Alibaba para o Wan 3.0 monta o prompt por partes: uma descrição geral, as imagens de referência pelo número, os planos com seus tempos, falas, som, estilo e uma lista curta do que deixar de fora. Uma frase basta para gerar um vídeo, mas quanto mais precisa a descrição, mais perto fica o resultado.
Marque o tempo dos planos um colado no outro, de 2 a 5 segundos cada, sem buracos nem sobreposições: “Shot 1 (0-3s): …, Shot 2 (3-6s): …”.
Peça uma tomada só na primeira linha: “One continuous shot”. Para uma câmera que não se mexe: “Fixed shot, camera static, position unchanged”.
Escreva as falas como “he says: “…”” e diga “No dialogue” quando não houver nenhuma; senão, o modelo decide.
Mantenha as negativas curtas: só o que você não quer, como “No subtitles, No watermark, No extra brand names”. Não repita o que o prompt já diz.
Evite repetições rápidas que o modelo não controla, como “shaking head 3 times per second”.
Com uma imagem de quadro inicial, descreva o movimento, a história, as falas e a câmera; a imagem já define o personagem e a cena.
Quando o resultado sai errado
Os problemas comuns com Wan 3.0, por que acontecem e o que mudar.
O vídeo corta para outro ângulo
Por quê: O Wan 3.0 pode colocar cortes ou fusões, principalmente em vídeos longos.
Solução: Coloque “One continuous shot” na primeira linha, como recomenda o guia da Alibaba, mantenha a ação em um só lugar e gere de novo se precisar.
As coisas acontecem na ordem ou na direção errada
Por quê: Os testadores viram acontecimentos se sobreporem e um ciclista ir no sentido errado.
Solução: Escreva a ordem (“first …, only then …”) e a direção (“moves from left to right across the frame”) com palavras simples.
Um objeto muda de forma entre os planos
Por quê: A Fuser viu um vaso mudar entre o close e o plano médio.
Solução: Descreva todo objeto que precisa combinar com o mesmo cuidado que a pessoa, e cite-o de novo em cada plano.
O cenário não é o que você descreveu
Por quê: Em Referências para vídeo, a cena pode seguir o fundo da foto da pessoa.
Solução: Envie uma imagem separada do lugar e cite-a pelo número.
Uma fala é cortada
Por quê: Uma fala colocada no fim do último plano tem pouco tempo para terminar.
Solução: Coloque as falas no começo do plano, ou dê alguns segundos a mais ao vídeo.
Texto pequeno sai embaralhado ou espelhado
Por quê: Texto na tela ainda está amadurecendo, segundo a Alibaba.
Solução: Use textos curtos e grandes, ou coloque o texto num editor.
O pedido foi recusado ou a geração falhou
Por quê: A verificação de conteúdo da Alibaba bloqueou a entrada ou o resultado, ou o modelo retornou um erro.
Solução: Nada é cobrado: os créditos voltam automaticamente para o seu saldo. Reescreva o prompt ou tente outra imagem.
Wan 3.0 vs Wan 2.7
O Wan 3.0 é o primeiro modelo Wan com vídeos de 30 segundos. A Alibaba destaca rostos mais realistas e variados e personagens e objetos mais consistentes nos detalhes. Diferente do Wan 2.1 e do 2.2, ele não tem pesos abertos.
Até 30 segundos em uma geração; o Wan 2.7 parava em 15.
Rostos mais realistas e variados: segundo a Alibaba, o modelo foi feito para rostos diversos e realistas, e não para o visual brilhante e intercambiável dos personagens típicos de IA.
Personagens e objetos ficam iguais nos detalhes de um plano para o outro.
Documentos e páginas da web como entrada, e edição de vídeo, na plataforma da própria Alibaba. A zzo.ai oferece texto, imagem e referências para vídeo.
Sem pesos abertos: o modelo só está disponível hospedado.
Texto para vídeo, Imagem para vídeo, Referências para vídeo
Texto para vídeo, Imagem para vídeo, Referências para vídeo
Texto para vídeo, Imagem para vídeo
Duração do vídeo
5–30s
4–15s
5–30s
Resolução
480p, 720p, 1080p
480p, 720p, 1080p
720p, 1080p
Áudio
Opcional (com ou sem)
Opcional (com ou sem)
Sempre ativado
Proporções
16:9, 9:16, 1:1, 4:3, 3:4
16:9, 9:16, 1:1, 4:3, 3:4, 21:9
16:9, 9:16, 1:1, 21:9
Uso comercial
Permitido, conforme nossos termos
Permitido, conforme nossos termos
Permitido, conforme nossos termos
Gerações que falharam
Créditos devolvidos automaticamente
Créditos devolvidos automaticamente
Créditos devolvidos automaticamente
A partir de
50 (US$ 0,50)
115 (US$ 1,15)
160 (US$ 1,60)
Perguntas frequentes
Quanto custa o Wan 3.0?
Na zzo.ai, um vídeo de 5 segundos em 720p com som, feito com o Wan 3.0, custa 100 créditos (US$ 1,00). Sem assinatura: você compra créditos uma vez e eles não expiram. Dependendo da resolução e da duração, uma geração custa de 50 a 1.200 créditos (US$ 0,50 a US$ 12,00 no preço padrão). A partir de US$ 0,45 com o pacote de US$ 199,99. Se a geração falhar, os créditos voltam automaticamente.
Preciso de assinatura para usar o Wan 3.0?
Não. A zzo.ai não tem assinatura: você compra um pacote de créditos uma vez e usa no Wan 3.0 ou em qualquer outro modelo. Os créditos não expiram.
Qual a duração e a resolução dos vídeos do Wan 3.0?
Na zzo.ai, o Wan 3.0 faz vídeos de 5 a 30 segundos em 480p, 720p, 1080p, nas proporções 16:9, 9:16, 1:1, 4:3, 3:4.
Quanto custa um vídeo de 10 segundos com o Wan 3.0?
Um vídeo de 10 segundos em 720p com som custa 200 créditos: US$ 2,00 no preço padrão ou US$ 1,82 com o pacote de US$ 199,99. Não há assinatura.
Posso usar o Wan 3.0 por API ou no Claude?
Sim. Crie uma chave de API em Configurações e use o Wan 3.0 no Claude, no Cursor ou no seu próprio código pelo servidor MCP da zzo.ai. O saldo é o mesmo, com os mesmos preços do site.
O que é o Wan 3.0? É da Alibaba?
Sim. O Wan 3.0 é o modelo de geração de vídeo da Alibaba, em beta pública desde 6 de agosto de 2026 e disponível para todos desde 24 de agosto de 2026. Ele cria vídeos de até 30 segundos, em até 1080p e com som, a partir de texto, de uma foto ou de imagens de referência.
A zzo.ai é da Alibaba? O que acontece com meus dados?
Não. O Wan 3.0 é desenvolvido pela Alibaba, empresa chinesa; a zzo.ai não pertence à Alibaba e não é o site oficial do Wan: é um site independente onde você usa vários modelos de vídeo e imagem com os mesmos créditos. Para gerar o vídeo, seu prompt e as imagens que você envia vão para o provedor que roda o modelo e, de lá, para o desenvolvedor do modelo, que seguem os próprios termos e políticas de privacidade. Além disso, prompts, imagens e resultados passam pela API de moderação da OpenAI, que verifica se respeitam nossa Política de Uso Aceitável. Os detalhes estão na nossa Política de Privacidade.
O Wan 3.0 é open source? Dá para rodar no PC?
Não. A Alibaba oferece o Wan 3.0 só como modelo hospedado e não publicou os pesos; os modelos Wan abertos no Hugging Face são da geração 2.x. Para usar o Wan 3.0, você roda online, por exemplo aqui: direto no navegador, sem placa de vídeo.
O que mudou em relação ao Wan 2.2 e ao Wan 2.7?
O Wan 3.0 é o primeiro Wan com vídeos de até 30 segundos; o Wan 2.7 parava em 15. Segundo a Alibaba, os rostos estão mais realistas e variados, e personagens e objetos ficam iguais até nos detalhes. Diferente do Wan 2.1 e do 2.2, ele não tem pesos abertos. Veja mais na seção de versões, abaixo.
Posso usar o Wan 3.0 no Brasil?
Sim. A zzo.ai funciona direto no navegador, pelo computador ou pelo celular, sem instalar nada. Pelos nossos Termos de Uso, o serviço só não é oferecido na China continental, em Hong Kong e em Macau. Você precisa de uma conta e de um pacote de créditos.
Wan 3.0 ou Seedance 2.5: qual usar?
Escolha o Wan 3.0 quando quiser o prompt seguido ao pé da letra, animar a foto de uma pessoa ou pagar menos por segundo. Escolha o Seedance 2.5 quando o mais importante for um plano único sem cortes, uma direção exata na tela ou um som mais baixo e com cara de cinema. Nos cinco testes da Fuser com as mesmas entradas (2 de outubro de 2026), o Wan 3.0 venceu três e empatou um.
O Wan 3.0 entende prompts em português?
A documentação da API da Alibaba diz que o Wan 3.0 aceita prompts em chinês e em inglês; o português não aparece na lista. Não testamos prompts em português na zzo.ai, então escreva o prompt em inglês para resultados mais previsíveis.
Quanto tempo pode ter um vídeo do Wan 3.0?
Até 30 segundos em uma geração; na zzo.ai você escolhe de 5 a 30 segundos. O preço acompanha a duração.
O Wan 3.0 gera som?
Sim. Falas, efeitos sonoros e música são gerados junto com a imagem. Você pode desligar o som; o preço é o mesmo nos dois casos.
Por que meu vídeo do Wan 3.0 cortou para outro plano?
O Wan 3.0 às vezes coloca um corte ou uma fusão que ninguém pediu, com mais frequência em vídeos longos. Comece o prompt com “One continuous shot”, dê um intervalo de tempo para cada momento e gere de novo se precisar.
Por que meu pedido no Wan 3.0 foi recusado?
A verificação de conteúdo da Alibaba bloqueia entradas e resultados sexuais, violentos ou que violem outras regras, além de suspeitas de violação de direitos autorais. Quando um pedido é recusado, os créditos voltam automaticamente para o seu saldo.
Quanto custa o Wan 3.0? E em reais?
Depende da resolução e da duração; com ou sem som, o preço é o mesmo. A tabela de preços desta página e o botão Gerar mostram o valor exato antes de você gerar. A zzo.ai cobra em dólar americano (US$). Se o seu cartão for brasileiro, o banco converte o valor para reais e pode cobrar IOF sobre compras internacionais. Impostos, quando houver, são calculados na página de pagamento e aparecem antes de você pagar. Por enquanto aceitamos cartão de crédito ou débito, Apple Pay e Google Pay; Pix ainda não.
Posso usar os vídeos do Wan 3.0 comercialmente?
Sim. Os vídeos que você gera na zzo.ai são seus para usar, inclusive em trabalhos comerciais, desde que o conteúdo não viole nossos termos nem os direitos de outras pessoas.
