Alibabaは、テキスト、画像、音声、動画に加え、PDFファイル、プレゼンテーション、ウェブページ、スプレッドシートなど、複数の入力から最大30秒・1080pの動画を生成できるAIモデル「Wan3.0」を提供開始した。
このモデルは8月初めからAlibaba Cloud傘下のModel StudioとQwen Cloudで試験的に提供されており、その後、より広範なユーザーに正式公開された。Wan3.0は、Alibabaの動画生成モデルファミリーにおける最新モデルとして位置付けられている。
実際に何が変わるのか？
Wan3.0では、1回の生成で作成できる動画の最大長が、従来のWan2.7の15秒から30秒に引き上げられた。Alibabaによると、より長い動画でも、人物や物体の外観、シーン内の要素の配置、アニメーションにおける一貫性が高く維持されるという。
同社はまた、表情と同期した動きや、多言語の音声出力への対応を示している。入力はテキストプロンプトや画像に限られず、プレゼンテーションやPDF文書の内容を動画素材に変換することも可能で、企業コミュニケーション、マーケティング、ソーシャルメディア向けコンテンツ制作におけるモデルの活用可能性を広げている。
用途と料金
Alibabaは、マーケティングおよび企業コミュニケーション用の動画、ショート動画、ソーシャルメディアコンテンツ、短編ドラマを想定用途として挙げている。また、自動運転車やロボットシステム向けの訓練シミュレーションにも利用できるとしているが、これらの用途に関する追加の技術的詳細は本文では示されていない。
料金は解像度によって異なり、480pでは1秒あたり0.05ドル、720pでは0.10ドル、1080pでは0.20ドルとなる。したがって、1080pで1分間の動画を生成する費用は約12ドルになる。本文に示された比較では、GoogleのVeo 3.1は標準プランで1秒あたり0.40ドルである。
提供状況とオープン性
Wan3.0は、従来のWanモデルの方針から転換し、現時点でモデルの重みを非公開としている。提供はModel StudioとQwen Cloudを通じて段階的に拡大され、APIも段階的に公開する計画だ。また、wan.videoを通じて、サブスクリプション型の消費者向けプラットフォームを提供する計画もある。
この発表が重要な理由
Wan3.0の重要性は、動画の長さを単に2倍にしたことだけにあるのではない。プレゼンテーションや文書など、複数の企業向けソースからの動画生成と、比較的長く、最大1080pの出力を組み合わせている点にある。これは、既存の資料を扱い、それを動画に変換する必要があるマーケティングやコミュニケーションのチームにとって有用となる可能性があるが、こうした実用的な機能の価値は変換品質と結果の一貫性に左右される。これらの点について、本文では独立した測定結果は示されていない。
この発表は、AlibabaがAI投資の資金調達を目的に、香港で約102億ドル相当の株式を売却したと発表した後に行われた。同社は、新たに発行する7億1,000万株の発行収入全額を、半導体、AIインフラ、モデル開発に充てると述べた。直近の四半期では、年間純利益が75%減少した一方、設備投資は75%増加して676億8,000万元となった。これに対し、クラウドおよびAIの売上高は6月期に45%増加し、484億4,000万元となった。Alibabaは2025年初め、3年間でAIインフラに3,800億元を投資する意向を発表していた。