Wan 3.0 im Test: Alibabas KI-Videomodell auf Platz 1

👁 116 Aufrufe

Wan 3.0 von Alibaba führt das Text-to-Video-Ranking von Artificial Analysis an: Mit 1335 Elo-Punkten liegt das Modell knapp vor Googles Gemini Omni Flash und MiniMax H3. Es erzeugt bis zu 30 Sekunden Video in einem Durchgang, liefert synchronen Ton und kann Videos direkt aus Dokumenten generieren. Wir haben für unseren Praxistest 6,35 EUR (7,10 USD) investiert: fünf Clips, darunter Dialogszenen, Neonschriften mit Sonderzeichen, ein 30-sekündiger One-Shot und ein Clip aus einer PDF-Datei. Hier sind alle Ergebnisse im Detail.

Die EUR-Beträge sind unverbindliche Umrechnungen der veröffentlichten USD-Preise zum EZB-Referenzkurs vom 2026-10-12: 1 EUR = 1.1181 USD. Es handelt sich nicht um bestätigte örtliche Endpreise einschließlich Steuern. Anbieter und Bank können andere Kurse oder Gebühren berechnen. ECB.

Vier Frames aus unseren Tests von Wan 3.0: Dialogszene, Neonschrift, 30-Sekunden-Einstellung und Eingießen von Kaffee. 720p, ohne Nachbearbeitung.

Wan 3.0: Technische Daten und Preise

Derselbe Tarif gilt auf fal.ai, worüber wir unsere Tests ausgeführt haben. Dort steht auch die Variante Wan 3.0 Prime bereit: schneller, aber mit 0,1252 EUR (0,14 USD) pro Sekunde in 720p etwas teurer.

Artificial-Analysis-Ranking: Knapper Spitzenplatz

Drei Punkte Vorsprung vor Gemini Omni Flash bedeuten bei menschlichen Blindvergleichen de facto einen Gleichstand. Bemerkenswert: Das viertplatzierte HappyHorse stammt ebenfalls von Alibaba, allerdings aus einer anderen Einheit (ATH) - zwei unabhängige Teams desselben Konzerns belegen Plätze in den Top 4.

Test 1: Sprachausgabe und Dialoge

Für diesen Härtetest wählten wir eine anspruchsvolle Szene: ein Café in Warschau an einem regnerischen Abend mit Dialogteilen in polnischer Sprache. Die Frau sagt: „Nie wyjadę bez ciebie. Słyszysz? Nie wyjadę.” („Ich gehe nicht ohne dich. Hörst du? Ich gehe nicht.“), worauf der Mann antwortet: „Wiem.” („Ich weiß.“).

Vier Frames aus dem 8-Sekunden-Clip. Figuren, Tisch, Lampe und Regen vor dem Fenster bleiben über die gesamte Einstellung konsistent.

Wir haben die Audiospur durch das Spracherkennungsmodell Whisper analysiert. Das Ergebnis: Beide Sätze wurden exakt Wort für Wort wiedergegeben, die Sprache wurde mit 99 % Konfidenz erkannt. Auch das Timing passte exakt zum Prompt: der erste Satz von Sekunde 0 bis 4, die Antwort ab Sekunde 5. Das ist ein spürbarer Fortschritt gegenüber Modellen wie Seedance, bei denen nicht-englische Dialoge kaum praxistauglich waren.

Kosten: 0,80 USD. Generierungsdauer: 3 Minuten 38 Sekunden.

Test 2: Text im Bild und Sonderzeichen

Eine nächtliche Altstadtstraße, eine rote Neonschrift mit dem Text „ŻÓŁTA GĘŚ” („Gelbe Gans“) sowie ein Schild im Fenster mit der Aufschrift „Otwarte do północy” („Geöffnet bis Mitternacht“). Damit wurden fünf diakritische Sonderzeichen gleichzeitig geprüft (Ż, Ó, Ł, Ę, Ś).

Neonschrift ŻÓŁTA GĘŚ mit korrekten Sonderzeichen - zweifach gerendert, da das Modell selbstständig eine zweite Anzeige im Schaufenster ergänzte.

Die Neonschrift gelang makellos - sämtliche Akzente saßen an der richtigen Stelle. Das Modell erzeugte sogar eigenständig eine zweite Neonschrift im Schaufenster. Auf einem Schild über dem Fenster ergänzte es allerdings ungefragt Zahlen: „100 ŻÓŁTA 121 GĘŚ“.

Schild im Fenster vergrößert. Das erste Wort ist lesbar, der Rest der Zeile verzerrt.

Das Schild im Fenster zeigt die Grenzen auf: „Otwarte” ist lesbar, der zweite Teil „do północy” dagegen unleserlich verzerrt. Bei 720p und einer Schrifthöhe von wenigen Pixeln bricht das Rendering ein. Alibaba räumt in der Ankündigung selbst ein, dass die Textgenauigkeit im Bild weiter optimiert werden muss. Das Fazit: Große Schriftzüge funktionieren, Kleingedrucktes nicht.

Test 3: Physik und Handbewegungen

Eine statische Nahaufnahme: Hände gießen Kaffee aus einer Glaskanne ein, der Strahl verjüngt sich und reißt ab, eine Hand hebt die Tasse an, die andere lässt einen Zuckerwürfel hineinfallen.

Zehn Einzelbilder, Sekunde für Sekunde. Der Kaffeestrahl bricht um Sekunde 6 ab, die Hand hebt die Tasse, der Zuckerwürfel fällt in Sekunde 9.

Flüssigkeitsstrahl, Abreißen des Flusses, Dampf und Fingerbewegungen wirken natürlich. Die Chronologie der Ereignisse stimmte mit dem Prompt überein, und bei der Frame-für-Frame-Prüfung wiesen die Hände keine typischen KI-Verformungen auf. Kosten: 1,00 USD, Rechenzeit: 4 Minuten 4 Sekunden.

Test 4: 30 Sekunden One-Shot ohne Schnitt

Der anspruchsvollste Testfall: Eine kontinuierliche 30-Sekunden-Handkamera-Einstellung. Ein junger Mann im gelben Anorak geht über einen Wochenmarkt, vorbei an Ständen mit Äpfeln und Fisch, kauft ein Brot, bezahlt, nickt dem Händler zu und tritt auf die Straße hinaus, wo eine Straßenbahn vorbeifährt.

Zehn Frames im 3-Sekunden-Intervall aus einer 30-sekündigen Sequenz. Äpfel, Fisch, Brotkauf, Straßenszene und Tram - exakt in vorgegebener Reihenfolge.

Alle Vorgaben wurden in der richtigen Reihenfolge abgearbeitet, die Figur blieb über volle 30 Sekunden konsistent - Gesichtszüge, Jacke und Brot blieben stabil. Die Szenenwechsel-Erkennung in ffmpeg schlug lediglich zwischen Sekunde 20 und 22 an. Eine Analyse der Einzelbilder zeigte jedoch keinen harten Schnitt, sondern einen schnellen Kameraschwenk. Einzige Abweichung vom Prompt: Statt einer sonnigen Straße war der Himmel bedeckt.

Allerdings gab es ein Problem: Beim ersten Durchlauf blockierte der Inhaltsfilter von fal.ai die Generierung mit dem Hinweis auf angebliche Richtlinienverstöße - obwohl die Szene völlig harmlos war. Der zweite Versuch mit identischem Prompt ging anstandslos durch. Der Filter arbeitet also nicht-deterministisch und erzeugt Fehlalarme, die man erst nach vielen Minuten Wartezeit bemerkt. Der erfolgreiche Clip benötigte 13 Minuten 35 Sekunden Rechenzeit und kostete 3,00 USD.

Test 5: Video aus Dokumenten und PDFs

Ein Kernfeature von Wan 3.0 ist die Konvertierung von Dokumenten oder Web-URLs in fertige Videozusammenfassungen. Wir haben beide Pfade getestet.

Frames aus dem 15-sekündigen Clip, basierend auf einer PDF-Datei über den Wisent. Vier Einstellungen, inklusive Schwarz-Weiß-Archivstil beim Satz über die Beinahe-Ausrottung.

Das Ergebnis aus der PDF-Datei überzeugte: Das Modell erstellte selbstständig vier zusammenhängende Einstellungen (ffmpeg fand drei Schnitte bei 2,8, 8,2 und 10,2 Sekunden): Nahaufnahme eines Wisents, eine Herde im Birkenwald, eine stilisierte Schwarz-Weiß-Archivaufnahme und eine Mutterkuh mit Kalb. Dazu generierte Wan 3.0 ein passendes englisches Voiceover: „Meet the European bison, Europe’s largest land mammal. Once nearly extinct, they now roam these primeval forests.“ Der Text stimmte inhaltlich mit dem Dokument überein. Die englische Sprachausgabe ergab sich aus unserem englisch formulierten Prompt; soll die Sprecherstimme eine andere Sprache nutzen, muss dies explizit im Prompt vorgegeben werden.

Fazit: Die Dokumenten-Funktion liefert brauchbare Ergebnisse, setzt derzeit aber zwingend einen direkten Datei-Upload voraus. Über Web-URLs schlug die Verarbeitung via fal.ai reproduzierbar fehl.

Kosten und Rechenzeit im Überblick

Basis war der Tarif von 0,0894 EUR (0,10 USD) pro Sekunde Video bei 720p. Im Schnitt benötigte die Renderpipeline rund 25 Sekunden Rechenzeit pro generierter Videosekunde. Für interaktive Workflows ist das zu langsam, für Social-Media-Produktionen und Werbeagenturen jedoch ein vertretbarer Zeitrahmen.

Für wen eignet sich Wan 3.0?

• Für mehrsprachige Content-Produktionen - Akkurate Lippenbewegungen und fehlerfreie Sonderzeichen bei großen Texten sind im Videobereich nach wie vor selten.
• Für automatisierte Videozusammenfassungen - Präsentationen oder PDFs direkt in kurze Video-Teaser umzuwandeln, spart spürbar Produktionsaufwand.
• Nicht für eilige Einsätze - Wartezeiten von 3 bis 14 Minuten pro Clip und gelegentliche Filter-Fehlalarme erfordern Geduld.
• Nicht für feingliedrige Typografie - Kleingedrucktes auf Schildern, Etiketten oder Preistafeln wird nach wie vor unleserlich dargestellt.

Mehr zu den Kosten von KI-Videos: Was kostet eine Sekunde KI-Video?. Weitere aktuelle Modelle im Vergleich: Chinesische KI-Modelle im Test.

Auch interessant: Lokale KI: Text-, Bild- und Videomodelle auf dem eigenen Rechner · 7 lokale KI-Modelle im Praxisvergleich

Auch interessant: Wan AI: Versionen, Preise und Videotests · Wan 3.0 vs. Wan 2.2 im direkten Prompt-Vergleich

Häufige Fragen (FAQ)

Beherrscht Wan 3.0 synchrone Dialoge?

Ja. In unserem Test artikulierten die Figuren vorgegebene Dialoge Wort für Wort korrekt. Die Spracherkennung via Whisper bestätigte den Text mit 99 % Konfidenz.

Was kostet die Nutzung von Wan 3.0?

Die Preise liegen bei 0,0447 EUR (0,05 USD) pro Sekunde in 480p, 0,0894 EUR (0,10 USD) in 720p und 0,1789 EUR (0,20 USD) in 1080p. Ein 30-Sekunden-Clip in 1080p kostet damit 6,00 USD.

Ist Wan 3.0 Open Source?

Nein. Im Gegensatz zu früheren Modellgenerationen von Wan sind die Gewichte nicht öffentlich verfügbar. Der Zugriff erfolgt ausschließlich über APIs, unter anderem im Alibaba Cloud Model Studio und via fal.ai.

Wie lang können generierte Clips sein?

Bis zu 30 Sekunden in einem einzigen Durchlauf. Unser 30-sekündiger Testclip entstand als zusammenhängender One-Shot ohne Schnitt bei einer Rechenzeit von rund 13,5 Minuten.

Kann Wan 3.0 Videos aus PDF-Dateien erstellen?

Ja. Im Test entstand aus einer hochgeladenen PDF-Datei ein 15-sekündiges Video mit passendem Sprechertext und thematischen Schnitten. Voraussetzung ist ein direkter Datei-Upload; die Übergabe von Web-URLs schlug fehl.

// weiterlesenUtopai X im Test: Platz 2 im KI-Videoranking, Kosten und StartKI-WerkzeugeHappyHorse 1.1: Alibabas Videogenerator im TestKI-WerkzeugeAnthropic reports nearly 200 million distillation attacks from Alibaba, Moonshot AI and DeepSeekNachrichten