Buduj z CometAPIPotrzebujesz jednego API dla wielu modeli?Przetestuj proces w Playground, a potem utwórz klucz API, gdy model i koszt pasują do Twojego zastosowania.
Alibaba i ByteDance oferują teraz dwa wyjątkowo kompletne, 30‑sekundowe systemy wideo AI. Jeden stawia na zintegrowany pipeline all‑in‑one, który potrafi zamieniać dokumenty i strony WWW w wideo; drugi priorytetowo traktuje dłuższą narrację, gęste sterowanie referencjami i chirurgiczną edycję audiowizualną. Ten przewodnik oddziela zweryfikowane specyfikacje od niezależnych wyników benchmarków, aby deweloperzy mogli wybierać pod kątem wdrożenia produkcyjnego zamiast haseł z premier.
TL;DR
Sedno: Wan 3.0 to mocniejszy domyślny wybór, gdy liczy się najczystszy niezależny sygnał jakości, wyjście 1080p, wejścia dokument/strona WWW i niższy aktualny koszt startowy API. Seedance 2.5 to bardziej wyspecjalizowana opcja dla produkcji kreatywnej, gdy potrzebujesz do 50 referencji, wielorundowej kontynuacji, edycji na poziomie znaczników czasu, workflow z green screenem lub prewizualizacji na białym modelu.
Sprawdzone pod kątem przejrzystości, atrybucji źródeł i aktualnej terminologii API.
Wciąż brak jednoznacznego publicznego benchmarku head‑to‑head. Artificial Analysis obecnie klasyfikuje model Alibaba na pierwszym miejscu w arenie text‑to‑video z dźwiękiem, podczas gdy wydanie ByteDance nie jest jeszcze ujęte w tej samej ewaluacji. Ponieważ Seedance 2.5 nie został jeszcze oceniony w tym samym środowisku, ta tabela nie może posłużyć do bezpośredniego porównania jakości między modelami.
Wan 3.0 vs Seedance 2.5: szybkie porównanie
Kategoria
Wan 3.0
Seedance 2.5
Deweloper
Alibaba Tongyi / Wan
ByteDance Seed
Wydanie / dostępność
Publiczne wydanie API: 24 sierpnia 2026 r.
Oficjalna premiera: 31 lipca; trasa CometAPI: 6 sierpnia 2026 r.
Główna koncepcja
Multimodalna produkcja wideo all‑in‑one
Wspólna generacja audio‑wideo dla kontrolowanej narracji
Maks. natywny czas trw.
2–30 sekund
4–30 sekund
Rozdzielczość wyjściowa
480p, 720p, 1080p
CometAPI obecnie dokumentuje trasy 480p i 720p
Limit referencji
Do 10 obrazów + 5 klipów wideo + 5 klipów audio; oraz 1 dokument lub 1 publiczna strona WWW
30 obrazów + 10 wideo + 10 audio
Typy wejścia
Tekst, obraz, wideo, audio, dokumenty, strony WWW
Tekst, obraz, wideo, audio
Natywne audio
Dialog, BGM, efekty dźwiękowe
Wspólna generacja audio‑wideo z zsynchronizowanym dźwiękiem
Edycja
Edycja instrukcyjna, rozszerzanie, kontrola pierwszej/ostatniej klatki
Edycje na znacznikach czasu, green screen, edycja kamery i referencji
Niezależny benchmark
#1 T2V z audio; 1 241 Elo
Jeszcze nie ujęty w tym samym benchmarku
Cena startowa w CometAPI
0,04 USD za wygenerowaną sekundę
Czym jest Wan 3.0?
Najnowszy hostowany model wideo Alibaba łączy text‑to‑video, image‑to‑video, generację z referencji, edycję, rozszerzanie oraz natywne audio w jednym systemie. Jego cechą definiującą nie jest tylko limit 30 sekund: przyjmuje kontekst twórczy z obrazów, wideo, audio, dokumentów biurowych i publicznych stron WWW, pozwalając, by brief produktowy lub slajdy stały się częścią instrukcji generowania.
Oficjalny przewodnik API Wan 3.0 określa do 30 sekund przy 30 fps, wyjście 480p/720p/1080p oraz natywny dialog/BGM/efekty dźwiękowe. Udokumentowane limity na żądanie to do 10 obrazów referencyjnych, 5 wideo i 5 audio; żądanie może też zawierać albo jeden obsługiwany dokument, albo jedną publiczną stronę WWW. Dokumentacja obejmuje też kontrolę pierwszej lub pierwszej i ostatniej klatki, kontynuację wideo oraz edycję w języku naturalnym.
30 sekund na generację; udokumentowane 2–30 sekund
Liczba klatek
30 fps
Rozdzielczość
480p, 720p, 1080p
Proporcje obrazu
Adaptacyjne, 16:9, 4:3, 1:1, 3:4, 9:16
Referencje
Do 10 obrazów, 5 wideo i 5 audio; żądanie może też użyć 1 dokumentu lub 1 publicznej strony WWW
Dokumenty
DOC, XLS, PPT, PDF, TXT, KEY, PAGES, NUMBERS, MD
Limity dokumentów
Do 100 MB i 50 stron
Audio
Natywna mowa/dialog, BGM i efekty dźwiękowe
ID modelu w CometAPI
wan3.0
Endpoint CometAPI
POST /v1/videos; asynchroniczny workflow create‑and‑poll
Gdzie model Alibaba się wyróżnia
Dokument‑>wideo i strona WWW‑>wideo eliminują krok wstępnego przetwarzania dla prezentacji, raportów, stron produktowych, materiałów szkoleniowych i korporacyjnych explainerów.
Trasa 1080p i wyjście 30 fps zapewniają jasno udokumentowaną ścieżkę finalnej dostawy.
Ten sam model obejmuje generowanie, kondycjonowanie referencyjne, edycję i rozszerzanie, ograniczając orkiestrację specyficzną dla modeli.
Aktualne niezależne wyniki T2V i edycji wideo dostarczają mocniejszego publicznego świadectwa niż tylko dema sprzedawcy.
Czym jest Seedance 2.5?
Nowej generacji model audio‑wideo ByteDance jest zbudowany wokół kompletnych 30‑sekundowych historii, dużych multimodalnych zestawów referencyjnych i produkcyjnej edycji. Model potrafi organizować wiele powiązanych ujęć w jednej generacji, kontynuować istniejący wynik w kolejnych rundach i utrzymywać spójny język audiowizualny w dłuższej narracji.
W oficjalnym ogłoszeniu premiery ByteDance dokumentuje do 30 obrazów, 10 klipów wideo i 10 klipów audio w jednym przebiegu. Opisuje też edycje audiowizualne na poziomie znaczników czasu, wymianę tła przez green screen, edycję perspektywy kamery, referencje ruchu, referencje kreatywne oraz kontrolę clay render dla kompozycji, ustawienia sceny, oświetlenia i planowania kamery.
Oficjalnie uruchomiony; platforma komercyjna i dostęp do API
Tryby generowania
Text‑to‑video, image‑to‑video, reference‑to‑video, rozszerzanie, edycja
Maks. czas trwania
ByteDance oficjalnie potwierdza do 30 sekund na generację; aktualna trasa CometAPI przyjmuje 4–30 sekund
Kontynuacja
Wielorundowe rozszerzanie; strona produktu opisuje do dwóch rozszerzeń
Rozdzielczość
CometAPI obecnie dokumentuje płatne trasy 480p i 720p
Referencje
Do 30 obrazów, 10 klipów wideo i 10 klipów audio
Typy wejścia
Tekst, obraz, wideo, audio
Dokumenty
Nie wymienione jako natywne wejście referencyjne w oficjalnych materiałach Seedance 2.5
Limity dokumentów
Nie dotyczy / niedokumentowane dla bieżącej trasy Seedance 2.5
Audio
Wspólna generacja audio‑wideo i referencyjne audio
Edycja
Kontrola znaczników czasu, green screen, perspektywa kamery, edycja na podstawie referencji
Prewizualizacja
Kontrola clay render / białego modelu
ID modelu w CometAPI
seedance-2-5
Endpoint CometAPI
POST /v1/videos; asynchroniczny workflow create‑and‑poll
Gdzie model ByteDance się wyróżnia
Pięćdziesiąt łącznie referencji daje twórcom większą swobodę dla wielu postaci, lokalizacji, marek, rekwizytów, głosów i ograniczeń ruchu.
Zmiany na poziomie znaczników czasu pozwalają zrewidować konkretny beat, akcję, dźwięk lub segment kamery bez traktowania całego wideo jako jednorazowego szkicu.
Workflow green screen i clay render łączą generatywne wideo z konwencjonalnymi praktykami prewizualizacji i compositingu.
Wielorundowa kontynuacja służy utrzymaniu spójnego języka wizualnego i dźwiękowego poza początkowy 30‑sekundowy klip.
Wan 3.0 vs Seedance 2.5: wyniki benchmarków
Zasada benchmarku: Porównywalne są wyłącznie wyniki uzyskane w tej samej tabeli rankingowej, zadaniu, trybie audio i metodzie głosowania. Prezentacje dostawców i wyniki starszych modeli to użyteczny kontekst, ale nie zastępują brakującego bezpośredniego porównania.
Aktualny Artificial Analysis Text to Video Leaderboard plasuje model Alibaba na pierwszym miejscu w arenie z dźwiękiem z wynikiem 1 241 Elo, przedział ufności 95% +/-9 i 6 195 próbek porównań w ciemno. Ten sam ewaluator lokuje go również na pierwszym miejscu w edycji wideo z audio przy 1 189 Elo, +/-7 i 5 231 próbkach.
Wydanie ByteDance nie jest jeszcze ujęte w tych dwóch tabelach. Artificial Analysis pokazuje starszą generację Seedance, ale traktowanie tego starszego wyniku jak reprezentacji nowego modelu byłoby metodologicznie błędne. Najuczciwszy wniosek: Alibaba dysponuje obecnie silniejszym niezależnym potwierdzeniem; nie oznacza to, że ByteDance został niezależnie dowiedziony jako słabszy.
Rendering klasy reality, spójność dłuższa, omni‑referencje
Długa narracja, gęste sterowanie referencjami, edycja czasowa
Różne dema i deklaracje; brak bezpośredniej oceny
Wan 3.0 vs Seedance 2.5: kluczowe różnice
1. Dłuższa narracja i spójność czasowa
Oba modele mogą wygenerować do 30 sekund w jednym przebiegu. Oficjalny zakres API Wan 3.0 to 2–30 sekund, podczas gdy oficjalna dokumentacja BytePlus dla Seedance 2.5 określa 4–30 sekund; bieżąca trasa Seedance w CometAPI również dokumentuje 4–30 sekund. Wan jest więc udokumentowaną opcją dla natywnych ujęć 2–3‑sekundowych na tych trasach. Podejście Alibaba jest najsilniejsze, gdy klip ma wchłonąć zróżnicowane materiały źródłowe i zamienić je w spójny wynik. Podejście ByteDance jest najsilniejsze, gdy 30 sekund ma zawierać zaplanowany łuk narracyjny, wiele połączonych ujęć i późniejszą kontynuację ze spójnymi postaciami, sceneriami, tempem i dźwiękiem.
Wniosek: wybierz Alibaba dla samowystarczalnych zleceń multimodalnych; wybierz ByteDance dla epizodycznej lub wielorundowej konstrukcji narracyjnej.
2. Jakość wizualna, ruch i fizyczna wiarygodność
Alibaba ma wyraźniejszy publiczny sygnał jakości, ponieważ jego wyniki prowadzą obecnie w arenie preferencji text‑to‑video z audio. Materiały produktowe podkreślają także twarze, mikroekspresje, detale produktów, tekst, układ przestrzenny i interakcje fizyczne. ByteDance akcentuje płynniejsze przejścia, stabilność obiektu przez cięcia, bardziej realistyczne tekstury i oświetlenie oraz ruch zgodny ze strukturą przestrzenną referencji clay render.
Wniosek: Alibaba to pierwszy test oparty na dowodach dla ogólnej preferencji wizualnej. ByteDance pozostaje bardzo przekonujący dla reżyserowania ustawienia sceny, choreografii kamery i scen planowanych z assetów prewizualizacyjnych.
3. Sterowanie referencjami i spójność postaci
Wan 3.0 przyjmuje do 10 obrazów, 5 wideo i 5 audio plus albo jeden obsługiwany dokument, albo jedną publiczną stronę WWW. Seedance 2.5 przyjmuje większy konwencjonalny zestaw: do 30 obrazów, 10 wideo i 10 audio, ale jego oficjalne materiały nie wymieniają dokumentów ani stron WWW jako natywnych wejść referencyjnych. Ten wyższy konwencjonalny pułap referencji ma znaczenie, gdy brief zawiera obsadę, wiele środowisk, warianty produktu, garderobę, rekwizyty, próbki głosu, referencje kamery i przykłady ruchu.
Wniosek: ByteDance wygrywa gęstością referencji; Alibaba wygrywa ich różnorodnością.
4. Natywne audio, dialog i sound design
Oba generują dźwięk wraz z obrazem, bez konieczności oddzielnego dubbingu. Alibaba wyraźnie dokumentuje dialog, muzykę w tle i efekty dźwiękowe. ByteDance opiera się na jednolitej architekturze audio‑wideo i wspiera referencje audio, spójność głosu i celowane edycje audiowizualne.
Wniosek: na poziomie specyfikacji pojedynek jest wyrównany. Przetestuj z tym samym skryptem zrozumiałość dialogu, synchronizację ust, tożsamość mówców, stabilność muzyki tła i timing efektów dźwiękowych przed wyborem trasy produkcyjnej.
5. Edycja i iteracja
Alibaba zapewnia edycję w języku naturalnym, rozszerzanie i workflow warunkowany klatkami w ramach jednego modelu all‑in‑one. ByteDance idzie głębiej w kierunku workflow przypominającego edytor: prompt może celować w konkretne znaczniki czasu, wymieniać tło przez green screen, regulować perspektywę kamery oraz korygować postaci, akcje, fabułę lub audio, zachowując ciągłość otoczenia.
Wniosek: ByteDance ma silniej udokumentowany interfejs kontroli do chirurgicznej rewizji kreatywnej; Alibaba oferuje prostszy, zintegrowany pipeline.
6. Dokumenty, strony WWW i treści biznesowe
To najczytelniejsza, niekwestionowana przewaga Alibaba. PDF, prezentacja, arkusz, dokument tekstowy, plik Apple iWork, Markdown lub strona WWW mogą stać się materiałem źródłowym dla generowanego explainera, wideo produktowego, klipu szkoleniowego czy podsumowania dla zarządu. Opis modelu ByteDance koncentruje się na tekście, obrazach, wideo i audio, a nie na parsowaniu dokumentów.
Wniosek: wybierz Alibaba dla dokument‑>wideo, strona WWW‑>wideo, wiedzy korporacyjnej i zautomatyzowanego recyklingu treści.
7. Rozdzielczość i workflow dostawy
Alibaba dokumentuje trasy 480p, 720p i 1080p. To wspiera czytelną drabinę: iteruj w 480p, recenzuj w 720p, generuj zaakceptowane ujęcia w 1080p. CometAPI obecnie dokumentuje ceny 480p i 720p dla trasy ByteDance; oficjalny artykuł premierowy ByteDance nie podaje równoważnej tabeli rozdzielczości per trasa.
Wniosek: Alibaba ma jaśniej udokumentowaną ścieżkę dostawy w wysokiej rozdzielczości. Potwierdź aktywną trasę ByteDance, zanim uczynisz z rozdzielczości twardą obietnicę produktową.
Porównanie cen
Karty modeli na żywo w CometAPI pokazują cenę startową 0,04 USD za wygenerowaną sekundę dla Alibaba i 0,0824 USD za sekundę dla ByteDance. Ich szczegółowe sekcje cenowe pokazują także ceny tras upstream: Alibaba listuje 0,05/0,10/0,20 USD/s dla 480p/720p/1080p, podczas gdy ByteDance listuje 0,103 i 0,231 USD/s dla 480p i 720p. Ponieważ strony modeli i rabaty tras mogą zmieniać się niezależnie, kalkulacje produkcyjne powinny wykorzystywać dokładnie wybraną trasę w momencie wysyłki.
Pozycja kosztowa
Wan 3.0
Seedance 2.5
Uwagi
Deklarowana cena startowa w CometAPI
0,04 USD/s
0,0824 USD/s
Alibaba ~51% taniej na wyświetlanym poziomie wejścia
Klip 10‑sekundowy przy cenie startowej
0,40 USD
0,824 USD
Przed ponownymi próbami
Klip 30‑sekundowy przy cenie startowej
1,20 USD
2,472 USD
Przed ponownymi próbami
Opublikowana cena trasy 480p
0,05 USD/s
0,103 USD/s
Cena upstream/listowana
Opublikowana cena trasy 720p
0,10 USD/s
0,231 USD/s
Cena upstream/listowana
Opublikowana cena trasy 1080p
0,20 USD/s
Brak w bieżącej tabeli CometAPI
Zweryfikuj dostępność trasy
Zasada kosztów produkcyjnych: Porównuj koszt na zaakceptowany klip, a nie cenę za sekundę. Uwzględnij odrzucone wyniki, ponowne próby, upscaling, storage, czas edycji oraz przegląd ludzki potrzebny, by klip nadawał się do publikacji.
Wan 3.0 vs Seedance 2.5: mocne strony i kompromisy
Model
Mocne strony
Kompromisy
Model Alibaba
Niezależny sygnał #1 T2V z audio; #1 w edycji; wejścia dokument/WWW; 1080p; niższa cena startowa; zintegrowany workflow
Limit 20 referencji; hostowane, zamknięte wagi; dłuższe klipy mogą nadal dryfować; audio/tekst mogą wymagać postprodukcji
Model ByteDance
50 referencji; wielorundowe rozszerzanie; edycje na znacznikach czasu; green screen; edycja kamery; prewizualizacja clay render
Brak równorzędnego niezależnego Elo; bieżąca tabela rozdzielczości CometAPI kończy się na 720p; materiały oficjalne wskazują ograniczenia ruchu złożonego i wielu obiektów
Który model wybrać?
Zastosowanie
Wybór początkowy
Dlaczego
Najlepszy domyślny dla nowej funkcji wideo
Model Alibaba
Silniejsze niezależne dowody i niższa bieżąca cena startowa
30‑sekundowy spot produktowy
Model Alibaba
Wejścia dokument/produkt, trasa 1080p, niższy koszt iteracji
PDF lub strona WWW -> wideo typu explainer
Model Alibaba
Natywny parsing dokumentu i strony WWW
Kampania brandowa z wieloma referencjami
Model ByteDance
Do 50 referencji kreatywnych
Krótkometrażówka wielopostaciowa
Model ByteDance
Spójność narracji, gęste referencje, kontynuacja
Precyzyjna korekta fragmentu czasu
Model ByteDance
Edycja audiowizualna na poziomie znaczników czasu
Workflow green screen lub clay render
Model ByteDance
Jawne, profesjonalne sterowanie produkcyjne
Benchmark jakości oparty na dowodach
Model Alibaba
Obecne prowadzenie w preferencjach i edycji
Decyzja o wdrożeniu finalnym
Testuj oba
Użyj tych samych assetów, czasu trwania, rubryki i progu akcept.
Jak przeprowadzić rzetelny test A/B
Zbuduj zestaw 20–40 promptów obejmujący ujęcia produktowe, dialog ludzi, sceny wielopostaciowe, ruch kamery, fizykę, tekst/UI oraz generację z wieloma referencjami.
Używaj dopasowanych parametrów: czas trwania, rozdzielczość, proporcje, wymóg audio i assety źródłowe tam, gdzie obie trasy wspierają równoważne ustawienia.
Zaślep recenzentów co do tożsamości modelu i osobno oceniaj jakość obrazu, zgodność z promptem, spójność obiektu, ruch, timing audio, jakość dialogu i nakład pracy edytorskiej.
Rejestruj porażki, ponowne próby, odrzucenia safety, opóźnienia generacji oraz minuty postprodukcji obok udanych wyników.
Wybieraj trasę o najniższym koszcie na zaakceptowany klip dla danego obciążenia, zamiast forsować jednego uniwersalnego zwycięzcę.
Jak uzyskać dostęp do obu modeli przez CometAPI
Obie trasy są dostępne przez CometAPI, co pozwala zespołom zachować jedno konto, klucz API, warstwę rozliczeń i asynchroniczny cykl życia wideo podczas ewaluacji różnych dostawców. Bieżące publiczne ID modeli to wan3.0 i seedance-2-5.
Utwórz konto i wygeneruj klucz API. Przechowuj go w zmiennej środowiskowej po stronie serwera.
Otwórz dokumentację API wideo i potwierdź dokładne pola wspierane przez wybraną trasę modelu.
Wyślij POST /v1/videos, zapisz zwrócone ID zadania wideo i odpytywaj GET /v1/videos/{id}, aż zadanie osiągnie stan końcowy.
Pobierz ukończony zasób i zapisz wraz z nim ID modelu, trasę, czas trwania, rozdzielczość, opóźnienie, cenę i wynik przeglądu.
Język: Bash
export COMETAPI_KEY="your_api_key"
curl -X POST "https://api.cometapi.com/v1/videos" \
-H "Authorization: Bearer $COMETAPI_KEY" \
-F 'model=wan3.0' \
-F 'prompt=A cinematic product reveal with synchronized ambient audio.' \
-F 'seconds=10' \
-F 'size=1280x720'
# For an A/B test, submit a validated Seedance payload with:
# -F 'model=seedance-2-5'
Nie zakładaj, że każdy parametr multimedialny jest przenośny tylko dlatego, że oba modele współdzielą endpoint. Pola referencji, wspierane rozdzielczości, kontrolki edycji i zachowanie callbacków mogą pozostać specyficzne dla trasy. Waliduj każde payload przed przełączeniem ruchu produkcyjnego.
Wan 3.0 vs Seedance 2.5: ograniczenia i zastrzeżenia
Niezależne benchmarki zmieniają się wraz z napływem nowych głosów; Elo to względny sygnał preferencji, a nie absolutna miara zgodności z promptem czy przydatności komercyjnej.
Brak wyniku ByteDance w bieżącym niezależnym frameworku uniemożliwia statystycznie obronne bezpośrednie porównanie jakości.
Dema oficjalne używają kuratorowanych promptów i assetów. Wyniki w realu mogą się różnić w zależności od złożoności tematu, filtrów bezpieczeństwa, języka, proporcji i jakości referencji.
Własny post premierowy ByteDance przyznaje margines do poprawy w fizycznej wiarygodności złożonego ruchu i stabilności interakcji wielu obiektów.
Dłuższe wyjścia Alibaba mogą nadal wykazywać dryf tożsamości, deformacje obiektów, błędy tekstu lub defekty audio; 30 sekund to limit pojemności, nie gwarancja jakości.
Ceny i dostępność tras mogą się zmieniać. Sprawdź bieżącą stronę modelu w CometAPI, zanim opublikujesz twarde deklaracje cen lub ustalisz unit economics.
Wnioski
Najbardziej obronna odpowiedź zależy od obciążenia. Alibaba oferuje obecnie mocniejszy pakiet domyślny: prowadzenie w ślepych preferencjach, pierwsze miejsce w edycji, wejścia dokument i strona WWW, udokumentowana trasa 1080p oraz niższa deklarowana cena startowa. To logiczny pierwszy test dla wideo produktowego, explainerów, automatycznej konwersji treści biznesowych i ogólnego wdrożenia API.
ByteDance zapewnia bardziej wyspecjalizowany system kontroli kreatywnej. Limit 50 referencji, wielorundowa kontynuacja, zmiany na poziomie znaczników czasu, workflow green screen, edycja kamery i prewizualizacja clay render mogą przeważyć brak benchmarku, gdy profesjonalna konstrukcja historii i chirurgiczna iteracja stanowią faktyczne kryteria akceptacji.
W produkcji nie wybieraj wyłącznie na podstawie nagłówków. Przepuść ten sam brief przez oba modele, mierz wyniki zaakceptowane zamiast pierwszych prób i kieruj każde zadanie do systemu, który dostarcza wymaganą jakość z mniejszą liczbą retry i mniejszym nakładem edycji.
FAQ
Czy Wan 3.0 jest lepszy niż Seedance 2.5?
Alibaba ma obecnie silniejsze niezależne potwierdzenie w benchmarkach i szersze wsparcie wejść biznesowych. ByteDance może być lepszy dla gęstych referencji, dłuższej narracji i precyzyjnej edycji kreatywnej. Wciąż brak bezpośredniego porównania Elo w tym samym frameworku.
Który model jest tańszy?
Bieżące strony CometAPI pokazują ceny startowe 0,04 USD/s dla Alibaba i 0,0824 USD/s dla ByteDance. Ostateczny koszt zależy od trasy, rozdzielczości, retry i współczynnika akceptacji.
Który model wspiera więcej referencji?
Seedance 2.5 wspiera większy konwencjonalny zestaw: do 30 obrazów, 10 wideo i 10 audio. Wan 3.0 wspiera do 10 obrazów, 5 wideo i 5 audio, a dodatkowo może użyć jednego obsługiwanego dokumentu lub jednej publicznej strony WWW.
Który model lepiej nadaje się do edycji wideo?
Alibaba obecnie prowadzi w niezależnej arenie edycji wideo z audio. ByteDance dokumentuje bardziej granularny workflow kreatywny z edycją po znacznikach czasu, wymianą tła (green screen), zmianą perspektywy kamery i edycją opartą na referencjach. Najlepszy wybór zależy od tego, czy ważniejsza jest preferencja jakości, czy głębokość kontroli.
Czy oba modele generują natywne audio?
Tak. Oba są zaprojektowane do generowania zsynchronizowanego audio i wideo. Oceń klarowność dialogu, lip‑sync, efekty dźwiękowe, stabilność muzyki i spójność głosu na własnych promptach.
Czy mogę uzyskać dostęp do obu jednym kluczem API?
Tak. Oba są obecnie dostępne w CometAPI i korzystają z jego asynchronicznego workflow generacji wideo, choć poprawność pól żądania należy weryfikować dla każdej trasy osobno.
