WAN AI動画生成:Wan 3.0とWan 2.6を比較
AlibabaのWan 3.0はAI動画を音声付き30秒まで拡張し、Wan 2.6はアイデアを無料で試せるモデルとして残ります。変更点と使い分けを紹介します。

執筆 Vincent Park
公開日

WAN AI動画生成とは、Alibabaの動画モデルファミリーのことで、現在VIBEで使えるのはWan 3.0とWan 2.6の2つです。Wan 3.0は音声付き1080pで最長30秒をレンダリングできるプレミアムモデル、Wan 2.6は720pで8秒の素早いテストに向いた無料モデルです。このガイドでは両者の違いと、次のクリップにどちらが合うかを解説します。
ひとことで言うと
WanはAlibabaのAI動画モデルファミリーで、Wan 3.0はその最新世代です。最大1080pで2〜30秒のクリップを、セリフ・音楽・効果音と一緒に1回の生成で作ります。Wan 2.6(2025年12月)は、VIBEの無料プランで使える前世代のモデルです。
WAN AI動画生成とは?Wan 3.0の新機能は?
WanはAlibabaの動画モデルシリーズで、通義万相(Tongyi Wanxiang)の名で開発され、AlibabaのQwen言語モデルと並んで語られることが多いモデルです。Alibaba Cloudは2026年8月24日にWan 3.0の一般提供開始を発表し、テキスト、画像、動画、音声、さらにはドキュメントから最長30秒のクリップを作れるモデルだと説明しています(Alibaba Cloudの発表)。VIBEではプレミアムモデルとして提供しており、アプリ側の詳細はWan 3.0の解説記事にまとめています。
「Qwen AI動画生成」と検索する人がいますが、指しているのは同じファミリーです。Qwenは言語モデルのブランド、Wanは動画モデルのブランドです。名称についてはQwenとWanのガイドで説明しています。2026年11月現在、VIBEにはWan 3.0(プレミアム)とWan 2.6(無料)の2つのWanモデルがあり、この記事ではその選び方を紹介します。

Wan 3.0とWan 2.6は何が違う?
Wan 2.6は2025年12月16日にリリースされ、最長15秒のクリップ、マルチショットの物語表現、音声と映像の同期の向上、リファレンス動画からの生成モードを備えていました(Alibaba Cloudのプレスリリース)。Wan 3.0は最長を30秒に倍増し、1080p出力、ネイティブ音声、はるかに多い参照入力を加えました。VIBEでの実際の上限はメーカー仕様と少し異なるため、表にはアプリで得られる内容も載せています。無料モデルの詳細はWan 2.6のモデルページをご覧ください。
| 項目 | Wan 3.0 | Wan 2.6 |
|---|---|---|
| メーカー仕様のクリップ長 | 2〜30秒 | 最長15秒 |
| VIBEでのクリップ長 | 最長30秒 | 最長8秒 |
| VIBEでの解像度 | 最大1080p | 720p |
| VIBEでのネイティブ音声 | あり(セリフ・音楽・効果音) | なし |
| 画像から動画 | 可、さらに参照画像10枚まで | 可 |
| VIBEのプラン | プレミアム | 無料 |
- 長さ: 15秒から30秒へ。ひとつの瞬間だけでなく、シーン全体を1回の生成に収められます。
- 音声: Wan 3.0は映像と一緒にセリフ、BGM、効果音を生成します。VIBEのWan 2.6は無音なので、音は後から加えます。
- 解像度: Wan 3.0は480p、720p、1080pに対応。VIBEのWan 2.6は720pで生成します。
- 入力: Wan 3.0は参照画像10枚まで、参照用の動画・音声クリップ、ソース素材としてのドキュメントやウェブページを受け付けます。
Wanのクリップは何秒まで作れる?音声はある?
2026年11月現在、VIBEで最も長く作れるのはWan 3.0です。クリップは約2秒から30秒まで、最長30秒のマルチショット構成に対応し、1ショットあたり約4〜6秒のストーリーボードが想定されています(Alibaba Cloud Model Studioのガイド)。音声は初期設定でオンで、セリフ、BGM、効果音を含むため、別途ナレーションを入れる手間は要りません。
VIBEのWan 2.6は最長8秒で音声はなく、だからこそスケッチ用に向いています。9:16のSNS投稿なら8秒で十分なことが多く、30秒フルは広告やミニストーリー、商品紹介にとっておくのがおすすめです。音が重要な場合は、長さを決める前に音声付きAI動画のガイドをご覧ください。

Wan 3.0はどんな入力に対応している?
Wan 3.0はマルチモーダル入力を前提に作られています。テキストプロンプトのほか、最初のフレーム、または最初と最後のフレームから始められ、キャラクターやスタイルを揃えるための参照素材も使えます。VIBEでは生成前に入力欄で参照素材を添付します。静止画を動かす基本は画像から動画へのチュートリアルで解説しています。公開されている仕様では次の入力に対応しています。
- テキストプロンプト: 被写体、動き、カメラ、光を普通の言葉で説明します。
- 写真1枚、または最初と最後のフレーム: フレーム間の動きをモデルが補完します。
- 参照画像10枚まで: クリップ全体で同じ顔、衣装、商品を保てます。
- 参照用の動画・音声クリップ: 動き、声、雰囲気を誘導します。各タイプとも最大5クリップ、合計15秒までです。
“A street food vendor in a night market flips noodles in a wok, flames rising, steam glowing in neon light; the camera starts wide, then pushes in slowly to his smiling face; sizzling sounds, distant chatter and soft lo-fi music; 9:16, 1080p, realistic documentary look.”
VIBEではどのWanモデルを使うべき?
アイデアが通用するか確かめるにはWan 2.6、投稿用の完成版にはWan 3.0を使いましょう。こうすれば、無料テストを通過したクリップにだけプレミアム生成を使えます。無料プランにはSeedance Pro Fast、LTX Video、Luma Dream Machine、PixVerseも含まれ、モデル一覧で比較できます。使いこなし方は無料AI動画ジェネレーターのガイドで紹介しています。
Wan 2.6が向いているのは次の場合です。
- プロンプト、ルック、キャラクターを試して、素早く無料でフィードバックがほしいとき。
- リアクション、商品の回転、ループなど、8秒の一場面で足りるとき。
- 音楽やナレーションを編集アプリで自分で足すとき。
- 多くのバリエーションを作り、プレミアム生成は良いものだけに使いたいとき。
Wan 3.0が向いているのは次の場合です。
- つなぎ合わせではなく、完結したシーン、広告、ミニストーリーを1テイクで作りたいとき。
- セリフや効果音を含め、映像と一緒に音を生成したいとき。
- YouTubeへのアップロードやクライアント納品に1080pが必要なとき。
- 複数の参照画像で顔や商品を固定したいとき。
無駄の少ない進め方です。
- Wan 2.6で、動きが1つだけの短いプロンプトを使ってアイデアを試し、構図と動きを確認します。
- プロンプトの問題点を直します。カメラの動き、光、被写体の説明などです。
- 改善したプロンプトをWan 3.0で1080pで再生成し、音の説明を加えて最終的な長さを選びます。
“A golden retriever runs through shallow waves on an empty beach at sunrise, low tracking shot, water spraying in slow motion, warm backlight.”

Wanで最良の結果を出すプロンプトの書き方は?
監督になったつもりで、被写体、動き、カメラ、光、音の順に書きましょう。Wanモデルは、ゆっくり寄るドリー、手持ち、ローアングル、フォーカス送りといった具体的な動詞やカメラ用語をよく理解しますが、1つのプロンプトに5つの別シーンを詰め込むと苦手です。Wan 3.0では、マルチショット構成が伝わるようにショットごとに1文を書き、各ショットは4〜6秒程度に収めましょう。
音の質感と画面内の文字は、今も弱点です。Alibaba自身もどちらも発展途上だと述べているため、読める看板や正確な歌詞に頼るプロンプトは避けましょう。他の書き方のパターンはAI動画プロンプトの書き方ガイドをご覧ください。
“Shot 1 (0-5 s): a cyclist crosses a foggy bridge at dawn, wide static shot. Shot 2 (5-10 s): close-up of her determined face, breath visible, handheld. Shot 3 (10-15 s): drone pull-back revealing the city waking up; ambient wind, a bike chain ticking, soft cinematic score.”

Wanは無料?料金は?
Wan 2.6はVIBEの無料プランで使え、ログインなしで始められるので、支払いなしでプロンプトを試せます。Wan 3.0は、1080pで音声付き30秒の生成が短い無音クリップよりはるかに多くの計算資源を必要とするため、プレミアムモデルです。アプリ内の価格は変わることがあるので、長い生成の前にモデルカードを確認してください。
参考までに、Alibaba Cloudのローンチ記事には、480p、720p、1080pで生成1秒あたり0.05ドル、0.10ドル、0.20ドルというAPI価格が、キャンペーン割引前の数字として掲載されています(出典)。これはAlibabaの開発者向け価格でVIBEの料金ではありませんが、30秒の1080pレンダリングが短い下書きよりずっと高コストな理由がわかります。Wanが他のモデルとどう並ぶかは、おすすめAI動画モデルのランキングでVeo、Kling、Seedanceと比較できます。
よくある質問
WAN AI動画生成とは何ですか?
WanはAlibabaのAI動画モデルファミリーです。VIBEでは、音声付き1080pで最長30秒のプレミアムモデルWan 3.0と、720pで最長8秒の無料モデルWan 2.6を使えます。
Wan 3.0とWan 2.6の違いは?
Wan 3.0はより長いクリップ(最長30秒)、高い解像度(最大1080p)、ネイティブ音声、はるかに多い参照入力に対応します。2025年12月に登場したWan 2.6は、クリップが短く、VIBEでは無音で、無料です。
Wan 3.0の動画は何秒まで作れますか?
Wan 3.0は約2秒から30秒までのクリップに対応します。VIBEでは生成前に長さを選びます。
Wan 3.0は音声を生成しますか?
はい。Wan 3.0はセリフ、BGM、効果音を同じ生成で作り、音声は初期設定でオンです。VIBEのWan 2.6は音声を生成しません。
無料のWanモデルはありますか?
はい。Wan 2.6はVIBEの無料プランに含まれるので、プレミアムのWan 3.0を使う前に、支払いなしでプロンプトを試せます。
Wan 3.0は自分の写真を参照にできますか?
はい。公開されている仕様では1回の生成で参照画像を10枚まで使えるため、顔、商品、衣装をクリップ全体で一貫して保てます。
今日から AI動画 を作り始めよう
iOSとAndroidでVIBEを無料ダウンロード。ログイン不要。10種類以上のAI動画モデルにアクセスし、テキストプロンプトや画像から動画を生成できます。
続けて読む
すべての記事
モデルニュースQwen AI動画生成とは?アリババのWanモデルの仕組み
「Qwen AI動画生成」で検索する人は多いものの、アリババの動画モデルの名前はWanです。QwenとWanの違い、Wan 3.0とWan 2.6でできること、VIBEでの試し方を紹介します。
Vincent Park読了 9 分
モデルニュース中国のAI動画生成を解説:Kling、Wan、Seedance、Hailuo、PixVerse
Kling、Wan、Seedance、Hailuo、PixVerseはいずれも中国のラボ発のモデルです。開発元、得意なこと、今日VIBEで使えるものをまとめました。
Vincent Park読了 9 分