Нейросеть для видео Wan 3.0: русская речь, режим Omni и 30 секунд одним дублем (2026)

Wan 3.0 - видеомодель Alibaba, вышедшая в релиз 24 августа 2026 года. Три её особенности выделяют модель среди конкурентов: дословное произношение русских фраз, тридцать секунд непрерывной генерации и режим Omni, где сцена собирается из ваших собственных файлов.

Разберём каждую по порядку, с результатами практической проверки.

Русская речь: результаты проверки

Для теста использовалась фраза со сложной фонетикой: «Слушай, я уже всё решил: щенка мы забираем в четверг». В ней собраны шипящие и мягкие согласные, на которых видеомодели обычно спотыкаются - в прошлых тестах конкуренты выдавали «шинку» вместо «щенка» либо узнаваемо произносили только первое слово.

Wan 3.0 воспроизвела фразу целиком. Автоматическое распознавание вернуло текст без искажений, язык определён как русский с вероятностью 0,991, громкость дорожки составила минус 26,2 дБ - показатель живой речи, а не фонового шума.

Вторая проверка была рекламной: «Эта сыворотка держит кожу увлажнённой весь день». Результат аналогичный, вероятность русского языка 0,998, громкость минус 18,6 дБ.

Артикуляция проверялась отдельно по сетке кадров области рта. Губы приходят в движение с первых кадров, фазы меняются на каждом слове - типичная поломка, когда звук идеален, а лицо неподвижно, здесь не проявилась.

Практический вывод: описание пишется полностью по-русски, включая реплику в кавычках. Транслитерация, необходимая для некоторых других моделей, здесь не нужна.

Режим Omni и структура промпта

Omni доступен только у третьей версии, и это её главная новая механика.

Вы загружаете файлы разных типов, и каждый получает порядковую подпись: «Изображение 1», «Видео 2», «Аудио 1». Затем ссылаетесь на эти подписи прямо внутри текста описания - вместо того чтобы описывать внешность персонажа словами.

Лимиты на один запрос: до 10 изображений, до 5 видеофрагментов и до 5 аудиодорожек. Для видео и аудио действует бюджет в 15 секунд суммарно на каждый тип, лишнее обрезается на этапе загрузки.

Структура рабочего промпта выглядит так:

Женщина с [Изображение 1] сидит в светлой комнате и держит у лица флакон [Изображение 2], рассказывает о нём прямо в камеру, поворачивая флакон этикеткой к объективу. Говорит отчётливо артикулируя, губы двигаются точно в такт словам, тёплым разговорным голосом: «Эта сыворотка держит кожу увлажнённой весь день». Вертикальный кадр, съёмка на телефон с рук, мягкий дневной свет из окна за спиной, естественная текстура кожи. Audio: её голос на переднем плане, чистый, без обработки. Без музыки, без надписей на экране, без субтитров.

Разберём принципы, которые переносятся на любую задачу.

Ссылка заменяет описание. Вместо «женщина тридцати лет с тёмными волосами» пишется «женщина с [Изображение 1]». Внешность берётся с приложенного файла, в тексте остаётся только действие.

Роль вложения задаётся фразой, а не настройкой. Первое изображение отвечает за героя, второе за предмет - это следует из построения предложения: «держит у лица флакон [Изображение 2]».

Действия перечисляются последовательно. Держит, поворачивает, говорит - модель отрабатывает цепочку целиком, а не выбирает одно действие из списка.

Реплика ставится после описания манеры. Порядок такой: кто говорит, каким голосом, затем сама фраза в кавычках.

Звук выносится в отдельный блок. Строка, начинающаяся с «Audio:», определяет звуковую картину. Без неё модель может добавить музыкальную подложку, которую вы не заказывали.

Запреты пишутся в конце. Формулировка «без надписей на экране, без субтитров» предотвращает запекание текста прямо в кадр.

Тридцать секунд без склеек

Ключевое отличие от прошлой версии - удвоенная длительность. Но важнее ведь не сама цифра, а то, что тридцать секунд генерируются одним проходом.

При склейке коротких фрагментов на стыках возникают характерные дефекты: лицо героя слегка меняется, скачет освещение, обрывается движение камеры. Непрерывная генерация от этого свободна.

Проверка проводилась на сцене из четырёх последовательных действий: героиня проходит через комнату к окну, останавливается, разворачивается и садится в кресло, камера следует за ней. Результат - ролик длительностью 30,024 секунды, все действия выполнены в заданном порядке, внешность и обстановка совпадают от первого кадра до последнего. Детектор смены планов монтажных склеек не обнаружил.

Три режима и их различия

Режим	Что принимает	Когда применять
Первый и последний кадр	1-2 изображения	нужен предсказуемый переход между заданными точками
Референсы	до 5 изображений	сцена собирается только из картинок
Omni	10 фото, 5 видео, 5 аудио	нужен голос с записи или движение из вашего фрагмента

Ограничения

Модель не работает без вложений. Это не сбой, а заложенная логика: третья версия ведь рассчитана на работу с вашим материалом. Для генерации по чистому тексту остаётся версия 2.7.

Режим Multi-Shot недоступен. Разбивка ролика на несколько сцен с отдельными описаниями работает на версиях 2.6 и 2.7, но не на третьей.

Отдельного поля для аудио нет. Ранее можно было приложить свой файл для синхронизации; теперь звук передаётся через вложения Omni.

К линейке сохраняется и общая претензия, тянущаяся с версии 2.6: изображение временами выглядит восковым, кожа и материалы читаются как пластик.

Место в независимом рейтинге

На арене Artificial Analysis сравнение проводится вслепую: участники оценивают два ролика по одинаковому промпту, не зная авторства. По состоянию на конец августа 2026 года Wan 3.0 занимает первую строку среди моделей со звуком с рейтингом Elo 1240.

Интерпретировать результат стоит осторожно. Идущая следом Gemini Omni Flash набрала 1237 - разница в три очка укладывается в доверительный интервал, то есть модели фактически равны. Количество голосов у новинки составило 5723 против шестнадцати тысяч у конкурента, поэтому оценка менее устойчива. В категории без учёта звука третья версия в пятёрку лидеров не входит.

Корректная формулировка звучит так: среди моделей, самостоятельно генерирующих звуковую дорожку, Wan 3.0 делит лидерство с разработкой Google. Для линейки это существенный прогресс, поскольку предыдущая версия занимала пятую и восьмую позиции.

Как запустить

Порядок работы в боте Cyber AI:

1. Открыть приложение, перейти в раздел видео, выбрать карточку Wan.
2. В поле «Модель» установить Wan 3.0 - набор режимов перестроится автоматически.
3. Выбрать режим; для сцены с героем и предметом подходит Omni.
4. Загрузить файлы в раздел «Вложения».
5. Нажать «Вставить» под нужным файлом в том месте описания, где должна стоять ссылка.
6. Дописать действие, свет, реплику и блок Audio.
7. Задать длительность, качество, пропорции и сохранить - сохранение запускает генерацию.

Готовые промпты для разных типов сцен собраны в галерее Prompt Studio: у каждой работы виден полный текст, который копируется одним нажатием.

Итог

Дословная русская речь - главная причина присмотреться к модели тем, кто делает контент на русском языке. Вместе с тридцатью секундами непрерывной генерации и работой по референсам это закрывает большинство задач для соцсетей и карточек товара.

Режим Omni оправдывает освоение при регулярном производстве однотипного контента: набор файлов собирается однажды, дальше меняется только текст сцены.

Ограничение по вложениям стоит учитывать при планировании - третья версия работает с вашим материалом, а не придумывает кадр с нуля.