Alibaba、Diffusion Transformer モデル Wan3.0 を公開──ネイティブ 30 秒生成と Omni-Reference を実装
テキスト・画像に加え構造化ドキュメントを直接参照して 30 秒の動画を単一パスで生成可能にし、実務での動画制作プロセスを圧縮する。
リリース: 2026-08-06 · 読了 2 分記事の要約
1. 核心（What）
- Alibaba は Diffusion Transformer アーキテクチャをベースにした動画生成モデル Wan3.0 のパブリックベータ提供を開始した。
- 単一の生成パスで最大 30 秒の長尺動画を出力し、従来必要だった複数クリップの繋ぎ合わせ作業を解消する。
- Omni-Reference 入力システムにより、PDF やスプレッドシートなどの構造化文書をクリエイティブの入力ソースとして直接取り込める。
- プロダクション品質のキャラクター一貫性と、動画生成パスと同期したオーディオ生成を標準サポートする。
2. 影響（Why）
- 長尺単一生成によるワークフロー効率化: 従来の 2〜15 秒制限では複数クリップの結合や編集が必須だったが、30 秒の単一パス化により広告素材やプロモーション映像の制作パイプラインを簡素化できる。
- 国内映像制作事業者への影響: [国内 動画制作・マーケティング支援事業] のような中堅プロダクションは、企画書やスプレッドシート（Omni-Reference 対応）を直接入力するプロトタイピング手法へ移行し、初期コンテ作成コストを圧縮できる。
3. 根拠・詳細（How）
- Diffusion Transformer アーキテクチャの採用: DiT 基盤を用いてプロダクション品質のキャラクター一貫性とインパスオーディオ生成を統合し、複数解像度（480p/720p/1080p）でのスケーラブルな推論を実現している。
- 多重フォーマット対応 Omni-Reference 制御: .doc, .xls, .ppt, .pdf, .txt などの構造化ファイルやライブ URL をベクトル化あるいはコンテキストとして統合し、テキスト・画像以外の多様な入力を解釈する。
4. 展望・課題（Next）
- フル API のロールアウトとオープンウェイトの動向: パブリックベータから正式なフル API 展開への移行スケジュールに加え、過去のオープンソース提供方針を踏まえ Apache 2.0 等でのウェイト公開が行われるかがコミュニティの焦点となっている。