Alibabaの公式ページにはWan 3.0の参照機能「Omni-Creation」について「参照アセット最大20個」と記載されていますが、APIの内部実装において画像ファイルを20枚直接送信できるわけではありません。実際のAPIリクエストでは、この「20」という枠は単一の自由な配列ではなく、画像・動画・音声という3つの独立した系統に分割して管理されています。

wan3.0-video のリクエストは何を受け取るか

Wan 3.0のAPIでは、単一のモデルID wan3.0-video ですべての生成モードを処理し、リクエストペイロードに含まれるパラメータの組み合わせによって実行モードが決まります。

prompt: 最大20,000文字までのテキストプロンプトを指定します。
resolution: 解像度を 480P、720P、1080P から指定します（プロバイダの既定値は 1080P、4K非対応）。
duration: 生成秒数を2〜30秒の範囲、またはモデルに決定させる -1 で指定します（既定値5秒、Wan 2.7の15秒から拡張）。
audio: 音声生成フラグで、既定値は true です。
image_urls: 入力画像のURL配列を指定します。
image_with_roles: 画像の役割（first_frame、last_frame、reference_image）を指定する配列です。
video_urls: 参照動画のURL配列を指定します。
audio_urls: 参照音声のURL配列を指定します。
file_url: 最大100MB・50ページまでの文書ファイルURLを1つ指定できます。
link_url: 公開WebページのURLを1つ指定できます。
size: 出力のアスペクト比やサイズを指定します。
seed: 生成シード値を指定します。
nsfw_check: 安全性チェックの制御フラグです。
watermark: 透かしの有無を指定するフラグです。
generation_type: 生成タイプとして frame または reference を指定します。

モードの切り替えは以下のパラメータ構成によって行われます。

フレーム指定による動画生成（Frame-to-Video）: 開始フレームと終了フレームの2枚を指定する場合は image_with_roles を使用し、開始フレームのみの1枚を指定する場合は image_urls に画像URLを格納して generation_type: frame を渡します。
参照アセットに基づく動画生成（Reference-to-Video）: 被写体やスタイルの参照画像を渡す場合は、image_urls に画像URLを格納したうえで generation_type: reference を指定します。
テキストからの動画生成（Text-to-Video）: 画像フィールドを省略して prompt のみを送信し、必要に応じて動画や音声の参照URLを追加します。

なお、Wan 3.0のモデルウェイトは一般公開されていません。Alibabaのオープンウェイト公開はWan 2.2で止まっており、Hugging Face上で最もダウンロードされているチェックポイントはWan2.2-TI2V-5B-Diffusers（約181,000件）で、Wan2.2-T2V-A14B-DiffusersとWan2.2-I2V-A14B-Diffusersが続いています。Wan3という名称のリポジトリは存在しません。

「20」は3系統に分かれている

グループ	上限数	その他の制限
参照画像	最大10枚	1ファイルあたり20 MBまで。形式はJPG、JPEG、PNG、BMP、WebP
参照動画	最大5クリップ	1クリップあたり1〜15秒、合計で15秒まで。形式はMP4またはMOV
参照音声	最大5クリップ	1クリップあたり1〜15秒、合計で15秒まで。形式はWAVまたはMP3

10（画像）+ 5（動画）+ 5（音声）を合計した値が「20」の正体です。したがって、参照画像を11枚以上添付することや、合計16秒以上の参照動画を添付すること、参照動画を20秒分添付することは仕様上できません。

映像アセットを添付せず、参照音声クリップのみを単体で渡して動画を生成する処理はAPI仕様上サポートされています。

プロンプト内から参照アセットを指定する際はラベル記法を用い、画像には @Image1 や @Image2、動画には @Video1、音声には @Audio1 と記述します。プロンプト内のラベル番号は、リクエスト配列に格納したアセットの添付順序と一致します。

実際に4本出してみた

2026年9月5日にWan 3.0を用いて生成した4本のテスト動画（解像度480p、アスペクト比16:9、長さ5秒、音声オン、30fps）の結果です。

Clip 1（5要素の構造化テスト）: ショット種別、被写体、動作、照明、音声の5要素を順にプロンプトに並べました。陶芸家が器を持ち上げる動作、左側の低い窓からの光、背後の影、カメラの前進（プッシュイン）が出力されました。
Clip 2（状況描写を節で記述するテスト）: 「雨粒がガラスを打つ」「ナトリウム街灯の光が顔を順に横切る」「頭上の蛍光灯のみで照らされた車内」といった節構造で指示しました。カメラ固定の状態で、指定した照明変化と雨の描写が反映されました。
Clip 3（参照画像ラベルのテスト）: 2枚の静止画を参照として添付し、プロンプト内で @Image1 と @Image2 のラベルを指定しました。1枚目から黄色いジャケット・黒髪・バッグのストラップが、2枚目からマゼンタのネオン・非常階段・濡れた路面が引き継がれました。
Clip 4（開始・終了フレーム指定テスト）: フレーム指定モードを使用し、シャッターが閉じた静止画を開始フレームに、開いた静止画を終了フレームに設定しました。シャッターが閉じた状態から始まり、中間で上がり、最終フレームで開いた状態へと着地しました。

Wan 3.0 で生成。480p、5秒、音声オン、@Image1 と @Image2 として2枚の静止画を添付 — 2026-09-05。

Clip 3のラベル機能について述べる際、客観的な限界にも触れておく必要があります。この1本のクリップにおいて被写体と背景の要素が正しく組み合わされたことは事実ですが、この結果が @Image1 や @Image2 というラベル指定によって正しくバインドされたのか、それともプロンプト内の「the courier」「the alley」といった自然言語の単語情報によってモデルが割り当てたのかを、1本の試行のみから厳密に切り分けることはできません。

検証に用いた参照用の静止画はNano Banana 2を用いて作成したものです。Clip 4で使用した「シャッターが開いた状態」の画像は、「シャッターが閉じた状態」の画像を画像編集して作成しました。テキストから画像を生成するモデルはリクエスト間で状態を保持しないため、別のプロンプトで生成し直すとまったく異なる建物が出力されてしまうためです。

長尺生成の検証として、2026年8月16日に1080p・30秒のクリップを出力し、屋上でハーブに水をやる料理人の手元から夜明けの都市のスカイラインへと途切れずクレーンで引いていく連続ショットを確認しています。

音声は既定でオンになっている

Wan 3.0は映像の生成と同一のパス内で音声を同時に出力します。

APIの audio パラメータは既定値で true に設定されています。完全に無音の動画を生成したい場合は、プロンプト内で無音であることを指定する必要があります。

音声をオフに設定しても生成コストは安くなりません。Wan 3.0の生成コストの増減は解像度と生成秒数によって決まります。

解像度による変化: 同一の生成秒数において、720pの生成コストは480pの2倍になります。1080pの生成コストは480pの4倍になります。
秒数による変化: 同一の解像度において、30秒のクリップの生成コストは5秒のクリップの6倍になります。

音声の出力を停止してもこの乗数は変動しないため、コスト削減目的で音声を無効化する意味はありません。具体的な費用計算を行いたい場合は、Wan 3.0 コスト計算ツールで確認してください。

ドキュメントに書いてあって、UI に出ていないもの

Webコンポーザーでは、テキストからの動画生成とフレーム指定による動画生成の2モードが提供され、4秒から30秒までの秒数指定、3種類の解像度、6種類のアスペクト比およびAuto設定、10,000文字までのプロンプト入力欄、既定でオンの音声トグルが用意されています。

API仕様とUIの間には以下の差異があります。

最小秒数の違い: API仕様では最小2秒からの生成（duration: 2）が可能ですが、Webコンポーザー側では共通スキーマに基づき下限が4秒に設定されています。
未露出の入力形式: APIには最大100MB・50ページまでの文書ファイルを受け取る file_url や、公開Webページを渡す link_url、インプレースでの動画編集機能が実装されていますが、Webコンポーザーの画面上には用意されていません。
上限表示の省略: ファイルアップロードパネルには対応形式（JPG、PNG、WebP、MP4、MOV）のみが記載され、各グループごとの上限数の詳細な内訳は画面上に明記されていません。

私たちのサービスについて（利益相反の開示）

筆者は Wan 3.0 を動かしている Seadanse の開発に関わっています。

業務でWan 3.0のAPI連携やパラメータ設計を検討する際は、公式の「20」という総数表現だけで判断せず、画像10枚・動画15秒・音声15秒という3系統の配分上限を前提に設計を進めることを推奨します。Seadanse のモデルページからも実行仕様を確認できます。