Wan 3 vs Wan 2.7：徹底比較

仕様表を読むのはAI動画モデルを選ぶ最悪の方法です — どのモデルも「最高」と主張し、数字はモデルの使用感を教えてくれません。そこで、実際に買い物をするように、AlibabaのWanファミリーの最新2モデルを比較しましょう。手元にプロジェクトがあり、そこから動画を作る必要があり、どのツールがそこに到達できるかを知る必要があります。

Wan 2.7（2026年4月リリース）は前世代の実績ある主力モデルです。Wan 3.0（2026年8月6日からパブリックベータ）は新しいフラッグシップ — より大きく、より野心的で、まだ発展途上です。ネタバレ：どちらが一方的に「優れている」わけではありません。正しい答えは、締切、予算、必要な動画の長さに依存します。

スペック表（記録用）

スペック表ではわからないこと：実際の使用感

どちらも上限は1080p — まず最初の神話を潰します。 比較サイトで「Wan 3.0 ネイティブ4K」と繰り返し見たなら、無視してください。Alibabaの公式デモファイルは1920×1072または1280×720で、API価格表は480p、720p、1080pのちょうど3段階です。両世代に4Kは存在しないため、解像度だけで選ぶべきではありません。

最も目に見えるアップグレードは一貫性です。 Wan 2.7は単一セッション内でキャラクターを認識できる状態に保ちますが、ストーリーを複数のショットに広げると顔がずれ始めます。Wan 3.0はまさにこれを修正することに焦点を当てて作られました。Alibabaはキャラクター、小道具、シーン、空間関係のショット間ピクセルレベルの一貫性を主張しています。実際には、これは「明らかに同じ人物」と「…ちょっと待って、彼女の目の色が変わった？」の違いです。複数ショットの物語を作るなら、これがシート上のどのスペックよりも重要です。

音声こそが世代を分ける点です。 Wan 2.7の参照ベース音声（R2V）は声を合わせられますが、音楽は生成できず、サウンドは別のツールで組み立てる必要があります。Wan 3.0は同じパスで会話、効果音、音楽を生成します — Wanファミリーにとっては本当に新しい点です。正直な注意点：Alibaba自身もベータの音声品質と画面上のテキスト精度がまだ改善の余地があると認めています。3.0の音声は優れたラフドラフトであって、納品可能なマスタリングではありません。

長尺は微調整ではなくカテゴリーの変化です。 Wan 2.7は15秒（参照・編集ワークフローでは10秒）が上限で、それ以上はクリップを継ぎ足すことを意味します — そして継ぎ目こそ連続性が死ぬ場所です。Wan 3.0の1回の30秒生成は、完全なシーン、始まりと終わりのある製品リビール、クリップの途中でアングルが変わらない短いナラティブの余地を与えます。

Wan 3.0が輝く場所

Wan 3.0は「組み立てる」のではなく「演出する」ときに手を伸ばすモデルです：

• 1回で30秒 — 継ぎ足しなしで完全なシーン、製品リビール、ミニストーリーを作れる
• ドキュメントが動画になる — Word/Excel/PPT/PDF/Markdownファイル（≤100 MB / 50ページ）やWebリンクをドロップするとナレーション付きプレゼンになり、マーケティングと教育の関心を集めている機能
• 4つが1つに — t2v、i2v、r2v、動画編集が単一モデルに統合され、先頭／最終フレーム制御と延長にも対応
• 1回の生成で最大10枚の画像 + 5本の動画 + 5つの音声参照 — ショット間一貫性を可能にする核
• ネイティブ音声 — 会話、効果音、音楽が1つで出力され、別パイプラインが不要

Wan 3.0の弱点

その裏返しとして、これはベータ — しかも閉じられたベータです：

• API限定。 オープンウェイトなし、ローカルデプロイなし、ComfyUIなし、ファインチューニングなし。「Apache 2.0オープンソース」という噂は使い回しの誤報です（1.3B + 14Bという仕様はWan 2.1のもの）。Wanファミリーのオープンウェイト時代は実質Wan 2.2で終わりました。
• 当面はAlibabaプラットフォームのみ。 2.7のようにサードパーティプロバイダーで使うことはできません。
• 4Kなし — そして1080pは¥1.2/秒で、2.7より約20%高い。
• 荒削りな部分。 ベータの音声品質と動画内テキストの精度は正直な弱点です。
• 新しいプロンプトスキル。 3.0はタイムスタンプ付きショットリストを求め、2.7はショットごとに1段落を求めます。既存のプロンプトは構造ごと移行できません。

Wan 2.7がまだ価値ある理由

昨年のモデルを軽視するのは簡単ですが、2.7はちゃんと仕事をする頼れる友人です：

• 本番安定していてどこでも動く。 申請ゲートもベータラベルもなく、すでに使っているサードパーティプラットフォームで動作します。
• 1080pではより安い — ¥1.0/秒 vs ¥1.2/秒は、大量生成時に大きく効いてきます。
• 実績のあるコントロール。 先頭／最終フレーム、画像から動画のマルチ画像グリッド入力、専用の動画編集エンドポイント、自然言語での会話・カメラ編集 — すべて成熟し、よくドキュメント化されています。
• 優しいプロンプト形式。 ショットごとに1段落は、タイムスタンプ付きストーリーボードより習得が簡単です。
• 動画の継続生成 は現在も機能します（ソースクリップは2〜10秒）。

Wan 2.7にできないこと

• 長回し。 1回あたり最大15秒（参照・編集は10秒）のため、長い動画はすべて継ぎ足し作業になります。
• ショット間の一貫性。 参照スロットは5つだけで、一貫性はセッション内に限定され、複数ショットに広げるとズレが生じます。
• ドキュメント入力とネイティブ音楽なし。 どちらも3.0限定です。
• 480p段階なし — できる限り安く出力したい場合に不便です。

お金の話

1秒あたりでは、720pでは両モデル同じ（¥0.6/秒）、Wan 3.0は1080pで約20%高いです。しかし支払うのは1秒単位ではなく完成動画単位で、ここに差が出ます。Wan 3.0の30秒1080pクリップは1回で約¥36。Wan 2.7では同じ長さが15秒クリップ2本で約¥30、さらに継ぎ目なくつなぐ時間がかかります。720pではどちらも約¥18なので、実際のプレミアムは高解像度にあります。これらはベータ期のスナップショットとして捉え、約束とは考えないでください。

では、どちらを選ぶ？

動画が15秒より長い、ドキュメントから始まる、キャラクターがショット間で認識可能に保たれることに依存する、または音楽を内蔵する必要がある場合 — Wan 3.0がベータの粗さも含めてあなたのモデルです。短いソーシャルクリップを量産している、1080pで予算を抑えたい、または今日すぐに組み込める安定したパイプラインが必要なら、Wan 2.7が依然として現実的な選択です。

正直なところ、ほとんどのチームは両方を使い分けることになります：ヒーローショットや長尺には3.0、短納期で予算重視の実行には2.7。ワークフローを決める前に、同じプロンプトと同じ参照画像を両方に通してみてください — 数字はひとつの指標ですが、自分の目で違いを見るのが唯一の本物のレビューです。

Wan 3とWan 2.7をwan3video.ioで並べて試す — 同じプロンプト、同じ参照で、数分で違いがわかります。