Wan recenzja: Wan 3.0 mówi po polsku, a Wan 2.2 działa za darmo na własnej karcie

Wan recenzja: co to jest i które wersje są za darmo

Wan to rodzina modeli wideo Alibaby. Wyróżnia ją to, że część wersji jest otwarta: Wan 2.1 (luty 2025) i Wan 2.2 (lipiec 2025) mają opublikowane wagi na licencji Apache 2.0, więc uruchomisz je za darmo na własnym komputerze, na przykład w ComfyUI. Wan 2.2 w wersji TI2V 5B mieści się na jednej karcie dla graczy.

Nowsze wersje działają już tylko jako usługa. Wan 2.6 i 2.7 trafiły do OpenRoutera w marcu i kwietniu 2026, a Wan 3.0 Alibaba ogłosiła 13 sierpnia 2026. Według ogłoszenia robi do 30 sekund wideo w jednym przebiegu, w 480p, 720p albo 1080p, z dźwiękiem, i jako pierwszy model w rodzinie przyjmuje na wejściu dokumenty: PDF, DOC, XLS, PPT, Keynote i inne, jeden plik do 100 MB i 50 stron. Obok jest szybszy i droższy Wan 3.0 Prime.

Wan 3.0 prowadzi w zestawieniu Artificial Analysis bez dźwięku z 1335 punktami Elo (odczyt 30.09.2026), trzy punkty przed Gemini Omni Flash. W zestawieniu z dźwiękiem jest drugi (1229). Przy przedziałach ufności rzędu kilku punktów to praktycznie remis na szczycie.

Mój test Wan 3.0: obraz, fizyka i 30 sekund

Wana testowałem najdłużej ze wszystkich modeli wideo, w trzech rundach. Najpierw pięć zadań specjalnych przez fal.ai, potem dwa rankingi na tych samych poleceniach co konkurencja.

Fizyka. Statyczne zbliżenie: dłonie nalewają kawę ze szklanego dzbanka, strumień się urywa, jedna dłoń podnosi filiżankę, druga wrzuca kostkę cukru. W klatkach przejrzanych co sekundę strumień, para i dłonie wyglądały naturalnie, a kolejność zdarzeń zgadzała się z poleceniem. Dłonie to zwykle najsłabsze miejsce generatorów, tu nie znalazłem błędu.

30 sekund bez cięcia. Chłopak w żółtej kurtce przechodzi przez targ, kupuje chleb, płaci i wychodzi na ulicę z tramwajem. Model utrzymał postać i kolejność akcji od początku do końca. To realna przewaga: Veo robi najwyżej 8 sekund, Kling 3.0 15.

Rankingi. W rankingu sześciu modeli kawa dostała 8,0/10 (poprawna porcelana, rosnący poziom, para, okno z zielenią), a tramwaj 7,5/10 (najlepsze odbicia na bruku, ale bełkot na tablicy kierunkowej). Średnia 7,75 dała trzecie miejsce za Grokiem i Veo. W rankingu dziesięciu modeli Wan znów miał 7,75 i szóste miejsce, tuż za czwórką z oceną 8,0.

Dźwięk. Do kawy Wan dołożył melodię, o którą nie prosiłem (analiza częstotliwości pokazała dźwięki G, A i D), a w tramwaju i w klipie z mową szczyty głośności dobijały do 0 dB. Przed montażem trzeba ścieżkę ściszyć.

Wan po polsku: dialog, napisy i łamaniec

Po polsku Wan 3.0 wypadł u mnie dobrze, ale nie bezbłędnie.

• Dialog. Kobieta w warszawskiej kawiarni mówi „Nie wyjadę bez ciebie. Słyszysz? Nie wyjadę.”, mężczyzna odpowiada „Wiem.”. Whisper zapisał obie kwestie słowo w słowo i rozpoznał polski z pewnością 99%. Kwestie padły w kolejności z polecenia.
• Napis w kadrze. Neon „ŻÓŁTA GĘŚ” wyszedł ze wszystkimi ogonkami, i to dwa razy, bo model sam dołożył drugi neon w witrynie. Kartka „Otwarte do północy” pokazała granicę: „Otwarte” czytelne, reszta zniekształcona. Duże napisy tak, drobny druk nie.
• Łamaniec. Zdanie o chrząszczu ze Szczebrzeszyna Whisper large-v3 i medium zapisały z dwoma błędami: „chrząść” i „płaczę”, czyli 16,7% błędnych słów. Lepiej wypadły MiniMax H3 Max, Gemini Omni Flash, Grok Imagine i Veo 3.1, gorzej Kling i Seedance.

Wniosek: zwykłe polskie zdania Wan mówi poprawnie, trudne zbitki spółgłosek czasem zmiękcza. Polecenia do testów pisałem po angielsku z polskimi kwestiami w cudzysłowie; szablony są w tekście Wan 3.0 po polsku. Interfejs wan.video jest po angielsku.

Ile kosztuje Wan: API, plany i darmowy Wan 2.2

Wan nie ma polskiego cennika. Są trzy drogi:

• API (Alibaba Cloud Model Studio, fal.ai, OpenRouter): cennik 0,05 USD za sekundę w 480p, 0,10 USD w 720p i 0,20 USD w 1080p. W OpenRouterze zapłaciłem mniej, niż mówi cennik: 0,425 USD za 5 sekund w 720p z dźwiękiem, czyli 0,085 USD za sekundę i około 1,64 zł. W fal.ai 8 sekund kosztowało pełne 0,80 USD. Minuta gotowego materiału w 720p to przez OpenRouter około 19,70 zł, bez powtórek.
• Plany na create.wan.video: Free z darmowymi kredytami za codzienne logowanie, Pro za 10 USD miesięcznie albo 5 USD przy płatności rocznej (300 kredytów, według strony do 60 filmów) i Premium za 40 albo 20 USD (1200 kredytów, do 240 filmów). Płatne plany zdejmują znak wodny i odblokowują 1080p oraz filmy 10-30 s. Strona zaznacza, że zakup dotyczy tylko tej witryny, a API kupuje się osobno.
• Wan 2.2 lokalnie: za darmo. Na moim RTX 4090 pięć sekund w 720p trwało około 4 minut i kosztowało około 2 groszy prądu, ale bez dźwięku i z błędami fizyki.

Pułapka, na którą trafiłem: klip 2-sekundowy w 480p kosztował w OpenRouterze tyle co 5-sekundowy. Nie zamawiaj klipów krótszych niż 5 sekund. Szkice rób w 480p, bo kosztuje połowę 720p, a do oceny kadru wystarcza. Cały rachunek jest w tekście ile kosztuje Wan 3.0.

Film z PDF i inne tryby Wan 3.0

Najbardziej nietypowa funkcja Wan 3.0 to wideo z dokumentu. Alibaba reklamuje ją przykładami: prezentacja produktu staje się filmem reklamowym, raport firmy krótkim nagraniem z lektorem. W moim teście film z pliku PDF zadziałał i to bardzo dobrze. Za to tryb wideo ze strony internetowej, dostępny w fal.ai, w dwóch próbach nie zadziałał ani razu.

Poza tym Wan 3.0 przyjmuje obraz startowy, dźwięk i wideo jako referencje, a według ogłoszenia pozwala edytować obraz, fabułę i dialog bez generowania całości od nowa. Animację własnych zdjęć sprawdziłem osobno na dwóch obrazach z lokalnego generatora; opis i gotowy skrypt w Pythonie są w tekście o Wan 3.0 w trybie obraz do wideo. Edycji fragmentu nie testowałem.

Jak pisać polecenia, żeby nie tracić minut na powtórki: opis sceny po angielsku, jedna czynność na ujęcie, ruch kamery nazwany wprost (static shot, slow push-in), a polskie kwestie w cudzysłowie z dopiskiem, kto je mówi. Jeśli nie chcesz muzyki, napisz „no music”, bo Wan chętnie dokłada melodię (skuteczności tego dopisku osobno nie mierzyłem). Cztery gotowe polecenia z filmami są w tekście o promptach do Wan 3.0.

Limity i ograniczenia Wana

• Czas generowania. 154-170 sekund na 5 s w 720p, a w zadaniach specjalnych od 3 do 14 minut. Grok, Veo i MiniMax H3 były kilka razy szybsze.
• Filtr treści. Zablokował mi zwykłą scenę na targu. Przy odrzuceniu zmień opis, zamiast ponawiać to samo polecenie.
• Drobny tekst. Przy 720p litery wysokości kilkunastu pikseli się sypią; Alibaba sama przyznaje, że dokładność tekstu w kadrze „wciąż się poprawia”.
• Brak otwartych wag Wan 3.0. Lokalnie uruchomisz tylko starsze wersje.
• Dźwięk. Niezamawiana muzyka i głośność na granicy przesterowania.
• Minimum 5 sekund rozliczenia w OpenRouterze.

Wan 2.2 lokalnie: czy darmowa wersja wystarczy

Wan 2.2 w najmniejszej wersji TI2V 5B uruchomiłem w ComfyUI na karcie RTX 4090. Pliki zajmują razem 18,1 GB (model 10 GB, koder tekstu 6,7 GB, VAE 1,4 GB), a sam model potrzebował w szczycie około 20 GB pamięci karty. Na kartach z 12-16 GB ComfyUI przeniesie część modelu do zwykłej pamięci RAM, ale generowanie potrwa dłużej; tego nie mierzyłem.

Pięciosekundowy klip 1280×704 powstawał w około 4 minuty, a pierwszy w serii ponad dwa razy dłużej, bo model wczytywał się z dysku. Najlepiej wyszły statyczne ujęcia z nastrojem: tramwaj w deszczu był najlepszym klipem tej serii. Fizyka zawodzi: kawa prześwitywała przez porcelanę jak przez szkło, a lama zamiast odwrócić głowę zaczęła się paść. Dźwięku nie ma wcale.

W bezpośrednim porównaniu na czterech tych samych poleceniach Wan 3.0 wygrał 4:0: lepiej trzymał się polecenia, poprawnie nalał kawę i dodał dźwięk. Wan 2.2 ma dwie przewagi: kosztuje grosze i nic nie wysyła do chmury. Licencja Apache 2.0 pozwala na użytek komercyjny. Moja rada: Wan 2.2 do szkiców, tła i dużych serii, Wan 3.0 do materiału, który ktoś obejrzy.

Prywatność i licencje

Tu Wan ma rzadki atut: jeśli prywatność jest dla ciebie ważniejsza niż jakość, Wan 2.2 działa w całości na twoim komputerze i żaden kadr ani opis nie wychodzi poza niego. Wagi są na licencji Apache 2.0, która dopuszcza użycie komercyjne.

Wan 3.0 działa wyłącznie jako usługa: przez Alibaba Cloud Model Studio albo pośredników, takich jak fal.ai i OpenRouter. Wtedy polecenia, obrazy startowe i dokumenty, które wgrywasz do trybu wideo z PDF, trafiają na serwery dostawcy. Nie wgrywałbym tam poufnych prezentacji firmowych ani zdjęć osób bez ich zgody. Filtr treści działa po stronie usługi i, jak pokazał mój test na targu, bywa nadgorliwy.

Wan czy Veo, Seedance i Kling: co wybrać

Do długich ujęć Wan 3.0 i Seedance 2.5 są jedynymi modelami z moich testów, które robią 30 sekund w jednym przebiegu. Wan jest przy tym tańszy (1,64 zł wobec 4,49 zł za 5 s) i wyraźnie lepiej mówi po polsku (16,7% wobec 58,3% błędnych słów). Seedance ma za to lepszą kamerę i 50 referencji.

Do krótkich ujęć z polską kwestią Veo 3.1 wypadło lepiej w łamańcu i jest szybsze, ale robi najwyżej 8 sekund i kosztuje więcej. Kling wygrywa narzędziami kontroli ruchu, przegrywa polską mową. Moja kolejność dla polskiego twórcy: Wan 3.0 do scen z dialogiem, Veo do krótkich ujęć, Wan 2.2 lokalnie do darmowych szkiców. To opinia na podstawie moich testów. Wszystkie wersje zebrałem w hubie Wan AI, a porównanie z darmowym Wan 2.2 w tekście Wan 2.2 lokalnie.

Wan: ceny i plany

Alibaba nie ma polskiego cennika Wana: plany na create.wan.video są w USD (odczyt 30.09.2026), a strona zaznacza, że zakup dotyczy tylko tej strony, a API rozlicza się osobno. Stawki API z ogłoszenia Alibaba Cloud i cenników fal.ai i OpenRoutera; kwota w złotych z mojego rachunku po kursie NBP 3,857 zł. źródło

Wan a konkurencja