Wan 3.0における3つの参照グループと実際の上限仕様

Alibabaの動画生成モデルWan 3.0は、「参照アセット最大20個」と公式に謳っているが、実装ではこの20が画像・動画・音声という3つの系統に分割されている（画像10+動画5+音声5）。APIリクエストのパラメータ構成で、テキストからの生成か、画像を参照フレームとするか、といった生成モードが決まり、各モードで参照できるアセット数が異なる仕様になっている。

AIの鬼的に引っかかるのは、ここだ。公式ドキュメントに「参照アセット最大20個」と書いてあると、ユーザーは素朴に「20個の画像をぶち込める」と読む。しかし実際には、画像は最大10枚、残り10の枠は動画と音声に奪われている。この種の「公式表記と実装の乖離」は、AI企業の成長期には往々にして起きる。ユーザーは「仕様が理解できていない」と責められ、企業は「ドキュメント改善の優先度は低い」と判断する。その間、試行錯誤で時間をロスするのが常だ。Wan 3.0を使う側は、こうした乖離を前提に、公式の数字をそのまま信じるなという教訓が隠れている。

中小企業がこれから動画生成AIを実務に取り込む際は、試行錯誤の段階で制約をしっかり把握しておくことが鍵になる。公式表記だけでなく、実際に小規模で試して「この仕様ならうちの用途に間に合うか」を確認する癖をつけておくと、本番導入の時に手戻りが少なくなる。