Veo 3.1 e Wan 2.6 sono entrambi modelli video che generano il suono insieme alle immagini, ma si adattano a lavori diversi. Wan 2.6, di Alibaba, crea clip più lunghe (fino a 15 secondi), può suddividere da solo un prompt in più inquadrature e accetta video di riferimento di un personaggio, compresa la sua voce. Veo 3.1, di Google DeepMind, crea clip più brevi che seguono da vicino un prompt dettagliato, con controllo di fotogramma iniziale e finale e un'opzione 4K.
Questo confronto spiega cosa significa in pratica ciascuna differenza. Le specifiche sono state verificate il 28 settembre 2026 sulla documentazione ufficiale di Alibaba Cloud e di Google.
La risposta breve
- Scegli Wan 2.6 per clip da 10–15 secondi, sequenze multi-inquadratura automatiche, formati quadrati o 4:3, oppure quando vuoi trasferire l'aspetto e la voce di un personaggio da un video di riferimento.
- Scegli Veo 3.1 per una singola inquadratura diretta con precisione, una transizione tra due fotogrammi noti, un master 4K, oppure dialoghi scritti battuta per battuta nel prompt.
- Nessuno dei due si può scaricare. Wan 2.6 è un modello ospitato come Veo 3.1; i pesi pubblici di Alibaba si fermano a Wan 2.2.
Veo 3.1 vs Wan 2.6: le specifiche
| Veo 3.1 (Google DeepMind) | Wan 2.6 (Alibaba) | |
|---|---|---|
| Uscita | 15 ottobre 2025 (aggiornamenti 4K e verticale il 13 gennaio 2026) | 16 dicembre 2025 |
| Durata della clip | 4, 6 o 8 secondi nell'API di Google (8 s per 1080p e 4K) | 2–15 secondi (da riferimento a video: 2–10 secondi) |
| Risoluzione | 720p, 1080p, 4K (Google descrive il 4K come ottenuto per upscaling) | 720p, 1080p |
| Formati | 16:9, 9:16 | 16:9, 9:16, 1:1, 4:3, 3:4 |
| Multi-inquadratura | Un'inquadratura per impostazione predefinita; tagli solo se li chiedi nel prompt | Modalità multi-inquadratura integrata |
| Punti di partenza | Testo; un'immagine iniziale; fotogramma iniziale + finale; fino a 3 immagini di riferimento | Testo; un'immagine come primo fotogramma; fino a 5 riferimenti (fino a 3 video, fino a 5 immagini) |
| Audio | Generato con il video: dialoghi, effetti, ambiente | Generato automaticamente, oppure fornisci tu una traccia audio |
| Pesi | Nessun peso pubblico; ospitato da Google | Nessun peso pubblico (Hugging Face elenca fino a Wan 2.2); ospitato da Alibaba |
| Dove usarlo | App Gemini, Flow, Gemini API, Vertex AI; Veo Video | Alibaba Cloud Model Studio, il sito di Wan, l'app Qwen |
Durata della clip: 8 secondi contro un massimo di 15
Il modello da testo a video di Wan 2.6 accetta qualsiasi numero intero di secondi da 2 a 15. Quella durata in più è utile per un'unica azione continua che ha bisogno di tempo per svolgersi, o per uno spot breve che non conviene spezzare in più generazioni. Il suo modello da riferimento a video arriva al massimo a 10 secondi.
Veo 3.1 lavora per unità più brevi: 4, 6 o 8 secondi nell'API di Google, con 1080p e 4K che richiedono gli 8 secondi pieni. Gli strumenti di Google possono estendere una clip (l'API aggiunge 7 secondi per passaggio, fino a 20 volte, a 720p), ma la maggior parte dei progetti Veo più lunghi si costruisce con più inquadrature da 8 secondi montate insieme. Il vantaggio è che ogni inquadratura si può rigenerare senza toccare le altre.
Racconto in più inquadrature
Alibaba presenta il "racconto intelligente in più inquadrature" come una delle funzioni di punta di Wan 2.6. Nell'API lo attivi con un'impostazione multi-inquadratura (insieme all'espansione automatica del prompt), e il modello divide l'idea in più inquadrature mantenendo coerenti i dettagli principali. È comodo quando vuoi una sequenza — inquadratura di ambientazione, azione, reazione — e non vuoi pianificare tu ogni taglio.
Veo 3.1 parte di default da un'unica inquadratura continua. Puoi comunque chiedere dei tagli nel prompt, e spesso il modello cambia inquadratura negli 8 secondi, ma sei tu a dirigerlo in modo esplicito invece di affidare al modello il piano delle inquadrature.
Cosa significa per te: se preferisci lasciare al modello la struttura di una breve sequenza, Wan 2.6 fa una parte maggiore di quel lavoro. Se vuoi controllare ogni inquadratura, l'approccio di Veo 3.1, un'inquadratura per generazione, è più facile da guidare.
Riferimenti: video contro immagini
Il modello da riferimento a video di Wan 2.6 accetta fino a cinque riferimenti, di cui fino a tre possono essere video (ciascuno di 1–30 secondi) e fino a cinque immagini. Ogni riferimento dovrebbe mostrare un solo personaggio o oggetto. Secondo Alibaba, il modello ne estrae "l'aspetto del personaggio e la voce (se disponibile)", quindi una breve clip di una persona che parla può portare nella nuova scena sia il suo aspetto sia la sua voce.
Veo 3.1 usa immagini fisse. Puoi fornirgli fino a tre immagini di riferimento di una persona, un personaggio o un prodotto per mantenerli coerenti (Google chiama questa funzione Ingredients to Video), oppure fissare un primo e un ultimo fotogramma e lasciare che il modello costruisca il movimento tra i due. Le immagini fisse sono più facili da preparare; un video di riferimento trasmette più informazioni, come il modo in cui una persona si muove e la sua voce.
Audio
Entrambi i modelli generano il suono con il video.
Veo 3.1 genera dialoghi, effetti sonori e ambiente, e li dirigi dal prompt: battute tra virgolette, effetti indicati per nome, una descrizione dell'ambiente.
Wan 2.6 genera automaticamente musica di sottofondo ed effetti sonori coerenti, oppure usa un file audio che carichi tu. La seconda opzione è utile quando la colonna sonora esiste già — una voce fuori campo, un jingle — e le immagini devono seguirla.
Risoluzione e formati
Veo 3.1 offre 720p, 1080p e 4K in 16:9 o 9:16. Google descrive il suo 4K come un "upscaling allo stato dell'arte", quindi consideralo un master più nitido per i grandi schermi.
Wan 2.6 offre 720p e 1080p, ma in cinque formati: 16:9, 9:16, 1:1, 4:3 e 3:4. Se ti servono post quadrati o fotogrammi in 4:3 direttamente dal modello, Wan 2.6 ti risparmia un ritaglio.
Open source o modello ospitato
Le versioni precedenti di Wan erano modelli a pesi aperti, ed è per questo che Wan viene spesso descritto come open source. Per Wan 2.6 non è più così. La pagina Wan-AI di Alibaba su Hugging Face elenca i pesi fino a Wan 2.2, mentre Wan 2.6 è offerto tramite Alibaba Cloud Model Studio, il sito di Wan e l'app Qwen. Se far girare un modello sulla tua GPU è un requisito, la versione di riferimento è Wan 2.2, non Wan 2.6.
Anche Veo 3.1 è solo ospitato: lo raggiungi tramite i prodotti e l'API di Google, oppure tramite piattaforme come Veo Video.
Dopo Wan 2.6 Alibaba ha rilasciato anche versioni più recenti di Wan, tra cui Wan 3.0, che la sua documentazione indica con fino a 30 secondi per generazione. Se oggi stai scegliendo un modello Wan, confrontalo anche con la versione attuale.
Quale scegliere?
| Il tuo progetto | Più adatto | Perché |
|---|---|---|
| Una ripresa unica da 10–15 secondi | Wan 2.6 | Fino a 15 secondi per clip |
| Una breve sequenza pianificata dal modello | Wan 2.6 | Modalità multi-inquadratura integrata |
| Un personaggio la cui voce deve restare la stessa | Wan 2.6 | I video di riferimento trasmettono aspetto e voce |
| Un'inquadratura di punta precisa o una clip di prodotto | Veo 3.1 | Aderenza stretta al prompt, fotogramma iniziale e finale |
| Una transizione che arriva su un fotogramma noto | Veo 3.1 | Controllo di primo e ultimo fotogramma |
| Un master in 4K | Veo 3.1 | 720p, 1080p e 4K |
| Post social quadrati o in 4:3 | Wan 2.6 | Cinque formati |
| Shorts, Reels o TikTok verticali | Entrambi | Entrambi supportano il 9:16 |
Provare Veo 3.1 su Veo Video
Wan 2.6 non è offerto su Veo Video; Veo 3.1 sì, in tre livelli. Ogni generazione è una clip di 8 secondi con audio, in 16:9 o 9:16, a 720p, 1080p o 4K. Puoi partire da un testo o da una foto e aggiungere un fotogramma finale in qualsiasi livello; le immagini di riferimento funzionano su Veo 3.1 Fast, con un massimo di tre immagini per clip.
Metti a punto il prompt su Veo 3.1 Lite a 720p, poi genera la versione definitiva sul livello Veo 3.1 completo. I nuovi account ricevono 30 crediti gratuiti, sufficienti per una clip Veo 3.1 Lite a 720p.
Per altri confronti, leggi Veo 3.1 vs Seedance 2.0 e Veo 3.1 vs Kling AI.