Wan 3.0 · 一个视频模型，三种入口
阿里通义万相 Wan 3.0，现已入驻 OVOV。可以从一段提示词开始，可以从首尾帧开始，也可以从一段配上你自己的参考图、参考视频与参考音频的提示词开始——480P、720P 或 1080P，5 到 30 秒，自带原生音轨。
OVOV AI 视频示例
来自我们视频模型的真实生成——Veo 3.1、Kling 与 Seedance。悬停任意片段即可播放，点击扬声器图标聆听音频。
悬停播放 · 点击扬声器取消静音
OVOV AI 视频示例
来自我们视频模型的真实生成——Veo 3.1、Kling 与 Seedance。悬停任意片段即可播放，点击扬声器图标聆听音频。
外星奇幻世界
奢华香水广告
产品发布会宣传片
马尔代夫旅游广告
东方武侠顶峰对决
好莱坞赛车电影镜头
飞船驶向深蓝宇宙
金毛小狗追蝴蝶
寿司师傅精心制作
红裙女子悬崖漫步
深夜高手对决
手持自拍 Vlog
爆汁美食特写
街舞高速动作
奢华口红广告
Wan 3.0 为什么值得一看
一个模型同时接收文本、关键帧或你自己的素材，最高渲染到 1080P，最长跑到半分钟，还会在生成画面的同时写好自己的音轨。
多模态参考
在文生视频中，最多可附 10 张参考图、最多 5 段参考视频（合计 15 秒）以及最多 5 段参考音频（合计 15 秒）。Wan 3.0 会从你自己的素材里提取角色、风格、运动与基调，而不是靠猜。
首尾帧控制
给它一张起始图，也可以再给一张结束图，Wan 3.0 会渲染两者之间的运动。做产品揭示、变形过程与前后对比叙事，这是最直的一条路。
480P、720P 与 1080P
三档分辨率，包含真正的 1080P 输出。先用 480P 花几个积分把想法打磨出来，再用 1080P 渲染真正要发布的那一版。
5 到 30 秒
六档固定时长：5、10、15、20、25 或 30 秒。五秒试片花不了几个积分；完整的 30 秒广告片也能装进一次生成。
原生音频，默认开启
Wan 3.0 在渲染画面的同时写好环境音、音效与匹配动作的声音。开关在你手上，而且关掉音频并不会改变价格。
五种宽高比，按秒计费
16:9、9:16、1:1、4:3 与 3:4。积分按秒计费——480P 每秒 3 积分，720P 每秒 6 积分，1080P 每秒 12 积分——生成失败全额退还。
从提示词、关键帧或素材到成片
按你手上已有的东西选择输入方式。Wan 3.0 在同一次生成中处理画面与声音，事后没有任何需要拼接的东西。
选好你的入口
只写一段提示词，或上传一张首帧（也可以再加一张尾帧），或在提示词之外附上参考图、参考视频与参考音频。然后设定时长、宽高比与分辨率。
Wan 3.0 同步渲染画面与声音
模型会先规划整段时长内的运动、光影与节奏，再渲染出视频与相配的音轨。多数任务在 1 到 5 分钟内完成；更长的片段耗时更久。
下载即用
拿到自带音频的成片——无水印，附商用授权。若生成失败，积分会立即退回。
Wan 3.0 适合做什么
三种输入方式加上 1080P 档位，覆盖面很广：成品广告、竖屏社媒短片、基于你自己素材的连贯创作，以及长篇氛围影片。
1080P 产品与品牌广告
一支全高清的 30 秒广告，一次生成完成。铺垫、演示、卖点与落板全部装进一次生成，声音也一并搞定。
- 1080P 输出，适合贴片、落地页与客户交付
- 16:9 适合宽屏，4:3 适合传统电视画幅
- 产品音效与环境声与画面一同生成
竖屏社媒短视频
TikTok、Reels 与 Shorts 的 9:16 竖屏，从 5 秒钩子到 30 秒故事。音频随片附带，事后无需再补一遍配乐。
- 9:16 竖屏，或用 1:1 发方形信息流帖子
- 用 480P 打草稿，每秒 3 积分，再用 720P 或 1080P 出成片
- 原生音频，无需授权音乐
系列内容前后一致
给每次生成都附上同一组参考图、参考视频与参考音频，角色、产品与基调就能在片段之间延续下去，而不会越跑越偏。
- 最多 10 张参考图，锁定角色与风格
- 最多 5 段参考视频，定住运动与运镜方式
- 最多 5 段参考音频，让声音保持同一家族
旅行与氛围影片
航拍扫掠、海岸公路与街头漫步，这些镜头需要时间呼吸——还有风声、水声与城市声把地方感卖出去。
- 需要用满 30 秒的长镜头漂移运镜
- 环境音与画面一同渲染
- 1080P 适合页面顶部的主视觉视频
Wan 3.0 提示词写作指南
Wan 3.0 支持最长 20,000 字符的提示词，远超多数片段所需的篇幅。下面这些习惯，能把篇幅花在模型真正会照做的地方。
先点名你的素材，再描述成片的样子
动笔前先选好输入方式
三种模式需要的提示词并不一样。文生视频得靠文字撑起整个场景；首尾帧模式构图已经定了，提示词要写的是运动；参考模式要写的则是从你附上的素材里借什么。
- •纯文本：从零描述场景、主体、运镜与声音
- •首尾帧：描述两帧之间的运动，而不是帧本身
- •参考素材（在文生视频中附加）：说清每份素材各自贡献什么——脸、服装、运镜、基调
示例
"First frame: a sealed cardboard box on a table. Last frame: the box open with a camera inside. Prompt: "hands lift the flaps in one smooth motion, soft window light"."
用编号点名你的参考素材
在参考模式里，你可以直接指着素材说——图 1、视频 1、音频 1——让模型知道哪份素材管镜头的哪一部分，而不是把所有素材糊成一团。
- •最多 10 张参考图、5 段参考视频与 5 段参考音频
- •参考视频合计 15 秒；参考音频合计 15 秒
- •给每份素材一个明确任务：身份取自某张图，运镜取自某段视频
示例
"Keep the woman from image 1 and the jacket from image 2, follow the slow dolly-in of video 1, and match the room tone of audio 1."
为选定的时长规划叙事弧线
30 秒是一段很长的画面时间。按发生顺序把推进过程写清楚，否则模型会把一个想法拖满半分钟。
- •先交代场景，再带入主体，然后才是运动
- •点明随时间变化的东西：光线、天气、距离、速度
- •较短的时长（5-10 秒）适合一个连贯动作
示例
"The room starts dim and empty, morning light climbs the far wall, dust drifts through the beam, and the camera slowly settles on a cup of coffee going cold."
把声音也写出来，不只是画面
音频默认生成，所以你没写的部分会被模型自行发挥。一两句声音方向的描述，通常就足以让它不跑偏。
- •点明环境音：雨打玻璃、远处车流、房间底噪
- •点明与动作匹配的声音：脚步、引擎、风声
- •要求安静也是有效的指令——想要稀疏就直说
- •心里已有基调时，附上参考音频
示例
"Sound: steady rain on a tin roof, an occasional low roll of thunder in the distance, no music."
把赞美词换成视觉事实
「惊艳」「史诗」「电影感」什么都没告诉模型。材质、颜色、光线方向和有力的动词才有用。
- •避免：惊艳、史诗、震撼、绝美、巨作
- •用有力度的动词：砸下、漂移、点燃、抽打
- •点明光源和一天中的时间
示例
"Avoid: "a stunning epic mountain shot". Prefer: "granite ridges under low side light, snow spilling off the crest in a thin plume"."
提前定好时长、比例与分辨率
Wan 3.0 提供 5、10、15、20、25 和 30 秒、5 种宽高比与三档分辨率。生成前就定下来，既省积分又不会构图出错。
- •横屏用 16:9 和 4:3，竖屏用 9:16 和 3:4，信息流用 1:1
- •用 480P 打草稿（每秒 3 积分），用 720P（6 积分）或 1080P（12 积分）出成片
- •按选定的画幅来写——竖屏需要主体离得近、居中
- •时长固定为 5、10、15、20、25 或 30 秒——把分镜凑到其中一档
示例
"A 15-second 9:16 vertical clip: a barista pulling an espresso shot, steam rising into warm café light, shallow depth of field."