阿里发布视频模型 Wan3.0：单次直出 30 秒，PPT 与表格也能做视频

过去用 AI 生成视频，创作者最头疼的往往不是画质，而是时长。几秒钟一个镜头，想要串成完整故事，得在剪辑软件里把几十个碎镜头拼来拼去，角色脸型还经常忽明忽暗地走样。

阿里巴巴在阿里云百炼（Model Studio）和通义云上线了新一代视频生成模型 Wan3.0。这次最大的变化，是把单次生成的长度直接拉到了 30 秒，比上一代 Wan2.7 的 15 秒整整翻了一倍，而且破天荒地允许用户把整份 PPT 或 PDF 当作输入提示词。

扔一份 PPT 就能出片

主流视频模型通常只能接收文本或图片，万相 3.0 则把输入范围扩到了真正的全模态。除了文字、图片、音频和视频，它成了同家族里第一个支持办公文档的模型。

无论是 DOC、PDF、PPT 还是表格 XLS，只要单个文件在 50 页且 100MB 以内，或者给一个网页链接，模型就能读懂其中的结构化信息。比如上传一份咖啡馆的品牌介绍文档，加上一句让它拍出温暖氛围的提示词，模型就能直接输出一支 30 秒的品牌宣传片。

为了支撑 30 秒的长镜头，模型加入了智能时长推荐和视频延伸功能。此外，万相 3.0 继承了 2.7 版本的局部编辑能力，如果对生成的成片不满意，可以直接调整其中的画面、情节或台词，不需要推倒重来。

在人像表现上，阿里强调新模型摆脱了传统 AI 视频那种千篇一律的光滑塑料感，给不同角色赋予了更自然的微表情和肢体动作。不过官方在测试说明中也坦承，目前的 Wan3.0 在音频质感和画面文字渲染上还不够完美，后续版本仍在继续调优。

价格方面，API 采用按秒计费的模式。480P 分辨率每秒 0.05 美元，720P 为 0.10 美元，1080P 为 0.20 美元。这意味着生成一条 30 秒的全高清成片需要 6 美元，而用 480P 快速打样只需 1.5 美元。

为什么重要

对于影视剪辑师、广告公司和自媒体团队来说，30 秒的连续生成意味着长镜头和复杂镜头语言终于有了落地的可能。它把 AI 视频从提供零碎素材的玩具，推进到了能够讲完一个完整起承转合的故事片工具。特别是支持文档直接转视频，让企业做产品介绍、培训课件或数据汇报的门槛骤降，不用再去费力写脚本分镜。

在行业竞争上，当同行还在卷 5 秒到 10 秒的高清抽卡时，阿里选择把突破点放在了信息输入维度和生成时长上。把文档理解与长时序生成结合，看起来是想把大语言模型的办公底座优势直接平移到视频领域，直接切入最具商业付费意愿的企业级工作流。

我们认为，阿里的计费策略做得很聪明。1.5 美元的低分辨率草稿成本，让创作者能够以极低的代价反复试错，确认分镜没问题后再用 6 美元渲染 1080P 成片。但隐患在于，30 秒的时间跨度对物理一致性提出了极高要求，一旦背景道具或角色动作在第 20 秒发生形变，修改成本依然不低。同时文字渲染和音频质感的短板，说明要在商业成片中彻底省去后期制作，现在看还为时尚早。