阿里釋出影片模型 Wan3.0：單次直出 30 秒，PPT 與表格也能做影片

過去用 AI 生成影片，創作者最頭疼的往往不是畫質，而是時長。幾秒鐘一個鏡頭，想要串成完整故事，得在剪輯軟體裡把幾十個碎鏡頭拼來拼去，角色臉型還經常忽明忽暗地走樣。

阿里巴巴在阿里雲百鍊（Model Studio）和通義雲上線了新一代影片生成模型 Wan3.0。這次最大的變化，是把單次生成的長度直接拉到了 30 秒，比上一代 Wan2.7 的 15 秒整整翻了一倍，而且破天荒地允許使用者把整份 PPT 或 PDF 當作輸入提示詞。

扔一份 PPT 就能出片

主流影片模型通常只能接收文本或圖片，萬相 3.0 則把輸入範圍擴到了真正的全模態。除了文字、圖片、音訊和影片，它成了同家族裡第一個支援辦公文件的模型。

無論是 DOC、PDF、PPT 還是表格 XLS，只要單個檔案在 50 頁且 100MB 以內，或者給一個網頁連結，模型就能讀懂其中的結構化資訊。比如上傳一份咖啡館的品牌介紹文件，加上一句讓它拍出溫暖氛圍的提示詞，模型就能直接輸出一支 30 秒的品牌宣傳片。

為了支撐 30 秒的長鏡頭，模型加入了智慧時長推薦和影片延伸功能。此外，萬相 3.0 繼承了 2.7 版本的區域性編輯能力，如果對生成的成片不滿意，可以直接調整其中的畫面、情節或臺詞，不需要推倒重來。

在人像表現上，阿里強調新模型擺脫了傳統 AI 影片那種千篇一律的光滑塑膠感，給不同角色賦予了更自然的微表情和肢體動作。不過官方在測試說明中也坦承，目前的 Wan3.0 在音訊質感和畫面文字渲染上還不夠完美，後續版本仍在繼續調優。

價格方面，API 採用按秒計費的模式。480P 解析度每秒 0.05 美元，720P 為 0.10 美元，1080P 為 0.20 美元。這意味著生成一條 30 秒的全高畫質成片需要 6 美元，而用 480P 快速打樣只需 1.5 美元。

為什麼重要

對於影視剪輯師、廣告公司和自媒體團隊來說，30 秒的連續生成意味著長鏡頭和複雜鏡頭語言終於有了落地的可能。它把 AI 影片從提供零碎素材的玩具，推進到了能夠講完一個完整起承轉合的故事片工具。特別是支援文件直接轉影片，讓企業做產品介紹、培訓課件或資料彙報的門檻驟降，不用再去費力寫指令碼分鏡。

在行業競爭上，當同行還在卷 5 秒到 10 秒的高畫質抽卡時，阿里選擇把突破點放在了資訊輸入維度和生成時長上。把文件理解與長時序生成結合，看起來是想把大語言模型的辦公底座優勢直接平移到影片領域，直接切入最具商業付費意願的企業級工作流。

我們認為，阿里的計費策略做得很聰明。1.5 美元的低解析度草稿成本，讓創作者能夠以極低的代價反覆試錯，確認分鏡沒問題後再用 6 美元渲染 1080P 成片。但隱患在於，30 秒的時間跨度對物理一致性提出了極高要求，一旦背景道具或角色動作在第 20 秒發生形變，修改成本依然不低。同時文字渲染和音訊質感的短板，說明要在商業成片中徹底省去後期製作，現在看還為時尚早。