阿里把 AI 视频一口气拉到30秒：Wan3.0最多能吃5段视频参考，连网页都能直接喂

AIGC资讯

2026-09-17浏览 232,457 字 · 约 8 分钟

…

目录一、单次直接生成最长30秒0%

AI 视频以前最让人抓狂的问题之一就是：

太短。

5 秒。

10 秒。

一个复杂镜头刚起势：

没了。

想做一条完整广告或者有叙事的视频，只能：

生成；

剪辑；

续写；

再生成；

最后自己一点点拼起来。

阿里云最新展示的：

Wan3.0

这次直接把单次原生生成时长拉到了：

最长30秒。

而且不只是：

“把10秒硬拉长到30秒”。

它同时把：

参考图；

参考视频；

音频；

文档；

网页；

台词；

BGM；

音效

全部装进了同一套模型里。

AI 视频开始真正往：

生产级创作工具

靠了。

一、单次直接生成最长30秒

Wan3.0 当前支持单次生成：

2～30秒。

输出帧率：

30fps。

分辨率覆盖：

480P

720P

1080P。

还支持：

16:9；

4:3；

1:1；

3:4；

9:16；

以及自适应画幅。

所以一套模型就可以同时覆盖：

横版宣传片；

竖版短视频；

社交媒体内容；

电商广告；

影视分镜。

如果不想自己决定长度，还可以直接开启：

Smart Duration。

让模型根据 Prompt 和输入素材自动判断：

这条视频到底应该生成几秒。

二、30秒最大的意义其实是：故事终于能展开了

以前 5～10 秒视频通常只能完成：

一个动作。

比如：

人物走过来。

产品转一圈。

镜头推近。

但到了30秒，

已经足够形成：

开场；

发展；

高潮；

收尾。

阿里官方展示的案例里，一段 30 秒视频可以连续完成：

云层穿越；

角色登场；

音乐演奏；

舞蹈；

宴会收尾。

也就是说：

一个 Prompt 就能控制完整的30秒叙事节奏。

而且既可以：

多镜头组织，

也可以做：

复杂连续运镜和长镜头。

这对广告、短片和预告片的意义比单纯“多20秒”大得多。

三、最多可以直接丢5段视频给它参考

我觉得 Wan3.0 这一代真正实用的能力其实是：

Omni Reference。

参考模式下最多可以输入：

10张参考图片

5段参考视频

5段参考音频。

其中：

5 段参考视频总时长不超过：

15秒。

以前做参考生视频：

一般就是扔一张角色图。

现在可以直接把：

角色动作；

镜头运动；

人物外观；

场景；

声音；

产品

拆成不同素材交给模型。

例如你可以说：

人物参考图1，服装使用图片2，动作参考视频1，运镜参考视频2，声音参考音频1。

模型再统一理解这些素材：

重新组合成一条新视频。

这个玩法已经越来越接近：

导演给制作团队下指令。

四、参考视频甚至可以一起参考声音

Wan3.0 的参考视频不仅能参考：

动作；

角色；

镜头。

如果输入的视频本身带有声音：

模型还可以继续利用其中的：

Voice。

例如给一段演员参考视频。

再让他出现在完全不同的：

场景；

服装；

镜头

里。

同时尽量保持：

人物身份；

声音；

动作逻辑。

相比过去需要：

视频模型生成画面；

语音模型生成声音；

口型模型重新对齐，

现在越来越多环节开始被：

一个模型直接吃掉。

五、Wan3.0已经是原生“有声视频模型”

这次还有一个特别重要的变化：

默认生成的是：

有声视频。

模型可以原生生成：

人物对白；

环境音；

BGM；

动作音效。

而且这些声音和：

画面；

角色；

动作；

镜头节奏

一起生成。

比如一个人关门。

不是先生成视频，

然后再从素材库里：

贴一个“砰”。

而是模型根据整个场景同步理解：

什么时候出现声音；

声音来自哪里；

大小应该如何变化。

AI 视频继续从：

Video Generation

往：

Audio-Visual Generation

走。

六、连PDF、PPT、Excel和网页都能直接拿来做视频

这块我觉得特别适合企业场景。

Wan3.0 不只支持：

文字；

图片；

视频；

音频。

现在还可以直接输入：

DOC / DOCX

XLS / XLSX

PPT / PPTX

PDF

TXT

Markdown

等文件。

甚至可以直接提供：

公开网页链接。

例如：

把一份产品 PPT 扔进去。

然后说：

根据这份资料制作一条20秒新品发布视频，重点突出三个核心卖点。

模型可以先理解：

文档内容；

产品信息；

视觉素材

再继续生成视频。

这其实把以前：

读资料
↓
整理卖点
↓
写脚本
↓
写视频Prompt
↓
生成视频

开始压成：

一次任务。

七、一套模型把文生、图生、参考生全部合并了

Wan3.0 这次还有一个很明显的产品思路：

All-in-One。

以前生成不同类型视频：

可能要切：

文生视频模型；

图生视频模型；

首尾帧模型；

参考生视频模型；

视频编辑模型。

Wan3.0 现在用：

wan3.0-video

一个模型就统一覆盖：

文生视频；

首帧图生视频；

首尾帧视频；

参考生视频；

视频编辑；

视频延长。

开发者不用根据任务类型：

来回切 Model ID。

这对真正做：

AI视频产品；

自动化内容平台；

企业工作流

会方便很多。

八、首尾帧也保留了，镜头控制更直接

如果需要更加明确地控制：

视频从哪里开始；

最终停在哪里，

仍然可以提供：

First Frame

以及：

Last Frame。

例如：

第一帧：

一辆汽车停在城市街道。

最后一帧：

汽车出现在雪山公路。

再让模型自己补：

中间的运动、场景变化和镜头过渡。

对：

广告；

转场；

剧情；

视觉特效

这种需要精确落点的任务很实用。

九、现在已经正式开放API，不需要再申请

Wan3.0 Video API 已经在：

阿里云百炼

正式开放。

开发者不需要额外申请模型权限。

可以直接调用：

wan3.0-video

如果更加看重速度：

还可以选择：

wan3.0-video-prime

Prime 属于优速推理版本。

能力基本保持一致，

但生成速度更快，

对应调用价格也更高。

API 目前采用：

异步任务模式。

创建视频任务以后：

再轮询获取生成结果。

比较适合：

批量视频；

广告平台；

AI创作工具；

自动化生产流水线。

十、价格目前也是按秒算

Wan3.0 标准版在国内百炼的原价为：

480P：0.3元 / 秒

720P：0.6元 / 秒

1080P：1.2元 / 秒。

目前标准版正在进行：

限时7折。

活动持续到：

2026年9月24日 00:00。

所以对于开发者来说：

生成多长，

基本就直接对应多少成本。

相比以前很多：

积分；

Credits；

固定次数

的计费方式，

这种按秒计费反而比较容易：

提前算账。

最终价格以百炼控制台实时显示为准。

十一、真正适合的已经不只是“玩AI视频”

30秒 + 多视频参考以后，应用场景明显开始变化。

例如广告制作：

产品图
+
品牌视频
+
模特参考
+
配音参考
+
品牌PPT
↓
Wan3.0
↓
30秒完整广告

影视制作可以用：

演员参考；

服装参考；

动作视频；

场景图；

导演 Prompt

直接生成预演镜头。

电商也可以：

一套商品素材，

批量生产不同：

人物；

场景；

语言；

画幅

的营销视频。

对文旅来说：

甚至可以直接把：

景区官网；

介绍资料；

图片素材

作为输入。

然后生成一条完整宣传片。

这里真正变化的是：

视频模型开始能够理解“项目资料”，而不只是Prompt。

十二、AI视频正在从“抽卡”进入“导演模式”

以前生视频有一种很强的：

抽卡感。

一句 Prompt 扔进去。

结果到底长什么样：

模型说了算。

现在参考素材越来越丰富以后，

工作方式逐渐变成：

这个人
+
这个产品
+
这个动作
+
这个声音
+
这个场景
+
这样的镜头
+
这个故事
↓
生成

也就是说：

随机性依然存在。

但创作者可以给的约束越来越多。

这才是：

AI视频真正进入生产流程

需要的东西。

结语

Wan3.0 这次真正值得记住的，不只是：

最长30秒。

而是一整套能力已经开始往生产级视频靠：

单次原生最长30秒。

30fps。

最高1080P。

最多：

10张参考图片。

5段参考视频。

5段参考音频。

还支持：

PDF；

PPT；

Word；

Excel；

Markdown；

公开网页。

并且原生生成：

对白 + BGM + 音效。

现在甚至文生、图生、首尾帧、参考生、编辑和延长：

一个模型全部接住。

以前做 AI 视频：

你需要努力把脑子里的画面：

写成一句 Prompt。

现在开始变成：

把整个创作项目直接交给模型。

人物是谁。

产品长什么样。

动作参考哪个视频。

声音怎么说。

品牌资料在哪里。

模型全部一起理解。

所以 Wan3.0 真正跨过去的可能不只是：

10秒 → 30秒。

而是：

“生成一段视频” → “按导演意图完成一段作品”。

AI 视频这块，越来越像真正的生产工具了。

阿里把 AI 视频一口气拉到30秒：Wan3.0最多能吃5段视频参考，连网页都能直接喂

一、单次直接生成最长30秒

二、30秒最大的意义其实是：故事终于能展开了

三、最多可以直接丢5段视频给它参考

四、参考视频甚至可以一起参考声音

五、Wan3.0已经是原生“有声视频模型”

六、连PDF、PPT、Excel和网页都能直接拿来做视频

七、一套模型把文生、图生、参考生全部合并了

八、首尾帧也保留了，镜头控制更直接

九、现在已经正式开放API，不需要再申请

十、价格目前也是按秒算

十一、真正适合的已经不只是“玩AI视频”

十二、AI视频正在从“抽卡”进入“导演模式”

结语

相关链接

Wan3.0 阿里云体验入口

Qwen Cloud

Wan3.0 官方模型发布页

Wan3.0 使用指南

Wan3.0 API 文档

Wan3.0 模型信息与价格

阿里云百炼

评论 0

推荐阅读