Wan 3.0

概览

Wan 3.0 是阿里通义实验室 Wan（通义万相）视频系列的最新一代，2026 年 8 月 6 日开启公测。阿里给它的定位是“从生成一帧画面，到讲完一个故事”：单次原生30秒，声音和画面同一遍出，输入也不再只有提示词，文档、演示稿和网页都能直接读。它跑在 Alibaba Cloud Model Studio 和 Qwen Cloud 上，模型名为 wan3.0-video，三档分辨率按秒计费。

文档转视频才是重点

真正拉开差距的能力叫 Omni-Reference。除了文本、图片、音频和视频，它还读结构化文件，doc、xls、ppt、pdf、txt、key、pages、numbers、md 都收，网页链接也算，然后按读到的内容排出一段视频。阿里的说法是把“静态的、文字密集的数据变成真实级的视频内容”。交给它一份季度汇报或一张产品规格表，拿回来的是成片，不是分镜。当下的主流视频模型里，还没有第二个这样读文档的。

30秒一镜到底

单次连续生成30秒，大约是 Wan 2.7 的两倍。变的不只是数字，而是一次交付的单位。一条完整广告、一场短戏、一个慢慢展开的镜头，现在都能一次跑完，不必再拼几段素材、回头对光对节奏。智能时长会按脚本长短决定片长，短的段落不会硬撑时间。

长镜头也需要另一种写法。30秒得有起承转合：开场、转折、收尾。提示词该写画面怎么变，而不只是画面里有什么。没有转折的长度只是一段慢镜头，长视频生成被浪费掉，多半就浪费在这里。

参考控制与精准剪辑

Omni-Reference 最多接收20个参考素材，把人物、产品或场景在整条片子里、在镜头之间固定住。一组镜头能被看成一件作品，靠的就是这个。素材给了还不够，提示词里得给每个参考标清楚是谁。

剪辑也收进了同一个模型，不再另开工具。Wan 3.0 支持按指令改，也支持按参考素材改：圈定一段时间区间，只重新生成这一段，其余部分原封不动，画面、动作乃至角色的台词都能调。中文媒体把这个变化概括为“从抽卡到生产”，一次可控的修改，取代了反复重摇。

画面、声音与文字

阿里把画面目标称作“真实级渲染”，重点放在人身上：脸部和皮肤的细节、克制自然的情绪、跟着动作走的微表情，人像还能细调到骨相和眼神。声音与画面在同一遍生成，所以节奏要写进提示词：点明音床，标出节拍点，画面和声音才会一起落地。屏幕上的文字也有长进，支持12种语言的长文本渲染，图表、公式和信息图更干净。不过评测者也提到，音质和画面内文字仍有提升空间。

分辨率与 4K 传言

Wan 3.0 输出 480p、720p 和 1080p，没有 4K 档。搜索结果里流传的“Wan 3.0 支持 4K”不是阿里的说法，官方模型页明码标出的就是三档，通篇没提 4K。同理，凡是列出“600 亿参数”或“Apache 2.0 开源权重”的规格表，在阿里放出模型卡之前，都按编造处理。

关于开源权重

Wan 3.0 是闭源模型，只提供 API。Wan-AI 的 Hugging Face 组织、Wan-Video 的 GitHub 组织和 ModelScope 上都没有出现权重。阿里公开过的权重停在 Wan 2.2，协议是 Apache 2.0；2.5、2.6、2.7 三代都是商用 API 模型。如果团队必须私有化部署，能下载的最新一代 Wan 仍然是 Wan 2.2，这一条也就决定了这条产品线适不适合自建流水线。

Wan 3.0 与 Morphic

Morphic 目前没有上架 Wan 3.0。平台上的视频阵容很全，Seedance、Kling、Veo 都在，您可以现在就开始生成，在同一个 Canvas 里挑一个更适合这个镜头的模型。上面那些提示词习惯是通用的：长镜头按起承转合写、每个参考素材都标清楚、把节奏写进提示词。换到哪个模型都成立，所以现在就照这套起稿，不吃亏。