最长 30 秒，一条镜头
4、6、8、10、15、20 或 30 秒。无需拼接，段与段之间不会跑偏。这里第二长的模型只到十五秒；Google 的到八秒或十秒为止。
模型 · Alibaba Wan 3.0
Wan 3.0 — 一次生成30秒视频
Alibaba 的视频模型，以及它在这里胜过 Google 模型的那一点：时长。一次生成即可得到 4 到 30 秒、自带声音的视频，480p、720p 或 1080p，横版或竖版皆可。按秒计费 — 依分辨率为$0.05、$0.10或$0.20 — 所以一段短草稿只要$0.20，而平台上最长、最清晰的片段也只需$6.00。加密货币或银行卡，无需订阅。
01它是什么
Wan 3.0 是什么？
Wan 3.0 是 Alibaba 的视频生成模型，2026 年 8 月在 Alibaba Cloud Model Studio 发布，可渲染 4 到 30 秒的片段，并在同一次生成中产出音频。在这里，它读取提示词、可选的首帧与尾帧，或最多 10 张参考图，返回一段 480p、720p 或 1080p 的成片。我们完全按 Alibaba 为该模型公布的价格收费 — 按分辨率每秒$0.05、$0.10和$0.20 — 不加价，这与我们对 Google 模型的做法一致。
谁真的需要 30 秒？
所有厌倦了拼接的人。多数视频模型的上限在八到十秒，于是半分钟的镜头就意味着三四次生成、手工对齐，还要忍受模型中途改变打光留下的接缝。Wan 把整段作为一条镜头渲染出来。对产品循环、氛围背景、工艺过程，以及任何只需镜头持续运动的画面来说，这一步剪辑就彻底省掉了。竖版同理 — 三种分辨率都支持 9:16，正是 Shorts 和 Reels 想要的。
02它的强项
花钱之前值得知道的六件事
不花钱的声音
音频与画面一同生成，默认开启。关掉只是一个开关，而且开或关价格相同 — 不像 Veo，原生音频要额外付费。
首帧与尾帧
给它一张起始图让它动起来，还可以再给一张收尾图作为落点。两个位置放同一张图，就能得到干净的循环。
最多 10 张参考图
参考图让主体或风格在多次生成中保持一致。它们是首尾帧的替代方案，而不是叠加项 — 模型只接受其中一种。
种子
固定种子，同一条提示词就会落在几乎相同的画面上。当你一次只改一个词、想看清这个词究竟起了什么作用时特别有用。
三档价格
480p 每秒$0.05用于草稿，720p 每秒$0.10用于发布，1080p 为$0.20。草稿便宜地试，选定的那条再渲一次。
03坦白的局限
Wan 3.0 做不到的事
在这里，修改不是对话。对 Gemini Omni Flash，你可以说一句“把光线调暖一点”，模型会调整它记得的那个场景。Wan 能把你交给它的片段重拍一遍——源片最长 15 秒，源片和成片加起来不超过 30 秒——但每次请求都从零开始，源片的秒数和成片的秒数一起计费。它每次运行只出一段片子，没有四选一的变体网格。它没有反向提示词，所以不想要的东西只能靠写法让它不出现在场景里，而不是去禁止。画幅只有 16:9 和 9:16，上限是 1080p。起始帧和参考图也互斥：要么用帧，要么用参考，不能两样都要。
对模型还在成长的地方，阿里巴巴很坦率：他们自己的发布说明写道，音频质感和画面内文字的渲染还没达到他们想要的水平，这大体和我们看到的一致——环境音很可信，台词也比我们预想的好，但这条音轨没法细调到位。长镜头有它自己的风险。上面那段二十秒的陶艺片段比我预想的稳，但三十秒意味着要保持一致的帧非常多，所以超过十五秒的内容，预算里请留一次重试。还有一件上游模型能做、我们没有接入的事：它接受文档（PPT、PDF、表格）作为输入。另外，它的“extend”是同一批角色、同一个场景的下一场戏，而不是逐帧精确的续接。如果你想要能逐句指挥的声音，Gemini Omni Flash 是更合适的工具；如果需要 Wan 达不到的 4K，替代选择是 Veo 3.1。
04实战笔记
真实制作教会我们的事
这些笔记来自 2026 年 9 月用 Wan 3.0 做的真实广告制作：产品短片、对实拍素材的清理、从首帧搭起来的翻拍。文档里一条都没有，每一条都是花钱换来的。
区块顺序决定结果
提示词里排在最前面的内容获得注意力，而一长段产品描述会把注意力全部吸走。在我们的实测里，一条排在第七位的清理指令被跳过了；同样的话挪到最前面写成“TASK 1”，就被执行了。把你最需要的东西放在第一位。
否定句等于一张绘制清单
“No ring, no watch, no ink”给了我们一枚新的金戒指和一块更浓的纹身。在我们的实测里，点到名字就等于在要它。应该描述画面里该有什么：“each finger is plain skin from base to tip”做到了三个否定做不到的事。
它会把空着的手填上
在我们本不该出现产品的镜头里，Wan 把手里拿着的东西换成了产品——梳子变成了理发器。给每件工具点名，明确说出“没有产品的画面也可以”，并且写“绝不超过一个”而不是“恰好一个”。更稳妥的做法：把这类镜头单独作为一段来生成，提示词里完全不描述产品。
首帧能把物体稳住
只给一张起始图、不给参考，Wan 让一件产品完整保持了十秒：按键都在原位，场景里没有多出来的东西。在我们用同一帧做的测试中，其他模型会长出多余的线缆和不相干的物体。如果必须是那件产品本身，先把帧做好，再让 Wan 一次运行把它动起来。
清理结果逐帧对得上
编辑一段实拍片段，去掉纹身、手表和手链，返回的素材与源片逐镜头吻合，皮肤干净。对我们来说，大约八秒以内的片段是可靠的尺寸；更长的源片最好切成几段。
一次长运行胜过一条链
在 Wan 上，extend 的意思是“下一场戏”，不是逐帧精确的续接。需要十五秒、二十秒或三十秒时，请作为一次生成下单，而不是把几段短的串起来。
时长是整数秒
结果会按你订购的整数秒裁剪，帧率 30 fps：输入 94 帧，返回 90 帧。所以我们没能正好切在镜头边界上——规划分段时，让接缝落在整数秒上。
参考照会把衣着一起带过来
即使提示词写了“只要脸和头发”，Wan 还是照抄了人物照片上的衣服和首饰。把参考图裁到只剩你真正想带过去的部分。
放得下一份逐镜头的脚本
提示词最多 20,000 个字符，足够写下编号任务、每件工具的锁定说明和每个镜头的描述。Wan 会回报这种结构：一个区块把画面里有什么说得越准确，它即兴发挥得越少。
需要提前考虑的缺陷。声音通常都在，而且模型念台词的效果不错，也不限于英语。只有一个项目相反：在编辑和一次提示词较复杂的文生视频里，理发器的电机声返回时很轻，大约 −45 dB——听得见，但很弱。我们其他几次生成里音轨都在该在的位置，所以这是个别情况，而不是模型的特性；如果声音太轻会碍事，就检查一下电平，必要时从源片取声音。设备显示屏上的小数字比同类模型画得好，但并不稳定——画面里是 84，我们得到过 89；横握时数字还会被转过来。中景里产品的形状可能变软。编辑实拍素材时，模型有时会把源片后面才出现的细节提前画进来——发型上一道剃出的线条早出现了一个镜头，到下一个镜头又消失。这一处我们重试也没能修好，就把那一段剪掉了。
05怎么用
从提示词到成片，三步
描述镜头，而不是主题
主体、它在做什么、镜头、光线。“single continuous shot（一条不间断的镜头）”值得明写出来。然后加一行简短的“Audio/sound:”说明该听到什么 — Wan 会领会这个提示。
先用 480p 打草稿
480p 四秒只要$0.20。先在这里把构图定下来，再把胜出的那条按你真正需要的长度在 720p 或 1080p 重跑一遍。
为拿到的秒数付费
任务开始时从余额扣款，若失败或被过滤器拦下会自动退回。用加密货币或银行卡充值，没有每月等着你的固定费用。
06价格
2026年 Wan 3.0 对比 Veo 3.1 和 Omni 多少钱？
| 模型 | 4 秒 | 10 秒 | 30 秒 | 声音 |
|---|---|---|---|---|
| Wan 3.0 · 480p每秒$0.05 — 草稿与社交 | $0.20 | $0.50 | $1.50 | 包含，免费 |
| Wan 3.0 · 720p每秒$0.10 — 通常的选择 | $0.40 | $1.00 | $3.00 | 包含，免费 |
| Wan 3.0 · 1080p每秒$0.20 — 最清晰的一档 | $0.80 | $2.00 | $6.00 | 包含，免费 |
| Veo 3.1 Fast · 720pGoogle 的模型，仅 4–8 秒 | $0.35 | — | — | 额外收费 |
| Gemini Omni 1.1 Flash · 720pGoogle 的模型，按秒计费，单次 3–10 秒 | $0.40 | $1.00 | — | 始终开启 |
| Gemini Omni 1.1 Flash · 1080p同一模型的 1080p，每秒 $0.15 | $0.60 | $1.50 | — | 始终开启 |
价格按成片计算，已包含音轨。破折号表示该模型无法在一次生成里给出这一时长：Veo 停在八秒，而 Omni 只有把已完成的片段一场一场地延长，才能达到 40 秒。充值 $50 额外赠送余额的 5%，$100 赠送 10%；若账户已激活优惠码，同一笔充值再加 10%。+5% / +10% 的充值奖励仅适用于加密货币充值。
全部模型的完整价格表在价格页。
07延伸阅读
讲得更深的指南
08常见问题
大家真正会问的问题
Wan 3.0 的视频最长能做多久？
单次生成最长 30 秒。可选时长为 4、6、8、10、15、20 和 30 秒，成片是一条连续镜头 — 而不是四段短片拼起来的。Google 的 Veo 和 Omni 每段分别止步于八秒和十秒。
一段 Wan 3.0 视频要多少钱？
按秒计费：480p 每秒$0.05，720p 每秒$0.10，1080p 每秒$0.20。所以四秒草稿是$0.20，720p 十秒是$1.00，而上限 — 1080p 三十秒 — 是$6.00。音轨已含在这个价格里。
阅读完整解答Wan 3.0 会生成声音吗？
会，而且默认开启。声音与画面一起渲染，而不是事后配上去的，所以脚步声会落在脚着地的那一刻。你可以关掉它做成无声片段，价格不变。把想听到的内容写在提示词末尾一行简短的“Audio/sound:”里。值得一提：Alibaba 自己的发布说明把音频质感列为仍在打磨的方向。在我们的实测里，音轨拿来就能用，台词也听得清楚，不过重要的片子还是值得检查一下电平。
我能让自己的照片动起来吗？
可以。把图片放进首帧位置，再用提示词描述它该发生什么。你还能加一张尾帧来控制镜头的落点，两个位置用同一张图就得到循环。有一点要注意：首尾帧和参考图不能同时使用。
Wan 3.0 还是 Veo 3.1，该选哪个？
两者之中，Wan 3.0 更新、能力也更强：单镜头最长 30 秒，对面是八秒；声音包含在价格里；输入可以带参考片段；从首帧动起来时，产品还是它自己。Veo 3.1 是 Wan 覆盖不到之处的替代选择——4K 输出——以及想要 Google 风格短片时的选择。我的经验法则：先用 Wan，需求写明 4K 时再换 Veo。
生成之后还能编辑片段吗？
可以，但有个前提。交给 Wan 一段最长 15 秒的片段——它自己生成的或你拍的——描述要改什么，它会返回一段新片子。源片和成片加起来必须在 30 秒以内，源片的秒数按与成片相同的每秒价格计费。这不是对话：每次修改都是一次全新的请求，不记得上一次；“extend”给你的是下一场戏，而不是逐帧精确的续接。能记住自己生成的片段的模型是 Gemini Omni Flash。
Wan 3.0 生成的视频能商用吗？
可以。你生成的内容归你使用，包括客户项目和商业用途，前提是符合我们条款中的内容规则。输出没有水印，也不需要另外购买授权。