Wan 3.0 多模态参考控制
参考描述最多可包含 10 张图像、5 个视频片段和 5 个音频片段，外加一份受支持的文档或公开页面。为每个输入赋予明确用途。
看得懂素材，也读得懂文档与网页，让视频生成拥有更完整的创作上下文。
Wan 3.0 AI 视频生成器
Wan 3.0 是阿里巴巴的视频生成模型。此工作区提供文本、帧和参考，因此你可以从文字场景、开场构图或引导主体与动作的素材开始。
参考描述最多可包含 10 张图像、5 个视频片段和 5 个音频片段，外加一份受支持的文档或公开页面。为每个输入赋予明确用途。
分辨率可选 480P、720P 和 1080P。可为场景选择自适应，或固定为 16:9、4:3、1:1、3:4 或 9:16 画布。
详细说明最多可使用 20,000 个字符。画面输入、音频和可复用的种子值提供了更多引导和对比不同生成结果的方式。
用产品图片确定外观，用文档提供经核实的事实。围绕一个与所选时长相符的展示或演示来撰写说明。
让音频参考定义节奏，同时用图片或视频确定表演者和场景。说明可见动作与声音之间的关系。
规划一个情节节点，明确主体、动作和结尾。为角色、地点或镜头方向指定参考素材。
提供受支持的文件或公开网页作为上下文，然后说明你想从中提取的视觉故事。发布前请核实事实。
确定主体的外观、场景或视觉风格。
展示新生成内容应遵循的运动、节奏或镜头方向。
为场景提供声音、音乐节奏或氛围参考。
为场景提供脚本、产品说明或事实背景。
使用可访问的公开网页为所需视频提供上下文。
选择“帧”以上传首帧和尾帧图片，或选择“参考”以使用媒体、文档或公开网页。
使用 Image1、Video1 和 Audio1 标识输入，并说明各自对新场景的贡献。
选择生成模式、时长、分辨率、比例和声音，然后在提交前查看积分消耗。
写明观众在片段结束时应当理解的事件。先确定主体和场景，再说明动作和一个镜头运动。简短的展示所需时间少于包含接近、互动和离开的场景。生成后，先检查这一推进过程是否确实发生，再增加更多角色或视觉细节。
帧模式以必需的首帧图片开始，也可使用尾帧图片。提示词应说明这两个构图之间的动作，而不只是再次描述图片。例如，镜头可以从门口移向展示台，最后停在尾帧所示的细节上。如果图片只是用于身份或风格的一般性指导而非起止端点，请改用参考模式。
将上传的素材视为说明的组成部分。标明 Image1、Video1 或 Audio1，并说明各自提供的信息：产品形状、行走节奏或声音方向。移除相互冲突的参考素材，并确保主体在各素材中的关键特征保持一致。这样生成结果更容易对照预期场景进行评估。
| 模型 | Wan 3.0 | Wan 2.7 | Seedance 2.5 |
|---|---|---|---|
| 输入参数 | 文本 · 图片 · 视频 · 音频 · 文档 / 网页链接 | 文本 · 图片 · 视频 · 音频 | 文本 · 图片 · 视频 · 音频 |
| 输出格式 | MP4 | MP4 | MP4 |
| 时长（秒） | 2–30 / 自动 | 2–15; 多模态参考: 2–10 | 4–30 / 自动 |
| 原生分辨率 | 480P / 720P / 1080P | 720P / 1080P | 480P / 720P / 1080P |
| 画面比例 | 自适应 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16 | 16:9 / 9:16 / 1:1 / 4:3 / 3:4 | 1:1 / 21:9 / 4:3 / 3:4 / 16:9 / 9:16 / 自适应 |
| 提示词上限（字符） | 20000 | 5000 | 10000 |
这些示例说明展示了如何将素材、动作和结尾联系起来。请将参考素材替换为你自己的材料，并根据所要求的运动调整时长。
使用 Image1 作为红色珐琅水壶，Image2 作为厨房。开场为水壶放在空杯旁，柔和窗光从左侧照入。镜头缓慢移向壶嘴，同时升起一缕细蒸汽。保持手柄形状和红色饰面不变。结尾完整展示水壶和杯子，上方留出空白以便后续添加字幕。环境为安静的房间底噪，无语音。
使用 Image1 作为骑行者，Image2 作为河边小路。身穿灰色夹克的骑行者推着一辆绿色自行车走向木制长椅。以步行速度从侧面跟拍，光线为傍晚时分。保持自行车车架和夹克一致。结尾为骑行者停在长椅旁。包含远处的水声和轻柔的脚步声，无音乐或对白。
使用上传的说明文档获取折叠桌面收纳盒的相关事实。展示收纳盒合拢放在整洁桌面上，一只手打开其隔层，最后展示笔和卡片摆放在内部的画面。使用固定机位和柔和的顶光。保持所提供图片中产品的形状。不要添加说明文档中没有的性能声明或规格；将准确标签留待剪辑时添加。