看提示词 ↗ 01 / 官方消费站片花的抽帧
在搭好的景里拍的古装戏
该条目公布的提示词
发布方没有为这段片子公布提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Wan 3.0 片子公布提示词,所以这里没有提示词被归到任何条目上。画面里出现文字时,那是发布方所发布场景里的一部分,不是本页加的说明。
Wan 3.0 是阿里云以 wan3.0-video 为名在百炼平台售卖、并在 wan.video 上运营的视频模型。本页把发布方自己的参数文档放在本站服务返回的设置旁边,再放在工作台真正允许你提交的东西旁边——因为在这个模型上,这是三个不同的数字。
先选模式,再写描述,生成前先看服务端报出的成本。
生成内容将显示在这里
取自发布方自己的消费站与云场景页,这是该模型唯二两个会输出生成成品的表面。这些帧所属的片子有四段发布在本页下方。
这个模型的开发者文档不带任何成品媒体,所以这里的每一帧都来自消费站或云场景页。发布方没有为这些片子中的任何一段公布提示词,因此没有提示词被归到任何条目上;这些网页文件的帧率也没有被当作模型的输出帧率来写。
看提示词 ↗ 01 / 官方消费站片花的抽帧
发布方没有为这段片子公布提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Wan 3.0 片子公布提示词,所以这里没有提示词被归到任何条目上。画面里出现文字时,那是发布方所发布场景里的一部分,不是本页加的说明。
看提示词 ↗ 02 / 官方消费站片花的抽帧
发布方没有为这段片子公布提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Wan 3.0 片子公布提示词,所以这里没有提示词被归到任何条目上。画面里出现文字时,那是发布方所发布场景里的一部分,不是本页加的说明。
看提示词 ↗ 03 / 官方云场景页片子的抽帧
发布方没有为这段片子公布提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Wan 3.0 片子公布提示词,所以这里没有提示词被归到任何条目上。画面里出现文字时,那是发布方所发布场景里的一部分,不是本页加的说明。
看提示词 ↗ 04 / 官方云场景页片子的抽帧
发布方没有为这段片子公布提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Wan 3.0 片子公布提示词,所以这里没有提示词被归到任何条目上。画面里出现文字时,那是发布方所发布场景里的一部分,不是本页加的说明。
阿里云把这个模型呈现为一个入口覆盖多种做视频的方式。中文 API 参考的开篇是这样写的:「万相 3.0 是全能参考视频生成模型(All-in-One),统一支持 文生视频 、 图生视频 (首帧/首尾帧)和 参考生视频 等多种用法」。英文使用指南把同一个范围写成了数字:「supports up to 30 seconds per generation, 30fps output frame rate, natively outputs dialogue, BGM, and sound effects, supports up to 20 multi-modal reference materials (images, videos, audio, documents, web pages) per request, and supports first frame/first-last frame control, video editing and extension」。
阿里云官网的场景页把参考这项说得更具体:「支持文本、图像、音频、视频四大模态输入,最高支持 20 个素材参考生成」。消费站 wan.video 的首屏也列了同一批说法:原生 30 秒、最高 20 个素材参考并支持文档与网页解析、像素级一致、精准视频编辑。
本节内容全部引自发布方。本页没有任何一句是阿里云的表述,阿里云也没有审阅或背书过本页。
引文保留发布方原文语言,因为翻译一份规格说明本身就是数字走样的途径之一。
这是首先要弄对的一点,因为服务把同一个模型呈现成了另一种样子。发布方只发一个模型名,在内部路由。使用指南说得很直白:该模型「covers all the following task types without switching model names」,并且按「the type field in input.media and the prompt intent」路由。同一份指南的任务表在一个模型名下列出了七类任务。
这种路由不是一层好用的包装。参考文档特别说明「type values of different task types cannot be mixed」,所以一次首尾帧请求只接受 first_frame 与 last_frame,不能再同时带上参考音频。你要做哪类任务由你传了什么决定,而你传的东西本身又决定了还允许传什么。
本站服务走的是相反的路:把这个入口重新拆开。它为这个产品声明的条目里有三种模式——文生视频、图生视频、参考生视频,背后是三个不同的任务名。发布方七类任务里有两类在这一拆之下成为一等模式;一类(首尾帧)被并进图生视频、变成第二张图;另外四类完全没有声明,文件与网页参考、视频编辑、视频延长都在其中。
把代价说准确一点:从「Wan 3.0 video editing」搜进来的人在这里找不到编辑表单,原因不是模型做不到,而是这个产品没有声明这类模式。
| 发布方列出的任务类型 | 触发方式 | 给出的限制 |
|---|---|---|
| 文生视频 | 只传提示词,不传媒体 | 分辨率、宽高比、时长都可自由设置 |
| 首帧生视频 | type 设为 first_frame | 宽高比建议 adaptive |
| 首尾帧生视频 | 同时设 first_frame 与 last_frame | 各一张,严格作为首帧与尾帧 |
| 全模态参考 | reference_image、reference_video 或 reference_audio 任意组合 | 最多 20 个素材:10 图、5 视频、5 音频 |
| 文件 / 网页生视频 | type 设为 file 或 link,二者取一 | 各限 1 个,且两者不能同时传 |
| 视频编辑 | 传参考视频,并在提示词里写编辑意图 | 宽高比建议 adaptive,时长建议 -1 |
| 视频延长 | 传参考视频,并在提示词里写延长意图 | 可向前、向后或双向 |
工作台不读发布方的文档。它读本站自己的服务目录,目录按模型逐条返回。本页对应的条目名叫 Wan 3.0,落在目录称作 Wan 的家族里,标为可用且可调用。它声明三种模式,公开起价 6 点/秒,计费方式标为「参数+时长」。
起价不是报价。服务端会在任务开始前按你选的模式和设置把费用算成点数,那个总数才算数。
| 服务声明的模式 | 背后的任务名 | 发布表单里的字段 |
|---|---|---|
| text-to-video | wan3.0-video-text-to-video | 提示词、分辨率、宽高比、时长 |
| image-to-video | wan3.0-video-image-to-video | 以上四项,加参考图片 1 到 2 张 |
| reference-to-video | wan3.0-video-reference-to-video | 以上四项,加参考图片 0 到 10 张、参考视频 0 到 5 段 |
发布方的参数参考给这个入口列了一小组字段,服务发布了其中大部分。有几项完全一致,有两项不一致。
时长这一项一致得很精确,而且发布方说了两遍而不是一遍。参数表给出取值范围,使用指南又在摘要行里重复了同一句:时长为 2 到 30 秒,或传 -1 启用智能时长。
发布方还发布了第二条时长规则,表单里完全没有对应物:传了视频之后,输入和输出加起来不超过 30 秒。这条上限没有进表单,但它确实体现在计费方式里,那是后面一节的题目。
这个项目里还有第三个设置来源,而且在这个模型上它比本站做过的任何一页都错得更多。本站源码里有一张本地家族表,只在服务没有为某个字段发布任何值时才会被用到。对这一个家族,它声明时长范围 2 到 15、画质档位只有 720p 和 1080p 没有 480p、五档宽高比且既没有 adaptive 也没有 21:9、默认 16:9、音频默认关闭、兜底费用 80。发布方和服务都说 30 秒,都说 480p 存在,都把宽高比默认成 adaptive。这些本地值一个都不会被读到,因为服务在表单里把这四个字段都发布了。
这里提到本地表,是因为它有一个值并不失效,而那个值正是本页存在的理由。下面隔两节会讲到它。
| 设置项 | 发布方 API 参考 | 本站服务发布的表单 |
|---|---|---|
| 时长 | 默认 5,取值 2 到 30 的整数 | 默认 5,最小 2,最大 30 |
| 带视频时的时长 | 输入视频总时长加输出时长不超过 30 秒 | 没有作为字段发布;计费基数会变,见下节 |
| 宽高比 | 默认 adaptive,可选 adaptive、21:9、16:9、4:3、1:1、3:4、9:16 | 默认 adaptive,可选 adaptive、16:9、4:3、1:1、3:4、9:16 |
| 分辨率档位 | 1080P、720P、480P | 480p、720p、1080p |
| 分辨率默认值 | 1080P | 720p |
| 音频 | 布尔值,默认 true,且开关声音价格相同 | 表单里没有该字段 |
| 随机种子 | 传 -1,或 0 到 2147483647 | 没有该字段 |
这是两处在提交之前就能看到、并且选出来的结果会与在发布方自家平台上不同的地方。
分辨率默认值这件事用钱说比用像素说更清楚,因为这个产品发布的价目同时按分辨率和按参考素材分类计价。在完全没有参考素材的那一类里,公开费率是 480p 6 点/秒、720p 12 点/秒、1080p 23 点/秒。所以一段 5 秒片子在本站默认档是 60 点,在发布方默认档是 115 点。
宽高比这个缺口更窄,也更容易被误读。阿里云的使用指南把比例列表写成 21:9、16:9、4:3、1:1、3:4、9:16,而它的 API 参考印的是同样六个,前面再加上 adaptive 并把它标为默认值。服务发布的也是六个,但它的六个是 adaptive 加另外五个,被漏掉的正好是 21:9。发布方自己给文生视频写的示例,开头就是一段描述「20 秒超宽银幕」的画面的提示词,可见宽画幅在它的材料里不是脚注。
选 adaptive 不等于选 21:9。adaptive 的意思是模型根据输入媒体和意图自己定一个比例,而纯文字的请求没有任何输入媒体可以读。所以一段固定超宽画幅的文生视频,在这个工作台里提不出来;本页也不声称换一条路就能达到。
| 设置项 | 发布方默认 | 本站默认 | 差别实际意味着什么 |
|---|---|---|---|
| 分辨率 | 1080P | 720p | 同样设置下,本页默认档的花费大约只有 1080p 的一半 |
| 固定 21:9 输出 | 可选 | 不可选 | adaptive 能跟随宽幅输入,但只有文字时无从把输出钉在 21:9 上 |
这个产品发布的是一张价目表而不是一个单价,也是本站最细的一张。十五行覆盖五类参考素材跨三档分辨率。有两件事值得在动手之前先看清楚。
这张表里没有任何一个数字被当作总价。服务端会在任务开始前把你这套设置的总数返回,那个数才是唯一有约束力的。
| 附带的参考素材 | 480p | 720p | 1080p |
|---|---|---|---|
| 无 | 6 点/秒 | 12 | 23 |
| 图片 | 6 | 12 | 23 |
| 音频 | 6 | 12 | 23 |
| 视频 | 12 | 23 | 45 |
| 混合 | 12 | 23 | 45 |
三个数字说的是同一项能力,而它们不是同一个数。发布方的说法是每次请求最多二十个多模态素材;服务的表单能收下其中十五个;工作台能发出去的比这还少,而原因在本站自己的代码里,不在服务发布的任何字段里。
结果是一条阶梯而不是一个缺口:官方写二十个,表单收十五个,界面够得到的一个。这条阶梯的每一级都可核验,而最后一级是无论读发布方还是读目录都推不出来的那一级。
有一处褶皱值得记下来,因为它显示两套机制在同一个产品里撞车。本页的音频开关由服务的表单决定,遵循的是「表单里有该字段、工作台才渲染音频控件」这条规则。同一个界面上的参考图上限却由本地表决定。于是同一张表单上的两个控件在听两个不同的来源,而在这个产品上它们互相矛盾。
这并不意味着模型弱于它的文档。生成能力是完整的;缺的是「提出这个请求」的路径。本页只陈述限制,把路由的问题留在它该在的地方。
发布方把音频当作默认开启,并给了开关。本站服务声明音频会生成、默认开启、带开关。而本页真正读到的表单里没有音频字段,所以不出现开关——也就是说,默认值是唯一可用的行为。
同时成立的有三件独立的事,值得分开摆。目录为这个产品写的能力块说音频受支持、会被生成、默认 true、并且有开关。发布方的参数参考同样把音频默认写成 true,还补了一句开关声音价格相同,所以没有价格上的理由偏向哪一边。而参考生视频那一行仍然声明音频参考上限为五段,与能力块的声明一致。
这些都没有到达界面。这个模式发布的字段是提示词、分辨率、宽高比、时长、图片和视频。工作台按这张表单构建控件,只有在表单里含对应字段时才画音频开关。
诚实的说法不是「声音关着」,而是「声音开着、在这里关不掉」,并且同一项能力的参考音频那一半根本没有入口。
| 发布方的音频表面 | 它做什么 | 是否出现在本站服务的表单里 |
|---|---|---|
| audio | 让输出带声音,默认 true,开关价格相同 | 没有 |
| reference_audio | 最多用五段音频、共十五秒作为参考 | 没有字段,尽管能力块声明了五段上限 |
为这一页量了五个页面。与发布方的大多数出入属于常见的漂移,其中一条比其余都更值得看,因为它并不是一个错的数字。
最后一行留给记录而不是留给结论。阿里云自家开发者站的一篇文章说该参数在这个模型上已废弃、不可使用,而同一家公司文档域名下的官方 API 参考,仍然把它写在教开发者发送的请求体里。本页记录这处矛盾,不去裁决它,因为在这里没有裁决的依据。
4K 那条是会改变决策的说法,而它只是参考读物里的一行字,不是量测结果。发布方自己的参数表列三档,到 1080P 为止。
这组页面还有一点比任何单条说法都更能说明问题:五个页面里有四个完全没有视频元素,唯一有的那个是百科条目。其中一个比空还糟——某第三方 API 转售方的模型页标着 index, follow、带十一条语言替代链接,正文三十四个词,二级标题写的是「Something went wrong!」。
| 说法 | 出现位置 | 发布方文档写的是 |
|---|---|---|
| 网关模型串写作 alibaba/wan-3.0 | 一篇第三方定价文章 | 发布方自己的模型名是 wan3.0-video 与 wan3.0-video-prime |
| 参考视频与音频各不超过十五秒 | 同一篇文章,读发布方限制读对了 | 视频最多 5 段共 15 秒,音频最多 5 段共 15 秒 |
| 原生 4K 分辨率 | 一条百科条目 | 480P、720P、1080P,默认 1080P |
| 按秒计价,只给出折后数字 | 云厂商自家开发者社区的文章 | 刊例价按秒,活动期限有明确的截止日期 |
| prompt_extend 参数已废弃 | 云厂商自家开发者社区的一篇文章 | 官方 API 参考的请求示例里仍然带着 prompt_extend: true |
这个模型的开发者文档里没有任何生成成品。已归档的六份第一方页面里没有一个视频元素、没有一个视频文件;那些页面是参数表与使用指南,配图是界面截图。模型的成品在两个消费侧站点上,而两边都得渲染而不能直接抓,因为它们都是浏览器里拼出来的。
从这两个站点取到十段片子,每一段都按完整大小下载成功。其中四段在本页作为视频发布,选它们的理由就是时长或运动本身即证据。一段三十秒的片子是本组里唯一达到发布方口径所宣称时长的,作为视频发布正是因为这个原因。一段五秒的片子落在发布方的默认时长上,短到可以整段发布。一段八秒的片子在一个场景的两组反差镜头之间切换,于是「换镜」是看得见的而不是被描述的。一段 1080p 的十五秒片子属于发布方称作数字信息的那一路,主题是产品表面与干净的界面。
另外六段留下没有作为视频发布,改为抽样成静帧:消费站首屏那两支长片花,约二十七秒与四十四秒,外加几段风格明显不同的片子。对片花来说,抽帧才是诚实的处理方式,因为蒙太奇的静帧只是其中某一刻的静帧,而图注会写明是哪一刻。
有一条帧率事实必须谨慎陈述,以免引出错误推论。发布方文档写输出 30 帧/秒,而取到的这十段跑在 24、25 和 30 三种帧率上。它们是网页投放成品而不是模型输出,所以帧率是这些文件的属性,本页任何地方都没有把它当作关于模型的证据。
这里没有任何一条被归因到某个具体模式。发布方没有为这些片子中的任何一段公布提示词或参数行,所以没有一条图注声称它出自某种参考素材、某个分辨率或某个时长。图注里提到某一帧属于某段时长的片子时,那个时长是从文件里量出来的。
本页的材料属于发布方,每一条都写明了出处。
本页出现的对比,两半都取自同一段片子,所以展示的差别是一次生成内部的变化,而不是两次生成之间的差别。
三十秒,由发布方在自家消费站发布,这里整段保留,因为时长本身就是被检验的那条说法。这是本页取到的片子里唯一达到模型标题所说三十秒的一段,而且它是一个连续场景带对话,不是蒙太奇。转码文件保留了音轨。
八秒,一个场景用两组反差很大的机位拍,发布它是为了展示切换之下的连续性。两个穿厚重装甲的人物全靠蓝色实景光照明,在景别变化中保持了一致——这正是发布方页面声称的那项性质,也是静帧承载不了的。
五秒,正好在发布方公布的默认时长上,整段发布,因为水、布料和动物同处一帧是很难的组合,而五秒短到不必再剪。
十五秒、1920×1080,是本组里分辨率最高的一段。作为视频发布是因为它的对象是表面而不是人:产品形态、干净背景、正对镜头的一件物体。生成结果读起来像产品摄影,是与电影感素材不同的另一种考察,而本页只有这一段跑了这项。


同一段八秒片子的开场与收尾机位,并排摆开,不播文件也能读出景别的变化。两个人物在景别变化中保持了装甲细节、体型比例和朝向,而这正是「一致性」这条说法所指的是什么。

取自消费站两支片花中较长的那支的 6.7 秒。幕后纪录片的调性,按「在真实片场被拍下」来调度。

取自同一支片花的 22.9 秒。一次生成内部就换了调性,从片场记录变成舞台演出。

取自第二支消费站片花的 24.1 秒。低调布光而面部依然可读,那是这类画面里更难做到的一半。

取自同一支片花的 37.2 秒。一个室内居家场景,窗光与桌面细节必须彼此对得上。

取自消费站一段二十秒片子的 17.0 秒。属于渲染风格而非摄影风格,包装字与冰箱里密集的商品细节都能看清。

取自一段七秒片子的 3.9 秒。发布它是为了看手:弓、弦与手指在近景里保持清晰,同时雨丝横贯整幅画面。

取自那段五秒片子的 1.2 秒。戏服、水与动物同处一帧——布料与动物形体最容易走样的地方。

取自云场景页一段二十秒片子的 17.0 秒。整幅暖色日落渐变,画面正中一件小器物被握持、手指按在正确的位置。

取自那段十五秒 1080p 片子的 12.8 秒。无缝背景上的一件产品形态,正是发布方自家页面专门点出的应用方向。
不是。这是本站关于该模型的一个页面。发布方自己的页面在全文中被标为来源,阿里云没有审阅或背书过本页。
三种:文生视频、图生视频、参考生视频。发布方为同一个模型名记录了七类任务,其中包括文件与网页参考、视频编辑、视频延长,而本产品对这三类都没有声明。
因为发布方在内部路由,而本站服务不这么做。阿里云只发一个模型名,按你传了什么、提示词要什么来定任务。本站目录把同一个入口拆成三个可选模式,同一项能力换了个形状。
发布方文档写图片最多 10 张、视频最多 5 段,另有音频 5 段。服务的表单收 10 张图与 5 段视频,且没有音频字段。工作台是最窄的一头:它的参考视频输入只收一个文件,参考生视频表单则完全不渲染图片上传区。
在这个工作台里不能。发布方把它列为一类独立任务,一张图作首帧、一张作尾帧。服务的图生视频表单收最多两张图,但不区分哪张是首帧哪张是尾帧,而工作台把这个上传截断成一张。
不能。发布方的比例列表里有 21:9,本站服务的没有。选 adaptive 可以让模型去匹配输入的画幅,但纯文字的请求没有可匹配的输入,所以固定超宽画幅在这里提不出来。
720p。发布方的 API 参考把这个入口的默认值写成 1080P,本站服务的表单写 720p。这个差别有代价,因为这里公布的费率同时按分辨率和参考素材分类,默认档的花费大约只有发布方默认档的一半。
目录就是这么发布的。这张费率表覆盖五类参考素材跨三档分辨率,其中一类是音频,而同一模式的表单只发布图片与视频字段。同一张表也挂在文生视频上,而文生视频连附件字段都没有。
在这张表单上两样都不行。服务的能力块声明音频会被生成、默认开启、带开关;发布方也把音频默认写成 true,且开关价格相同。但发布的表单没有音频字段,而工作台只在表单含该字段时才画音频控件。
服务端会在任务开始前按你选的模式和设置把费用算成点数返回。目录为这个产品公布 6 点/秒的起价,以及一张随分辨率和附带素材变化的费率表。附带视频还会把计费基数改成「输入加输出」秒数。