看提示詞 ↗ 01 / 官方消費站片花的抽幀
在搭好的景裡拍的古裝戲
該條目公布的提示詞
發布方沒有為這段片子公布提示詞
在工作台裡打開這段提示詞 ↗發布方沒有為它的任何一段 Wan 3.0 片子公布提示詞,所以這裡沒有提示詞被歸到任何條目上。畫面裡出現文字時,那是發布方所發布場景裡的一部分,不是本頁加的說明。
Wan 3.0 是阿里雲以 wan3.0-video 為名在百鍊平台上販售、並在 wan.video 上營運的影片模型。本頁把發布方自己的參數文件放在本站服務回傳的設定旁邊,再放在工作台真正允許你提交的東西旁邊——因為在這個模型上,這是三個不同的數字。
先選模式,再寫描述,生成前先看伺服器報出的成本。
生成的內容會顯示在這裡
取自發布方自己的消費站與雲端場景頁,這是該模型唯二兩個會輸出生成成品的表面。這些幀所屬的片子有四段發布在本頁下方。
這個模型的開發者文件不帶任何成品媒體,所以這裡的每一幀都來自消費站或雲端場景頁。發布方沒有為這些片子中的任何一段公布提示詞,因此沒有提示詞被歸到任何條目上;這些網頁檔案的幀率也沒有被當作模型的輸出幀率來寫。
看提示詞 ↗ 01 / 官方消費站片花的抽幀
發布方沒有為這段片子公布提示詞
在工作台裡打開這段提示詞 ↗發布方沒有為它的任何一段 Wan 3.0 片子公布提示詞,所以這裡沒有提示詞被歸到任何條目上。畫面裡出現文字時,那是發布方所發布場景裡的一部分,不是本頁加的說明。
看提示詞 ↗ 02 / 官方消費站片花的抽幀
發布方沒有為這段片子公布提示詞
在工作台裡打開這段提示詞 ↗發布方沒有為它的任何一段 Wan 3.0 片子公布提示詞,所以這裡沒有提示詞被歸到任何條目上。畫面裡出現文字時,那是發布方所發布場景裡的一部分,不是本頁加的說明。
看提示詞 ↗ 03 / 官方雲端場景頁片子的抽幀
發布方沒有為這段片子公布提示詞
在工作台裡打開這段提示詞 ↗發布方沒有為它的任何一段 Wan 3.0 片子公布提示詞,所以這裡沒有提示詞被歸到任何條目上。畫面裡出現文字時,那是發布方所發布場景裡的一部分,不是本頁加的說明。
看提示詞 ↗ 04 / 官方雲端場景頁片子的抽幀
發布方沒有為這段片子公布提示詞
在工作台裡打開這段提示詞 ↗發布方沒有為它的任何一段 Wan 3.0 片子公布提示詞,所以這裡沒有提示詞被歸到任何條目上。畫面裡出現文字時,那是發布方所發布場景裡的一部分,不是本頁加的說明。
阿里雲把這個模型呈現為一個入口,涵蓋多種做影片的方式。中文 API 參考的開篇原文照錄:「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」,也就是 Wan 3.0 是一個全能參考影片生成模型,涵蓋文生影片、圖生影片(首幀或首尾幀)與參考生影片。英文使用指南把同一個範圍寫成了數字:"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"。
阿里雲官網的場景頁把參考這一項說得更具體,原文照錄:「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」,也就是四種輸入模態、最高二十個素材參考。消費站 wan.video 的首屏也列了同一批說法:原生 30 秒、最高 20 個素材參考並支援文件與網頁解析、像素級一致、精準影片編輯。
本節內容全部引自發布方。本頁沒有任何一句是阿里雲的表述,阿里雲也沒有審閱或背書過本頁。
引文保留發布方原文語言,因為翻譯一份規格說明本身就是數字走樣的途徑之一。發布方的簡體引文一律照錄不轉換,免得在數字與專有名詞上失真。
這是首先必須弄對的一點,因為服務把同一個模型呈現成了另一種樣子。發布方只出一個模型名,在內部路由。使用指南說得很直白:該模型 "covers all the following task types without switching model names",並且依 "the type field in input.media and the prompt intent" 路由。同一份指南的任務表在那一個模型名下列出了七類任務。
這種路由不是一層好用的包裝。參考文件特別說明 "type values of different task types cannot be mixed",所以一次首尾幀請求只接受 first_frame 與 last_frame,不能再同時帶上參考音訊。你要做哪一類任務由你傳了什麼決定,而你傳的東西本身又決定了還允許傳什麼。
本站服務走的是相反的路:把這個入口重新拆開。它為這個產品聲明的條目裡有三種模式——文生影片、圖生影片、參考生影片,背後是三個不同的任務名。發布方七類任務裡有兩類在這一拆之下成為第一級模式;一類(首尾幀)被併進圖生影片、變成第二張圖;另外四類完全沒有聲明,檔案與網頁參考、影片編輯、影片延長都在其中。
把代價說準確一點:從「Wan 3.0 video editing」搜進來的人在這裡找不到編輯表單,原因不是模型做不到,而是這個產品沒有聲明這類模式。
| 發布方列出的任務類型 | 觸發方式 | 給出的限制 |
|---|---|---|
| 文生影片 | 只傳提示詞,不傳媒體 | 解析度、畫面比例、時長都可自由設定 |
| 首幀生影片 | type 設為 first_frame | 畫面比例建議 adaptive |
| 首尾幀生影片 | 同時設 first_frame 與 last_frame | 各一張,嚴格作為首幀與尾幀 |
| 全模態參考 | reference_image、reference_video 或 reference_audio 任意組合 | 最多 20 個素材:10 圖、5 影片、5 音訊 |
| 檔案 / 網頁生影片 | type 設為 file 或 link,二者取一 | 各限 1 個,且兩者不能同時傳 |
| 影片編輯 | 傳參考影片,並在提示詞裡寫編輯意圖 | 畫面比例建議 adaptive,時長建議 -1 |
| 影片延長 | 傳參考影片,並在提示詞裡寫延長意圖 | 可向前、向後或雙向 |
工作台不讀發布方的文件。它讀本站自己的服務目錄,目錄按模型逐條回傳。本頁對應的條目名叫 Wan 3.0,落在目錄稱作 Wan 的家族裡,標為可用且可呼叫。它聲明三種模式,公開起價 6 點/秒,計費方式標為「參數+時長」。
起價不是報價。伺服器會在任務開始前,依你選的模式與設定把費用算成點數,那個總數才算數。
| 服務聲明的模式 | 背後的任務名 | 發布表單裡的欄位 |
|---|---|---|
| text-to-video | wan3.0-video-text-to-video | 提示詞、解析度、畫面比例、時長 |
| image-to-video | wan3.0-video-image-to-video | 以上四項,加參考圖片 1 到 2 張 |
| reference-to-video | wan3.0-video-reference-to-video | 以上四項,加參考圖片 0 到 10 張、參考影片 0 到 5 段 |
發布方的參數參考給了這個入口一組不多的欄位,服務發布了其中大部分。有幾項完全一致,有兩項不一致。
時長這一項一致得很精確,而且發布方說了兩遍而不是一遍。參數表給出取值範圍,使用指南又在摘要行裡重複了同一句:時長為 2 到 30 秒,或傳 -1 啟用智慧時長。
發布方還發布了第二條時長規則,表單裡完全沒有對應物:傳了影片之後,輸入和輸出加起來不超過 30 秒。這條上限沒有進表單,但它確實體現在計費方式裡,那是後面一節的題目。
這個專案裡還有第三個設定來源,而且在這個模型上它比本站做過的任何一頁都錯得更多。本站原始碼裡有一張本地家族表,只在服務沒有為某個欄位發布任何值時才會被用到。對這一個家族,它聲明時長範圍 2 到 15、品質檔位只有 720p 和 1080p 而沒有 480p、五檔畫面比例且既沒有 adaptive 也沒有 21:9、預設 16:9、音訊預設關閉、備援費用 80。發布方和服務都說 30 秒,都說 480p 存在,都把畫面比例預設成 adaptive。這些本地值一個都不會被讀到,因為服務在表單裡把這四個欄位都發布了。
這裡提到本地表,是因為它有一個值並不失效,而那個值正是本頁存在的理由。下面隔兩節會講到它。
| 設定項 | 發布方 API 參考 | 本站服務發布的表單 |
|---|---|---|
| 時長 | 預設 5,取值 2 到 30 的整數 | 預設 5,最小 2,最大 30 |
| 帶影片時的時長 | 輸入影片總時長加輸出時長不超過 30 秒 | 沒有作為欄位發布;計費基數會變,見下節 |
| 畫面比例 | 預設 adaptive,可選 adaptive、21:9、16:9、4:3、1:1、3:4、9:16 | 預設 adaptive,可選 adaptive、16:9、4:3、1:1、3:4、9:16 |
| 解析度檔位 | 1080P、720P、480P | 480p、720p、1080p |
| 解析度預設值 | 1080P | 720p |
| 音訊 | 布林值,預設 true,且開關聲音價格相同 | 表單裡沒有該欄位 |
| 隨機種子 | 傳 -1,或 0 到 2147483647 | 沒有該欄位 |
這是兩處在提交之前就能看到、而且選出來的結果會與在發布方自家平台上不同的地方。
解析度預設值這件事用錢說比用像素說更清楚,因為這個產品發布的價目同時按解析度與按參考素材分類計價。在完全沒有參考素材的那一類裡,公開費率是 480p 6 點/秒、720p 12 點/秒、1080p 23 點/秒。所以一段 5 秒片子在這裡的預設檔是 60 點,在發布方預設檔是 115 點。
畫面比例這個缺口更窄,也更容易被誤讀。阿里雲的使用指南把比例列表寫成 21:9、16:9、4:3、1:1、3:4、9:16,而它的 API 參考印的是同樣六個,前面再加上 adaptive 並把它標為預設值。服務發布的也是六個,但它的六個是 adaptive 加另外五個,被漏掉的正好是 21:9。發布方自己為文生影片寫的範例,開頭就是一段描述原文「20 秒超宽银幕」畫面的提示詞,可見寬畫面在它的材料裡不是腳註。
選 adaptive 不等於選 21:9。adaptive 的意思是模型依輸入媒體與意圖自己定一個比例,而純文字的請求沒有任何輸入媒體可以讀。所以一段固定超寬畫面比例的文生影片,在這個工作台裡提不出來;本頁也不聲稱換一條路就能達到。
| 設定項 | 發布方預設 | 本站預設 | 差別實際上意味著什麼 |
|---|---|---|---|
| 解析度 | 1080P | 720p | 同樣設定下,這裡預設檔的花費大約只有 1080p 的一半 |
| 固定 21:9 輸出 | 可選 | 不可選 | adaptive 能跟隨寬幅輸入,但只有文字時無從把輸出釘在 21:9 上 |
這個產品發布的是一張價目表而不是一個單價,也是本站最細的一張。十五行涵蓋五類參考素材跨三檔解析度。有兩件事值得在動手之前先看清楚。
這張表裡沒有任何一個數字被當作總價。伺服器會在任務開始前把你這套設定的總數回傳,那個數才是唯一有約束力的。
| 附帶的參考素材 | 480p | 720p | 1080p |
|---|---|---|---|
| 無 | 6 點/秒 | 12 | 23 |
| 圖片 | 6 | 12 | 23 |
| 音訊 | 6 | 12 | 23 |
| 影片 | 12 | 23 | 45 |
| 混合 | 12 | 23 | 45 |
三個數字說的是同一項能力,而它們不是同一個數。發布方的說法是每次請求最多二十個多模態素材;服務的表單能收下其中十五個;工作台能送出去的比這還少,而原因在本站自己的程式碼裡,不在服務發布的任何欄位裡。
結果是一道階梯而不是一個缺口:官方寫二十個,表單收十五個,介面搆得到的一個。這道階梯的每一級都可核驗,而最後一級是無論讀發布方還是讀目錄都推不出來的那一級。
有一處褶皺值得記下來,因為它顯示兩套機制在同一個產品裡撞車。本頁的音訊開關由服務的表單決定,遵循的是「表單裡有該欄位、工作台才渲染音訊控制項」這條規則。同一個介面上的參考圖上限卻由本地表決定。於是同一張表單上的兩個控制項在聽兩個不同的來源,而在這個產品上它們互相矛盾。
這並不意味著模型弱於它的文件。生成能力是完整的;缺的是「提出這個請求」的路徑。本頁只陳述限制,把路由的問題留在它該在的地方。
發布方把音訊當作預設開啟,並給了開關。本站服務聲明音訊會生成、預設開啟、帶開關。而本頁真正讀到的表單裡沒有音訊欄位,所以不出現開關——也就是說,預設值是唯一可用的行為。
同時成立的有三件獨立的事,值得分開擺。目錄為這個產品寫的能力區塊說音訊受支援、會被生成、預設 true、並且有開關。發布方的參數參考同樣把音訊預設寫成 true,還補了一句開關聲音價格相同,所以沒有價格上的理由偏向哪一邊。而參考生影片那一列仍然聲明音訊參考上限為五段,與能力區塊的聲明一致。
這些都沒有到達介面。這個模式發布的欄位是提示詞、解析度、畫面比例、時長、圖片與影片。工作台依這張表單建立控制項,只有在表單裡含對應欄位時才畫音訊開關。
誠實的說法不是「聲音關著」,而是「聲音開著、在這裡關不掉」,而且同一項能力的參考音訊那一半根本沒有入口。
| 發布方的音訊表面 | 它做什麼 | 是否出現在本站服務的表單裡 |
|---|---|---|
| audio | 讓輸出帶聲音,預設 true,開關價格相同 | 沒有 |
| reference_audio | 最多用五段音訊、共十五秒作為參考 | 沒有欄位,儘管能力區塊聲明了五段上限 |
為這一頁量了五個頁面。與發布方的大多數出入屬於常見的漂移,其中一條比其餘都更值得看,因為它並不是一個錯的數字。
最後一列留給記錄而不是留給結論。阿里雲自家開發者站的一篇文章說該參數在這個模型上已廢棄、不可使用,而同一家公司文件網域下的官方 API 參考,仍然把它寫在教開發者發送的請求體裡。本頁記錄這處矛盾,不去裁決它,因為在這裡沒有裁決的依據。
4K 那條是會改變決策的說法,而它只是參考讀物裡的一行字,不是量測結果。發布方自己的參數表列三檔,到 1080P 為止。
這組頁面還有一點比任何單條說法都更能說明問題:五個頁面裡有四個完全沒有影片元素,唯一有的那個是百科條目。其中一個比空還糟——某第三方 API 轉售方的模型頁標著 index, follow、帶十一條語言替代連結,正文三十四個詞,第二級標題寫的是「Something went wrong!」
| 說法 | 出現位置 | 發布方文件寫的是 |
|---|---|---|
| 閘道模型字串寫作 alibaba/wan-3.0 | 一篇第三方定價文章 | 發布方自己的模型名是 wan3.0-video 與 wan3.0-video-prime |
| 參考影片與音訊各不超過十五秒 | 同一篇文章,讀發布方限制讀對了 | 影片最多 5 段共 15 秒,音訊最多 5 段共 15 秒 |
| 原生 4K 解析度 | 一條百科條目 | 480P、720P、1080P,預設 1080P |
| 按秒計價,只給出折後數字 | 雲廠商自家開發者社群的文章 | 刊例價按秒,活動期限有明確的截止日期 |
| prompt_extend 參數已廢棄 | 雲廠商自家開發者社群的一篇文章 | 官方 API 參考的請求範例裡仍然帶著 prompt_extend: true |
這個模型的開發者文件裡沒有任何生成成品。已歸檔的六份第一方頁面裡沒有一個影片元素、沒有一個影片檔案;那些頁面是參數表與使用指南,配圖是介面截圖。模型的成品在兩個消費側站點上,而兩邊都得渲染而不能直接抓,因為它們都是瀏覽器裡拼出來的。
從這兩個站點取到十段片子,每一段都按完整大小下載成功。其中四段在本頁作為影片發布,選它們的理由就是時長或運動本身即證據。一段三十秒的片子是本組裡唯一達到發布方口徑所宣稱時長的,作為影片發布正是因為這個原因。一段五秒的片子落在發布方的預設時長上,短到可以整段發布。一段八秒的片子在同一場景的兩組反差鏡頭之間切換,於是「換鏡」是看得見的而不是被描述的。一段 1080p 的十五秒片子屬於發布方稱作數位資訊的那一路,主題是產品表面與乾淨的介面。
另外六段留下沒有作為影片發布,改為抽樣成靜幀:消費站首屏那兩支長片花,約二十七秒與四十四秒,外加幾段風格明顯不同的片子。對片花來說,抽幀才是誠實的處理方式,因為蒙太奇的靜幀只是其中某一刻的靜幀,而圖說會寫明是哪一刻。
有一條幀率事實必須謹慎陳述,以免引出錯誤推論。發布方文件寫輸出 30 幀/秒,而取到的這十段跑在 24、25 和 30 三種幀率上。它們是網頁投放成品而不是模型輸出,所以幀率是這些檔案的屬性,本頁任何地方都沒有把它當作關於模型的證據。
這裡沒有任何一條被歸因到某個具體模式。發布方沒有為這些片子中的任何一段公布提示詞或參數列,所以沒有一條圖說聲稱它出自某種參考素材、某個解析度或某個時長。圖說裡提到某一幀屬於某段時長的片子時,那個時長是從檔案裡量出來的。
本頁的材料屬於發布方,每一條都寫明了出處。
本頁出現的對比,兩半都取自同一段片子,所以展示的差別是一次生成內部的變化,而不是兩次生成之間的差別。
三十秒,由發布方在自家消費站發布,這裡整段保留,因為時長本身就是被檢驗的那條說法。這是本頁取到的片子里唯一達到模型標題所說三十秒的一段,而且它是一個連續場景帶對話,不是蒙太奇。轉碼檔案保留了音軌。
八秒,同一場景用兩組反差很大的機位拍,發布它是為了展示切換之下的連續性。兩個穿厚重裝甲的人物全靠藍色實景光照明,在景別變化中保持了一致——這正是發布方頁面聲稱的那項性質,也是靜幀承載不了的。
五秒,正好在發布方公布的預設時長上,整段發布,因為水、布料與動物同處一幀是很難的組合,而五秒短到不必再剪。
十五秒、1920×1080,是本組裡解析度最高的一段。作為影片發布是因為它的對象是表面而不是人:產品形態、乾淨背景、正對鏡頭的一件物體。生成結果讀起來像產品攝影,是與電影感素材不同的另一種考察,而本頁只有這一段跑了這項。


同一段八秒片子的開場與收尾機位,並排擺開,不播檔案也能讀出景別的變化。兩個人物在景別變化中保持了裝甲細節、體型比例與朝向,而這正是「一致性」這條說法所指的是什麼。

取自消費站兩支片花中較長的那支的 6.7 秒。幕後紀錄片的調性,按「在真實片場被拍下」來調度。

取自同一支片花的 22.9 秒。一次生成內部就換了調性,從片場紀錄變成舞台演出。

取自第二支消費站片花的 24.1 秒。低調布光而臉部依然可讀,那是這類畫面裡更難做到的一半。

取自同一支片花的 37.2 秒。一個室內居家場景,窗光與桌面細節必須彼此對得上。

取自消費站一段二十秒片子的 17.0 秒。屬於渲染風格而非攝影風格,包裝字與冰箱裡密集的商品細節都能看清。

取自一段七秒片子的 3.9 秒。發布它是為了看手:弓、弦與手指在近景裡保持清晰,同時雨絲橫貫整幅畫面。

取自那段五秒片子的 1.2 秒。戲服、水與動物同處一幀——布料與動物形體最容易走樣的地方。

取自雲端場景頁一段二十秒片子的 17.0 秒。整幅暖色日落漸層,畫面正中一件小器物被握持、手指按在正確的位置。

取自那段十五秒 1080p 片子的 12.8 秒。無縫背景上的一件產品形態,正是發布方自家頁面專門點出的應用方向。
不是。這是本站關於該模型的一個頁面。發布方自己的頁面在全文裡被標為來源,阿里雲沒有審閱或背書過本頁。
三種:文生影片、圖生影片、參考生影片。發布方為同一個模型名記錄了七類任務,其中包括檔案與網頁參考、影片編輯、影片延長,而本產品對這三類都沒有聲明。
因為發布方在內部路由,而本站服務不這麼做。阿里雲只出一個模型名,依你傳了什麼、提示詞要什麼來定任務。本站目錄把同一個入口拆成三個可選模式,同一項能力換了個形狀。
發布方文件寫圖片最多 10 張、影片最多 5 段,另有音訊 5 段。服務的表單收 10 張圖與 5 段影片,且沒有音訊欄位。工作台是最窄的一頭:它的參考影片輸入只收一個檔案,參考生影片表單則完全不渲染圖片上傳區。
在這個工作台裡不能。發布方把它列為一類獨立任務,一張圖作首幀、一張作尾幀。服務的圖生影片表單收最多兩張圖,但不區分哪張是首幀哪張是尾幀,而工作台把這個上傳截斷成一張。
不能。發布方的比例列表裡有 21:9,本站服務的沒有。選 adaptive 可以讓模型去匹配輸入的畫面比例,但純文字的請求沒有可匹配的輸入,所以固定超寬畫面比例在這裡提不出來。
720p。發布方的 API 參考把這個入口的預設值寫成 1080P,本站服務的表單寫 720p。這個差別有代價,因為這裡公布的費率同時按解析度與參考素材分類,預設檔的花費大約只有發布方預設檔的一半。
目錄就是這麼發布的。這張費率表涵蓋五類參考素材跨三檔解析度,其中一類是音訊,而同一模式的表單只發布圖片與影片欄位。同一張表也掛在文生影片上,而文生影片連附件欄位都沒有。
在這張表單上兩樣都不行。服務的能力區塊聲明音訊會被生成、預設開啟、帶開關;發布方也把音訊預設寫成 true,且開關價格相同。但發布的表單沒有音訊欄位,而工作台只在表單含該欄位時才畫音訊控制項。
伺服器會在任務開始前,依你選的模式與設定把費用算成點數回傳。目錄為這個產品公布 6 點/秒的起價,以及一張隨解析度與附帶素材變動的費率表。附帶影片還會把計費基數改成「輸入加輸出」秒數。