Wan 3.0 AI 影片生成器

阿里巴巴的通義萬相 3.0 可生成最長 30 秒、附原生音訊的剪輯,精確固定鏡頭的首幀與末幀,並在單次參考請求中同時讀取圖片、影片剪輯與音訊軌道 — 按秒計費,從 480p 預算級起步。

單次拍攝最長 30 秒

大多數 AI 影片模型止步於 10 或 15 秒;Wan 3.0 在單次連續生成中可達 30 秒。這個長度足以完成一支完整的產品導覽、一段有對白的場景,或一組無需事後拼接的連續鏡頭。可選 2 到 30 之間的任意整秒 — 按秒計費,因此 6 秒的草稿和 30 秒的成品價格完全成比例。

首尾幀控制

這裡的圖片轉影片不只是讓一張照片動起來:上傳首幀,並選擇性上傳末幀,Wan 3.0 會在兩個固定端點之間插補動態。它是本頁下方比較表中唯一接受末幀的模型 — 這就是「從這張圖開始」和「精確地從這張圖到那張圖」之間的差別。

單次參考請求:圖片、影片與音訊一起

參考轉影片在單次請求中接受混合素材 — 最多 10 張圖片、5 段短影片剪輯和 5 條音訊軌道 — 提示詞以編號引用每一項:「Image 1 的角色,像 Video 1 那樣移動,配樂像 Audio 1」。參考圖片和音訊免費;參考影片秒數會加進計費時長,費用會在生成前顯示。

原生音訊與 480p 預算級

音訊 — 人聲、音效、環境音 — 隨剪輯一起生成,關掉它的費用相同,因此聲音永遠不會有附加費。三種解析度的計費成整齊比例:480p 每秒 40 點,適合草稿,720p 為 80,1080p 為 160,適合成品。用 480p 迭代、用 1080p 完成,讓 30 秒的製作保持在可負擔的範圍內。

• 故事放不進 10 秒的人

  產品導覽、有對白的場景和多節拍序列可在單次生成中達到 30 秒 — 不需拼接,剪輯之間沒有連貫性接縫,音訊軌道貫穿整個拍攝。

• 必須精確從某處開始、在某處結束的鏡頭

  首末幀模式接受兩張圖片，並在兩者之間補插動作——一次轉變、一次揭露、一次必須精準落在特定構圖上的運鏡。本頁沒有其他模型接受末幀。

• 用素材、而不只是文字來導演的創作者

  把某張圖片裡的角色、某段影片的動作風格和一段音樂餵給它，並在提示詞中以編號分別指稱。十張圖片、五段影片和五段音訊可以共同塑造一次生成。

• 低成本打草稿，乾淨收尾

  480p 級距的計費是 1080p 費率的四分之一，提示詞行為完全相同，因此你可以用 1,200 點數反覆修改一段 30 秒的剪輯，確認到位後才用 4,800 點數渲染最終版本。

• 不適合：4K 最終成片，或不想手動設定片段長度的人

  1080p 就是上限——4K 交付物屬於 Kling 3.0 的領域。而且上游的智慧時長模式沒有接進這裡，所以你每次都必須明確選擇 2 到 30 秒之間的長度。

本表中每一項解析度、片段長度與點數數字，都是在 2026 年 8 月 26 日從我們自己的模型登錄檔與程式碼中的費率表讀取而來——也就是實際為你的生成計費的同一份表，而非廠商的行銷頁面。四款模型全都按秒計費，因此單段影片的費用就是費率乘以你選擇的長度；Wan 3.0 與 MiniMax H3 另外還會將參考影片的秒數計入計費。速度數字只有我們自行生成並計時的那兩段 Wan 3.0 影片；其餘每個欄位都標示為「未測量」，而非借用別人的數字。