阿里 Wan3.0 公测：一次生成 30 秒视频，把 PPT、表格直接变成片子
想象一个工作流：把一份产品介绍 PPT 丢进对话框，几分钟后收到一条 30 秒的成片——运镜、转场、配音齐全，不用写一帧提示词。8 月 6 日，阿里云宣布 Wan3.0 进入公开测试，这个工作流从演示变成了可申请的能力。
这是阿里视频生成模型的一次代际更新。上一代 Wan 2.7 的官方文档里，单次生成时长上限是 15 秒；Wan3.0 把这个数字直接翻倍——原生支持 30 秒视频的单次生成。
背景：视频生成卡在"时长"上已经太久了
先把行业背景说清楚。AI 视频生成发展了两年多，最尴尬的瓶颈始终是时长。主流模型单次生成普遍在 5—15 秒，想得到一条像样的短视频，必须多次生成再剪辑拼接——“提示词写十分钟，剪片子剪一小时"是常态。
时长为什么难突破？视频生成是自回归地"一帧帧往后推”，每推一帧都要重新审视全局一致性，序列越长，人物、场景、光影的漂移风险越大。30 秒意味着数百帧的连贯叙事，对模型的长期一致性是硬考验。阿里云 Model Studio 官方文档显示，上一代 wan2.7-t2v 的单次时长范围是 2—15 秒，30fps、MP4（H.264 编码），支持带音频的多镜头叙事。Wan3.0 把原生时长做到 30 秒，等于把"拼接"这个环节从工作流里删掉了一部分。
核心：三个关键词与一组定价
Wan3.0 的官方卖点可以拆成三个词（阿里云官方 X 账号发布信息）：原生 30 秒视频生成、Reality-Grade 渲染（官方对画质与真实感的表述）、Omni-Reference 全模态参考。
最值得展开的是 Omni-Reference。此前视频模型的输入基本是"文字 + 图片 + 可选音频"，Wan3.0 把输入扩展到了文档类：除了文本、图像、音频、视频，还支持文档、表格、幻灯片、网页（官方 X 账号表述；独立科技媒体 AlphaSignal 的报道列出了更细的清单：.doc、.xls、.ppt、.pdf、.txt、.key、.pages、.numbers）。换句话说，你不必把一份 PPT 的内容"翻译"成提示词，直接把文件扔进去。
质量与一致性上，QwenCloud 模型页的描述是"生产级角色一致性"与"逼真的视听效果"——视频带声音，角色跨镜头保持一致。公开测试期间的 API 定价（官方 X 账号与 QwenCloud 模型页一致）：
| 分辨率 | 价格（美元/秒） |
|---|---|
| 480P | $0.05 |
| 720P | $0.10 |
| 1080P | $0.20 |
换算一下更直观（按 1 美元兑 7.2 元人民币估算）：一条 10 秒的 720P 视频约 1 美元，合人民币 7 元左右；一条 30 秒的 1080P 成片约 6 美元，合 43 元左右。入口在阿里云 Model Studio 与 Qwen Cloud，公测采用申请制，官方称完整 API 访问将很快全面放开。
开发者视角的参数同样值得记录（QwenCloud 模型页）：异步任务接口（dashscope-intl 的 video-synthesis 服务，模型名 wan3.0-video），调用参数包含分辨率、画幅比例（adaptive 自适应）与时长；模型页还列出了函数调用、上下文缓存、结构化输出、批量任务、联网搜索、微调等配套能力——说明它接的不是一个"玩具接口"，而是一套完整的 API 生态。当前公测限制：并发数 2、异步队列上限 50、每分钟请求数 30——典型的"先限量再放量"节奏。官方账号在公告之后连发两条演示视频（阿里云官方 X 账号回复），展示 30 秒成片的实际效果——申请入口与演示物料都已就位，想感受"原生 30 秒"的观感，可以直接去看官方演示。
深度分析一：30 秒 + 文档输入，改的是"生产流程"
30 秒这个数字，放在内容生产语境里比放在技术语境里更有分量。一条完整的电视广告是 30 秒，一条抖音/快手的标准短视频是 15—60 秒。单次生成 30 秒，意味着"广告片一次成型"从概念变成了可申请的能力；对批量做口播、产品演示、电商素材的团队来说，剪辑拼接不再是必经步骤。
Omni-Reference 的意义更靠前一步：它把"素材整理"这个环节也交给了模型。过去的工作流是"素材 → 人写提示词 → 模型生成"；现在可以是"素材直接进模型"。AlphaSignal 的评论点出了关键：当输入从"创意描述"扩展到"原始材料"，视频生成就从"创意工具"变成了"生产工具"——前者需要你会表达，后者只需要你有素材。这对短视频供给侧的产能影响，可能比画质提升更大。
把视野再拉开一点：Wan 在阿里云 Model Studio 里并不是孤零零一个文生视频模型。官方文档显示，同一套 Wan 体系还覆盖数字人唇形同步、图生动作、视频换脸、舞蹈替换、视频重绘、通用视频编辑等垂直场景。Wan3.0 是这套体系的新底座——30 秒原生时长与文档输入，会同步抬高所有下游场景的天花板。这也是大厂做视频模型与创业公司的差别：一次升级，整条产品线受益。
文档里还有一个容易被忽略的细节：Wan 的通用视频编辑能力包含视频扩展（官方示例：把 1 秒的片段扩展到 5 秒）与画幅转换（横屏转竖屏）。这意味着 30 秒原生生成只是入口，素材的二次加工同样在模型能力范围内——“一次生成"与"按需修改"合起来，才是完整的生产闭环。对做短视频矩阵的团队来说，横屏素材一键转竖屏这类需求，以前要人工重剪，现在是一条 API 的事。
深度分析二：价格战从文本烧到了视频
定价同样值得咂摸。按秒计价是视频生成行业的通行做法，Wan3.0 的 0.05 美元/秒（480P）处在第一梯队的中低位。结合阿里云近期的动作看，节奏很清晰：8 月 5 日 Qwen-Image-3.0 上线，文字渲染精度推到 10px 字号，单张定价 0.03 美元起；8 月 6 日 Qwen3.8-Max 宣布低谷时段五折；同一天 Wan3.0 公测。文本、图像、视频三条线同时降价放量——2026 年夏天从 Kimi K3 引发的大模型价格战（本站 8 月 5 日有专文），正在从文本模型蔓延到多模态生成。
这背后是算力与规模的红利，也是竞争的白热化：视频生成是公认的下一块高价值市场，国内外厂商都在密集迭代。先发者用价格换规模、用规模摊薄成本。对使用者而言，这意味着"试试看"的门槛在快速降低——几条视频的成本只相当于几杯咖啡。
按秒计价的逻辑其实很朴素：视频生成的计算成本与时长大致线性相关，按秒收费对供需双方都直观。当"每秒多少钱"成为行业通用语言，视频生成的商品化进程就完成了关键一步——它正在变成像云存储一样按量计费的基础服务。
局限也要说清。其一，公测期并发 2、队列 50、RPM 30 的限制意味着它暂时还撑不起大规模生产流水线；其二，“生产级角色一致性"是官方宣称，真实水平需要实测——长视频的人物漂移是行业通病，30 秒是更大的考验；其三，30 秒是单次生成上限，长片、剧情片依然需要剪辑与多段拼接；其四，公测申请制与"完整 API 即将放开"的表述，说明服务能力还在爬坡。
落地：两件现在就能做的事
- 内容团队去申请公测，用 30 秒原生时长重跑一条生产流程：拿一个真实需求（产品演示、口播、电商素材）测三件事——单次 30 秒的质量、文档输入（PPT/表格）的可用度、带声音视频的完成度。成本极低：一条 1080P 的 30 秒成片约 6 美元。
- 开发者先读 API 文档再排期：接口是异步任务制（video-synthesis），当前并发只有 2、RPM 30——接入前先确认你的批量场景能接受排队；想自己试的，QwenCloud 模型页有现成的 curl 示例，模型名 wan3.0-video。
结尾
从 15 秒到 30 秒，从提示词到文档直投，Wan3.0 的每一步都踩在同一个方向上：把视频生产里"人要做的事"再拿走一块。当一条广告片的成本降到几十元、一条短视频的产出从"剪"变成"等”，内容供给的底层逻辑正在被改写。工具的门槛在降低，但选择用工具做什么——这个判断力，依然是人的事。
（信息来源：阿里云官方 X 账号 Wan3.0 公测公告（2026-08-06）、QwenCloud Wan3.0-Video 模型页（定价与 API 参数）、阿里云 Model Studio 视频生成官方文档、AlphaSignal 报道（2026-08-06））