EzImgMaker logoEzImgMaker

通义万相 Wan 3.0:一次生成 30 秒有声视频

万相 3.0 可以用文字、首尾帧,或图片、视频和音频参考,生成最长 30 秒的单段视频。最高 1080p,声音可开关;想做有对白、音乐和动作音效的场景,可以把它们和画面要求一起写进提示词。

需要灵感吗?
示例

Generate a 30-second, 16:9 urban chase short in a stylish motion-graphics illustration style: flat graphic shapes, refined 2.5D layering, restrained 3D volume, not live action. Image1 is the reference for the neon city, roads, and overall texture; Image2 is the only reference for the man; Image3 is the only reference for the woman. Keep both faces, hairstyles, outfits, and colors consistent. Both are martial artists fighting over one glowing ball with a white core and a purple-pink-blue halo. 0–4 s: the camera dives from the neon skyline to street level as the woman sprints into frame clutching the ball. 4–8 s: the man cuts in from a side street to intercept her; she redirects his grab and slips past. 8–24 s: the chase runs through crowds and alleys, then both grab bicycles and race through night traffic, with handheld tracking, whip pans, snap zooms, and low angles. 24–30 s: she cuts between a braking car and a bus, escapes, and glances back with a proud smile as the camera rises over the city. Only one glowing ball, always the same size.

这是参考示例。

设置已完成

AI 生成功能即将开放。提示词尚未提交,也尚未生成视频或使用积分。

描述场景和时间安排
—
万相模型
万相 Wan 3.0
分辨率
720p
时长
5
画面比例
自动
生成声音
开启
输出数量
1

通义万相 3.0,把较长情节放进一段视频

万相 3.0 是阿里万相团队的视频模型,2026 年 8 月开始公开测试并上线。它把文字、首尾帧和参考素材 3 种方式放在同一模型里,最长单次 30 秒,适合安排一个有铺垫、变化和收尾的小场景。

本页可选万相 Wan 3.0 和万相 Wan 3.0 Prime。Prime 更侧重生成速度,每秒消耗的积分更多,输入方式和设置相同。和 2.2 的约 5 秒草稿相比,3.0 提供更长片段、原生声音和多类参考素材,人物、商品或地点是否保持一致仍需完成后检查。

标准版和 Prime 的设置区别

表中分别列出模型上限和本页实际可上传的数量,上传时以操作区为准。

项目万相 Wan 3.0万相 Wan 3.0 Prime
适合用途日常任务,积分消耗较低更看重速度的任务
文生视频支持支持
图生视频首帧,尾帧选填首帧,尾帧选填
模型参考素材上限10 张图、5 段视频、5 段音频10 张图、5 段视频、5 段音频
片长2–30 秒2–30 秒
分辨率480p、720p、1080p480p、720p、1080p
比例自动、16:9、9:16、1:1、4:3、3:4自动、16:9、9:16、1:1、4:3、3:4
声音可开关可开关
提示词中英文,最多 20,000 字符中英文,最多 20,000 字符

本页实际可上传 3 张参考图、1 段视频和 1 段音频。图生视频(首尾帧)和参考素材生视频不能混用。参考视频每段 1–15 秒,总长不超过 15 秒,参考视频时长加输出时长不能超过 30 秒;参考音频建议搭配图片或视频。

和 2.2 按片长和素材选择

短动作草稿和较长有声片段有不同要求。

项目万相 Wan 3.0万相 Wan 2.2 A14B Turbo
用途较长有声场景、参考素材约 5 秒、省积分的草稿、人像口型
片长2–30 秒可选约 5 秒固定
分辨率480p、720p、1080p480p、720p;语音驱动视频另有 580p
比例“自动”及 5 种固定比例16:9、9:16
原生声音支持不生成声音;语音驱动视频的口型跟随录音
图片输入首帧,尾帧选填一张起始图片
参考素材图片、视频、音频不支持
开放权重没有Apache 2.0 开源

2.2 的独立页面提供文字、图片和语音驱动模式;本页使用 3.0。

30 秒视频生成,先安排好情节顺序

示例片段都剪到了 8 秒。点卡片会把对应设置填进上方操作区,示例图仅供参考。

万相 3.0 视频生成,按三步操作

在浏览器中完成,不需要安装模型或准备显卡。

01

选择输入并写提示词

“文生视频”直接构思场景;“图生视频”上传首帧和可选尾帧;“参考素材生视频”加入图片、视频、音频,用 Image1、Video1、Audio1 指代。

02

选择版本和输出

选“万相 Wan 3.0”或“万相 Wan 3.0 Prime”,再选分辨率、2–30 秒、比例和声音开关。有参考视频时注意总时长限制。

03

检查后再修改

确认积分后生成,检查动作、时间和主体连续性。下载保存,或只修改一段动作再尝试。

多类素材各自承担什么作用

每种素材只承担一件事,下面分别说明。

让情节有开头和收尾

2–30 秒可容纳不同长度的场景。长片可按 0–8 秒、8–16 秒等时间段安排动作,先用 480p 检查,再决定是否提高分辨率。

参考生视频,明确每份素材用途

Image1 提供人物或商品,Video1 提供运镜或动作,Audio1 提供人声或音乐。不要让同一份素材承担互相冲突的要求。

首尾帧安排两端画面

用商品图、分镜图或照片确定开始,确定结尾画面时再上传尾帧。自动比例跟随图片,文字说明中间怎样变化。

对白、音乐和音效一起生成

开启“生成声音”后,写清谁说什么、使用哪种语言,以及环境声和音效。准备后期配音时可以关闭。

这些项目适合先做有声草稿

阿里介绍的应用方向包括短剧、广告、文旅和音乐内容,具体效果仍需结合素材测试。

短剧和动态分镜

安排重复出现的角色、对白和运镜,检查较长场景是否连贯。

商品和营销

用参考图明确商品、标签和 logo,完成后逐镜头核对,模型不保证每个镜头都完全一致。

旅行和文旅构思

尝试航拍、城市漫步和目的地预告,配上环境声,并明确 AI 生成来源。

音乐短片

用参考歌曲或人声安排表演和舞蹈,确保拥有相关音频使用权。

长片提示词,分段写比一口气堆动作更清楚

主体、地点、动作顺序、镜头、画风、声音和保留内容逐项交代。

用时间段分配动作

15–30 秒片段可分为 0–8 秒、8–16 秒、16–30 秒,每段只安排一个主要变化。

给参考素材分工

例如 Image1 提供外观,Video1 只参考镜头,Audio1 是歌曲,避免混淆。

对白和声音分别写

每句写说话人和语言,再列环境声、音乐和重要音效。

说明需要保留的细节

例如保持瓶身形状、标签和颜色,或只出现一个发光球体,完成后检查。

使用前常见问题

了解片长限制、参考素材、版本和所需积分。

给下一段场景安排好时间

写下一个 30 秒以内的情节,或上传参考素材,再说明动作和声音。

Wan 和通义万相是阿里巴巴集团或其关联公司的商标。EzImgMaker 是独立服务,和上述公司没有关联,也没有获得其背书或赞助。