通过动作与环境声描述新场景
写清主体、有序手势、天气与镜头路径。常规文字记录要求穿雨披的浣熊指挥水洼中的纸船，并呈现雨声、浣熊叫声与远处自行车铃，可以对照提示词检查运动、场景结构和要求的声音。
Wan 3.0 video generation up to 30 seconds with multimodal references
Wan 3.0 将常规版与 Prime 的文字、图像和参考工作流集中在同一系列。通过文字场景、一张或两张画面，或视觉、动作、声音与信息参考组合，生成 2–30 秒的 480p、720p 或 1080p 片段。说明各项素材作用，描述动作与镜头，并通过 audio 设置同步声音。两种变体使用文档列出的相同输入方式和各自价格；视频参考请求的完整估算包含来源视频时长。
Wan 3.0 由 Alibaba 开发，Vidgo 提供模型调用服务。模型名称与商标归各自所有者所有。探索 Wan 3.0 模型
先选择常规 Wan 3.0 或 Prime，再根据新文字场景选择文生视频，根据首帧或两个端点选择图生视频，根据组合素材选择参考素材生视频。说明哪张图像确定外观、哪段视频引导运动，以及哪项音频提供声音参考。结合完整素材与输出时长，查看任务当前价格。
文生视频
Wan 3.0 Prime Text-to-Video
Alibaba Wan 3.0 Prime video model with text-to-video, image-to-video, and reference-to-video workflows at 480p, 720p, or 1080p for 2 to 30 seconds with optional synchronized audio.
图生视频
Wan 3.0 Prime Image-to-Video
Alibaba Wan 3.0 Prime video model with text-to-video, image-to-video, and reference-to-video workflows at 480p, 720p, or 1080p for 2 to 30 seconds with optional synchronized audio.
参考素材生视频
Wan 3.0 Prime Reference-to-Video
Alibaba Wan 3.0 Prime video model with text-to-video, image-to-video, and reference-to-video workflows at 480p, 720p, or 1080p for 2 to 30 seconds with optional synchronized audio.
文生视频
Wan 3.0 Text-to-Video
Alibaba Tongyi Lab's Wan 3.0 multimodal video model with separate text-to-video, first/last-frame image-to-video, and reference-to-video workflows at 480p, 720p, or 1080p for 2 to 30 seconds.
图生视频
Wan 3.0 Image-to-Video
Alibaba Tongyi Lab's Wan 3.0 multimodal video model with separate text-to-video, first/last-frame image-to-video, and reference-to-video workflows at 480p, 720p, or 1080p for 2 to 30 seconds.
参考素材生视频
Wan 3.0 Reference-to-Video
Alibaba Tongyi Lab's Wan 3.0 multimodal video model with separate text-to-video, first/last-frame image-to-video, and reference-to-video workflows at 480p, 720p, or 1080p for 2 to 30 seconds.
Wan 3.0 文字、首尾帧与多模态参考任务
图像生成按画面顺序接受一张或两张 image_urls。参考生成接受最多十张图像、五段视频和五项音频参考，还可以通过一项文件参考或一项链接参考提供补充信息。至少提供一种参考类别；使用信息来源时，在文件和链接方式中选择一种。提示词将各项作用连接到目标场景、运动与声音。
| 模型 / 任务 | 输入与工作流 |
|---|---|
| Wan 3.0 Prime Text-to-Video | Alibaba Wan 3.0 Prime 视频模型提供文字、图像与参考素材生成工作流，支持 480p、720p 或 1080p、2 至 30 秒，以及可选同步音频。 |
| Wan 3.0 Prime Image-to-Video | Alibaba Wan 3.0 Prime 视频模型提供文字、图像与参考素材生成工作流，支持 480p、720p 或 1080p、2 至 30 秒，以及可选同步音频。 |
| Wan 3.0 Prime Reference-to-Video | Alibaba Wan 3.0 Prime 视频模型提供文字、图像与参考素材生成工作流，支持 480p、720p 或 1080p、2 至 30 秒，以及可选同步音频。 |
| Wan 3.0 Text-to-Video | Alibaba 通义实验室的 Wan 3.0 多模态视频模型提供独立的文生视频、首尾帧图生视频与参考素材生视频工作流，支持 480p、720p 或 1080p，以及 2 至 30 秒。 |
| Wan 3.0 Image-to-Video | Alibaba 通义实验室的 Wan 3.0 多模态视频模型提供独立的文生视频、首尾帧图生视频与参考素材生视频工作流，支持 480p、720p 或 1080p，以及 2 至 30 秒。 |
| Wan 3.0 Reference-to-Video | Alibaba 通义实验室的 Wan 3.0 多模态视频模型提供独立的文生视频、首尾帧图生视频与参考素材生视频工作流，支持 480p、720p 或 1080p，以及 2 至 30 秒。 |
Wan 3.0：首尾帧过渡与多模态素材整合
已有常规版与 Prime 记录展示两个浣熊场景、穿西装的猫过渡、花园侏儒过渡，以及组合图像、动作视频和实验室声音的狐狸请求。各组都是使用独立素材的请求，可以结合实际片段与完整输入了解使用的控制方式。
在 Prime 请求中明确物理表演
描述物体互动与可听接触。Prime 洗衣房记录要求浣熊在震动洗衣机上刮动唱片，并呈现机盖响动和湿爪声音，可以将其作为独立创作案例检查实际动作与镜头运动。
连接两张提供的角色状态
使用两张有序图像，并描述其间动作。常规猫记录从严肃坐姿转到撞上键盘，同时保留面部纹路、西装和桌面，可以结合两张画面检查输出中的运动、接触及要求的键盘声音。
引导 Prime 过渡到结束画面
提供起始与结束状态，描述运动路径。花园侏儒记录要求倾斜、起跳并沿弧线到达锦鲤池落水状态，同时保留角色与午后光线，可以结合两张输入检查实际变化过程和要求的碰撞声音。
组合外观、步态与室内声音参考
提供图像、动作和声音来源，并说明各项作用。Prime 狐狸请求让图像 1 确定面部、毛发与外套，让视频提供步态和尾部摆动，让音频提供实验室环境声，可以结合全部四项素材，检查生成角色、运动与要求的声音。
Wan 3.0 首尾帧动画与多模态参考案例
常规版案例提供两张猫的画面，要求在五秒内到达撞上键盘的结束状态；Prime 案例提供两张视觉参考、一段动作视频与一段录音，提示词通过第一张图像确定狐狸外观，通过视频提供步态，通过音频提供实验室环境声，再将狐狸放到冒泡烧杯旁。阅读各组完整提示词，结合每项来源与生成结果检查效果。
提示词
准确从图像 1 开始，并以图像 2 结束。在一个连续五秒镜头中，穿西装的虎斑猫装作严肃地向前倾，然后突然脸朝下撞上键盘。纸张轻动，咖啡杯保持原位。镜头：固定中景，在撞击时轻微向下俯仰，不要切镜。保留猫的面部纹路、西装、领带、桌面与光线。同步音频：椅子吱呀声、快速键盘敲击和一声低闷猫叫。不要可读文字、字母、数字、说明文字、标签、标志、品牌、水印、广告、海报、UI 屏幕或产品包装。
提示词
使用图像 1 提供狐狸的面部、毛发与宽大白色实验服。视频 1 仅用于行走步态和尾部摆动。音频 1 用于实验室环境声：暖通空调低鸣与远处玻璃声。新的五秒 16:9 场景：同一只狐狸沿实验台行走，停下并嗅闻冒泡烧杯。平视中景跟踪镜头。原生音频：提供的实验室环境声加爪部脚步。不要标志、可读文字、产品、包装、价格、行动号召内容、广告、水印或品牌标记。
Wan 3.0 的创作应用场景
准备文字场景、一对相互协调的画面，或作用明确的参考组合，描述动作、镜头、材料与声音，再选择常规版或 Prime 和目标时长。检查后的片段可以用于动画故事、角色喜剧、物体状态过渡、动作研究，以及具有明确声学环境的场景。
叙事视频构思
写清主体、环境、手势顺序与可听事件，生成片段并检查场景和时间安排，用于动画故事或分镜提案。
角色喜剧研究
描述清楚的铺垫、身体动作与结束状态，包括镜头和接触声音，再检查实际变化过程，用于短角色表演或场景构思。
首尾帧动画
准备相互协调的端点图像，并说明主体如何在两者之间运动，再结合两个状态检查片段，用于动作、过渡或材料运动提案。
参考素材引导运动
提供确定外观的图像与目标运动视频，并说明各项来源作用，再检查组合角色、比例和动作，用于动画或表演研究。
具有明确声音的环境
提供音频参考，描述对应空间与可听动作，再开启 audio，检查生成片段和目标声学关系，用于实验室、作坊或氛围构思。
信息参考引导的视频要求
准备文件或链接参考作为补充背景，并按需要增加视觉或声音参考，说明信息与目标场景的关系，再检查返回片段，用于视觉说明或故事开发草稿。
Wan 3.0 模型规格与 API 价格
常规版与 Prime 分别设置 480p、720p 和 1080p 单价。费用按照输出时长加参考视频总时长，再乘以所选变体与分辨率单价。图像、音频或信息参考请求使用输出时长计费，增加视频参考时会计入对应来源时长。下方动态表格展示当前每计费秒单价；请在任务页完成来源视频时长读取，再查看目标 2–30 秒输出的完整估算。
| 模型 | 厂商 | 任务类型 | 输入素材 | 输出规格 | 起价 |
|---|---|---|---|---|---|
| Wan 3.0 Prime Text-to-Video | Alibaba | 文生视频 | 文字提示词 | 1080p | $0.068 / 计费秒 |
| Wan 3.0 Prime Image-to-Video | Alibaba | 图生视频 | 1–2 张首尾画面 | 1080p | $0.068 / 计费秒 |
| Wan 3.0 Prime Reference-to-Video | Alibaba | 参考素材生视频 | 图像 / 视频 / 声音 / 信息 | 1080p | $0.068 / 计费秒 |
| Wan 3.0 Text-to-Video | Alibaba | 文生视频 | 文字提示词 | 1080p | $0.05 / 计费秒 |
| Wan 3.0 Image-to-Video | Alibaba | 图生视频 | 1–2 张首尾画面 | 1080p | $0.05 / 计费秒 |
| Wan 3.0 Reference-to-Video | Alibaba | 参考素材生视频 | 图像 / 视频 / 声音 / 信息 | 1080p | $0.05 / 计费秒 |
如何在 Vidgo 使用 Wan 3.0
先在线测试创作方案， 再将确认后的请求接入应用。
在线体验
使用计划中的参数生成结果
从上方模型列表打开所选任务，填写场景或动作指令，并提供对应画面或参考素材。选择时长、分辨率、比例与音频，查看完整估算后生成，再结合全部来源外观、端点、动作和声音检查输出，准备下一次请求。
为何在 Vidgo 使用 Wan 3.0
选择对应任务，查看参数与费用，并将在线测试中的素材和设置用于经过身份验证的 API 请求。
创作测试与任务选择
围绕创作目标选择输入
在模型列表选择常规版或 Prime，再选择文字、一张/两张画面动画，或参考请求。准备所需来源，选择 2 至 30 秒的整数时长与 480p/720p/1080p，再设置比例和音频。使用视频参考时，查看估算需要包含来源完整时长。
使用自己的提示词与素材测试
从上方模型列表打开所选任务，填写场景或动作指令，并提供对应画面或参考素材。选择时长、分辨率、比例与音频，查看完整估算后生成，再结合全部来源外观、端点、动作和声音检查输出，准备下一次请求。
生成前查看费用估算
比较所选分辨率下常规版或 Prime 单价，以及输出和参考视频秒数之和。完成输入时长读取后，结合完整估算与计划测试次数安排项目预算。
API 接入与结果管理
参考完整的真实生成案例
结合实际提示词、全部来源图像或视频及生成结果查看案例，了解如何说明输入作用、动作变化过程，以及自己请求中需要保留的细节。
通过任务 ID 跟踪每次生成
保存 API 返回的任务 ID，用于查询生成状态并获取完成文件的地址。通过在线生成记录回看先前结果与测试过的创作方向。
按照所选任务的文档完成接入
通过各任务提供的文档查看准确的模型标识、支持的输入、身份验证方法与响应格式。接入已经在线测试过的任务，使请求中的素材与设置保持一致。
Wan 3.0 API 常见问题
Wan 3.0 是 Vidgo 提供的 Alibaba 视频系列，包含常规版和 Prime 的文字、图像与参考任务，两者都提供 480p/720p/1080p 的 2–30 秒输出、一至两张画面输入与多模态参考字段，并使用各自模型标识和价格，视频参考时长计入费用。
探索更多模型系列
推荐阅读
阅读模型介绍、API 接入指南与平台比较，了解项目所需的输入素材准备、请求接入方法与费用规划。
