Wan 3.0 免费在线 AI 视频生成器
写一条导演式的提示词，从首帧开始，或叠加最多 10 张图片和 5 段视频做参考，Wan 3.0 就会给你一条 2–30 秒、人声、音乐和音效已经混好的视频。可选 480p、720p 或 1080p。 现在就在 Yovid 上用 Wan 3.0 开始创作。
Wan 3.0 能拍出什么画面
为什么在 Yovid 上选 Wan 3.0
- 一次生成就是完整的 30 秒故事：2 到 30 秒任选，一条视频里有开场、铺垫和结尾。
- 提示词导演的一镜到底：逐拍写出运镜路线和节奏，Wan 3.0 会保持一个不间断的镜头。
- 人声、音乐和音效一次生成：对白、歌曲和音效与画面一起生成，口型同步，支持多种语言。
- 最多 10 张图片和 5 段视频做参考：用参考素材锁定人物、生物、产品和场景，再用文字来指挥它们。
- 高速动作下，角色依然不走样：毛发、服装和道具在 30 秒的追逐、坠落和近身格斗中都保持稳定。
- Wan 3.0 的所有设置，一处搞定：五种画面比例加自适应、三档分辨率、2–30 秒、三种起步方式。
- 每秒成本低，声音已包含：720p 每秒约 2.4 积分，开声音和关声音价格相同。
一次生成就是完整的 30 秒故事
Wan 3.0 的时长是 Wan 2.7 上限 15 秒的两倍，足够安排一个定场镜头、一段情绪攀升、一个高潮和安静的收尾。下面这条视频仅凭一条文字提示词，完整生成 30 秒，从穿云俯冲到庙会，再到缓缓拉远，一张参考图也没用。
在 Yovid 上，时长用滑块设置，2 到 30 秒的任意整数秒都行。先用 5 秒把想法跑通，再把完整的 30 秒用在要留下的那个版本上，因为每多一秒都要计费。
Wan 3.0提示词导演的一镜到底
光有时长不够，运镜也得听话。这里的提示词规划了一条穿过剧院的路线（化妆走廊、服装架、侧台、舞台）和每一段的节奏，模型就保持了一个 24 秒的镜头：先是在工作人员之间冲刺，在侧台突然静止，然后幕布升起，座无虚席。
“0–7 s”“12–14 s”这样的时间节拍，是它最容易理解的指令。Yovid 上的 Wan 3.0 接受最长 10,000 字符的提示词，所以一份带对白的完整分镜清单也放得下。
Wan 3.0人声、音乐和音效一次生成
声音默认开启。Wan 3.0 在生成画面的同时生成声音，所以每句台词对上对应的嘴型，每个脚步声落在节拍上，音乐也随剪辑转场。在这个演示里，一位主唱用八种语言唱同一段旋律，包括英语、普通话、日语、韩语、泰语和阿拉伯语，全程是同一张脸、同一套服装和同一把嗓音。
把台词放进引号，并说明由谁用哪种语言说。Wan 3.0 的声音不另外收费：开声音和关声音，积分价格相同。
Wan 3.0最多 10 张图片和 5 段视频做参考
把输入框切换到参考模式，Wan 3.0 一次请求最多接收 10 张图片和 5 段 1 到 15 秒的视频。给每个文件分配一个任务，并在提示词里点名：@Image 1 是人物，@Image 2 是场景，其余是角色或道具。
这个演示用了九张图片：一位年轻女子、一个荷花园场景，以及七种生物，每种都画成 2D 并建了 3D 模型。她的脸从第一帧到最后一帧始终不变，而这些生物从平面的画中走出，变成 3D。
Wan 3.0高速动作下，角色依然不走样
快速动作是生成式角色最容易走样的地方。在这个用了两张图的演示里，一对动物武者在一座坍塌的洞窟寺庙里切磋了 30 秒，有楼梯追逐、跃起顶点的慢动作碰撞和崩塌的石台，而它们的毛色花纹、长袍、尾巴和入鞘的剑，都保持着设计时的样子。
提示词承担了大部分工作：它为每张参考图列出了哪些东西不能变，把打斗拆分成带时间的节拍，并写明了每一种声音，从撞击、衣料到落石。
提示词（节选）： 30 s, 16:9, cinematic 3D animated action. @Image 1 is the only tabby-cat heroine (teal hooded cape, bronze armor, ringed tail); @Image 2 is the only male hero (blue-and-gold cloud robe). Swords stay sheathed on their backs. They spar hand to hand in a ruined cave temple: a chase up broken stairs, a one-second slow-motion clash mid-air, a collapsing ledge, a back-to-back landing in drifting petals.
Wan 3.0 的所有设置，一处搞定
先选好画面比例再写提示词，调度都按这个画面来构图。从图片开始生成时，Wan 3.0 会保留这张图片的形状，而不是硬套预设比例。
| 时长 | 2 到 30 秒默认 5 秒。 |
|---|---|
| 分辨率 | 480p、720p 或 1080p默认 720p。 |
| 画面比例 | 16:9、9:16、1:1、4:3、3:4 或自适应 |
| 输入方式 | 文字、首帧（可加尾帧）或参考素材参考素材：最多 10 张图片和 5 段 1–15 秒的视频（MP4 或 MOV，每段最大 100 MB）。 |
| 声音 | 默认开启人声、音乐和音效；每次生成都可关闭。 |
| 提示词长度 | 最长 10,000 字符 |
| 输出格式 | MP4 |
每秒成本低，声音已包含
Wan 3.0 按输出的秒数计费，只有分辨率会改变费率。声音、画面比例和输入类型都不会。添加参考视频时，它们的秒数也要计入，按输入加输出计费。
这让长视频也负担得起：先用 480p 把提示词调好，再用 1080p 重新生成要发布的那个版本。
| 480p | 每秒约 1.2 积分一条完整的 30 秒视频约 36 积分。 |
|---|---|
| 720p | 每秒约 2.4 积分默认分辨率；一条 5 秒视频约 12 积分。 |
| 1080p | 每秒约 4.8 积分一条完整的 30 秒视频约 144 积分。 |
| 参考视频 | 按输入加输出的秒数计费10 秒的参考视频配 10 秒的结果，按 20 秒计费。 |
Wan 3.0 为谁而做
30 秒带声音的时长、十张图的参考素材，加上较低的每秒价格，最适合这些工作：
- 短剧与系列剧创作者：带台词的半分钟场景，用参考图让同一批演员在各集之间保持一致。
- 广告主与品牌团队：带旁白和音乐的产品广告与品牌短片，用你自己的照片让产品保持原样。
- 音乐与舞蹈视频创作者：口型同步、节拍和转场一次生成完成的表演，支持多种语言。
- 动画师与游戏工作室：从水墨水彩到赛璐璐 CG，一次生成 30 秒的风格化片头和预告片。
- 门店与旅游营销人员：为咖啡馆、酒店和目的地制作氛围短片，围绕你已有的照片来做。
Wan 3.0 vs Seedance 2.5、MiniMax H3、Kling 3.0、Veo 3.1 对比
除最后一行外，每一格都来自各模型目前在 Yovid 生成器里提供的设置，花积分之前就能按时长、参考素材和成本做权衡。
| 功能 / 模型 | Wan 3.0 |  Seedance 2.5 |  MiniMax H3 |  Kling 3.0 |  Veo 3.1 Fast |
|---|---|---|---|---|---|
| 最长时长 | 30 秒 | 30 秒 | 15 秒 | 15 秒 | 8 秒 |
| 最高分辨率 | 1080p | 1080p | 2K | 1080p | 4K |
| 画面比例 | 16:9, 9:16, 1:1, 4:3, 3:4 | 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 | 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 | 16:9, 9:16, 1:1 | 16:9, 9:16 |
| 参考图 | 10 | 30 | 9 | — | — |
| 参考视频 | 5 | 10 | 3 | — | — |
| 编辑或延长上传的视频 | — | 支持 | — | — | — |
| 5 秒 720p 所需积分 | 12 | 31 | 23 | 13 | 15 |
| 最适合 | 每秒价格最低的 30 秒有声视频。 | 最大的参考素材额度，以及编辑或延长已有素材。 | 用少量参考素材生成最长 15 秒的 2K 视频。 | 1080p 下最长 15 秒、生动的角色视频。 | 8 秒的主视觉镜头，最高 4K。 |
积分为积分包标准价下生成 5 秒 720p 视频的消耗（模型没有 720p 时取最接近的分辨率），随 Yovid 实时价格更新。
Wan 3.0 的优势与局限
Wan 3.0 在 Yovid 上哪里是最佳选择，哪些情况换个模型或工具更合适。
优势
- 30 秒带声音：时长是 Wan 2.7 的两倍，对白、音乐和音效不额外收取积分。
- 每秒价格：720p 每秒约 2.4 积分，不到 Seedance 2.5 费率的一半。
- 参考素材额度：一次请求最多 10 张图片和 5 段视频，让人物、产品和场景保持一致。
- 长提示词：最长支持 10,000 字符，一份带每句台词的分镜清单也放得下。
局限
- 分辨率：最高 1080p。需要 2K 或 4K，请选 MiniMax H3 或 Veo 3.1，或把视频交给 Yovid 的视频超分放大。
- 套餐权限：免费版不可用。任意付费套餐或一次性积分包都能解锁，包括 1080p。
- 输入方式比 API 少：阿里巴巴自己的 API 还支持音频、文档和网页，并能编辑或延长视频；在 Yovid 上，你使用的是文字、图片和视频。
- 画面文字：阿里巴巴指出，文字渲染和音频质感仍在改进，所以标题和字幕请在剪辑软件里添加。
三步生成 Wan 3.0 视频
- 第 1 步
打开 Wan 3.0
从本页开始，或者打开视频生成器，在模型列表里选择 Wan 3.0。
- 第 2 步
描述场景，添加素材
写下镜头、声音和对白，添加首帧，或最多 10 张图片和 5 段视频，然后设置时长、画面比例和分辨率。
- 第 3 步
生成并下载
开着声音看生成结果，哪个节拍不对就收紧提示词，然后下载 MP4。
Wan 3.0 演示背后的提示词
真实的 Wan 3.0 提示词（缩短并译自中文），旁边就是它们生成的视频。在生成器里打开任意一条，换成你自己的细节；提到 Image 1、2 等的提示词，需要你自己的参考图。
最后八小节
文生视频 · 24 秒A 24-second single take, 16:9, realistic film look, one 35 mm lens, no cuts. A singer of about 28, dark hair pinned up, in a deep wine-red velvet gown, nearly misses her entrance. 0–12 s: the camera backs away fast as she weaves through a narrow backstage past a costume rack, a sliding painted flat and a prop cart; the stage manager says into his headset, "布景就位，灯光准备，主幕待命。" (Set in place, lights ready, main curtain standing by.) 12–21 s: in the wings he raises a hand: "最后八小节。" (Last eight bars.) The music thins, the camera slowly circles her and she closes her eyes. 21–24 s: "Three… two… one!" The cue light turns green, the curtain rises and she steps into the light before a full house.
来源：Alibaba Cloud Model Studio · Wan 3.0
试试这条提示词云端盛宴
文生视频 · 30 秒A nine-shot, 30-second Eastern fantasy in a retro Chinese calendar-poster style: even ink outlines, patterned cotton-ball clouds, aged rice-paper watercolor in teal and peach. 0–4 s: an FPV dive from the sky past a giant turtle carrying a mountain of palaces. 4–11 s: riding a golden qilin low and fast over a festival of musicians and dancers. 11–19 s: a pipa player builds to one sweeping chord. 21–27 s: a dancer whirls a long red silk into a ring of flame. 27–30 s: a slow pull-up as the mountain drifts into the clouds. Guzheng, pipa and bells over soft electronics.
来源：Alibaba Cloud Model Studio · Wan 3.0
试试这条提示词道场加载
三个参考素材 · 24 秒About 24 s, a cinematic Japanese sci-fi game opening. Image 1 is the male character (silver hair, goggles, long grey coat), Image 2 the female character (twin buns, red mechanical mask, white combat suit), Image 3 a traditional wooden dojo. In a blank white virtual space, grid lines spread under their feet and the dojo builds itself plank by plank. She looks around and asks, 「ここは……何のステージ？」 He raises a palm: 「お前の適性を測る、最初の試練だ。」 The dojo dissolves back to white and a system voice says 「適性試験、開始。」 Accurate Japanese lip sync, no subtitles.
来源：Alibaba Cloud Model Studio · Wan 3.0
试试这条提示词一个节拍，八种语言
三个参考素材 · 24 秒A 24-second international hip-hop video, photoreal, rooftop at blue hour. Image 1: the four-person crew (lead vocalist, DJ, two hype performers). Image 2: the lead vocalist. Image 3: the rooftop stage and skyline. A catchy 106 BPM anthem with a two-bar synth and brass hook. Eight shots, one language each, landing on the beat: "One beat." "同一个节拍。" "ひとつのリズム。" "하나의 리듬." "Um só ritmo." "จังหวะเดียวกัน." "Un mismo ritmo." "إيقاع واحد." Beat drop at 21 s: "Different voices, one beat." Precise lip sync, same face and voice throughout.
来源：Alibaba Cloud Model Studio · Wan 3.0
试试这条提示词废墟切磋
两个参考素材 · 30 秒A 30-second, 16:9, 1080P cinematic 3D animated action short. @Image 1 is the only tabby-cat heroine: teal hooded cape, bronze shoulder armor, ringed tail. @Image 2 is the only male hero: blue-and-gold cloud-pattern robe, blue bracers. Their swords stay sheathed on their backs. In a ruined cave temple with a giant stone Buddha head, they spar hand to hand: punches and sweeps, a chase up broken stairs, a one-second slow-motion clash mid-air, a collapsing ledge where he catches her wrist, and a back-to-back landing in drifting pink petals. No dialogue or music; only impacts, cloth, falling stone and wind.
来源：Alibaba Cloud Model Studio · Wan 3.0
试试这条提示词莲花秘境
九个参考素材 · 30 秒A 30-second, 16:9 surreal Eastern fantasy. Image 1 is the only identity reference for a young woman with long wavy brown hair, an open light-blue denim shirt and cream trousers. Image 2 fixes a hidden realm of giant translucent lotus flowers. Images 3–9 each show one creature in 2D (left) and 3D (right). She parts the vines and enters the realm; she touches a lotus and a glowing drop reflects the 2D creatures; they leap across a stream and turn into their 3D forms; she kneels, smiling, as they gather; the camera rises as every lotus blooms at once.
来源：Alibaba Cloud Model Studio · Wan 3.0
试试这条提示词
Yovid 上的更多视频模型
用好 Wan 3.0 的进阶指南
如何组织长提示词、图生视频示例，以及 Yovid 上所有视频模型的横向对比。