Wan 3.0 — 30 秒文生、图生与参考生 AI 视频
阿里通义实验室万相 3.0 视频模型。单次生成最长 30 秒，支持 480p / 720p / 1080p；可从文本、首帧（可选尾帧）或图片 / 视频 / 音频混合参考出发，并在 SeeVid 可选生成原生音频。
已在 SeeVid 平台上线
阿里通义万相 3.0 视频模型
Wan 3.0（通义万相 3.0）是阿里通义实验室 2026 年一代 AI 视频模型。公开资料强调单次最长约 30 秒、原生音画一体，以及文本 / 图片 / 视频 / 音频的全能参考。在 SeeVid 可使用文生视频、图生视频（首帧，可选尾帧）与参考生视频：最多 10 张图、5 段视频、5 段音频。
单次最长 30 秒
可选 2–30 秒或自动时长。自动模式按提示匹配节奏，避免短镜头被拉长、长叙事被截断，无需把多段 5 秒片段手工拼接成一条镜头。
文本、图片与混合参考
从提示词起步、用静帧开场（可选结束帧），或混合最多 10 张图、5 段视频（各 1–15 秒、合计 ≤15 秒）和 5 段音频。
同一次生成原生音频
对白、演唱、音效与环境声可与画面一并生成。默认开启音频，也可关闭得到静音成片。口型同步与多语言对白是万相 3.0 系列的重点能力。
人脸、道具、空间与风格
参考生视频面向角色、产品、空间与风格在更长镜头中的一致性，适合广告、讲解与短叙事草稿，再进入剪辑软件精修。
更长镜头、更稳参考、音频随片
Wan 3.0 面向需要超过 5–15 秒节拍的创作者：30 秒叙事画布、细粒度参考锁定，以及与画面一起交付的声音。
SeeVid 上的 Wan 3.0
具体选项与 AI 视频生成器一致。积分按输出秒计费（自动时长按 20 秒计）。参考生视频还会计入参考视频时长。
文生视频
用自然语言描述场景、运镜、风格与对白。时长 2–30 秒或自动；480p / 720p / 1080p；画幅自适应、16:9、9:16、1:1、4:3 或 3:4。
图生视频
一张图作为首帧，第二张可作为尾帧。最多两张图。时长、清晰度与画幅与文生视频相同。
参考生视频
最多 10 张图（各 ≤20MB）、5 段视频（1–15 秒、≤100MB、合计 ≤15 秒）与 5 段音频（1–15 秒、≤15MB、合计 ≤15 秒）。输出时长加参考视频不可超过 30 秒。
智能时长
指定精确秒数或使用自动。自动按 20 秒任务计费，避免短节拍被拉长、长故事被中途截断。
480p / 720p / 1080p
三档清晰度。SeeVid 积分：480p / 720p / 1080p 分别为每输出秒 3.7 / 7.5 / 15。例如 720p × 5 秒 = 37 积分。
原生音频开关
默认开启音频（对白、音效、环境声）。关闭「生成音频」可得到静音成片，便于后期配乐。
常见问题
关于 Wan 3.0（通义万相 3.0）以及在 SeeVid 上使用的常见问题。