Wan 3.0：图像到视频、首尾帧、Models and API 上的音频 | RunComfy

为什么选择Wan 3.0#

Wan 3.0 是 Wan-AI 的一体化视频生成模型，可将文本、图像、视频、音频、文件和网页转换为具有同步声音的连贯剪辑。此页面提供 Wan 3.0 Image to Video：为其提供第一帧图像和提示，然后将该帧动画化为 2-30 秒的剪辑，并可选用最后一帧来确定镜头的结束方式。相同的底层模型还运行文本到视频和参考到视频，因此您在这里开发的外观可以在整个系列中传输。

Wan 3.0优势	这对您意味着什么
一种模型，多种输入	Wan 3.0 处理文本、第一帧/最后一帧图像、参考图像、视频、音频、文档和链接，因此您很少需要在想法之间切换工具。
首帧和末帧控制	在此页面上，您可以设置开始帧和结束帧，与仅第一帧的动画相比，Wan 3.0 可以更严格地控​​制镜头的开始和结束方式。
灵活的 2–30 秒输出	Wan 3.0 渲染短草稿或较长的单次拍摄，因此快速迭代和完成的镜头来自同一端点。
同步音频，可选	每个 Wan 3.0 结果都可以包含匹配的音轨，或者您可以导出无声剪辑 - 切换音频不会改变价格。

最佳用例#

• 产品和营销视频： 使用 Wan 3.0 将产品或包装照片变成具有受控运动和取景的简短宣传剪辑。
• 肖像和生活方式动画： 让 Wan 3.0 将肖像、时尚或生活方式动画化为自然的品牌时刻。
• 社交媒体内容： 从单个图像生成垂直、方形或宽屏 Wan 3.0 剪辑，用于卷轴、短片、故事或提要展示位置。
• 创意原型制作： 在进行完整的生产过程之前，使用 Wan 3.0 从固定框架测试相机方向、运动和视觉风格。

它是如何工作的#

1. 设置起始帧： 上传 Wan 3.0 将带来的干净、高分辨率的第一帧图像。
2. 描述运动： 告诉 Wan 3.0 什么在移动、相机如何移动以及光线和场景如何随时间变化。
3. 引导结局（​​可选）： 当最终姿势、构图或场景很重要时添加最后一帧图像，Wan 3.0 将在两者之间架起桥梁。
4. 选择交付格式： 选择分辨率、宽高比、2-30 秒的持续时间以及是否生成音频，然后查看 Wan 3.0 结果并每次优化一条指令。

＃＃ 参数

第一个表列出了此页面上 Wan 3.0 Image to Video 工具公开的控件。

参数	必填	类型	默认	范围/选项	如何选择
提示*	是 (*)	字符串	示例提示	最多 20,000 个字符	描述拍摄对象、其运动、相机移动、灯光和风格。清晰的结构比长度更重要。
image_url*	是 (*)	字符串	示例图像	图像 URL 或 Base64	第一帧 Wan 3.0 产生动画。使用清晰、光线充足、整洁的图像，以实现最佳的主题保留。
end_image_url	没有	字符串	空	图像 URL 或 Base64	可选的最后一帧；当结束姿势或构图固定时设置它。
决议	没有	字符串	720p	480p、720p、1080p	使用“480p”进行快速草稿，使用“1080p”进行更详细的交付。
aspect_ratio	没有	字符串	adaptive	adaptive、16:9、9:16、1:1、4:3、3:4	保留“adaptive”以跟随输入图像，或强制指定特定位置的比例。
持续时间	没有	整数	5	2–30 秒	在完善动作时保持较短的距离，然后在方向确定后将其升高。
thinking_mode	没有	布尔	假	“真”/“假”	启用结合了多个动作或合成规则的复杂提示。
enable_audio	没有	布尔	真实	“真”/“假”	继续播放同步音轨；关闭以获得静音剪辑。
种子	没有	整数	随机	0–2147483647	修复种子以重现结果，同时进行小的、可比较的编辑。

• 必填字段。

下表总结了更广泛的 Wan 3.0 模型。参考、文档和纯文本输入可通过模型的其他模式和同级工具获得，而不是作为此图像到视频页面上的控件。

核心维度	Wan 3.0
型号	wan3.0-video
生成模式	文本转视频；图像到视频（第一帧，或第一帧+最后一帧）；来自图像、视频和音频的视频参考；加上文档和网络链接参考。
输出持续时间	2-30 秒。使用视频输入时，输入加输出保持在 30 秒内。智能持续时间选项让 Wan 3.0 推荐长度。
分辨率	“480P”、“720P”或“1080P”。
输出纵横比	adaptive（从输入中推荐）或16:9、4:3、1:1、3:4、9:16。
输出音频	可选的同步音频，与图片一起生成并默认打开。
第一帧/最后一帧输入	最多 1 个“first_frame”和 1 个“last_frame”。图片：JPEG、JPG、PNG、BMP 或 WEBP；每边“240–8000”像素；宽高比高达“8:1”；每个最多 20 MB。
参考图片	最多 10 个参考图像，以确保主题、物体或场景的一致性。
参考视频	最多 5 个剪辑； MP4 或 MOV；每次“1–15”秒；组合视频长达 15 秒；每边“240–4096”像素；每个剪辑最多 100 MB。
参考音频	最多 5 个剪辑； WAV 或 MP3；组合音频长达 15 秒；每个最多 15 MB。
文档/网页输入	一份文档（DOCX、PDF、PPTX、XLSX、TXT 及类似文档，最多 50 页）或一个公共 Web 链接。
模式独家	第一帧/最后一帧输入不能与同一请求中的参考、文档或链接输入组合。
提示限制	最多 20,000 个字符。

定价#

Wan 3.0 定价取决于您选择的分辨率和生成的持续时间。启用或禁用 Wan 3.0 音频不会更改速率。

分辨率	每秒价格	5秒	10 秒	30 多岁
480p	0.06 美元	0.30 美元	0.60 美元	1.80 美元
720p	0.12 美元	0.60 美元	1.20 美元	3.60 美元
1080p	0.25 美元	1.25 美元	2.50 美元	7.50 美元

对于 1-4 个输出的批次，计算总数为“持续时间 × 每秒速率 × 输出计数”。

提示和参考提示#

使用这个可重用的 Wan 3.0 结构：

[主题 + 定义细节] + [随着时间的推移一个动作] + [相机取景和移动] + [设置 + 灯光] + [视觉处理] + [音频] + [结束帧或约束]

• 引导主题： 说出第一帧包含的内容，然后描述 Wan 3.0 应如何移动它。
• 将相机与拍摄对象分开： 独立描述拍摄对象运动和相机运动，以获得更清晰的 Wan 3.0 结果。
• 使用清晰的第一帧： 视频输入中出现模糊、混乱或低分辨率。
• 锚定结局： 当特定的最终姿势或构图无可协商时，获取最后一帧图像。
• 打开思考模式： 当 Wan 3.0 镜头分层多个动作或构图规则时启用它。
• 修复种子： 一旦镜头看起来正确就锁定种子，这样您就可以公平地比较小的提示编辑。

Wan 3.0 比较如何#

使用此 Wan 3.0 比较作为模型系列指南；最大分辨率和持续时间可能无法同时使用，并且不同的工具可以公开不同的输入和控件。基于公开信息。

型号	分辨率	最长持续时间	音频	杰出
Wan 3.0	480p–1080p	30 多岁	可选同步音频	一个一体化模型，涵盖文本、第一帧/最后一帧以及来自图像、视频和音频的视频参考，以及文档和 Web 输入。
克林3.0	高达 4K	15 秒	具有口型同步的原生音频	协调脚本广告和角色场景的多镜头摄像机变化和扬声器分配的对话。
海螺02	1080p	〜10 秒	无	以物理为中心的运动和对无声动作和产品镜头的强烈提示依从性。
种子之舞 2.5	1080p	30 多岁	音视频联合	具有同步语音和效果的参考大量生成，用于身份敏感的编辑。
维奥 3.1	4K	8 秒	原生对话和效果	适用于电影过渡和组合序列的第一帧/最后一帧和参考控制。

Wan 3.0 的独特之处在于其广度：单一模型可以对第一帧进行动画处理，尊重最后一帧，并且可以从图像、视频、音频、文档和链接中提取数据，同时生成可选的同步声音。当您有一个可以赋予生命的开放框架时，请选择 Wan 3.0 Image to Video；当您的起点发生变化时，请移至文本或参考工具。

更多模型可供尝试#

• Wan 3.0 文本到视频: 当您没有起始图像时，仅根据提示生成剪辑。
• Wan 3.0 视频参考： 组合图像、视频和音频参考以实现角色和对象的一致性。
• Seedance 2.5 文本到视频： 从文本生成快速、低成本的草稿渲染。
• Kling 3.0： 使用可选的结束帧和同步音频对起始图像进行动画处理。

官方资源#

• Wan 3.0视频生成API参考（阿里云Model Studio）
• Wan模型家族概述