Wan 3.0：影像到影片、首尾幀、Models and API 上的音訊 | RunComfy

為什麼選擇Wan 3.0#

Wan 3.0 是 Wan-AI 的一體化視訊生成模型，可將文字、圖像、視訊、音訊、檔案和網頁轉換為具有同步聲音的連貫剪輯。此頁面提供 Wan 3.0 Image to Video：為其提供第一幀圖像和提示，然後將該幀動畫化為 2-30 秒的剪輯，並可選用最後一幀來確定鏡頭的結束方式。相同的底層模型還運行文本到視頻和參考到視頻，因此您在這裡開發的外觀可以在整個系列中傳輸。

Wan 3.0優勢	這對您意味著什麼
一種模型，多種輸入	Wan 3.0 處理文字、第一幀/最後一幀圖像、參考圖像、視頻、音頻、文檔和鏈接，因此您很少需要在想法之間切換工具。
首幀和末幀控制	在此頁面上，您可以設定開始幀和結束幀，與僅第一幀的動畫相比，Wan 3.0 可以更嚴格地控制鏡頭的開始和結束方式。
靈活的 2–30 秒輸出	Wan 3.0 渲染短草稿或較長的單次拍攝，因此快速迭代和完成的鏡頭來自同一端點。
同步音頻，可選	每個 Wan 3.0 結果都可以包含匹配的音軌，或者您可以導出無聲剪輯 - 切換音頻不會改變價格。

最佳用例#

• 產品和行銷影片： 使用 Wan 3.0 將產品或包裝照片變成具有受控運動和取景的簡短宣傳剪輯。
• 肖像和生活方式動畫： 讓 Wan 3.0 將肖像、時尚或生活方式動畫化為自然的品牌時刻。
• 社群媒體內容： 從單一影像產生垂直、方形或寬螢幕 Wan 3.0 剪輯，用於捲軸、短片、故事或提要展示位置。
• 創意原型製作： 在進行完整的生產過程之前，使用 Wan 3.0 從固定框架測試相機方向、運動和視覺風格。

它是如何工作的#

1. 設定起始影格： 上傳 Wan 3.0 將帶來的乾淨、高解析度的第一幀影像。
2. 描述運動： 告訴 Wan 3.0 什麼在移動、相機如何移動以及光線和場景如何隨時間變化。
3. 引導結局（可選）： 當最終姿勢、構圖或場景很重要時添加最後一幀圖像，Wan 3.0 將在兩者之間架起橋樑。
4. 選擇交付格式： 選擇解析度、寬高比、2-30 秒的持續時間以及是否產生音頻，然後查看 Wan 3.0 結果並每次最佳化一條指令。

＃＃ 參數

第一個表格列出了此頁面上 Wan 3.0 Image to Video 工具公開的控制項。

參數	必填	類型	預設	範圍/選項	如何選擇
提示*	是 (*)	字串	範例提示	最多 20,000 個字元	描述主體、其運動、相機移動、燈光和風格。清晰的結構比長度更重要。
image_url*	是 (*)	字串	範例圖片	圖片 URL 或 Base64	第一幀 Wan 3.0 產生動畫。使用清晰、光線充足、整潔的影像，以實現最佳的主題保留。
end_image_url	沒有	字串	空白	圖片 URL 或 Base64	可選的最後一幀；當結束姿勢或構圖固定時設定它。
決議	沒有	字串	720p	480p、720p、1080p	使用「480p」進行快速草稿，使用「1080p」進行更詳細的交付。
aspect_ratio	沒有	字串	adaptive	adaptive、16:9、9:16、1:1、4:3、3:4	保留「adaptive」以跟隨輸入影像，或強制指定特定位置的比例。
持續時間	沒有	整數	5	2–30 秒	在完善動作時保持較短的距離，然後在方向確定後將其升高。
thinking_mode	沒有	布林	假	「真」/「假」	啟用結合了多個動作或合成規則的複雜提示。
enable_audio	沒有	布林	真實	“真”/“假”	繼續播放同步音軌；關閉以取得靜音剪輯。
種子	沒有	整數	隨機	0–2147483647	修復種子以重現結果，同時進行小的、可比較的編輯。

• 必填欄位。

下表總結了更廣泛的 Wan 3.0 模型。參考、文件和純文字輸入可透過模型的其他模式和同級工具取得，而不是作為此影像到影片頁面上的控制項。

核心維度	Wan 3.0
型號	wan3.0-video
生成模式	文字轉視訊；圖像到視訊（第一幀，或第一幀+最後一幀）；來自圖像、視訊和音訊的視訊參考；加上文件和網路連結參考。
輸出持續時間	2-30 秒。使用視訊輸入時，輸入加輸出保持在 30 秒內。智慧持續時間選項讓 Wan 3.0 推薦長度。
解析度	“480P”、“720P”或“1080P”。
輸出縱橫比	adaptive（從輸入中推薦）或16:9、4:3、1:1、3:4、9:16。
輸出音訊	可選的同步音頻，與圖片一起產生並預設為開啟。
第一幀/最後一幀輸入	最多 1 個「first_frame」和 1 個「last_frame」。圖：JPEG、JPG、PNG、BMP 或 WEBP；每邊「240–8000」像素；寬高比高達「8:1」；每個最多 20 MB。
參考圖片	最多 10 個參考影像，以確保主題、物件或場景的一致性。
參考影片	最多 5 個剪輯； MP4 或 MOV；每次「1–15」秒；組合影片長達 15 秒；每邊「240–4096」像素；每個剪輯最多 100 MB。
參考音訊	最多 5 個剪輯； WAV 或 MP3；組合音訊長達 15 秒；每個最多 15 MB。
文檔/網頁輸入	一份文檔（DOCX、PDF、PPTX、XLSX、TXT 及類似文檔，最多 50 頁）或一個公共 Web 連結。
模式獨家	第一幀/最後一幀輸入不能與同一請求中的參考、文檔或連結輸入組合。
提示限制	最多 20,000 個字元。

定價#

Wan 3.0 定價取決於您選擇的解析度和產生的持續時間。啟用或停用 Wan 3.0 音訊不會變更速率。

解析度	每秒價格	5秒	10 秒	30 多歲
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

對於 1-4 個輸出的批次，計算總數為「持續時間 × 每秒速率 × 輸出計數」。

提示和參考提示#

使用這個可重複使用的 Wan 3.0 結構：

[主題 + 定義細節] + [隨著時間的推移一個動作] + [相機取景和移動] + [設定 + 燈光] + [視覺處理] + [音訊] + [結束影格或約束]

• 引導主題： 說出第一幀包含的內容，然後描述 Wan 3.0 應如何移動它。
• 將相機與主體分開： 獨立描述主體運動和相機運動，以獲得更清晰的 Wan 3.0 結果。
• 使用清晰的第一幀： 視訊輸入出現模糊、混亂或低解析度。
• 錨定結局： 當特定的最終姿勢或構圖無可協商時，取得最後一幀影像。
• 開啟思考模式： 當 Wan 3.0 鏡頭分層多個動作或構圖規則時啟用它。
• 修復種子： 一旦鏡頭看起來正確就鎖定種子，這樣您就可以公平地比較小的提示編輯。

Wan 3.0 比較如何#

使用此 Wan 3.0 比較作為模型系列指南；最大解析度和持續時間可能無法同時使用，不同的工具可以公開不同的輸入和控制項。基於公開資訊。

型號	解析度	最長持續時間	音訊	傑出
Wan 3.0	480p–1080p	30 多歲	可選同步音訊	一個一體化模型，涵蓋文字、第一幀/最後一幀以及來自圖像、視訊和音訊的視訊參考，以及文件和 Web 輸入。
克林3.0	高達 4K	15 秒	具有口型同步的原生音訊	協調腳本廣告和角色場景的多鏡頭攝影機變化和揚聲器分配的對話。
海螺02	1080p	〜10 秒	無	以物理為中心的運動和對無聲動作和產品鏡頭的強烈提示依從性。
種子之舞 2.5	1080p	30 多歲	音視頻聯合	具有同步語音和效果的參考大量生成，用於身份敏感的編輯。
維奧 3.1	4K	8 秒	原生對話和效果	適用於電影過渡和組合序列的第一幀/最後一幀和參考控制。

Wan 3.0 的獨特之處在於其廣度：單一模型可以對第一幀進行動畫處理，尊重最後一幀，並且可以從圖像、視頻、音頻、文檔和鏈接中提取數據，同時生成可選的同步聲音。當您有一個可以賦予生命的開放框架時，請選擇 Wan 3.0 Image to Video；當您的起點發生變化時，請移至文字或參考工具。

更多模型可供嘗試#

• Wan 3.0 文字到影片: 當您沒有起始影像時，僅根據提示產生剪輯。
• Wan 3.0 視訊參考： 組合影像、視訊和音訊參考以實現角色和物件的一致性。
• Seedance 2.5 文字到影片： 從文字產生快速、低成本的草稿渲染。
• Kling 3.0： 使用可選的結束幀和同步音訊對起始影像進行動畫處理。

官方資源#

• Wan 3.0影片產生API參考（阿里雲Model Studio）
• Wan模型家族概述