实测Wan3.0：离「万物皆可生视频」还差多远

单次生成30秒，追平字节Seedance2.5的当前行业最高单段档位；720P的API价格0.6元/秒，约为主流模型六折。放在2026年8月这个时间点，这组数字意味着阿里把「长视频」和「性价比」两杆大旗一起插了下来。 但真正引起我们兴趣的，是官方那句很嚣张的口号：万物皆可生视频。除了常规的文本、图片、音频、视频，Wan3.0首次支持上传PPT、Word、PDF甚至网页链接，直接转成一段成片，这在全行业是独一份的。 宣传词可以写得漂亮，但好不好用，得真上手才知道。我们花了一整天，用6组测试把它从里到外试了一遍，其中3组还特意复用了之前H3和Seedance2.5同题PK的案例，方便直接横向对比。 Wan是阿里通义实验室的视频生成模型家族，从1.0到3.0一共迭代了8个版本。这一代的升级，官方概括成四个维度：生成时长、万能创作、全能参考、真实还原。 时长的意义不只是数字变大，而是从「生成一个镜头」变成了「讲述一段完整的故事」，一镜到底、连续运镜这些长镜头语言第一次有了施展空间。 文档转视频，是它最值钱的差异化。把doc、ppt、pdf甚至网页链接丢进去，配一句提示词，就能得到教学课件、产品演示、动态图表这类成片。限1个文件、≤100MB、≤50页，这限制说实话不算宽，但方向是对的，办公素材直接变成视频，正是所有人都在等的「生产力」场景。 价格上，Wan3.0走的是性价比路线。480P/720P/1080P的API价格分别为0.3/0.6/1.2元/秒，30秒的1080P成片大约36元一条。对比上一代Wan2.7的1080P1元/秒，还涨了一点，但横向比可灵、比即梦的订阅价，仍算克制。 我们用6组测试覆盖官方所有核心卖点：30秒长叙事、人物演技、文档转视频、全能参考、物理一致性、多风格渲染。其中文档转视频、智能手表广告、机器人四视角三组，直接复用了之前H3和Seedance2.5同题PK的同一张图、同一段提示词，这样Wan3.0的结果能和三家里另外两家直接对齐。 这6组结果拿得并不容易，或许是公测首日涌入的人太多，我们经历了漫长的排队等待，网站也崩了好几次，才终于把数据凑齐。 所有测试统一用1080P生成，全程在万相官网完成。需要说明的是，这是公测首日的实测结果，模型还在快速迭代，结论只代表当前版本。 我们选了一个应景又刁钻的题材：《大鱼海棠》十周年。这部国漫2016年上映，今年6月19日刚做了IMAX重映，7月18日还有一场IP唱演秀。我们用「神之围楼→少女化大鱼→海天相接」写了一段30秒一镜到底。 结果是这段30秒真实给足，而且意外地完整。镜头从围楼天井缓缓升起，穿红裙的少女接住一朵海棠花，纵身跃入夜空化作红色大鱼，穿过缀满海棠花的云层、游过海天相接之处，最后潜入深蓝海面，以涟漪空镜收尾。神之围楼、海棠花、黄昏氛围的还原度都很高，运镜升降自然流畅，少女在变身前的形象保持高度一致。 唯一的小瑕疵在变身那一下，红绸聚形成鱼的瞬间更偏「化形特效」，人鱼形体之间少了一两帧明确的因果过渡。但瑕不掩瑜，作为单次生成的30秒长镜头，能把一个东方奇幻故事的起承转合讲到这个完整度，「30秒叙事」这个头号卖点算是立住了。 AI视频人物最常见的毛病是「木偶式表演」，眼神空洞、表情麻木。我们给Wan3.0出了一道电影级的演技题，用一张真人参考图，演一段「从隐忍到崩溃」的情绪转变。 提示词按社区里公认的「AI演技」方法论写，AI听不懂「伤心」「崩溃」这种情绪形容词，只懂肌肉运动指令，所以要用量化表情+时间轴+负面约束。我们把情绪拆成五段时间轴，从瞳孔放大失焦，到眼眶泛红、下唇咬痕、降口角肌下拉，再到半弧苦笑、一滴泪滑落，最后情绪收束望向虚空。 Wan3.0的答卷让人有点意外，它从垂眸看手机、眼神失焦躲闪，到抬眼时眶内水光凝聚，再到闭眼落泪时嘴角仍挂着半弧苦笑，这个「笑着流泪」的释放阶段处理得相当高级，全程无哭崩、无五官扭曲、无塑料感，人物从参考图到结尾高度同一张脸。连智能时长都精准，没指定总时长，它自动给了约9秒，和五段时间轴严丝合缝。 缩水的地方也有：攥衣角、喉结滚动这类身体微指令，最后只兑现了交握的双手。但就「AI不再是木偶式表演」这个命题而言，这段情绪递进的真实感已经足够让文章立论站稳。 这是Wan3.0全行业首创的差异化卖点，也是我们最想证真伪的一条。为了测完整链路，我们先让Kimi K3生成了一份8页的「虚拟产品」PPT，一个虚构的AR智能眼镜品牌「NOVA智见」，然后上传给Wan3.0，让它做成30秒产品介绍视频。 链路真的跑通了，Wan3.0从PPT里读懂了核心卖点，45g轻量化、12小时续航、55°大视场角逐条上屏，结尾的「NOVA智见，目光所及，皆有答案，2026年9月」一字不差，官方自认的中文渲染短板在这一条里零乱码，比后面的智能手表广告那次还稳。 不足也很明显，它把「产品介绍视频」理解成了电影感广告片，而不是PPT页面切换；眼镜外观在不同镜头间有明显漂移，开头是厚重的银框、中段变成无框细腿、结尾又是另一副造型；跑步场景的人物还有轻微残影分身。 这一组复用了之前H3和Seedance2.5同题PK的智能手表广告案例，同一张产品图、同一段广告提示词。那段提示词很刁，要求产品从顶光微距特写转到360度旋转，右侧依次浮现卖点文字，最后定格在品牌Slogan。 最有戏剧性的是，官方承认的短板在这条上反而没掉链子。视频中的单词全部拼写正确、零乱码，只有文字淡入淡出时有短暂重影；顶光到柔光的广告级灯光调度和微距推进，也颇有苹果官方片的质感。 真正的失分在道具一致性，表壳在玫瑰金与银白之间漂移，米兰尼斯表带时粗时细，旋转到侧面时表冠离奇出现红圈又消失，而且始终没有真正补全表背，表盘刻度数字细看有涂抹感。横向对比下来，Wan3.0大概是「文字渲染反超、产品锁形略输」的格局。 这道题同样来自之前的三家同题PK，是典型的「世界模型」级任务。所谓世界模型，简单说就是模型不只生成画面，还要让画面里的物体遵循物理规律。它要求模拟装在机器人头部、胸前、左右手腕的四个摄像头视角，四宫格同时记录机器人抓取桌面上的红色立方体。上次H3四视角同步但机器手电线穿模，Seedance2.5干脆各说各话。 Wan3.0交出的是「中间态」答卷，它只给了三视角而非四视角，中途还塌陷成单画面全屏再切回分屏，各格子里机械臂数量和方块位置对不上，红方块一度悬浮上墙、抓取瞬间还出现分身，并非严格的同一动作多机位同步。 但亮点在于，中央主视角里「抓取→翻转→放入托盘」的任务链完整走完，夹爪与方块接触基本符合物理，也没有出现H3那样的电线穿模。所以最终格局是，视角同步性输给了H3，动作完整度和物理干净度小胜Seedance2.5，三家依然没人拿到这道题的满分。 最后一组测多风格渲染，我们刻意避开了媒体已经测过的日式赛璐璐、仙山水墨，改用两组原创案例，日式浮世绘版画和欧美赛博朋克。 浮世绘这条几乎是冲着《神奈川冲浪里》去的，鹰爪浪尖、飞沫、浪谷渔船、富士雪顶，全要素在线，蓝白配色和浪头形态抓得很准。 挑刺的话，浮世绘更像「动漫插画仿浮世绘」，缺少木版画的套色边界与木纹纸质感，且前5秒画面偏静止；赛博朋克的招牌文字依旧是假字乱码，经不起细看。但作为风格还原测试，一东一西、一个传统一个科幻都立住了，「多风格不混淆」的宣传这组案例算是实锤成立。 强的是「干活」的能力。30秒长叙事能完整讲完故事，中文文字渲染稳定得超出预期，文档转视频这条全行业独有的链路真的能用，人物演技也不再是木偶式表演。这些能力拼在一起，指向的是同一个场景，内容生产。自媒体做视频、办公素材转成片、产品宣传、教学课件，它都能上手，而且720P0.6元/秒的价格，比雇剪辑或者用订阅制竞品都省。 弱的是「当世界模拟器」的能力。精细的道具会锁不住形，表壳会变色、眼镜会换造型；多机位物理一致性还是中间态，四视角做不到严格同步。如果你要的是机器人训练数据、需要物理级精准的工业场景，它和H3、Seedance2.5一样，都没到能交付的程度。 说白了，Wan3.0选的不是「最强」路线，而是「最能干活」路线。这在「刷分炫技」渐渐退潮、竞争转向生产流程嵌入的当下，反而可能是最务实的策略。 至于那条「万物皆可生视频」的口号，我们测下来想说，它还不是万能，但已经足够能干。对普通人和创作者来说，这或许比「最强」更有意义。