多模态参考控制
最多使用 10 张图片、5 个视频、5 个音频，或 1 个文档或公开网页来指导生成。
看得懂素材，也读得懂文档与网页，让视频生成拥有更完整的创作上下文。
Wan 3.0 AI 视频生成器
让图片定义画面，视频提供动作，音频传递节奏，文档与网页补充背景，共同组成更完整的生成上下文。
最多使用 10 张图片、5 个视频、5 个音频，或 1 个文档或公开网页来指导生成。
可选 480P、720P 或 1080P，并支持自适应、16:9、4:3、1:1、3:4 和 9:16 画面比例。
提示词最长 20,000 字符，可使用首尾帧、开启同步音频，并通过随机种子复用相同设置。
结合产品图片与介绍文档，将卖点、定位和视觉方向转化为简洁的宣传视频。
使用音频控制节奏与氛围，通过图片或视频定义人物、场景和动作。
通过多种视觉与文字参考构建人物、地点、镜头语言和故事节奏。
将支持的文件或公开网页转化为产品解说、内容摘要或演示视频。
定义人物、产品、场景和视觉风格。
参考动作、镜头运动和画面节奏。
提供音乐、声音、节奏和氛围。
补充产品信息、脚本和故事背景。
提供公开页面的内容与上下文。
上传媒体文件，添加文档或网页链接，或选择首尾帧。
写明希望生成的内容，并用 Image1、Video1 或 Audio1 指向指定素材。
选择生成模式、时长、分辨率、画面比例与音频，然后开始生成。
开始 Wan 3.0 文生视频创作时，先明确主体及其主要动作，再依次补充环境、景别、光线和运动方向，最后说明预期结尾。对于 Wan 3.0，一次明确的镜头运动比多组相互竞争的运动指令更便于评估。只有动作需要持续发展时，才安排较长的输出时长。增加新地点或次要人物之前，应先检查主体是否完成了要求的动作。
初始构图已经确定时，可使用首尾帧模式进行 Wan 3.0 图生视频创作。上传必需的首帧，也可添加尾帧说明预期的结束状态。提示词应描述两个状态之间的运动，例如镜头接近展台、人物转向门口，或产品逐渐进入光照区域。Wan 3.0 仍然需要合理的过渡关系；视角跨度过大或主体不一致，会增加动作控制的难度。如果多张图片用于提供外观或风格参考，而不是规定起止位置，应选择参考素材模式。
Wan 3.0 参考视频生成简报应说明每份上传素材的用途。使用 Image1、Video1 和 Audio1 标签，将文字指令与对应素材关联。Wan 3.0 可以接收多份参考资料，但素材数量增加并不必然提升表达清晰度。不同参考中的关键外观特征应保持一致。明确的素材分工有助于判断生成内容是否遵循了指定主体、运动方式和视觉风格。
| 模型 | Wan 3.0 | Wan 2.7 | Seedance 2.5 |
|---|---|---|---|
| 输入参数 | 文本 · 图片 · 视频 · 音频 · 文档 / 网页链接 | 文本 · 图片 · 视频 · 音频 | 文本 · 图片 · 视频 · 音频 |
| 输出格式 | MP4 | MP4 | MP4 |
| 时长（秒） | 2–30 / 自动 | 2–15; 多模态参考: 2–10 | 4–30 / 自动 |
| 原生分辨率 | 480P / 720P / 1080P | 720P / 1080P | 480P / 720P / 1080P |
| 画面比例 | 自适应 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16 | 16:9 / 9:16 / 1:1 / 4:3 / 3:4 | 1:1 / 21:9 / 4:3 / 3:4 / 16:9 / 9:16 / 自适应 |
| 提示词上限（字符） | 20000 | 5000 | 10000 |
以下原创 Wan 3.0 提示词围绕明确主体、具体动作与清晰结尾组织。使用时应替换为项目实际素材并调整参数；示例描述预期效果，不代表生成结果保证。
以 Image1 为陶瓷台灯参考，以 Image2 为房间参考。保留圆润灯罩与哑光象牙白表面。开头使用中景，展示胡桃木书桌上的台灯。镜头缓慢推进，同时灯罩下方逐渐出现暖光。周围物体保持静止。结尾完整展示台灯，并在右侧留出标题空间。加入安静的室内环境声，不使用语音。
以 Image1 为旅客参考，以 Image2 为车站参考。旅客在腰部位置拿着蓝色笔记本，朝时刻表行走。使用稳定的侧面跟拍镜头和柔和晨光。运动过程中保持外套颜色与笔记本一致。结尾旅客停下并抬头观察。背景活动保持克制。加入远处车站环境声，不添加对白或音乐。
以上传的产品简报作为事实背景，围绕文档中的便携阅读灯制作简短视觉介绍。依次展示黄昏时的书桌、阅读灯被放置在打开的书本上方，以及被照亮的书页。保持简洁的编辑视觉风格和固定机位。不得编造数值化性能声明。详细参数与字幕在最终剪辑中添加。