Wan 3.0 教學：30 秒 AI 影片、6 個官方案例、價格與 Prompt
Wan 3.0 怎麼用？從 6 支官方影片拆解純文字、多圖參考、動作、多語言、UGC 與文件轉影片，附價格與可直接套用的 Prompt。
Wan 3.0 是阿里巴巴最新一代 AI 影片生成模型。它能用文字、圖片、影片、音訊、文件與公開網頁產生影片，單次最長 30 秒，並可輸出 480P、720P 或 1080P。
本文除了介紹功能與價格，也會整理 Prompt 的寫法。Prompt 就是你交給模型的生成指令，用來說明主體、場景、動作、鏡頭與聲音。
真正值得注意的不是把原本的短片硬拉長，而是創作者終於能把人物照、商品圖、配音、動作參考和企劃文件一起交給模型。過去需要分別處理的文生影片、圖生影片與參考生影片，現在被整合進同一個入口。
Wan 3.0 適合拿來做社群短片、商品廣告、教學摘要與概念影片。不過它還不是「上傳企劃書就能直接交件」的全自動剪輯師。官方也承認音訊質感與畫面文字準確度仍在改善，因此字幕、品牌名稱、產品細節與對白都要人工檢查。
Wan 3.0 正式上線，跟公測有什麼不同？
Wan 3.0 在 2026 年 8 月初先開放測試。到了 8 月 24 日，Alibaba Cloud Model Studio 官方發表頁已改為 Generally Available，代表一般開發者不必再提出邀測申請，就能在體驗中心使用模型，或透過 API 讓自己的程式自動呼叫模型。
你在部分舊文件裡仍可能看到「邀測」字樣，那是文件更新時間不同造成的落差。以目前官方發表頁的狀態來看，Wan 3.0 已進入正式可用階段。
這次同時有兩個版本：
| 模型 | 定位 | 適合誰 |
|---|---|---|
wan3.0-video |
Standard 標準版，價格較低 | 個人創作者、測試概念、一般內容製作 |
wan3.0-video-prime |
Prime 優速版，生成速度較快、價格較高 | 在意等待時間與大量產出的團隊 |
第一次使用建議先選 Standard。當工作量大到等待時間真的影響交付，再考慮 Prime，比一開始就為速度多付費更實際。
Wan 3.0 有哪些新功能？
1. 單次最長生成 30 秒
過去許多 AI 影片模型一次只產生數秒到 15 秒的片段，創作者必須反覆延長、剪接，人物和場景也容易在接點改變。Wan 3.0 把單次生成上限提高到 30 秒，並提供智慧時長，讓模型依內容建議長度。
30 秒真正帶來的價值，是能容納開場、發展與收尾。產品廣告可以先建立情境，再展示細節，最後回到品牌畫面；教學短片也能在同一段影片中完成問題、步驟與結果。
但長度越長，需要模型同時維持的人物、道具與鏡頭關係也越多。新手不必每次都選 30 秒，先用 5 至 10 秒確認風格，通常比較省錢，也更容易修改。
2. 文字、圖片、影片、音訊與文件都能變成影片
Wan 3.0 的「全能參考」是這次最有實用價值的升級。依官方 API 文件，參考模式最多可放入 10 張圖片、5 段影片與 5 段音訊。文件則支援 docx、doc、xlsx、xls、pptx、ppt、pdf、txt、key、pages、numbers 與 md。
這代表你可以把商品不同角度的照片、演員外型、運鏡參考與聲音素材放在同一個任務裡，再用提示詞說明各素材的角色。模型不只看「畫面長什麼樣」，也會理解它們之間的關係。
文件轉影片更適合做內容初稿。例如把產品簡報轉成介紹短片、把課程講義轉成教學摘要，或把報表內容轉成動態說明。單一文件上限為 100 MB，PDF、Word、PowerPoint、Keynote 與 Pages 等格式最多 50 頁；公開網頁也能直接當輸入，但必須是不需登入即可讀取的頁面。
3. 角色、商品與空間一致性更受重視
AI 影片常見的問題不是單張畫面不夠漂亮，而是人物換個角度就變臉、商品結構在鏡頭之間改變。Wan 3.0 將人物五官、髮型、服裝、商品材質、Logo、角色站位與攝影機視角都列為一致性控制重點。
這項升級對廣告與連續敘事比「更電影感」更重要，因為觀眾一旦看到商品按鍵位置改變，或主角在第二個鏡頭突然換人，影片就很難直接使用。只是官方展示代表模型的目標能力，不等於所有素材都能一次成功，產出仍要逐鏡檢查。
4. 生成後可以繼續編輯
Wan 3.0 延續 Wan 2.7 的影片編輯能力，可依指令修改畫面、劇情與對白，不必每次都從零生成。對創作者來說，這讓工作流程比較接近「先出初剪，再局部修改」，而不是每次抽一支全新的影片。
實務上仍建議先把最容易出錯的項目固定下來，例如角色、商品外型、長寬比和核心動作。若連這些都持續更換，後續編輯仍可能變成反覆重做。
Wan 3.0 價格多少？
Wan 3.0 Standard 採影片秒數計費。官方國際版牌價如下：
| 解析度 | 每秒牌價 | 生成 10 秒 | 生成 30 秒 |
|---|---|---|---|
| 480P | US$0.05 | US$0.50 | US$1.50 |
| 720P | US$0.10 | US$1.00 | US$3.00 |
| 1080P | US$0.20 | US$2.00 | US$6.00 |
截至 2026 年 8 月 25 日，官方頁面顯示 Standard 在 2026 年 9 月 24 日 00:00（UTC+8）前有 30% off，折後每秒為 US$0.035、US$0.07 與 US$0.14。實際扣款、地區稅費與活動資格仍以 Model Studio 控制台帳單為準。
最省成本的做法，是用 480P 或 720P 測試構圖與動作，確認提示詞後再用 1080P 產出需要交付的版本。直接用 1080P 反覆抽片，成本很快就會放大。
Wan 3.0 使用教學：完成第一支 AI 影片
以下使用 Alibaba Cloud 國際版 Model Studio 示範。台灣使用者可選 Singapore 地區，畫面可能以英文顯示。
步驟一：進入 Wan 3.0 體驗中心
開啟Wan 3.0 官方體驗入口，登入 Alibaba Cloud 帳號。台灣使用者可從 Singapore 地區進入，頁面會直接開啟 Wan3.0 體驗中心。
如果只是想先了解功能，可以從官方發表頁點選 Try now；需要串接產品時，再進入 Start building 查看 API。
步驟二：先選對生成方式
目前體驗頁主要顯示 All-Purpose Reference 與 First & Last Frame。不要急著上傳所有素材，先依你手上的資料選擇對應用法：
| 你手上的素材 | 建議模式 | 適合用途 |
|---|---|---|
| 只有一段文字想法 | Text to Video | 概念短片、氣氛鏡頭 |
| 一張主視覺或人物照 | First Frame／Image to Video | 讓靜態圖片動起來 |
| 已經設計好開頭與結尾 | First and Last Frames | 控制轉場與畫面落點 |
| 多張人物、商品、場景圖 | Reference to Video | 維持角色與商品一致性 |
| 簡報、報告或公開網頁 | File／Link | 教學摘要、產品說明、動態報告 |
如果主體外型不能改，例如真實商品或固定角色，優先使用參考素材，不要只靠文字描述。若你更在意畫面怎麼動，而不是外型細節，單張首幀就已經夠用。
步驟三：上傳素材並清楚編號
參考模式會依上傳順序把素材編成 Image 1、Image 2、Video 1。提示詞裡要直接使用這些編號，模型才知道每個素材扮演什麼角色。
例如你上傳一張人物照、一張商品照與一張咖啡店場景，可以寫：
Image 1 的人物坐在 Image 3 的咖啡店窗邊，拿起 Image 2 的保溫杯喝水。保留人物五官、髮型、服裝與保溫杯的 Logo、瓶蓋結構和霧面金屬材質。
素材不是越多越好。兩張用途重複、角度衝突的人物照，反而可能讓模型不知道該以哪張為準。每個素材都應該有明確用途。
步驟四：用結構化 Prompt 描述影片
官方 Prompt 指南的基礎公式是「主體＋場景＋運動」。想提高控制力，再加入鏡頭、光線、風格與聲音。
我建議新手直接使用下面這個結構：
影片目的：這支影片要讓觀眾理解什麼？
主體：人物或商品是誰？哪些特徵不能改？
場景：時間、地點、前景與背景。
動作：主體先做什麼，接著做什麼？
鏡頭：景別、角度、運鏡與轉場。
聲音：對白、環境音、音效、背景音樂；不需要就寫清楚。
限制：不要新增人物、不要改變 Logo、不要出現字幕等。
以 10 秒直式咖啡廣告為例：
製作一支 10 秒、9:16 的精品咖啡社群廣告。清晨自然光，一名穿著米色襯衫的年輕女性坐在木質咖啡吧台前。鏡頭 1［0–3 秒］中景緩慢推進，她拿起霧面黑色手沖壺。鏡頭 2［3–7 秒］特寫熱水繞圈注入濾杯，咖啡粉膨脹，蒸氣在逆光中清楚可見。鏡頭 3［7–10 秒］咖啡滴入玻璃杯，鏡頭停在杯身與晨光反射。暖色、寫實攝影、自然景深。只有水流、咖啡滴落與清晨店內環境音，無台詞、無背景音樂、不要生成字幕或 Logo。
時間戳不是保證模型會逐秒照做，但能把 30 秒的模糊故事拆成可理解的鏡頭任務，通常比一整段形容詞更容易控制。
步驟五：設定解析度、比例、長度與聲音
第一次測試可使用以下設定：
Resolution：先選 480P 或 720P。Ratio：YouTube 橫式選 16:9，Reels、TikTok、Shorts 選 9:16；不確定時選 Adaptive。Duration：先選 5 至 10 秒，確認效果後再增加。Audio：需要環境音、對白或配樂時開啟；只想後製配音則關閉。
Wan 3.0 支援 2 至 30 秒。若參考素材包含影片，輸入影片與輸出影片的總長度不能超過 30 秒。聲音開關不影響 API 計價，因此是否開啟應以作品需求決定，而不是為了省費用。
步驟六：生成後先檢查，再決定要重抽或編輯
拿到影片後，先不要只看第一印象。至少檢查以下項目：
- 人物五官、手指、服裝與髮型有沒有跨鏡頭改變。
- 商品的比例、按鍵、Logo 與材質是否穩定。
- 鏡頭方向與人物站位有沒有突然跳動。
- 對白、口型、環境音和動作是否同步。
- 畫面文字、圖表與介面內容是否正確。
如果錯誤集中在局部，優先使用影片編輯功能修改；如果主角、場景或整體鏡頭方向都錯，回到 Prompt 與參考素材重新整理，通常比一直補限制詞更有效。
6 個 Wan 3.0 官方案例：看影片學 Prompt 怎麼寫
下面不是單純的作品展示。我把官方案例拆成「用了什麼素材、Prompt 怎麼安排、你可以怎麼套用」，讓你直接對照自己的需求。
官方的完整 Prompt 很長，最重要的共通點其實只有三個：先替每個參考素材指定唯一用途，再用時間軸安排鏡頭，最後寫清楚哪些人物、商品或聲音不能改。新手不必一開始就複製數千字的導演 Prompt，先把這三層寫對，通常更容易修改。
案例一：只靠文字做出 30 秒完整故事
純文字生成 30 秒東方奇幻故事，展示時間軸、運鏡與原生聲音。 影片來源：Wan 3.0 官方發表頁。
官方的「雲端盛宴」案例沒有上傳參考圖，直接用文字生成一支 30 秒、16:9、720P、含原生聲音的東方奇幻短片。Prompt 將 9 個鏡頭依時間排列，並分別寫出人物動作、場景變化、攝影機運動與音效。
這種方法適合沒有固定角色或商品，只想快速測試故事與視覺風格的人。寫法可以縮成：
生成一支 30 秒、16:9 的奇幻短片，分成 6 個鏡頭。每個鏡頭標示起訖秒數、主體動作、景別與運鏡。全片保持相同色調與世界觀，使用環境音和動作音效，不要字幕、Logo 或水印。最後 3 秒完成故事收尾，不要停在未完成的動作。
重點不是把形容詞寫得華麗，而是先確認 30 秒內到底有幾個鏡頭，以及每個鏡頭只推進哪一件事。
案例二：三張圖固定角色與場景
以三張圖固定兩名角色與道場，生成 24 秒日系科幻開場。 影片來源：Wan 3.0 官方發表頁。
「現實與模擬碰撞」使用 3 張參考圖，分別指定男性角色、女性角色與道場環境，再生成 24 秒、1080P、16:9 的日系科幻開場。Prompt 甚至逐項限制護目鏡、髮型、面罩、服裝與建築生成順序，並指定兩名角色各自的日語台詞。
你可以套用這個骨架：
Image 1 是男性角色唯一外觀參考。Image 2 是女性角色唯一外觀參考。Image 3 是場景、材質與光線參考。全片不得互換角色特徵或改變服裝。0–6 秒建立環境，6–14 秒讓兩人觀察並對話，14–20 秒完成對峙動作，20–24 秒收尾。只讓當前鏡頭中的角色說話，台詞前後保留自然停頓，口型同步，不要字幕或 UI。
「唯一參考」這四個字很有用。它能減少模型在多張圖之間混合人物、服裝和空間特徵。
案例三：雙角色高速動作與一致性
用兩張角色圖生成 30 秒雙角色動作片，維持造型、武器與空間方向。 影片來源：Wan 3.0 官方發表頁。
「遺跡對練」以狸花貓與灰狼兩張角色圖，生成 30 秒、1080P 的雙角色動作片。官方 Prompt 不只描述打鬥，還鎖定兩把劍要全程入鞘、角色只有兩名、空間方向保持連續，並把唯一一次慢動作放在 15 至 17 秒。
動作片最容易失敗的原因，是每一秒都塞入新招式。比較穩定的寫法是：
Image 1 與 Image 2 是全片唯二角色。兩人只進行徒手對練，背後武器全程入鞘。把 30 秒拆成進場、近身攻防、移動追逐、一次慢動作、危機與合作收尾。每個動作都有清楚的起勢與收勢，站位和移動方向連續。不要新增人物、武器或台詞。
先限制角色、武器與動作類型，再描述華麗運鏡，比只寫「高速電影級打鬥」更可控。
案例四：同一角色切換 8 種語言演唱
同一主唱在 24 秒音樂影片中切換八種語言，並維持聲線、人物與舞台一致。 影片來源：Wan 3.0 官方發表頁。
「Eight languages, one beat」使用團體陣容、主唱造型與屋頂舞台 3 張圖，生成 24 秒、1080P 的音樂影片。主唱依序切換 8 種語言，但人物、聲線、節拍與舞台站位保持一致。
如果你要做多語言內容，Prompt 至少要寫清楚：
Image 1 固定四人陣容，Image 2 固定主唱臉部與服裝，Image 3 固定舞台。主唱在同一首歌中依序切換指定語言，聲線、身份與節拍保持一致。每句歌詞安排獨立時間段，只讓主唱開口；其他人閉嘴並做自然表演。每次語言切換使用硬切或動作接點，不得換人、換裝或改變場景。
多語言案例仍需人工聽寫驗收。畫面看起來對嘴，不代表每種語言的發音與語意都正確。
案例五：兩張圖做 30 秒直式 UGC 廣告
兩張參考圖生成 30 秒直式 UGC 商品廣告，交錯 A-roll 與 B-roll。 影片來源：Wan 3.0 官方發表頁。
官方的果汁機案例只用兩張圖：一張固定商品與廚房，一張固定人物與服裝，就生成 30 秒、9:16 的英文 UGC 廣告。片中交錯使用對鏡頭說話的 A-roll，以及加水果、按按鍵、攪打與倒入玻璃杯的 B-roll。
商品廣告的 Prompt 可以這樣寫：
Image 1 是商品與廚房唯一參考，Image 2 是人物與穿搭唯一參考。生成 30 秒、9:16 的自然 UGC 廣告。A-roll 由人物對鏡頭說明使用情境，B-roll 依序拍攝放入材料、操作按鍵、商品運作與完成結果。商品的形狀、按鍵、背帶、杯身與顏色全程一致。每句台詞寫入對應時間段，不要字幕、浮水印或額外人物。
這類影片最適合先做 MVP，因為結構清楚、鏡頭少，也容易把錯誤集中在商品細節和對白兩個驗收項目。
案例六：UI 與資訊畫面也能轉成影片
UI 與資訊畫面生成案例；需要逐字正確的文字仍建議後製。 影片來源：Wan 3.0 官方發表頁。
官方也展示了資訊介面生成案例，這正是文件與公開網頁輸入最值得注意的用途。實務上可以先讓模型把簡報或產品頁整理成視覺流程，再由後製補上真正的數字、按鈕名稱與字幕。
根據上傳文件製作一支 15 秒、16:9 的產品流程影片。只使用文件中已提供的事實，依序呈現輸入資料、系統處理、輸出結果三個步驟。介面視覺保持一致，鏡頭緩慢推進，不自行增加客戶名稱、數字或成效。所有需要逐字正確的文字以空白區塊保留，交由後製加入。
如果畫面上的文字必須完全正確，不要把最終排版交給模型。先生成乾淨的動態背景或介面動線，再用剪輯工具疊字，是目前更可靠的工作流程。
文件轉影片怎麼寫 Prompt？
把簡報或 PDF 上傳後，只寫「幫我做成影片」通常不夠。模型雖然能讀文件，卻不知道哪些資訊重要、觀眾是誰，也不知道該用講解、廣告還是新聞摘要的方式呈現。
可以改成：
把這份產品簡報改編成一支 20 秒、16:9 的產品介紹影片，目標觀眾是第一次接觸產品的中小企業主管。只保留三個重點：主要痛點、核心功能、使用後的工作流程。鏡頭 1［0–5 秒］用辦公室情境呈現人工整理報表耗時。鏡頭 2［5–14 秒］以清楚的 UI 動畫示範資料匯入、分析與產出摘要。鏡頭 3［14–20 秒］回到使用者查看結果的畫面。旁白使用自然的台灣繁體中文，語速適中。不要自行增加文件沒有提供的數字、客戶名稱或成效保證。畫面不要生成大段文字，只保留短標題。
這種寫法先指定觀眾與目的，再限制內容來源，可以降低模型把文件每一頁平均塞進影片，或自行補出不存在數字的機率。
Wan 3.0 API 怎麼呼叫？
不需要把 Wan 3.0 接進產品的讀者可以跳過這一節。開發者要注意，模型、Endpoint URL 與 API Key 必須屬於同一地區，跨區設定會失敗。
下面是精簡的文字生成影片請求。請把 {WorkspaceId} 換成 Model Studio 工作空間 ID，並將 API Key 放進環境變數，不要直接寫在程式碼裡。
curl --location \
'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/video-generation/video-synthesis' \
-H 'X-DashScope-Async: enable' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
"model": "wan3.0-video",
"input": {
"prompt": "A cinematic close-up of a red paper airplane gliding through a quiet library at sunrise."
},
"parameters": {
"resolution": "720P",
"ratio": "16:9",
"duration": 5,
"audio": false
}
}'
影片生成採非同步流程。第一次請求會回傳 task_id，接著再查詢任務狀態。官方建議約每 15 秒輪詢一次；成功後的影片連結只保留 24 小時，應立即下載到自己的儲存空間。
Wan 3.0 的限制與使用建議
畫面文字不能當成最終文案
官方展示強調 UI、圖表與文字呈現能力，但官方產品文章同時說明，畫面文字準確度仍在改善。兩者並不矛盾：模型可以比以前更會處理資訊畫面，但仍不適合把品牌標語、價格、法規文字或完整字幕交給它一次生成。
商業影片最穩定的做法，是讓 Wan 3.0 生成乾淨畫面，再到剪輯軟體加入字幕、價格與 CTA。
30 秒不是每次都比較好
長片能講完整故事，也會放大角色漂移、物件變形與節奏鬆散。若目的是單一商品動作、社群轉場或短情境，5 至 10 秒通常更有效。需要 30 秒時，先用時間戳拆成 3 至 5 個鏡頭，並限制每個鏡頭只推進一件事。
參考素材涉及權利與隱私
不要上傳沒有授權的人像、聲音、品牌素材或未公開文件。模型能複製外型與音色，不代表使用者自動取得肖像、著作權或商標使用權。企業文件若含客戶資料、內部數據或商業機密，也不應直接送入一般線上生成流程。
Wan 3.0 值得用嗎？
如果你已經有商品圖、人物設定、簡報或短片腳本，Wan 3.0 值得試。它最大的價值是減少素材在多個工具之間搬運，並讓 15 至 30 秒的敘事有機會在一次生成中完成。
如果你的要求是逐字正確的字幕、完全不變形的商品細節、長篇對話或一次生成即可交付，我的判斷仍然偏保守。先把 Wan 3.0 當成能產生高完成度初剪的工具，再用人工後製完成文字、品牌與聲音品質，會比追求一次生成更實際。
Wan 3.0 常見問題
Wan 3.0 最長可以生成幾秒？
單次最長 30 秒，最短可設為 2 秒，也能使用智慧時長讓模型依內容建議長度。新手建議先用 5 至 10 秒測試，再決定是否延長。
Wan 3.0 可以上傳哪些文件？
支援 docx、doc、xlsx、xls、pptx、ppt、pdf、txt、key、pages、numbers 與 md。單一文件不得超過 100 MB，部分文件格式最多 50 頁。
Wan 3.0 可以用繁體中文 Prompt 嗎？
官方 API 支援中文與英文 Prompt。若要產生台灣中文旁白，應在 Prompt 裡寫明「台灣繁體中文、自然口語、語速適中」，不要只寫「中文」。
Wan 3.0 是開源模型嗎？
截至 2026 年 8 月 25 日，官方提供的是 Alibaba Cloud Model Studio 雲端服務，也就是影片在阿里雲端生成，而不是把模型下載到自己的電腦。官方並未在官方 Wan GitHub公開 Wan 3.0 模型權重，也就是可下載到本機執行的核心檔案。網路上的第三方 Wan 3.0 API 或 GitHub 專案，不等於官方可下載模型。
Wan 3.0 生成影片要多少錢？
Standard 國際版牌價依解析度為每秒 US$0.05、US$0.10 與 US$0.20。生成 30 秒影片的牌價約為 US$1.50、US$3 與 US$6；活動折扣與實際扣款以 Model Studio 控制台為準。
結論
Wan 3.0 把 AI 影片從「輸入一句話抽一個鏡頭」，往真正的內容製作流程推進了一步。30 秒是最醒目的規格，但多素材參考與文件轉影片，才是它對創作者與企業更實際的價值。
第一次使用時，先選 Standard、5 至 10 秒、480P 或 720P，用結構化 Prompt 測試人物、商品與鏡頭。確認方向後再加長、提高解析度，並把字幕與關鍵品牌資訊留給後製。這樣最省成本，也最接近能落地的工作流程。
