博客 · 2026-11-07

通义万相 3.0 API 实测:台词按提示词说、尾帧对得上,还能把网页直接做成视频

模型页:Wan 3.0 Video API —— 价格、规格与在线体验

通义万相 3.0 好不好用?这是阿里的视频模型,一个模型名就能做文生视频、首尾帧、多素材参考,还能直接读文档或网页生成视频,一镜到底最长 30 秒、自带声音。我们 11 月 7 日在 480P 下实测了 4 条:摊主按提示词说出了中文台词,首尾帧那条的最后一帧几乎和给的图一样,一个网址被做成了带旁白的小动画。标准档 480P 每秒 $0.045,11 月 23 日前特价 $0.03;高速档这次没有更快。

万相 3.0(英文名 Wan 3.0)是阿里通义万相系列的新一代视频模型。很多视频模型会按功能拆成好几个型号,万相 3.0 则把文生视频、首帧和首尾帧生视频、多素材参考生成都放在同一个模型名下,参考素材可以是图片、视频、音频,甚至是一份 PPT、PDF 或一个公开网页。输出是一镜到底的视频,最长 30 秒、每秒 30 帧,默认带同步音轨。

搜万相 3.0 的人最常问三件事:多少钱、标准档和高速档(prime)差在哪、和 Seedance 2.5 比怎么样。我们挑了它最有代表性的三种用法各跑一条:带台词的文生视频、首尾帧、网页直接生成视频;文生视频那条又用同一条提示词、同一个随机种子在高速档跑了一遍。为了省钱,全部用最低的 480P,时长 5 到 8 秒。

先交代一下我们是谁:我们运营 apimodels.app,一个用同一个 API Key 就能调用万相 3.0 以及其他图像、视频、音频和语言模型的平台。文中所有视频都在这个平台上实际生成,时间是 2026 年 11 月 7 日,截图没有修过;首尾帧用的两张图,是我们之前测 GPT Image 2.6 时生成的。

先说结论

万相 3.0 最让我们意外的是听话。提示词里让摊主说一句中文,它就在第 2.5 到 5 秒之间把这句话一字不差地说了出来,背后还有油锅的滋滋声和锅铲碰撞声。给了首帧和尾帧,它的第一帧和我们的图几乎一模一样,最后一帧的挥手姿势、镜头远近也对上了。最特别的是网页生成视频:只给了一个网址,它读完文章,自己做了一段带英文旁白的小动画,片尾把文章里的几类方向浓缩成了三个图标。

问题也有。背景招牌上的字在 480P 下是一团认不出的笔画。音轨由模型自己配,首尾帧那条冒出一段轻音乐,还有一声画面里根本没有的童声。同一条提示词、同一个随机种子换到高速档,出来的是另一位摊主、另一身衣服。速度上,标准档 4 条用了 81 到 528 秒,高速档那条用了 187 秒,并没有比标准档快。

价格按秒算:标准档 480P 每秒 $0.045、720P $0.09、1080P $0.18;北京时间 11 月 23 日前标准档特价,分别是 $0.03、$0.06、$0.12。我们这 4 条一共约 $0.88。它适合想用一个接口覆盖多种做法、需要 10 秒以上一镜到底,或者想拿现成文档快速出一版视频的团队;要逐帧可控、要画面里有清楚文字的场景,它还不是最省心的选择。

万相 3.0 能做什么、有哪些限制

• 四种做法,一个模型名:文生视频;首帧或首尾帧生视频;多素材参考(最多 10 张图、5 段视频、5 段音频);把文档或公开网页做成视频。提示词里用「图1」「视频1」「音频1」指代素材。
• 时长:2 到 30 秒,一镜到底,每秒 30 帧。也可以让模型自己决定时长,这时先按 30 秒预扣,出片后按实际秒数结算、多退少补。
• 清晰度和比例:480P、720P、1080P;比例可选 16:9、4:3、1:1、3:4、9:16,或按素材自动选。不写清晰度时我们默认 720P,官方默认是价格高一倍的 1080P。
• 声音:默认带同步音轨,台词、环境音、配乐都可能有;可以关掉,关掉不降价。
• 文档和网页:支持 PPT、Word、Excel、PDF、TXT、Markdown 等,最多 50 页、100MB;网页必须不用登录就能打开。
• 两档:标准档和高速档(prime)能力一样,高速档每秒贵 51% 到 56%,官方定位是出片更快。
• 做不到的:首尾帧和参考素材不能混用,一起传会直接报错;参考视频最多 5 段、合计不超过 15 秒,而且输入加输出不能超过 30 秒。

文生视频:台词一字不差,镜头推到了脸上

第一条是夜市小摊:锅里煎着锅贴,油滋滋作响,镜头慢慢推近,摊主抬头冲镜头笑着说「刚出锅的锅贴,小心烫!」。我们把整句中文台词直接写进英文提示词里,想看它会不会念。

它念了,而且一字不差。我们把音轨转成文字核对过:第 2.5 秒左右开口,说完正好到片尾,背后能听到煎锅的滋滋声和锅铲碰锅的声音。画面也按提示词走:开头是锅里的煎饺特写,有几个底部煎出了焦黄,摊主拿铲子拨了拨,镜头随后移到他脸上,结束时脸几乎占满画面。人脸、牙齿和拿铲子的手都很自然。

唯一的瑕疵在背景:几块红色招牌上本该有字,480P 下只是一团认不出的笔画。这条用了 144 秒出片,输出 854×480、5 秒、每秒 30 帧,按特价扣了 $0.15(正价 $0.225)。

高速档:同一条提示词,这次没有更快

高速档是同一个模型的另一档,能力一样,480P 每秒 $0.068,比标准档正价贵约一半。我们把夜市这条原样在高速档跑了一遍,连随机种子都一样,结果画面完全不同:摊主换了一个人,白 T 恤加灰围裙变成了深色上衣加白围裙。这说明随机种子只能在同一档里复现,换档就是重新抽一次。

两条各有长处。高速档的摊主真的把一只锅贴翻了起来,比标准档更贴近「翻锅贴」这个动作;但镜头基本停在锅边,没有推到脸上。台词同样一字不差,背景还多配了一段欢快的音乐。

速度出乎意料:标准档这条 144 秒,高速档 187 秒,反而更慢。需要说明的是,两条前后隔了几分钟提交,高速档那条提交时还有另外两条任务在同时跑;我们 8 月测同一条任务时,高速档 58 秒、标准档 356 秒。出片速度和当时的排队关系很大,一次测试说明不了全部。如果你选高速档就是为了快,先拿自己的任务两档各跑几条,再决定值不值得多花这一半的钱。

首尾帧:最后一帧几乎和给的图一样

第二种用法是首尾帧:给一张开头的图、一张结尾的图,让模型把中间的动作补出来。我们用的是之前 GPT Image 2.6 测试里的两张图:同一个穿黄色雨衣的女生站在雪村街头,第一张拿着咖啡,第二张在挥手微笑。提示词只写了「她抬起空着的手冲镜头挥手、露出大大的笑容,小雪飘落,镜头稍微推近」。

这是这次测得最准的一条。视频第一帧和我们的首帧几乎一模一样,只有颜色稍微暖了一点;最后一帧的挥手姿势、人物大小,连路边那块写着「Coffee Tea Dessert」的小黑板都和尾帧对得上。中间的过渡也自然:她先是把镜头推近了一些,笑得更开,然后再退回到尾帧的远近。脸、眼镜、卷发和雨衣全程没有变形。

问题出在声音上。我们没在提示词里写任何声音,模型自己配了一段轻柔的音乐,中间还冒出一声像小孩的喊声,画面里却没有孩子。做产品展示或要后期配音的视频,可以把音轨关掉(不降价),或者在提示词里直接写清你要的声音。这条 81 秒出片,输出 554×740,也就是 3:4 的 480P,扣了 $0.15。

网页直接生成视频:读完文章,自己配了旁白

第三种用法最少见:不给图、不给素材,只给一个网址。我们把自己那篇GPT Image 2.6 的 GIF 和 SVG 赚钱清单的地址传了进去,提示词是「把这个网页做成一段简洁的讲解视频:先出标题卡,再用文字加简单图标讲三个要点,配欢快的背景音乐」,时长 8 秒。

它确实读了文章。视频是干净的白底动效:先浮出 GPT Image 2.6 的标题,接着是一个写着「Direct GIF/SVG」的图标,最后停在三个图标上,分别标着「Platform Revenue」「Custom Services」「Developer Products」,对应文章里的平台上架、定制服务和开发者产品几类方向,三个词都拼对了。它还自己配了一段英文旁白,用三句话概括了文章:GIF 和 SVG 可以直接输出,可以通过商店、定制服务或应用赚钱。

小毛病是「Direct GIF/SVG」旁边配的是一个音符图标,和图片格式没什么关系。另外它挑哪几点讲是模型自己决定的,做正式宣传片前,文字和数字都要人工核一遍。这条最慢,8 秒视频用了 528 秒,大概因为要先读完整篇文章;按特价扣了 $0.24。

和同类模型怎么选

• Seedance 2.5:同样能做 4 到 30 秒一镜到底,参考素材最多 50 个,还能做视频编辑和延长;480p 每秒 $0.12。素材多、要改已有视频时更合适,写提示词可以参考我们的 Seedance 2.5 提示词指南。
• MiniMax H3:单条最长 15 秒,768P 每秒 $0.097,另有 Lite 和 Max Turbo 等档位。片子不长、想按档位细调画质和费用时可以看看。
• Kling 4.0:也能到 30 秒,720p 每秒 $0.157 起。习惯可灵画风的团队可以先拿同一条提示词两边各跑一条。
• Grok Imagine Video 1.5:自带音轨,1 到 15 秒,480p 每秒 $0.045。只要短片、又想要声音时可以对比一下。

万相 3.0 最拉开差距的是两点:一个模型名覆盖文生、首尾帧、多素材参考和文档网页四种做法,以及 30 秒一镜到底还自带声音。如果你要的是动作迁移、给视频换角色,Wan 2.2 Animate 是专门做这件事的。

一条视频多少钱

万相 3.0 按秒计费,失败的任务不扣费。下面是 2026 年 11 月 7 日的价格:

• 标准档:480P 每秒 $0.045,720P $0.09,1080P $0.18。北京时间 11 月 23 日前特价,分别是 $0.03、$0.06、$0.12。
• 高速档(prime):480P 每秒 $0.068,720P $0.14,1080P $0.28,不参加特价。
• 参考素材:参考图、参考音频、文档和网页不另收费;传了参考视频,计费秒数 = 输入视频时长 + 输出时长。

算几笔账:做 100 条 5 秒的 480P 短视频,标准档是 100 × 5 × $0.045 = $22.5,特价期间是 $15;一条 30 秒的 1080P 视频,标准档 30 × $0.18 = $5.4,特价期间 $3.6;同样 30 秒 1080P 换高速档,是 30 × $0.28 = $8.4。我们这次 4 条一共 23 秒,按现价合计约 $0.88。

什么情况下别用它

• 画面里要有清楚的文字:招牌、字幕这类小字在 480P 下会糊成笔画。要么用 1080P 再看效果,要么后期叠字。
• 要逐帧复现同一个结果:随机种子换档就失效,同一档里也要靠固定种子和提示词;需要严格一致的镜头,首尾帧模式更可靠。
• 一条要超过 30 秒:单条最长 30 秒,更长的片子得分段生成再剪辑。

怎么调用

在 apimodels.app 上,万相 3.0 的调用名是 wan-3.0-video,和平台上其他视频模型共用同一个异步视频接口:提交任务拿到任务 ID,再轮询结果,也可以填回调地址等通知。要用高速档,多传一个 mode 参数设为 prime。四种做法用哪些参数、参考素材怎么传、各项上限,都写在 万相 3.0 API 文档 里。一个 API Key 就能调用,不需要单独开阿里云账号。

相关模型

• 万相 3.0:本文主角,标准档 480P 每秒 $0.045 起,特价到 11 月 23 日。
• Seedance 2.5:4 到 30 秒,最多 50 个参考素材,能编辑和延长视频,480p 每秒 $0.12。
• Kling 4.0:最长 30 秒,720p 每秒 $0.157 起。
• MiniMax H3:最长 15 秒,768P 每秒 $0.097,另有多个档位。
• GPT Image 2.6 Flare:先用它做首帧和尾帧,再交给万相 3.0 补动作,本文的首尾帧就是这么来的;普通图每张 1 美分起。

首尾帧那两张图出自我们的 GPT Image 2.6 和 Nano Banana 2.1 对比;想看几个视频模型放在一起比,可以读 Grok Imagine、Seedance 和 Kling 的对比。

常见问题