阿里巴巴 Wan3.0 按秒出售视频：30秒片段6美元

阿里巴巴的Wan3.0是 Wan 视频模型系列的最新版本，现已在阿里云 Model Studio 上线，采用按秒计费：480P 每秒 0.05 美元，720P 每秒 0.10 美元，1080P 每秒 0.20 美元。一次完整的 30 秒生成，在最高档位需 6 美元，作为 480P 草稿则为 1.50 美元。这些数字本身不如它们带来的可能性重要：先用廉价草稿迭代，再为最终成片支付更高费用。

按秒计费让重拍成为预算项目

大多数 AI 视频模型只能生成几秒钟的片段，用阿里巴巴的话说，这足够一个镜头，但不足以讲述一个故事。Wan3.0 将单次生成时长扩展到 30 秒，并具备智能时长功能，可根据提示词推荐时长，还提供视频续写选项，可在初始生成之后继续生成。更长的输出改变了创作语汇：为叙事节奏、连续运镜和一镜到底的段落留出了空间。

按秒计费是经济效益具体化的关键。480P 下，一段 30 秒草稿需 1.50 美元，足以支撑粗略迭代。完成同样长度 1080P 成片，每次尝试需 6 美元。阿里巴巴自己的示例也采用同样的算法：在 480P 下迭代，在 1080P 下完成。

分辨率	每秒价格	30秒片段
480P	$0.05	$1.50
720P	$0.10	$3.00
1080P	$0.20	$6.00

有两件事仍未解决。产品说明没有说明失败或丢弃的生成是否仍会计费，而且它列出了四种创作模式（reference、editing、replication、driving），却没有定义它们的区别。产品说明还将并发任务数限制为两个，这意味着重做版会在正在运行的任务之后排队。对于追求角色一致性的团队来说，按秒计费至少让每次失败都可预测：每次重做 6 美元。

文档进，品牌片出

更大的功能变化在于输入。Wan3.0 是 Wan 系列中首款将文档作为结构化输入读取的模型：doc、xls、ppt、pdf、txt、key、pages、numbers 和 md，每个请求最多一个文件或链接，限制为 100MB 和 50 页。将文档与提示词配对，提示词就充当控制中心，负责解读输入并塑造输出。阿里巴巴的演示是一份咖啡馆品牌介绍文档，加上一句指令：“把这个品牌故事变成一支暖色调的品牌 TVC”，从而生成一支完整的品牌影片。

阿里巴巴的框架是，视频生成正在从内容新奇感转向生产工具。万物转视频（everything-to-video）能力瞄准广告、UI 交互演示和目的地营销，在这些场景中，目的地影片不再需要大规模外景拍摄。在阿里巴巴看来，同样的路径也覆盖软件功能动画和数据可视化：模型保留原始设计的美感和质感，同时将其提升为动态画面。API 本身并不能决定这些用例是否划算，但输入的灵活性让现有演示文稿可以变成草稿视频，而无需从头重建创意。

真实感宣称，以及阿里巴巴承认的差距

在输出质量方面，Wan3.0 依赖两项主张：逼真、多样化的面孔，而非典型 AI 角色那种光滑、可互换的外观；以及角色、道具、空间和风格之间精准的参照转视频一致性，包括群像场景中各异的情感。Wan2.7 引入的编辑能力得到延续，因此无需从头重新生成，即可修改画面、情节和对话。迭代变成一次修改校对，而不是推翻重做。

该博客认为，一致性是制作团队最关心的指标：在参照转视频模式下，Wan3.0 能精确复现参照细节，并在关键维度上保持稳定。这就是单独看没问题、放到剪辑序列中也能立住的片段之间的区别。

阿里巴巴也指出了模型自身的不足。在内部测试中，音频质感和屏幕文字渲染的准确性“正在改善，但尚未达到我们想要的水平”，两者都是正在积极优化的领域。对于一个将文档和图表作为输入的模型来说，屏幕文字清晰可读是一个不容忽视的差距。

发展轨迹显而易见：Wan 系列已经从 Wan1.0 迭代到 Wan3.0，共发布了八个版本。阿里巴巴将这些能力, , 理解更丰富的信息、生成物理一致性更强的输出, , 指向具身智能、自动驾驶和工业仿真。就目前而言，务实的解读更简单：按秒计费让 AI 视频支出变得可预测。6 美元能否买到一条可用的片段，只有实际制作才能回答。