阿里巴巴發布了其全新的人工智慧模型 Wan 3.0，該模型能夠根據文字指令、圖像、視訊片段、音訊或文件生成視訊。這款工具目前已透過 Model Studio 平台推出公開測試版，使用者可以創建不超過 30 秒的場景，並整合鏡頭運動、對話和音效。就在幾週前，這家中國公司剛剛發布了其高端語言模型 Qwen 3.8-Max，此次發布進一步彰顯了阿里巴巴在生成式多媒體內容領域的投入。
Wan 3.0 最引人注目的特點是能夠將 PowerPoint 簡報、PDF 或網頁轉換為帶有旁白的影片。使用者只需編寫提示訊息，附上參考資料，人工智慧即可自動產生包含語音講解、動畫和場景切換的視聽作品。這項功能使得將技術文件或培訓材料轉換為影片變得輕而易舉，無需手動編輯。
多處引用和較長時間
Wan 3.0 相較於其前代版本最顯著的改進之一是支援多種引用類型。該模型可以在單一請求中組合多達十張圖像、五個視訊片段和五個音訊文件，以及提供上下文資訊的文件或網頁。這使得創造複雜場景成為可能，敘事連貫性也遠勝於以往版本。
最大影片片段長度已翻倍，從 Wan 2.7 的 15 秒增加到目前的 30 秒。使用者可以手動逐秒調整時長，也可以讓系統根據指令的複雜程度推薦合適的時長。可用的輸出解析度包括 480p、720p 和 1080p，寬高比可根據不同平台進行固定或自適應調整。
自動產生和同步的音頻
Wan 3.0 的另一個重要新功能是預設產生音訊。角色可以與場景同步說話或唱歌，人工智慧也會融入與視覺內容相符的環境音效。這項功能對於講解影片、短廣告或訓練材料等需要畫面與聲音協調的素材特別實用。使用者也可以根據需要要求不帶聲音的片段，稍後再添加旁白或配樂。
唇形同步、動作控制和音效都得到了顯著提升，減少了前幾代產品中常見的不一致性。這使得 Wan 3.0 成為一款無需製作團隊即可創建影片教學、軟體演示或社交媒體內容的實用工具。
文件轉換及限制
Wan 3.0 的主要功能是將簡報和文件轉換為帶有旁白的影片。人工智慧可以讀取 PDF、簡報或網頁，並以此為基礎產生視聽序列。例如，一個包含多張幻燈片的 PowerPoint 簡報可以轉換成一段視頻，透過過場動畫、螢幕文字和旁白來解釋其要點。然而，它有一個明顯的限制：一次只能處理一個文件或網頁，不能同時處理多個文件或網頁。
阿里巴巴也改進了數位元素的渲染，例如軟體介面、動態圖形和影像內文字。這類內容通常會為影片製作帶來難題，但 WAN 3.0 可以減少幀間失真，從而更容易製作出視覺效果令人滿意的技術和培訓影片。
可用性和專業導向
Wan 3.0 現已透過阿里雲人工智慧開發平台 Model Studio 提供公開測試版。由於仍處於測試階段，因此效能和生成時間可能會有所不同。該公司將此工具的目標用戶鎖定為需要製作短視頻社交媒體廣告、機器人訓練材料或將技術文件轉換為配音視頻的專業人士。此外，該公司還設想將其應用於企業領域，透過自動生成演示文稿視頻，可以節省大量工作時間。
WAN 3.0 的推出正值人工智慧視訊生成技術日益普及之際。與其他仍在實驗階段的同類產品不同，阿里巴巴選擇從一開始就向公眾開放，允許用戶測試該工具並報告漏洞。這項策略與其他競爭對手形成鮮明對比，後者在推出系統時更為謹慎。
簡而言之，Wan 3.0 是一款功能全面的解決方案，可用於從多個來源創建視頻，並支援音頻同步，視頻時長最長可達 30 秒。它能夠將文件轉換為視聽作品，這使其成為企業和內容創作者的理想選擇。不過，每次只能處理一個來源以及最高解析度僅為 1080p 的限制仍有改進空間。目前，Wan 3.0 已開啟公開測試，未來幾個月的發展值得關注。