Wan 3.0 有了自己的镜头美学

1941 年，格雷格·托兰德为《公民凯恩》设计了一套深焦镜头：小孩在窗外的雪地里玩雪橇，屋内的大人正在替他签下往后一生的去处。

深焦镜头是托兰德用来说话的方式，他说：技术服务于意图。

今年夏天，一批 AI 生成的「天宫」视频陆续刷屏社交媒体。评论里有网友这样问：为什么以前这么多仙侠神话电视剧都想不到把天宫做成这样？

去年这个时候，AI 生成的视频还主要在讨论「它能做到吗」，今年的问题已经变成了「如何更好」。技术已经足够好，同时人们愿意用它去完成一个具体的美学目标，而不仅仅去展示技术能做到什么。

阿里的视频生成模型 Wan 3.0 今天也开启公测，其中大的两个升级是：可以一次生成 30 秒单段视频了，以及，你不仅能输入文本、图片、音频、视频，还能直接把 PPT 这样的多种格式文档扔给它。

APPSO 也第一时间进行了体验，比起参数的变化，Wan 3.0 的画面美感更让我惊喜，五官和皮肤细节刻画得更精细，参考生视频模式下，角色、道具、声音、空间关系、风格这些细粒度维度都能稳定保持，这让视频的工作流也变得更流畅，而持续完善的编辑能力也减少了反复抽卡的情况。

立即体验：

阿里云百炼：https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/wan3.0-video 万镜一刻：https://www.yikeai.com/ 万相官网：http://wanxiang.aliyun.com 千问创作PC端：https://c.qianwen.com/ IF STUDIO：https://ifs.iconfont.cn/ 堆友：https://d.design/

Wan 3.0 把单次生成拉长到了 30 秒，还配了个智能时长功能，按提示词自动推荐一个合适的长度，要是不够再往下续。

目前单次可生成 30 秒视频的只有两家。

30 秒可以开始承载一段相对独立的叙事，不用抽卡无数条「高光片段」再后期拼接。

我拿它做了一支 20 秒左右的电影级 One-Take MV，整体风格定位为「西海岸街头流行主义」，要求在一镜到底完成从开场到高潮的完整叙事。

在青春活力的唱跳场景中，面对多位舞者的走位与复杂肢体交叠，模型能保持每个人物面部特征、服饰褶皱以及相对空间位置的绝对同一性，摄像机的推拉摇移也能够契合音乐节拍。

我们还制作了名为《末班电车》的日式动漫短片，要求其参考《你的名字》《铃芽之旅》《比宇宙更远的地方》的动感镜头语言。

故事是这样的：黄昏 17:58，高二少女若菜在教室发现自己快要错过一班「再也见不到他」的末班电车，一路狂奔穿越校园、老街、石阶，书包中的旧照片在最后关头飞散——而站台上，有一只手替她接住了它。

这个时长让镜头调度也有了更大空间，连续运镜、一镜到底、复杂的机位变化都可以在一次生成里完成。

按照这个思路，我们又试着做了真人电视剧片段。

Wan 3.0 有了自己的镜头美学

Wan 3.0 在风格统一性上有相当明显的效果。运镜逻辑更接近有意图的摄影语言，用光方式有明显的导演视角，而不是泛化的好看。

以日式手绘风 2D 动画为例，模型精准还原了赛璐璐风格的锐利线条与高对比度色彩，赋予了屹立于废墟之上的执剑少年极强的光影张力，甚至连战损服饰的微小细节都带有浓厚的悲壮感。

而在东方仙山秘境的刻画上，Wan 3.0 捕捉到了水墨与奇幻交织的古典气韵，驮着楼阁的巨龟穿梭于云海，大气的散射透视效果与神龟粗糙的生物肌理融合得恰到好处，没有生硬感。

在湖光山色间两人切磋武术的长镜头中，远景的壮丽峡谷风光与近景流畅的肢体互动形成了稳定的时空场域，动作的延续性没有丝毫卡顿。

我们还用 Wan 3.0 复刻最近爆火的中国仙境系列，虽然没有垫图，但输出效果还不错。

云海翻涌，道人立于山巅，身后是玉阶琼台。看到画面，你就能明白中国人对仙境的迷恋是有道理的。

虽然今天还没人把 AI 生成的视觉影像作品用于「审美积累」，但 AI 无疑越来越懂视觉美学了。

抽卡是赌博，迭代才是工作

生成一段带角色的叙事短片，一个做法是反复调整提示词等待运气好的结果；另一个做法是先用参考图锁定角色形象，确认视觉基调，生成之后找到有问题的时间段做局部修改。Wan 3.0 的升级，主要是让后者变得更可行。

对于大部分叙事内容，出问题的往往只是某几秒，其余的完全可以保留。能精准定位问题区间、只替换那一段，是把 AI 视频纳入正常创作工作流的必要条件，也是让创作者愿意在一个项目上持续投入时间的前提。

Wan 3.0 的视频编辑能力也有大幅提升，支持修改画面、剧情与台词，创作者可以定位到某个时间区间，只改出问题的那一段，保留其余的部分。

而更值得表扬的是，在文本、图片、音频、视频四种基础模态之外，Wan 3.0 首次支持 doc、xls、ppt、pdf、md 等格式输入，这在日常很多商用场景来说方便了不少。

想要做一条商业广告片，上传一张产品图和一份介绍 word，搭配提示词，就能得到一个完整的形象片。

我们还尝试让虚拟人做自媒体博主，做一条分享自己做短视频的经验的视频。对于不爱露脸或者想保护个人隐私的自媒体创作者来讲，生成一条虚拟人出镜的视频确实更方便。

不过同一段提示词的输出结果是不同的，如果要长期运用起初选定的那个最满意的面孔，可以在下次生成视频时把参考图给模型。

我们给模型参考图作为首帧，要求它生成一段视频。人物设定为锋利英俊骨相、短黑发、身穿黑色长款警察大衣，要求模型在场景中严格保持参考图人物的视觉身份，不能发生换脸或服装漂移。

测试结果显示，脸部特征与服装款式的保持是实质性的，至于情绪表现如何，下面是我们给模型的情绪设定，大家可以自行判断。

情绪设定：他刚从画面右侧外的人口中得知妻子已经死亡，并且妻子曾怀孕。这个信息不能用旁白、字幕、台词、闪回解释，只通过他的表情和身体反应呈现。情绪不是单纯愤怒，而是不可置信、痛苦失守、强行压回、愤怒回涌、理智断裂、最后开枪。

当然， Wan 3.0 也有一些可以提升的空间。声音质感与画面之间偶尔会出现贴合度的问题，尤其是环境音的空间感。

像「天宫」那样打动人的画面背后，一定有很多次没有被看到的尝试，有人在一大堆生成结果里选出了那几秒。

AI 视频行业当前最常见的讨论是哪个模型更强、生成的东西更好看。而之后的讨论可以预想的到，那就是：哪个模型更容易被用来完成一个具体的创作目标。

工具越来越好，决定仍然是人做的。门槛在降低，创作的天花板却没有随之降低。真正好的工具不替你做决定，它只是让你的决定更容易落地。

Wan 3.0 的 API 接口将于近期全量开放，价格非常优惠，480P/720P/1080P 的价格分别为 0.3/0.6/1.2 元/秒。从最常用的 720P 来看，0.6 元/秒，相当于主流模型的六折。