Wan 3.0 Documento a Video: Audité cada fotograma

Sube una hoja de cálculo. Obtén una animación empresarial de 23 segundos con música.

Esa es la promesa de Wan 3.0 documento a video, la primera entrada de documento nativa de la familia, y la demo oficial cumple más literalmente de lo que esperaba. Los números son correctos. $1,580 crece a $3,460, la placa muestra +45,7%, y esas cifras se remontan directamente a celdas específicas de la hoja de origen.

Luego arrastré el cabezal de reproducción a la marca de 12 segundos y leí la leyenda del gráfico.

"Southeasta North America".

Dos regiones de ventas aplastadas en una palabra que no existe. Esa es la verdadera línea de flotación de documento a video en 2026: el modelo realmente leyó tu tabla, y aún así no puede dibujar tu gráfico. A continuación, la auditoría cuadro por cuadro que nadie más ha publicado, más una cadena de tres pasos que puedes ejecutar esta misma tarde.

Conclusiones clave

• Wan 3.0 acepta 1 archivo o 1 enlace, hasta 100 MB o 50 páginas, y genera hasta 30 segundos en 1080p.
• Re-direcciona una película a partir de tu documento. No convierte la diapositiva 3 en la toma 3.
• Los valores de las celdas se mantienen intactos. Las leyendas de los gráficos, las marcas de los ejes y los separadores de miles no.
• Los límites son duros: sin 4K, sin pesos abiertos, solo canales propios.
• Un modelo de contexto largo más un modelo de video de 15 segundos reproduce la mayor parte hoy.

Salida de Wan 3.0 documento a video: la demo oficial de xlsx representada como una película de datos animada al estilo Keynote

El escaparate: la demo de beta pública oficial de Alibaba Wan 3.0, un .xlsx de GMV mensual de entrada, 23 segundos de película de datos animada de salida. Se muestra aquí como un GIF silencioso; el archivo entregado lleva una pista AAC estéreo de 44,1 kHz. Fuente: manual del creador oficial de Alibaba Wan 3.0.

Qué hace realmente Wan 3.0 Documento a Video

Versión corta, para que puedas irte en un minuto si eso es todo lo que necesitas.

Le entregas un documento o un enlace web. Lee todo, decide cuál es la historia y genera un video con imagen y sonido en la misma pasada. Máximo 30 segundos, máximo 1080p. No recorre tus páginas en orden.

Estos son los límites que realmente gobiernan un proyecto.

La beta pública se abrió el 6 de agosto de 2026 (AgentUpdate, agosto de 2026). La lista de formatos y las dos hojas de precios publicadas provienen de un resumen de especificaciones separado (Ngram, agosto de 2026).

El manual oficial incluye cuatro casos de uso de documentos, y se corresponden claramente con cuatro trabajos que la gente ya paga a las agencias:

• Documento de propuesta en un video de marca. Un documento de presentación de cuidado de la piel se convierte en un anuncio de 30 segundos con una actriz principal y una historia de luz matutina.
• Material didáctico en una lección en video. Una entrada de enciclopedia se convierte en una clase animada para niños de primer grado.
• Hoja de cálculo en gráficos animados. La demo anterior, y con diferencia la más difícil de las cuatro.
• Informe en un resumen hablado. Un informe escrito se convierte en un briefing al estilo presentador.

Ahora, aquí es donde la mayoría de los artículos se equivocan de categoría.

Los actores establecidos en "PDF a video" no están haciendo esto. El documento a video de Kapwing extrae el texto de tu archivo y lo coloca en una línea de tiempo, sin construcción de escenas ni presentador. Pictory y Powtoon ensamblan imágenes de archivo o animaciones de plantillas, y las propias páginas de producto de Powtoon anuncian avatares de IA y voces que leen tu guion. Los tres producen diapositivas narradas.

Lee esa tabla dos veces, porque es todo el argumento: no son competidores en la misma categoría. Una hace presentaciones narradas. La otra hace imágenes que nunca existieron. Compararlos en precio por minuto es como comparar una fotocopiadora con un equipo de filmación.

¿Puede Wan 3.0 hacer también la presentación de diapositivas? Sí, y esa es la salvedad honesta.

Contraejemplo: al pedirle que convirtiera una página web sobre mecánica cuántica en un explicativo divertido, Wan 3.0 produjo exactamente el formato de presentador más subtítulos que venden los actores establecidos. Choca con el límite de 30 segundos a los 30.02 s. Demo oficial de beta pública de Alibaba, con audio.

Así que la diferencia no es que Wan 3.0 no pueda hacer explicativos de cabeza parlante. Es que con los actores establecidos, ese formato es lo único que hay en el menú.

Por qué Wan 3.0 Documento a Video Rompe los Gráficos pero Mantiene tus Números

Aquí está la cosa más útil de este artículo: extraje 12 fotogramas espaciados uniformemente de la demo oficial de la hoja de cálculo y leí cada glifo.

El veredicto se divide claramente en dos. Los valores pasan. El mobiliario del gráfico falla.

Lo que sobrevivió. En la marca de 4 segundos, el fotograma muestra $1,580, una flecha gris fina, $3,460, el título "Crecimiento del GMV Mensual" y una placa coral que dice +45,7%. La tipografía es limpia, las comas están en el lugar correcto, sin caracteres distorsionados. El mensaje detrás de esta demo cita celdas específicas de la hoja de cálculo, y las cifras en pantalla coinciden con ellas. Una prueba de terceros en una presentación de producto de 8 páginas encontró lo mismo: 45 g, 12 horas y 55 grados se representaron correctamente, y el eslogan final salió sin un solo carácter incorrecto (AI-Driven Lab, agosto de 2026).

Eso responde a la pregunta que realmente importa a los equipos de finanzas y formación. Tus cifras no mutan en silencio.

Lo que se rompió. Los fotogramas de los gráficos son una historia diferente.

Auditoría de fotogramas de Wan 3.0 documento a video que muestra una leyenda de gráfico fusionada y un eje Y roto

Congelado a los 12 s en la demo oficial. Tres defectos en un solo fotograma: dos nombres de regiones fusionados en "Southeasta North America", "North America" repetido luego como su propia serie, y un eje Y que muestra 30, 60, 70 mientras la etiqueta de datos superior dice $3,880.

Cuenta los fallos en ese solo fotograma:

1. Leyenda fusionada. "Southeast Asia" y "North America" chocan en "Southeasta North America". Luego "North America" aparece de nuevo como una serie separada, por lo que una región se etiqueta dos veces y otra ha desaparecido.
2. Un eje Y que no es una escala. Las marcas muestran 30, 60, 70. Distancias de píxel iguales, valores desiguales, y 40 y 50 simplemente faltan.
3. Eje y etiquetas en unidades diferentes. La línea de cuadrícula más alta es 70. La etiqueta fijada al punto de datos superior dice $3,880.
4. Deriva de magnitud a lo largo de una línea. Las etiquetas en esa curva superior comienzan en $330 y $335, luego aterrizan en $3,970 y $3,880. Una línea ascendente suave no puede tener un salto diez veces mayor entre dos puntos adyacentes. Las dos etiquetas intermedias están borrosas más allá de una lectura segura, lo cual es su propio tipo de respuesta.

El segmento del gráfico de barras repite el patrón. Cuatro barras llevan $1750, $1,580, $2,350 y $2,580, por lo que la barra más corta tiene el segundo número más alto, y la primera etiqueta pierde su coma de miles mientras que las otras tres la mantienen. Junto a él, hay cinco cifras de crecimiento verde para cuatro barras. Y el segmento de anillo se centra en $89,7M, una coma donde debería ir un punto decimal.

Observa qué tienen todos estos en común. Ni uno solo es un error de contenido. Cada uno es un error de dibujo: diseño, etiquetado, escala, puntuación. El modelo entendió la hoja y luego representó el gráfico de la manera en que un modelo de video representa cualquier texto denso: aproximadamente.

Hay una segunda razón estructural por la que la salida no se parece en nada a tu presentación.

Haz las cuentas. 50 páginas es el límite de páginas, 30 segundos es el límite de duración. Eso son 0,6 segundos por página.

No puedes presentar una página en 0,6 segundos, así que el modelo hace lo único sensato y crea un avance. Esa prueba de terceros con la presentación llegó a la misma conclusión de forma independiente: trató la presentación como material de origen para un anuncio cinematográfico, no como diapositivas para pasar. Los marcos de las gafas del producto pasaron de gruesos a sin montura a una tercera forma a lo largo de las tomas.

Por eso también el límite de 30 segundos es una restricción de diseño, no una nota al pie de la ficha técnica.

Medimos los archivos entregados: las cuatro demos oficiales de documentos aterrizan en 30,04 s, 30,02 s, 25,03 s y 23,04 s. Los dos clips de 30 segundos se detienen en seco a menos de cuatro centésimas de segundo entre sí. Y a la demo de la hoja de cálculo se le pidieron 22 segundos, luego entregó 23,04. Desglosamos ese límite en la vista previa de Wan 3.0.

Así que: expectativas calibradas. Dale un documento, obtén un avance, mantén tus gráficos simples.

El Flujo de Trabajo de Documento a Video que Puedes Ejecutar Hoy

Comprobación de realidad rápida antes del tutorial, porque te ahorra una hora de búsqueda.

La entrada de documento de Wan 3.0 vive solo en los canales propios de Alibaba, el acceso está restringido por invitación y los pesos no se publican. Nadie fuera de esos canales puede ofrecerlo, incluidos nosotros. Lo que sí puedes hacer hoy es reconstruir la mitad útil de esa demo de xlsx con modelos que ya están abiertos para el negocio, y la auditoría de fotogramas anterior te dice exactamente cómo evitar la parte que se rompe.

Tres pasos, una pestaña del navegador en Atlas Cloud:

1. Un modelo de un millón de tokens lee el documento y escribe un guion de tomas con código de tiempo, con cada número incorporado como una cadena literal.
2. Un modelo de imagen renderiza el primer fotograma, que es donde se fija toda la precisión del texto.
3. Un modelo de video anima ese fotograma según el guion.

Tres límites honestos en esta cadena. No se come un binario .pptx, así que pegas el texto o el CSV tú mismo. Wan 2.7 alcanza un máximo de 15 segundos, por lo que una sola toma de 30 segundos está descartada. Y la ruta de imagen a video es silenciosa por diseño: su parámetro audio toma una pista que tú proporcionas para impulsar la sincronización de labios, no inventa una banda sonora. Si quieres audio generado en la misma pasada, usas el hermano de texto a video y pierdes el control del primer fotograma, lo que para un video lleno de cifras en dólares es el intercambio incorrecto. Precios verificados en las páginas de los modelos el 20 de agosto de 2026, y ten en cuenta que un precio listado es un mínimo: los niveles de calidad y resolución elevan la cotización en vivo, así que lee el botón Ejecutar antes de comprometerte.

Construyámoslo.

Paso 1: Convierte tu Hoja de Cálculo en un Guion de Tomas con Código de Tiempo

Los modelos de video no recuerdan números. Renderizan cualquier cadena que les des. Así que el trabajo de este paso es convertir una tabla en direcciones de toma donde cada cifra ya está escrita como texto entre comillas.

Pega tu hoja entre los marcadores <<<. Configuración: temperatura 0.3, max_tokens 4000. Mantén max_tokens generoso, porque un modelo con capacidad de razonamiento que se queda sin presupuesto a mitad del pensamiento te devuelve una respuesta vacía por la que aún pagas.

textCopy
1Eres un director de gráficos en movimiento. A continuación se muestra una exportación de hoja de cálculo en bruto.
2
3<<<
4Mes,América del Norte,Asia Sudoriental,Europa,GMV Total
5Ene,1580,880,640,3100
6Feb,2110,1240,900,4250
7Mar,2740,1610,1150,5500
8Abr,3120,1980,1330,6430
9May,3350,2240,1460,7050
10Jun,3460,2480,1580,7520
11Crecimiento H1,+45.7%,,,
12>>>
13
14Escribe un guion de tomas para un video de datos empresariales de 10 segundos, en formato 16:9, estilo Apple Keynote. Reglas:
151. Exactamente 2 tomas. Dale a cada una un código de tiempo de entrada/salida (00:00-00:05, 00:05-00:10).
162. Cada número que aparezca en pantalla debe escribirse en la descripción de la toma como una cadena literal exacta, entre comillas, por ejemplo "$1,580". Nunca escribas "la cifra de enero" - escribe los dígitos.
173. NO pidas una leyenda, un eje con marcas de graduación, ni más de dos series de datos en pantalla a la vez. Usa grandes números independientes y una placa con forma de píldora color coral.
184. Fondo blanco puro, paleta coral suave + gris oscuro, sans-serif.
195. Termina con una línea de dirección de BGM + SFX (whoosh al entrar, un timbre de campana en la placa).
20Genera solo el guion, sin comentarios.

La regla 3 es la recompensa de la auditoría. La salida oficial se rompió exactamente en tres cosas: leyendas, marcas de ejes y gráficos de múltiples series. Así que eliminamos los tres del resumen y gastamos ese espacio de pantalla en números sobredimensionados y una placa codificada por colores. La misma información, ninguna de las superficies de fallo.

La regla 2 es la que la gente se salta, y es la razón por la que los dígitos sobreviven hasta el final de esta cadena. Una descripción de toma que dice "la cifra de enero" devuelve el número a un modelo que tiene que inventar glifos para él. Una descripción de toma que dice "$1,580" entre comillas le da a los siguientes dos pasos una cadena que copiar. No estás pidiendo visualización de datos aquí, estás pidiendo una instrucción de escritura.

Lo que vuelve es un guion de dos tomas con códigos de tiempo de entrada y salida, cada cifra en pantalla citada como literal, y una línea final de BGM y SFX. Guárdalo en un archivo temporal; los pasos 2 y 3 lo leen.

Paso 2: Genera el Primer Fotograma de la Marca

Cada carácter de texto en pantalla se decide aquí. Un modelo de imagen de alta calidad renderiza $1,580 correctamente con mucha más fiabilidad de la que un modelo de video puede escribirlo mientras también lo mueve, así que fijamos la tipografía en una imagen fija y dejamos que el paso 3 solo empuje píxeles.

Abre GPT Image 2 y configura la calidad en alta y el tamaño en la opción 16:9, que en esta página es 2048x1152. Haz coincidir la relación de aspecto con el video que estás a punto de hacer, o el paso 3 comenzará recortando tu tipografía.

textCopy
1Un fotograma de presentación prístino al estilo Apple Keynote sobre un fondo blanco puro sin costuras, fotografiado como si se proyectara en una pared de estudio mate. Título centrado en una geométrica sans-serif de carbón oscuro que dice "H1 2026", situado en un espacio negativo generoso. Debajo, dos números sobredimensionados en la misma tipografía, "$1,580" a la izquierda y "$3,460" a la derecha, separados por una flecha fina de color gris claro. Debajo de la flecha, texto de título pequeño en gris claro que dice "Crecimiento del GMV Mensual". Debajo de eso, una sola placa con forma de píldora color coral con texto blanco que dice "+45.7%". Iluminación difusa suave y uniforme, degradado cálido tenue en la esquina superior derecha, sutil grano de papel, sin desorden, sin logotipos, sin gráficos. Minimalismo corporativo ultralimpio, 16:9.

Dos detalles que vale la pena copiar. "Sin gráficos" está ahí a propósito. Y lee la cotización de precio en el botón Ejecutar antes de presionarlo, porque la calidad alta en un fotograma ancho de 2K cuesta un múltiplo de la cifra lista de $0,009.

Entorno de juego de GPT Image 2 en Atlas Cloud con el mensaje del primer fotograma y el fotograma renderizado al estilo Keynote que muestra cada cifra escrita correctamente

GPT Image 2 con calidad alta, 16:9 a 2048x1152. Cada cifra aterrizó: "H1 2026", "$1,580", "$3,460" y la placa coral "+45,7%", que es exactamente por qué la tipografía se fija en una imagen fija y no en un modelo de video.

Paso 3: Renderiza el Clip de Documento a Video y Verifica Cada Dígito

Último paso. Carga la imagen del paso 2 como primer fotograma y deja que el modelo de video lo anime mientras mantiene la tipografía fija.

Abre Wan 2.7 Imagen a Video. Configuración: tu primer fotograma subido, resolución 1080P, duración 10 s. Deja el campo de audio vacío, ya que este modelo trata el audio como una entrada impulsora en lugar de algo que crea. Tú mismo estás añadiendo la banda sonora a este clip, o en una pasada separada de texto a video.

textCopy
1Anima este fotograma como un video de datos empresariales de 10 segundos al estilo Apple Keynote, manteniendo la tipografía existente estable en píxeles.
2
300:00-00:05 - El título "H1 2026" se mantiene, luego se disuelve en partículas doradas que se desplazan hacia afuera. Los dos números "$1,580" y "$3,460" se deslizan desde la izquierda y la derecha y se fijan en su lugar; la flecha gris fina se dibuja a sí misma entre ellos de izquierda a derecha. La placa coral que dice "+45.7%" aparece desde abajo con un ligero rebasamiento, sincronizada con un único timbre de campana claro.
4
500:05-00:10 - Todo se desliza suavemente hacia la izquierda. Tres barras redondeadas gruesas crecen hacia arriba desde una línea base compartida contra el mismo fondo blanco puro, coral, verde azulado y ámbar, con un único número independiente grande sobre cada una: "$3,460", "$2,480", "$1,580". Sin leyenda, sin eje, sin marcas de graduación, sin líneas de cuadrícula. La cámara permanece bloqueada y perfectamente quieta en todo momento.

"Manteniendo la tipografía existente estable en píxeles" y "la cámara permanece bloqueada" están haciendo un trabajo real. Cada movimiento de cámara es otra oportunidad para que el modelo redibuje un texto que debería dejar en paz.

Luego haz la parte aburrida e importante: pausa en cada fotograma donde aparezca un número y compáralo con la fila de origen. Esa es una comprobación de 30 segundos, y es lo único que se interpone entre tú y un video que muestra con confianza la cifra de ingresos incorrecta.

Entorno de juego de Wan 2.7 Imagen a Video en Atlas Cloud con el primer fotograma cargado y el clip de datos terminado renderizado

Wan 2.7 Imagen a Video en 1080P con el primer fotograma del paso 2 cargado y el clip terminado en el panel de salida. Vale la pena señalar lo que dice el panel: pedimos 10 segundos, el campo de duración mostraba 10, y el renderizado devolvió 5. La cotización de Ejecutar nos lo dijo antes que el archivo, que es toda la razón para leerla.

El clip de datos terminado reconstruido a partir de la misma hoja de cálculo de GMV, cada cifra intacta

La recompensa: la misma hoja de cálculo, reconstruida con leyendas y marcas de ejes deliberadamente diseñadas fuera. El modelo comprimió ambas tomas del guion en los cinco segundos que realmente renderizó, y cada cifra sobrevivió al movimiento: "$1,580" y "$3,460" en la apertura, luego "$3,460", "$2,480" y "$1,580" sobre las tres barras. Cero etiquetas distorsionadas, porque no quedaban etiquetas que distorsionar. Silencioso por diseño, ya que la ruta de imagen a video no puntúa nada para ti.

Variaciones de Documento a Video y lo que Cuesta un Minuto Terminado

El caso de la hoja de cálculo es el más difícil. Los otros tres casos de uso oficiales son más fáciles, y es donde reside la mayor parte del valor comercial.

Material didáctico. Dale una entrada de enciclopedia y pídele una lección en un nivel de lectura específico. La salida a continuación es una clase animada al estilo chibi sobre el poeta Wang Wei, de 25,03 segundos de duración.

El estilo de dibujo se mantiene todo el tiempo. Los detalles de los personajes no. En la marca de 3 segundos lleva una gorra negra sobre un fondo blanco liso; a los 22 segundos la gorra se ha vuelto azul pálido y está de pie dentro de una pintura clásica en pergamino. La misma deriva que vio el probador de la presentación en esos marcos de gafas. Si reconstruyes esto en la cadena de tres pasos, fija una tarjeta de personaje en el paso 1 y reutiliza el fotograma del paso 2 como tu ancla de estilo.

Entrada de enciclopedia en una lección animada de primer grado, 25,03 s con audio generado. Demo oficial de beta pública de Alibaba Wan 3.0.

Videos de marca. Un documento de propuesta se convierte en un anuncio completo de 30 segundos. Es la más bonita de las cuatro demos y la menos verificable, ya que no puedes ver lo que decía el documento fuente. Observa la consistencia en lugar de la belleza: este es el modo de fallo que atrapó al probador de terceros, cuyo producto cambió de forma tres veces en un solo clip.

Documento de propuesta en un anuncio de marca de cuidado de la piel de 30,04 s. Demo oficial de beta pública de Alibaba Wan 3.0, con audio.

Resúmenes de informes. No existe una demo oficial para este, así que trata el patrón como no probado: pide un presentador, una afirmación por toma, y pon cada cifra entre comillas exactamente como en el paso 1.

Ahora el dinero.

Dos hojas de precios publicadas de Wan 3.0 no están de acuerdo sobre si 1080p es ¥1,2 o $0,20 por segundo, que no son el mismo número. Verifica la tarifa en el endpoint contra el que realmente se te factura antes de presupuestar una serie.

El costo oculto no es la tarifa por segundo. Es la re-ejecución. La entrada de documento toma un archivo por trabajo, por lo que cambiar una sola cifra significa regenerar todo el video. En la cadena de tres pasos, el guion de tomas es un artefacto de texto reutilizable, por lo que un cambio de número te cuesta un renderizado en lugar de un trabajo completo. En un ciclo de informes trimestrales, esa diferencia eclipsa el precio por segundo.

Una nota legal antes de que subas algo. Un documento que envías a un modelo alojado es un documento que sale de tu edificio, y las presentaciones internas y los datos financieros no publicados generalmente tienen una política asociada. Verifícalo antes de que llegue la presión de la fecha límite, no después. Y todos los clips de demo oficiales en este artículo pertenecen a Alibaba, citados aquí como material de beta pública; nada aquí es una licencia para reutilizarlos comercialmente.

Preguntas Frecuentes sobre Wan 3.0 Documento a Video

¿Qué tipos de archivos acepta Wan 3.0 documento a video y de qué tamaño?

doc, xls, ppt, pdf, txt y md, con key, pages y numbers también reportados, además de un enlace web plano en lugar de un archivo. Un archivo o un enlace por trabajo, hasta 100 MB o 50 páginas.

¿Convierte Wan 3.0 cada diapositiva en una escena?

No, y este es el malentendido más común. Lee todo el documento, luego dirige un video a partir de lo que aprendió. En el límite, eso son 50 páginas en 30 segundos, o 0,6 segundos por página, por lo que produce un avance en lugar de un pasapáginas. Tanto los casos de uso oficiales como las pruebas independientes apuntan en la misma dirección.

¿Son precisos los números de mi hoja de cálculo en el video?

Los valores de las celdas se mantuvieron en todos los casos que verifiqué, incluidos $1,580, $3,460 y +45,7% en la demo oficial. Lo que falla es el mobiliario del gráfico: las leyendas se fusionan, las marcas de los ejes salen no lineales y los separadores de miles desaparecen. Inyecta cada cifra como un literal entre comillas y diseña las leyendas y las marcas de los ejes fuera del resumen por completo.

¿Puedo usar Wan 3.0 documento a video a través de una API hoy?

Solo a través de los canales propios de Alibaba, actualmente con acceso por invitación, y los pesos no se publican. Wan 2.2 sigue siendo la última versión de pesos abiertos en la línea. Hasta que eso cambie, la cadena de tres pasos anterior es el sustituto práctico.

¿Cuánto cuesta un video de 30 segundos de Wan 3.0?

A la tarifa publicada de 1080p, eso es ¥36, o $6,00 en la hoja internacional, por un clip de 30 segundos. Presupuesta las re-ejecuciones en lugar de una sola pasada, porque una corrección de un solo número significa regenerar todo.

¿Cuál es lo más parecido a Wan 3.0 documento a video que puedo ejecutar ahora mismo?

Un modelo de contexto largo para escribir el guion de tomas, luego Wan 2.7 a $0,1 por segundo para el renderizado, con MiniMax H3 a la misma tarifa o Seedance 2.5 a $0,134 por segundo como alternativas. Obtienes el aspecto de imágenes generadas y texto preciso en el fotograma. Lo que no obtienes: 30 segundos en una sola toma continua, audio en la misma pasada que el renderizado de imagen a video, o un modelo que lea el .pptx por ti.

El resumen honesto: Wan 3.0 documento a video es una capacidad real con un límite real, y la brecha entre su salida y la tuya es más pequeña de lo que parece, siempre que dejes de pedirle a cualquiera de los dos que dibuje una leyenda.