Wan 3.0 Document to Video: Audité cada fotograma.

Última actualización: Wan 3.0 ya está disponible desde el 24 de agosto de 2026.

Sube una hoja de cálculo. Recibe a cambio una animación empresarial de 23 segundos con música.

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

Luego arrastré el cabezal de reproducción hasta el segundo 12 y leí la leyenda del gráfico.

"Southeasta North America".

Dos regiones de ventas fusionadas en una palabra que no existe. Esa es la verdadera línea de flotación del documento a vídeo en 2026: el modelo realmente leyó tu tabla, y aun así no puede dibujar tu gráfico. A continuación, la auditoría fotograma a fotograma 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 a 1080p.
• Redirige una película a partir de tu documento. No convierte la diapositiva 3 en el plano 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 estrictos: sin 4K, sin pesos abiertos, solo canales propios.
• Un modelo de contexto largo más un modelo de vídeo de 15 segundos reproduce la mayor parte hoy.

Salida de Wan 3.0 de documento a vídeo: la demo oficial .xlsx renderizada como una película de datos animada al estilo Keynote

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

Lo que realmente hace Wan 3.0 de documento a vídeo

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

Entregas un documento o un enlace web. Lee todo, decide cuál es la historia y genera un vídeo 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 tablas de precios publicadas provienen de un resumen de especificaciones aparte (Ngram, agosto de 2026).

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

• Documento de propuesta convertido en película 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 con luz matutina.
• Material didáctico convertido en lección en vídeo. Una entrada de enciclopedia se convierte en una clase animada para niños de primer grado.
• Hoja de cálculo convertida en gráficos animados. La demo anterior, y con diferencia la más difícil de las cuatro.
• Informe convertido en resumen hablado. Un informe escrito se convierte en una sesión informativa estilo presentador.

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

Los actores establecidos en "PDF a vídeo" no hacen esto. El documento a vídeo 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 metraje de archivo o animación 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. Uno hace presentaciones de diapositivas narradas. El otro hace metraje que nunca existió. Compararlos por precio por minuto es como comparar una fotocopiadora con un equipo de rodaje.

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

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

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

Por qué Wan 3.0 de documento a vídeo rompe los gráficos pero mantiene tus números

Aquí está lo 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 el segundo 4, el fotograma muestra $1,580, una flecha gris fina, $3,460, el título "Crecimiento mensual del GMV" y una insignia coral que dice +45,7%. La tipografía es limpia, las comas están en su sitio, no hay caracteres distorsionados. El mensaje detrás de esta demo cita celdas específicas de la hoja de cálculo, y las cifras en pantalla coinciden. Una prueba de terceros con una presentación de producto de 8 páginas encontró lo mismo: 45 g, 12 horas y 55 grados se renderizaron 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 falló. Los fotogramas de los gráficos son otra historia.

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

Congelado en el segundo 12 de la demo oficial. Tres defectos en un solo fotograma: dos nombres de región 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. Mismos espacios de píxeles, valores desiguales, y 40 y 50 simplemente faltan.
3. Eje y etiquetas en diferentes unidades. La línea de cuadrícula más alta es 70. La etiqueta fijada en el 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 terminan en $3,970 y $3,880. Una línea ascendente suave no puede tener un salto de diez veces entre dos puntos adyacentes. Las dos etiquetas intermedias están tan borrosas que no se pueden leer con seguridad, lo que ya es una respuesta en sí misma.

El segmento del gráfico de barras repite el patrón. Cuatro barras muestran $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 la coma de miles mientras que las otras tres la mantienen. Junto a ellas hay cinco cifras de crecimiento verde para cuatro barras. Y el segmento del gráfico de anillos se centra en $89,7M, una coma donde debería ir un punto decimal.

Observa qué tienen todos estos en común. Ni uno es un error de contenido. Cada uno es un error de dibujo: diseño, etiquetado, escala, puntuación. El modelo entendió la hoja y luego renderizó el gráfico como cualquier modelo de vídeo renderiza texto denso, de forma aproximada.

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

Haz los cálculos. 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 presentación de terceros llegó a la misma conclusión de forma independiente: trató la presentación como material de origen para un anuncio cinematográfico, no como diapositivas para pasar. Las monturas de las gafas del producto pasaron de gruesas a sin montura a una tercera forma a lo largo de los planos.

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 duran 30.04 s, 30.02 s, 25.03 s y 23.04 s. Los dos clips de 30 segundos se detienen en seco con una diferencia de cuatro centésimas de segundo entre sí. Y a la demo de la hoja de cálculo se le pidieron 22 segundos, pero 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 vídeo que puedes ejecutar hoy

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

La entrada de documentos de Wan 3.0 solo está disponible 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 operativos, y la auditoría de fotogramas anterior te dice exactamente cómo evitar la parte que falla.

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 planos 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 vídeo 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 tiene un máximo de 15 segundos, por lo que una sola toma de 30 segundos no es posible. Y la ruta de imagen a vídeo es silenciosa por diseño: su parámetro audio acepta una pista que tú proporcionas para sincronización de labios, no inventa una banda sonora. Si quieres audio generado en la misma pasada, usas el hermano de texto a vídeo y renuncias al control del primer fotograma, lo que para un vídeo lleno de cifras en dólares es el intercambio equivocado. Precios verificados en las páginas de los modelos el 20 de agosto de 2026, y ten en cuenta que un precio indicado es un mínimo: los niveles de calidad y resolución elevan la cotización en vivo, así que lee el botón Ejecutar antes de comprometerte.

Vamos a construirlo.

Para una ejecución alojada actual, abre Wan 3.0 en Atlas Cloud y prueba un mensaje como el siguiente antes de publicar el flujo de trabajo.

Captura de pantalla de mensaje a resultado de Wan 3.0: Auditoría de documento a vídeo.

Paso 1: Convierte tu hoja de cálculo en un guion de planos con código de tiempo

Los modelos de vídeo no recuerdan números. Renderizan cualquier cadena que les des. Por lo tanto, el trabajo de este paso es convertir una tabla en indicaciones de plano donde cada cifra ya esté 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 de pensamiento te devuelve una respuesta vacía por la que aún pagas.

textCopy
1Eres un director de motion graphics. A continuación se muestra una exportación de hoja de cálculo sin procesar.
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 planos para un vídeo de datos empresarial de 10 segundos, 16:9, estilo Apple Keynote. Reglas:
151. Exactamente 2 planos. Asigna a cada uno 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 del plano como una cadena literal exacta, entre comillas, p. ej. "$1,580". Nunca escribas "la cifra de enero" – escribe los dígitos.
173. NO pidas una leyenda, un eje con marcas de graduación, o más de dos series de datos en pantalla a la vez. Usa numerales grandes independientes y una sola insignia en forma de píldora de color coral.
184. Fondo blanco puro, paleta coral suave + gris oscuro, sans-serif.
195. Termina con una línea de dirección de BGM + SFX (swoosh al entrar, un timbre al aparecer la insignia).
20Genera solo el guion, sin comentarios.
21

La regla 3 es el resultado de la auditoría. La salida oficial falló exactamente en tres cosas: leyendas, marcas de eje y gráficos de múltiples series. Así que eliminamos los tres del resumen y dedicamos ese espacio de pantalla a numerales sobredimensionados y una insignia 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 plano que dice "la cifra de enero" le devuelve el número a un modelo que tiene que inventar glifos para él. Una descripción de plano 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 planos con códigos de tiempo de entrada y salida, cada cifra en pantalla citada como literal, y una línea de cierre de BGM y SFX. Guárdalo en un archivo temporal; los pasos 2 y 3 leen de él.

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 de forma mucho más fiable de lo que un modelo de vídeo puede escribirlo mientras también lo mueve, así que fijamos la tipografía en una imagen fija y dejamos que el paso 3 solo mueva 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 vídeo 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 un sans-serif geométrico gris carbón oscuro que dice "H1 2026", situado en un espacio negativo generoso. Debajo, dos numerales sobredimensionados en el mismo tipo de letra, "$1,580" a la izquierda y "$3,460" a la derecha, separados por una flecha fina de color gris claro. Debajo de la flecha, un texto de subtítulo pequeño en gris claro que dice "Crecimiento mensual del GMV". Debajo de eso, una única insignia en forma de píldora de color coral con texto blanco que dice "+45,7%". Iluminación suave y difusa, ligero degradado cálido en la esquina superior derecha, sutil grano de papel, sin desorden, sin logotipos, sin gráficos. Minimalismo corporativo ultralimpio, 16:9.
2

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 2K cuesta un múltiplo de la cifra de lista de $0.009.

Área de juegos 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 apareció: "H1 2026", "$1,580", "$3,460" y la insignia coral "+45,7%", que es exactamente por qué la tipografía se fija en una imagen fija y no en un modelo de vídeo.

Paso 3: Renderiza el clip de documento a vídeo y verifica cada dígito

Último paso. Carga la imagen del paso 2 como primer fotograma y deja que el modelo de vídeo la anime manteniendo la tipografía estática.

Abre Wan 2.7 Imagen a Vídeo. 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 conductora en lugar de algo que crea. Tú mismo añadirás la música a este clip, o en una pasada separada de texto a vídeo.

textCopy
1Anima este fotograma como un vídeo de datos empresarial 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 numerales "$1,580" y "$3,460" se deslizan desde la izquierda y la derecha y se fijan en su lugar; la flecha fina gris se dibuja a sí misma entre ellos de izquierda a derecha. La insignia coral que dice "+45,7%" aparece desde abajo con un ligero rebasamiento, sincronizada con un único timbre claro.
4
500:05-00:10 - Todo se desliza suavemente hacia la izquierda. Tres barras redondeadas gruesas crecen hacia arriba desde una línea de base compartida contra el mismo fondo blanco puro, coral, teal y ámbar, con un solo numeral grande e independiente sobre cada una: "$3,460", "$2,480", "$1,580". Sin leyenda, sin eje, sin marcas de graduación, sin líneas de cuadrícula. La cámara permanece fija y perfectamente quieta durante todo el tiempo.
6

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

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

Área de juegos de Wan 2.7 Imagen a Vídeo en Atlas Cloud con el primer fotograma cargado y el clip de datos terminado renderizado

Wan 2.7 Imagen a Vídeo a 1080P con el primer fotograma del paso 2 subido 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 de que lo hiciera el archivo, que es la razón principal para leerlo.

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 eje diseñadas deliberadamente fuera. El modelo comprimió ambos planos guionados 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 vídeo no añade música por ti.

Variaciones de documento a vídeo y cuánto 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 en todo momento. Los detalles de los personajes, no. En el segundo 3 lleva una gorra negra sobre un fondo blanco liso; en el segundo 22 la gorra se ha vuelto azul pálido y está dentro de una pintura clásica en pergamino. La misma deriva que vio el probador de la presentación con esas monturas 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 ancla de estilo.

Entrada de enciclopedia convertida en una lección animada para primer grado, 25.03 s con audio generado. Demo oficial de la beta pública de Alibaba Wan 3.0.

Películas 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 se puede ver lo que decía el documento fuente. Observa la coherencia 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 convertido en una película de marca de cuidado de la piel de 30.04 s. Demo oficial de la 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 plano y pon cada cifra entre comillas exactamente como en el paso 1.

Ahora el dinero.

Dos tablas de precios publicadas de Wan 3.0 no coinciden en 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 repetición. La entrada de documentos toma un archivo por trabajo, por lo que cambiar una sola cifra significa regenerar el vídeo completo. En la cadena de tres pasos, el guion de planos 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 subir cualquier cosa. 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 suelen tener una política adjunta. Revísala antes de que llegue la presión de la fecha límite, no después. Y todos los clips de demostración oficiales de este artículo pertenecen a Alibaba, citados aquí como material de beta pública; nada de esto es una licencia para reutilizarlos comercialmente.

Preguntas frecuentes sobre Wan 3.0 de documento a vídeo

¿Qué tipos de archivo acepta Wan 3.0 de documento a vídeo y de qué tamaño?

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

¿Wan 3.0 convierte cada diapositiva en una escena?

No, y este es el malentendido más común. Lee todo el documento y luego dirige un vídeo 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 paso de página. Tanto los casos de uso oficiales como las pruebas independientes apuntan en la misma dirección.

¿Los números de mi hoja de cálculo son precisos en el vídeo?

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 de documento a vídeo 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 de la línea. Hasta que eso cambie, la cadena de tres pasos anterior es el sustituto práctico.

¿Cuánto cuesta un vídeo de 30 segundos con Wan 3.0?

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

¿Qué es lo más parecido a Wan 3.0 de documento a vídeo que puedo ejecutar ahora mismo?

Un modelo de contexto largo para escribir el guion de planos, 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 metraje generado 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 vídeo, o un modelo que lea el .pptx por ti.

El resumen honesto: Wan 3.0 de documento a vídeo 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.