Wan 3.0 Document to Video: Sprawdziłem każdą klatkę

Najnowsza aktualizacja: Wan 3.0 jest już dostępny od 24 sierpnia 2026 roku.

Wgraj jeden arkusz kalkulacyjny. Otrzymasz 23-sekundową animację biznesową z muzyką.

Taka jest obietnica Wan 3.0 dokument do wideo – pierwszego natywnego wejścia dokumentowego w rodzinie – a oficjalne demo spełnia ją dosłowniej, niż się spodziewałem. Liczby się zgadzają. 1 580 $ rośnie do 3 460 $, odznaka wskazuje +45,7%, a te wartości prowadzą prosto do konkretnych komórek w źródłowym arkuszu.

Następnie przesunąłem wskaźnik odtwarzania do 12. sekundy i przeczytałem legendę wykresu.

„Southeasta North America”.

Dwa regiony sprzedażowe zgniecione w słowo, które nie istnieje. To jest prawdziwa granica dokumentu do wideo w 2026 roku: model faktycznie przeczytał twoją tabelę, ale nadal nie potrafi narysować wykresu. Poniżej znajduje się audyt klatka po klatce, którego nikt inny nie opublikował, plus trzyetapowy łańcuch, który możesz uruchomić już dziś po południu.

Kluczowe wnioski

• Wan 3.0 akceptuje 1 plik lub 1 link, do 100 MB lub 50 stron, i generuje do 30 sekund w 1080p.
• Tworzy film z twojego dokumentu. Nie zamienia slajdu 3 w ujęcie 3.
• Wartości komórek pozostają nienaruszone. Legendy wykresów, znaczniki osi i separatory tysięcy – nie.
• Ograniczenia są sztywne: brak 4K, brak otwartych wag, tylko kanały własne.
• Model długiego kontekstu plus 15-sekundowy model wideo odtwarza większość tego dzisiaj.

Wynik Wan 3.0 dokument do wideo: oficjalne demo xlsx wyrenderowane jako animowany film danych w stylu Keynote

Prezentacja: oficjalne demo Wan 3.0 w publicznej becie Alibaby, jeden plik .xlsx z miesięcznym GMV, 23 sekundy animowanego filmu danych. Pokazane jako cichy GIF; dostarczony plik zawiera ścieżkę stereo AAC 44,1 kHz. Źródło: oficjalny podręcznik twórcy Wan 3.0 Alibaby.

Co właściwie robi Wan 3.0 Dokument do Wideo

Krótka wersja, abyś mógł wyjść za minutę, jeśli to wszystko, czego potrzebujesz.

Podajesz mu jeden dokument lub jeden link internetowy. Czyta całość, decyduje, jaka jest historia, i generuje wideo z obrazem i dźwiękiem w jednym przejściu. Maksymalnie 30 sekund, maksymalnie 1080p. Nie przechodzi przez strony w kolejności.

Oto limity, które faktycznie rządzą projektem.

Publiczna beta rozpoczęła się 6 sierpnia 2026 (AgentUpdate, sierpień 2026). Lista formatów i dwa opublikowane arkusze cenowe pochodzą z osobnego zestawienia specyfikacji (Ngram, sierpień 2026).

Oficjalny podręcznik zawiera cztery przypadki użycia dokumentów, które idealnie pasują do czterech zadań, za które ludzie już płacą agencjom:

• Dokument ofertowy w film marki. Dokument prezentacji kosmetyków staje się 30-sekundową reklamą z główną aktorką i historią w porannym świetle.
• Materiał szkoleniowy w lekcję wideo. Artykuł encyklopedyczny staje się animowaną lekcją dla pierwszoklasistów.
• Arkusz kalkulacyjny w animowane wykresy. Powyższe demo i zdecydowanie najtrudniejszy z czterech.
• Raport w mówione podsumowanie. Pisemny raport staje się briefingiem w formie prezentera.

W tym miejscu większość artykułów myli kategorię.

Dotychczasowi gracze w „PDF do wideo” nie robią tego. Kapwing's dokument-do-wideo wyciąga tekst z pliku i układa go na osi czasu, bez budowania scen i bez prezentera. Pictory i Powtoon montują materiały stockowe lub animacje z szablonów, a strony produktowe Powtoon reklamują awatary AI i głosy czytające twój skrypt. Wszystkie trzy produkują narracyjne pokazy slajdów.

Przeczytaj tę tabelę dwa razy, bo to cały argument: to nie są konkurenci w tej samej kategorii. Jeden produkuje narracyjne pokazy slajdów. Drugi tworzy materiał, który nigdy nie istniał. Porównywanie ich pod względem ceny za minutę jest jak porównywanie kserokopiarki z ekipą filmową.

Czy Wan 3.0 może też robić pokazy slajdów? Tak, i to jest uczciwe zastrzeżenie.

Kontrprzykład: poproszony o przekształcenie strony internetowej o mechanice kwantowej w zabawny film wyjaśniający, Wan 3.0 wyprodukował dokładnie format prezentera z podpisami, który sprzedają dotychczasowi gracze. Uderza w ścianę 30 sekund przy 30,02 s. Oficjalne demo publicznej bety Alibaby, z dźwiękiem.

Zatem różnica nie polega na tym, że Wan 3.0 nie może tworzyć filmów z mówiącą głową. Chodzi o to, że u dotychczasowych graczy ten format jest jedyną opcją w menu.

Dlaczego Wan 3.0 Dokument do Wideo psuje wykresy, ale zachowuje twoje liczby

Oto najcenniejsza informacja w tym artykule: wyciągnąłem 12 równomiernie rozmieszczonych klatek z oficjalnego demo arkusza kalkulacyjnego i odczytałem każdy glif.

Werdykt dzieli się wyraźnie na dwie części. Wartości przechodzą. Elementy wykresów zawodzą.

Co przetrwało. W 4. sekundzie klatka pokazuje $1,580, cienką szarą strzałkę, $3,460, podpis „Monthly GMV Growth” i koralową odznakę z napisem +45.7%. Typografia jest czysta, przecinki są we właściwych miejscach, żadnych zniekształconych znaków. Prompt stojący za tym demem odwołuje się do konkretnych komórek arkusza, a liczby na ekranie są z nimi zgodne. Test zewnętrzny na 8-stronicowej prezentacji produktu wykazał to samo: 45 g, 12 godzin i 55 stopni zostało poprawnie wyrenderowanych, a końcowe hasło pojawiło się bez ani jednego błędnego znaku (AI-Driven Lab, sierpień 2026).

To odpowiada na pytanie, które naprawdę interesuje zespoły finansowe i L&D. Twoje dane nie mutują po cichu.

Co się zepsuło. Klatki z wykresami to inna historia.

Audyt klatki Wan 3.0 dokument do wideo przedstawiający połączoną legendę wykresu i uszkodzoną oś Y

Zatrzymane w 12 s oficjalnego demo. Trzy defekty w jednej klatce: dwie nazwy regionów połączone w „Southeasta North America”, „North America” następnie powtórzone jako osobna seria, oraz oś Y odczytująca 30, 60, 70, podczas gdy górna etykieta danych mówi $3,880.

Policz błędy w tej jednej klatce:

1. Połączona legenda. „Southeast Asia” i „North America” zderzają się w „Southeasta North America”. Następnie „North America” pojawia się ponownie jako osobna seria, więc jeden region jest oznaczony dwukrotnie, a jeden zniknął.
2. Oś Y, która nie jest skalą. Znaczniki odczytują 30, 60, 70. Równe odstępy pikseli, nierówne wartości, a 40 i 50 po prostu brakuje.
3. Oś i etykiety w różnych jednostkach. Najwyższa linia siatki to 70. Etykieta przypięta do najwyższego punktu danych mówi $3,880.
4. Dryfowanie wielkości wzdłuż jednej linii. Etykiety na tej górnej krzywej zaczynają się od $330 i $335, a następnie lądują na $3,970 i $3,880. Płynnie rosnąca linia nie może utrzymać dziesięciokrotnego skoku między dwoma sąsiednimi punktami. Dwie etykiety pomiędzy są rozmazane poza możliwość pewnego odczytania, co jest odpowiedzią samo w sobie.

Segment wykresu słupkowego powtarza ten wzór. Cztery słupki niosą $1750, $1,580, $2,350 i $2,580, więc najkrótszy słupek ma drugą najwyższą liczbę, a pierwsza etykieta traci separator tysięcy, podczas gdy pozostałe trzy go zachowują. Obok siedzi pięć zielonych wartości wzrostu dla czterech słupków. A segment kołowy skupia się na $89,7M, przecinku tam, gdzie powinien być przecinek dziesiętny.

Zauważ, co łączy wszystkie te błędy. Żaden nie jest błędem treści. Każdy jest błędem rysowania: układu, etykietowania, skali, interpunkcji. Model zrozumiał arkusz, a następnie wyrenderował wykres w sposób, w jaki model wideo renderuje dowolny gęsty tekst – w przybliżeniu.

Istnieje drugi, strukturalny powód, dla którego wynik nie wygląda jak twoja prezentacja.

Zrób arytmetykę. 50 stron to limit stron, 30 sekund to limit czasu. To 0,6 sekundy na stronę.

Nie możesz zaprezentować strony w 0,6 sekundy, więc model robi jedyną rozsądną rzecz i tworzy zwiastun. Ten test zewnętrzny prezentacji doszedł do tego samego wniosku niezależnie: potraktował prezentację jako materiał źródłowy do filmu kinowego, a nie jako slajdy do przewijania. Oprawki okularów produktu dryfowały od grubych do bezramkowych do trzeciego kształtu w różnych ujęciach.

Dlatego też limit 30 sekund jest ograniczeniem projektowym, a nie przypisem w specyfikacji.

Zmierzyliśmy dostarczone pliki: cztery oficjalne dema dokumentów lądują na 30,04 s, 30,02 s, 25,03 s i 23,04 s. Dwa 30-sekundowe klipy zatrzymują się w ciągu czterech setnych sekundy od siebie. A demo arkusza kalkulacyjnego zostało poproszone o 22 sekundy, a dostarczyło 23,04. Rozebraliśmy ten limit na części w podglądzie Wan 3.0.

Zatem: oczekiwania skalibrowane. Podaj dokument, otrzymaj zwiastun, utrzymuj proste wykresy.

Przepływ pracy Dokument do Wideo, który możesz uruchomić już dziś

Szybkie sprawdzenie rzeczywistości przed tutorialem, bo oszczędza ci godzinę szukania.

Wejście dokumentu Wan 3.0 żyje tylko na własnych kanałach Alibaby, dostęp jest na zaproszenie, a wagi nie są opublikowane. Nikt poza tymi kanałami nie może go zaoferować, w tym my. To, co możesz zrobić dziś, to odtworzyć użyteczną połowę tego demo xlsx za pomocą modeli, które są już otwarte dla biznesu, a powyższy audyt klatek mówi ci dokładnie, jak uniknąć części, która się psuje.

Trzy kroki, jedna karta przeglądarki na Atlas Cloud:

1. Model miliona tokenów czyta dokument i pisze scenariusz ujęć z czasem, z każdą liczbą zapisaną jako dosłowny ciąg znaków.
2. Model obrazu renderuje pierwszą klatkę, w której zapisywana jest cała dokładność tekstu.
3. Model wideo animuje tę klatkę zgodnie ze scenariuszem.

Trzy uczciwe ograniczenia tego łańcucha. Nie połyka binarnego pliku .pptx, więc sam wklejasz tekst lub CSV. Wan 2.7 kończy się na 15 sekundach, więc pojedyncze 30-sekundowe ujęcie odpada. A ścieżka obraz-do-wideo jest z założenia cicha: jej parametr audio przyjmuje dostarczoną przez ciebie ścieżkę do synchronizacji ust, a nie wymyśla ścieżki dźwiękowej. Jeśli chcesz, aby audio było generowane w tym samym przejściu, używasz rodzeństwa tekst-do-wideo i rezygnujesz z kontroli pierwszej klatki, co w przypadku wideo pełnego kwot dolarowych jest złym kompromisem. Ceny zweryfikowane na stronach modeli 20 sierpnia 2026; pamiętaj, że podana cena to podstawa: poziomy jakości i rozdzielczości podbijają rzeczywistą ofertę w górę, więc przeczytaj przycisk Uruchom przed zatwierdzeniem.

Zbudujmy to.

Aby uruchomić aktualnie hostowane zadanie, otwórz Wan 3.0 na Atlas Cloud i przetestuj prompt, taki jak poniżej, zanim opublikujesz przepływ.

Zrzut ekranu promptu do wyniku Wan 3.0: Audyt dokumentu do wideo.

Krok 1: Zamień swój arkusz kalkulacyjny na scenariusz ujęć z czasem

Modele wideo nie pamiętają liczb. Renderują dowolny ciąg znaków, który im podasz. Zatem zadaniem tego kroku jest przekształcenie tabeli w kierunki ujęć, w których każda liczba jest już zapisana jako tekst w cudzysłowie.

Wklej swój arkusz między znacznikami <<<. Ustawienia: temperatura 0,3, max_tokens 4000. Trzymaj max_tokens wysoki, ponieważ model zdolny do rozumowania, który wyczerpie budżet w trakcie myślenia, zwróci pustą odpowiedź, za którą wciąż płacisz.

textCopy
1Jesteś reżyserem motion graphics. Poniżej znajduje się surowy eksport arkusza kalkulacyjnego.
2
3<<<
4Month,North America,Southeast Asia,Europe,Total GMV
5Jan,1580,880,640,3100
6Feb,2110,1240,900,4250
7Mar,2740,1610,1150,5500
8Apr,3120,1980,1330,6430
9May,3350,2240,1460,7050
10Jun,3460,2480,1580,7520
11H1 growth,+45.7%,,,
12>>>
13
14Napisz scenariusz ujęć dla 10-sekundowego, 16:9, Apple-Keynote-style
15biznesowego wideo danych. Zasady:
161. Dokładnie 2 ujęcia. Każdemu podaj kod czasowy rozpoczęcia/zakończenia (00:00-00:05,
17   00:05-00:10).
182. Każda liczba, która pojawia się na ekranie, musi być zapisana w opisie
19   ujęcia jako dokładny dosłowny ciąg znaków, w cudzysłowie, np. "$1,580".
20   Nigdy nie pisz "wartość stycznia" - napisz cyfry.
213. NIE proś o legendę, oś z etykietami znaczników ani więcej niż
22   dwie serie danych na ekranie jednocześnie. Używaj dużych samodzielnych
23   liczb i jednej koralowej odznaki w kształcie pigułki.
244. Czysto białe tło, paleta miękki koral + głęboka szarość, bezszeryfowa.
255. Zakończ jednym wierszem wskazówek dot. BGM + SFX (whoosh przy wjeździe,
26   jeden dzwonek na odznace).
27Wypisz tylko scenariusz, bez komentarza.
28

Zasada 3 to zysk z audytu. Oficjalne wyjście zepsuło się na dokładnie trzech rzeczach: legendach, znacznikach osi i wykresach wieloserii. Więc usuwamy wszystkie trzy z briefu i wykorzystujemy tę przestrzeń ekranową na ogromne liczby i kolorową odznakę. Te same informacje, żadnej powierzchni awarii.

Zasada 2 to ta, którą ludzie pomijają, i jest powodem, dla którego cyfry przetrwają do końca tego łańcucha. Opis ujęcia, który mówi „wartość stycznia”, oddaje liczbę z powrotem do modelu, który musi wymyślić dla niej glify. Opis ujęcia, który mówi "$1,580" w cudzysłowie, daje następnym dwóm krokom ciąg do skopiowania. Nie prosisz tutaj o wizualizację danych, prosisz o instrukcję pisania.

To, co wraca, to dwuujęciowy scenariusz z kodami czasowymi rozpoczęcia i zakończenia, każda figura na ekranie zacytowana jako dosłowny ciąg, oraz końcowa linia BGM i SFX. Zachowaj go w pliku roboczym; kroki 2 i 3 będą z niego czytać.

Krok 2: Wygeneruj pierwszą klatkę marki

Każdy znak tekstu na ekranie jest tutaj ustalany. Model obrazu w wysokiej jakości renderuje $1,580 poprawnie znacznie bardziej niezawodnie niż model wideo może to napisać, jednocześnie to poruszając, więc ustalamy typografię w nieruchomym obrazie, a krok 3 tylko przesuwa piksele.

Otwórz GPT Image 2 i ustaw jakość na wysoką oraz rozmiar na opcję 16:9, która na tej stronie to 2048x1152. Dopasuj proporcje obrazu do wideo, które zamierzasz zrobić, w przeciwnym razie krok 3 zacznie od przycięcia twojej typografii.

textCopy
1Nieskazitelna ramka prezentacji w stylu Apple Keynote na czysto białym,
2bezszwowym tle, sfotografowana jakby wyświetlana na matowej ścianie
3studia. Wyśrodkowany nagłówek w głębokim, węglowym geometrycznym
4bezszeryfowym czcionnym czytającym "H1 2026", osadzony w przestronnej
5negatywnej przestrzeni. Poniżej dwie ogromne liczby w tej samej
6czcionce, "$1,580" po lewej i "$3,460" po prawej, oddzielone cienką
7jasnoszarą strzałką. Pod strzałką mały, jasnoszary podpis czytający
8"Monthly GMV Growth". Pod tym pojedyncza koralowa odznaka w kształcie
9pigułki z białym tekstem czytającym "+45.7%". Miękkie, równomierne
10rozproszone światło, delikatny ciepły gradient w prawym górnym rogu,
11subtelny papierowy ziarn, brak bałaganu, brak logo, brak wykresów.
12Ultraczysty korporacyjny minimalizm, 16:9.
13

Dwa szczegóły warte skopiowania. „Brak wykresów” jest celowo zawarte. I przeczytaj ofertę cenową na przycisku Uruchom, zanim go naciśniesz, ponieważ jakość wysoka na szerokiej klatce 2K kosztuje wielokrotność ceny katalogowej $0,009.

Środowisko GPT Image 2 na Atlas Cloud z promptem pierwszej klatki i wyrenderowaną ramką w stylu Keynote pokazującą każdą cyfrę poprawnie zapisaną

GPT Image 2 przy jakości wysokiej, 16:9 w 2048x1152. Każda cyfra wylądowała: „H1 2026”, „$1,580”, „$3,460” i koralowa odznaka „+45.7%”, co jest dokładnie powodem, dla którego typografia jest ustalana w nieruchomym obrazie, a nie w modelu wideo.

Krok 3: Renderuj klip Dokument do Wideo i zweryfikuj każdą cyfrę

Ostatni krok. Załaduj obraz z kroku 2 jako pierwszą klatkę i pozwól modelowi wideo animować go, utrzymując typografię nieruchomo.

Otwórz Wan 2.7 Obraz-do-Wideo. Ustawienia: twoja pierwsza klatka przesłana, rozdzielczość 1080P, czas trwania 10s. Pozostaw pole audio puste, ponieważ ten model traktuje audio jako wejście sterujące, a nie coś, co tworzy. Sam udźwiękowisz ten klip lub w oddzielnym przejściu tekst-do-wideo.

textCopy
1Animuj tę klatkę jako 10-sekundowe biznesowe wideo danych w stylu Apple
2Keynote, utrzymując istniejącą typografię pikselowo stabilną.
3
400:00-00:05 - Nagłówek "H1 2026" trzyma się, następnie rozpuszcza się w
5złote cząsteczki, które dryfują na zewnątrz. Dwie liczby "$1,580" i
6"$3,460" wsuwają się z lewej i prawej strony i zatrzaskują na miejscu;
7cienka szara strzałka rysuje się między nimi od lewej do prawej. Koralowa
8odznaka z napisem "+45.7%" wyskakuje od dołu z lekkim przestrzeleniem,
9zsynchronizowana z pojedynczym czystym dźwiękiem dzwonka.
10
1100:05-00:10 - Wszystko płynnie zsuwa się w lewo. Trzy grube, zaokrąglone
12słupki rosną w górę ze wspólnej linii bazowej na tym samym czysto białym
13tle, koralowy, turkusowy i bursztynowy, z jedną dużą samodzielną liczbą
14nad każdym: "$3,460", "$2,480", "$1,580". Bez legendy, bez osi, bez
15etykiet znaczników, bez linii siatki. Kamera pozostaje zablokowana i
16idealnie nieruchoma przez cały czas.
17

„Utrzymanie istniejącej typografii pikselowo stabilnej” i „kamera pozostaje zablokowana” wykonują prawdziwą pracę. Każdy ruch kamery to kolejna szansa dla modela na przerysowanie tekstu, który powinien zostawić w spokoju.

Następnie wykonaj nudną, ważną część: zatrzymaj się na każdej klatce, w której pojawia się liczba, i odczytaj ją w porównaniu z wierszem źródłowym. To 30-sekundowe sprawdzenie i jedyna rzecz, która stoi między tobą a wideo, które pewnie pokazuje błędną wartość przychodu.

Środowisko Wan 2.7 Obraz-do-Wideo na Atlas Cloud z załadowaną pierwszą klatką i wyrenderowanym klipem danych

Wan 2.7 Obraz-do-Wideo w 1080P z przesłaną pierwszą klatką z kroku 2 i gotowym klipem w panelu wyjściowym. Warto zauważyć, co mówi panel: poprosiliśmy o 10 sekund, pole czasu trwania pokazało 10, a renderowanie zwróciło 5. Oferta uruchomienia powiedziała nam o tym przed plikiem, co jest całym powodem, aby ją przeczytać.

Gotowy klip danych odtworzony z tego samego arkusza GMV, każda cyfra nienaruszona

Zysk: ten sam arkusz, odtworzony z legendami i znacznikami osi celowo zaprojektowanymi poza. Model skompresował oba zaplanowane ujęcia w pięć sekund, które faktycznie wyrenderował, a każda cyfra przetrwała ruch: „$1,580” i „$3,460” w otwarciu, następnie „$3,460”, „$2,480” i „$1,580” nad trzema słupkami. Zero zniekształconych etykiet, ponieważ nie było już etykiet do zniekształcenia. Cichy z założenia, ponieważ ścieżka obraz-do-wideo nie dodaje dla ciebie żadnej ścieżki dźwiękowej.

Warianty Dokument do Wideo i ile kosztuje gotowa minuta

Przypadek arkusza kalkulacyjnego jest najtrudniejszy. Pozostałe trzy oficjalne przypadki użycia są łatwiejsze i to one niosą większość wartości komercyjnej.

Materiały szkoleniowe. Podaj artykuł encyklopedyczny i poproś o lekcję na konkretnym poziomie czytania. Wynik poniżej to animowana lekcja w stylu chibi o poecie Wang Wei, 25,03 sekundy.

Styl rysowania utrzymuje się przez cały czas. Szczegóły postaci – nie. W 3. sekundzie nosi czarną czapkę na jednolitym białym tle; do 22. sekundy czapka zmieniła kolor na bladoniebieski, a on stoi wewnątrz klasycznego obrazu na zwoju. Ten sam dryf, który tester prezentacji widział w oprawkach okularów. Jeśli odtwarzasz to na trzyetapowym łańcuchu, zablokuj kartę postaci w kroku 1 i użyj ponownie klatki z kroku 2 jako kotwicy stylu.

Artykuł encyklopedyczny w animowaną lekcję dla pierwszej klasy, 25,03 s z wygenerowanym dźwiękiem. Oficjalne demo publicznej bety Wan 3.0 Alibaby.

Filmy marki. Dokument ofertowy staje się pełnoprawnym 30-sekundowym spotem. To najładniejsze z czterech dem i najmniej weryfikowalne, ponieważ nie widać, co powiedział dokument źródłowy. Obserwuj spójność, a nie urodę: to jest tryb awarii, który złapał zewnętrznego testera, którego produkt zmienił kształt trzy razy w jednym klipie.

Dokument ofertowy w 30,04 s film marki kosmetycznej. Oficjalne demo publicznej bety Wan 3.0 Alibaby, z dźwiękiem.

Podsumowania raportów. Nie istnieje oficjalne demo dla tego przypadku, więc traktuj wzór jako nieprzetestowany: poproś o jednego prezentera, jedno twierdzenie na ujęcie i umieść każdą liczbę w cudzysłowie dokładnie tak, jak w kroku 1.

Teraz pieniądze.

Dwa opublikowane arkusze cenowe Wan 3.0 nie zgadzają się co do tego, czy 1080p kosztuje ¥1,2 czy $0,20 za sekundę, co nie jest tą samą liczbą. Sprawdź stawkę na punkcie końcowym, względem którego jesteś faktycznie rozliczany, zanim zaplanujesz budżet na serię.

Ukrytym kosztem nie jest stawka za sekundę. To ponowne uruchomienie. Wejście dokumentu przyjmuje jeden plik na zadanie, więc zmiana pojedynczej liczby oznacza regenerację całego wideo. W trzyetapowym łańcuchu scenariusz ujęć jest wielokrotnego użytku artefaktem tekstowym, więc zmiana liczby kosztuje jedno renderowanie zamiast jednego pełnego zadania. W cyklu kwartalnego raportowania ta różnica przyćmiewa cenę za sekundę.

Jedna uwaga prawna, zanim cokolwiek prześlesz. Dokument, który wysyłasz do hostowanego modelu, to dokument, który opuszcza twoją firmę, a wewnętrzne prezentacje i nieopublikowane dane finansowe zwykle mają do tego dołączoną politykę. Sprawdź ją, zanim nadejdzie presja terminu, a nie po. I każdy oficjalny klip demo w tym artykule należy do Alibaby, cytowany tutaj jako materiał z publicznej bety; nic tutaj nie jest licencją na komercyjne ponowne wykorzystanie.

FAQ Wan 3.0 Dokument do Wideo

Jakie typy plików akceptuje Wan 3.0 dokument do wideo i jak duże mogą być?

doc, xls, ppt, pdf, txt i md, a także zgłaszane key, pages i numbers, plus zwykły link internetowy zamiast pliku. Jeden plik lub jeden link na zadanie, do 100 MB lub 50 stron.

Czy Wan 3.0 zamienia każdy slajd w scenę?

Nie, i to jest najczęstsze nieporozumienie. Czyta cały dokument, a następnie reżyseruje wideo z tego, czego się nauczył. Przy limicie daje to 50 stron w 30 sekund, czyli 0,6 sekundy na stronę, więc tworzy zwiastun, a nie przewracanie stron. Zarówno oficjalne przypadki użycia, jak i niezależne testy wskazują ten sam kierunek.

Czy liczby z mojego arkusza kalkulacyjnego są dokładne w wideo?

Wartości komórek utrzymały się we wszystkich sprawdzonych przeze mnie przypadkach, w tym $1,580, $3,460 i +45.7% w oficjalnym demo. To, co zawodzi, to elementy wykresów: legendy się łączą, znaczniki osi są nieliniowe, a separatory tysięcy znikają. Wprowadź każdą liczbę jako dosłowny ciąg w cudzysłowie i całkowicie usuń legendy i etykiety znaczników z briefu.

Czy mogę używać Wan 3.0 dokument do wideo przez API już dziś?

Tylko przez własne kanały Alibaby, obecnie na zaproszenie, a wagi nie są opublikowane. Wan 2.2 pozostaje ostatnim wydaniem z otwartymi wagami w tej linii. Dopóki to się nie zmieni, powyższy trzyetapowy łańcuch jest praktycznym zamiennikiem.

Ile kosztuje 30-sekundowe wideo Wan 3.0?

Przy opublikowanej stawce 1080p to ¥36, czyli $6,00 w arkuszu międzynarodowym, za jeden 30-sekundowy klip. Zaplanuj budżet na ponowne uruchomienia, a nie na pojedyncze przejście, ponieważ korekta jednej liczby oznacza regenerację całości.

Co jest najbliższe Wan 3.0 dokument do wideo, co mogę uruchomić już teraz?

Model długiego kontekstu do napisania scenariusza ujęć, a następnie Wan 2.7 za $0,1 na sekundę do renderowania, z MiniMax H3 za tę samą stawkę lub Seedance 2.5 za $0,134 na sekundę jako alternatywy. Otrzymujesz wygląd wygenerowanego materiału i tekst dokładny co do klatki. Czego nie dostajesz: 30 sekund w jednym ciągłym ujęciu, dźwięku w tym samym przejściu co renderowanie obraz-do-wideo ani modelu, który czyta za ciebie .pptx.

Szczere podsumowanie: Wan 3.0 dokument do wideo to prawdziwa możliwość z prawdziwym ograniczeniem, a różnica między jego wynikiem a twoim jest mniejsza, niż się wydaje, o ile przestaniesz prosić którykolwiek z nich o narysowanie legendy.