Wan 3.0 Documento para Vídeo: Auditei Cada Quadro

Última atualização: O Wan 3.0 está disponível desde 24 de agosto de 2026.

Carregue uma planilha. Receba de volta uma animação de negócios de 23 segundos com música.

Essa é a promessa do Wan 3.0 documento para vídeo, a primeira entrada nativa de documento da família, e a demo oficial cumpre isso de forma mais literal do que eu esperava. Os números estão corretos. US$ 1.580 cresce para US$ 3.460, o selo indica +45,7%, e esses valores remetem diretamente a células específicas na planilha de origem.

Então arrastei o playhead para a marca de 12 segundos e li a legenda do gráfico.

"Southeasta North America."

Duas regiões de vendas esmagadas em uma palavra que não existe. Essa é a verdadeira linha d'água do documento para vídeo em 2026: o modelo realmente leu sua tabela, mas ainda não consegue desenhar seu gráfico. Abaixo está a auditoria quadro a quadro que ninguém mais publicou, além de uma cadeia de três etapas que você pode executar ainda esta tarde.

Principais conclusões

• O Wan 3.0 aceita 1 arquivo ou 1 link, até 100 MB ou 50 páginas, e gera até 30 segundos em 1080p.
• Ele redireciona um filme a partir do seu documento. Ele não transforma o slide 3 no plano 3.
• Os valores das células sobrevivem intactos. Legendas de gráficos, marcas de eixo e separadores de milhares não.
• Os limites são rígidos: sem 4K, sem pesos abertos, apenas canais próprios.
• Um modelo de contexto longo mais um modelo de vídeo de 15 segundos reproduz a maior parte disso hoje.

Saída do Wan 3.0 documento para vídeo: a demo oficial .xlsx renderizada como um filme de dados animado no estilo Keynote

A vitrine: demo oficial em beta público do Wan 3.0 da Alibaba, um .xlsx de GMV mensal inserido, 23 segundos de filme de dados animado como saída. Mostrado aqui como um GIF silencioso; o arquivo entregue traz uma faixa AAC estéreo de 44,1 kHz. Fonte: Manual oficial do criador do Wan 3.0 da Alibaba.

O que o Wan 3.0 Documento para Vídeo Realmente Faz

Versão resumida, para você sair em um minuto se for só disso que precisa.

Você entrega um documento ou um link da web. Ele lê tudo, decide qual é a história e gera um vídeo com imagem e som na mesma passada. Máximo de 30 segundos, máximo de 1080p. Ele não percorre suas páginas em ordem.

Aqui estão os limites que realmente governam um projeto.

O beta público foi aberto em 6 de agosto de 2026 (AgentUpdate, agosto de 2026). A lista de formatos e as duas tabelas de preços publicadas vêm de um resumo de especificações separado (Ngram, agosto de 2026).

O manual oficial apresenta quatro casos de uso de documento, e eles se mapeiam claramente em quatro trabalhos pelos quais as pessoas já pagam agências:

• Documento de proposta em um filme de marca. Um documento de apresentação de cuidados com a pele se torna um anúncio de 30 segundos com uma atriz principal e uma história com luz matinal.
• Material didático em uma videoaula. Uma entrada de enciclopédia se torna uma aula animada para alunos do primeiro ano.
• Planilha em gráficos animados. A demo acima, e de longe o mais difícil dos quatro.
• Relatório em um resumo falado. Um relatório escrito se torna um briefing no estilo apresentador.

Agora, aqui está onde a maioria dos artigos erra a categoria.

Os concorrentes em "PDF para vídeo" não estão fazendo isso. O documento-para-vídeo do Kapwing extrai o texto do seu arquivo e o coloca em uma linha do tempo, sem construção de cena e sem apresentador. Pictory e Powtoon montam imagens de arquivo ou animação de modelo, e as próprias páginas de produto do Powtoon anunciam avatares de IA e vozes lendo seu roteiro. Todos os três produzem slides narrados.

Leia essa tabela duas vezes, porque é o argumento inteiro: estes não são concorrentes na mesma categoria. Um faz apresentações de slides narradas. O outro faz imagens que nunca existiram. Compará-los pelo preço por minuto é como comparar uma fotocopiadora a uma equipe de filmagem.

O Wan 3.0 também pode fazer a coisa de apresentação de slides? Sim, e essa é a ressalva honesta.

Contraexemplo: solicitado a transformar uma página da web sobre mecânica quântica em um explicador divertido, o Wan 3.0 produziu exatamente o formato de apresentador com legendas que os concorrentes vendem. Ele atinge o limite de 30 segundos em 30,02s. Demo oficial em beta público da Alibaba, áudio ativado.

Portanto, a diferença não é que o Wan 3.0 não consegue fazer explicadores com apresentador. É que, com os concorrentes, esse formato é a única coisa no menu.

Por que o Wan 3.0 Documento para Vídeo Quebra Gráficos, mas Mantém Seus Números

Aqui está a coisa mais útil deste artigo: extraí 12 quadros uniformemente espaçados da demo oficial da planilha e li cada glifo.

O veredito se divide claramente em dois. Os valores passam. A mobília do gráfico falha.

O que sobreviveu. Na marca de 4 segundos, o quadro exibe US$ 1.580, uma seta cinza fina, US$ 3.460, a legenda "Crescimento Mensal do GMV" e um selo coral lendo +45,7%. A tipografia está limpa, as vírgulas estão no lugar certo, sem caracteres distorcidos. O prompt por trás desta demo cita células específicas da planilha, e os números na tela correspondem a elas. Um teste de terceiros em um deck de produto de 8 páginas encontrou a mesma coisa: 45g, 12 horas e 55 graus foram renderizados corretamente, e o slogan final saiu sem um único caractere errado (AI-Driven Lab, agosto de 2026).

Isso responde à pergunta que as equipes de finanças e L&D realmente se importam. Seus números não sofrem mutação silenciosa.

O que quebrou. Os quadros do gráfico são uma história diferente.

Auditoria de quadro do Wan 3.0 documento para vídeo mostrando uma legenda de gráfico mesclada e um eixo y quebrado

Congelado aos 12s na demo oficial. Três defeitos em um quadro: dois nomes de região fundidos em "Southeasta North America", "North America" repetido como sua própria série, e um eixo y lendo 30, 60, 70 enquanto o rótulo de dados superior diz US$ 3.880.

Conte as falhas nesse único quadro:

1. Legenda mesclada. "Southeast Asia" e "North America" colidem em "Southeasta North America". Em seguida, "North America" aparece novamente como uma série separada, então uma região é rotulada duas vezes e uma desapareceu.
2. Um eixo y que não é uma escala. As marcas são 30, 60, 70. Lacunas de pixels iguais, valores desiguais, e 40 e 50 simplesmente ausentes.
3. Eixo e rótulos em unidades diferentes. A linha de grade mais alta é 70. O rótulo fixado no ponto de dados superior diz US$ 3.880.
4. Deriva de magnitude ao longo de uma linha. Os rótulos na curva superior começam em US$ 330 e US$ 335, depois caem em US$ 3.970 e US$ 3.880. Uma linha ascendente suave não pode conter um salto de dez vezes entre dois pontos adjacentes. Os dois rótulos intermediários estão borrados além de uma leitura confiante, o que é sua própria resposta.

O segmento de gráfico de barras repete o padrão. Quatro barras carregam US$ 1750, US$ 1.580, US$ 2.350 e US$ 2.580, então a barra mais curta tem o segundo número mais alto, e o primeiro rótulo perde sua vírgula de milhar enquanto os outros três mantêm a dela. Ao lado estão cinco números de crescimento verde para quatro barras. E o segmento de rosca centraliza em US$ 89,7M, uma vírgula onde deveria estar um ponto decimal.

Observe o que todos esses têm em comum. Nenhum é um erro de conteúdo. Cada um é um erro de desenho: layout, rotulagem, escala, pontuação. O modelo entendeu a planilha e depois renderizou o gráfico da maneira como um modelo de vídeo renderiza qualquer texto denso, aproximadamente.

Há uma segunda razão, estrutural, para a saída não se parecer em nada com seu deck.

Faça as contas. 50 páginas é o limite de páginas, 30 segundos é o limite de duração. Isso dá 0,6 segundos por página.

Você não pode apresentar uma página em 0,6 segundos, então o modelo faz a única coisa sensata e cria um trailer. Esse teste de deck de terceiros chegou independentemente à mesma conclusão: tratou a apresentação como material de origem para um anúncio cinematográfico, não como slides para folhear. As armações de óculos do produto variaram de grossas a sem aro a uma terceira forma entre os planos.

É também por isso que o limite de 30 segundos é uma restrição de design, não uma nota de rodapé da ficha técnica.

Medimos os arquivos entregues: as quatro demos oficiais de documento chegam em 30,04s, 30,02s, 25,03s e 23,04s. Os dois clipes de 30 segundos param a menos de quatro centésimos de segundo um do outro. E a demo da planilha foi solicitada por 22 segundos, mas entregou 23,04. Analisamos esse limite na prévia do Wan 3.0.

Portanto: expectativas calibradas. Alimente com um documento, obtenha um trailer, mantenha seus gráficos simples.

O Fluxo de Trabalho de Documento para Vídeo que Você Pode Executar Hoje

Verificação rápida da realidade antes do tutorial, porque economiza uma hora de pesquisa.

A entrada de documento do Wan 3.0 vive apenas nos canais próprios da Alibaba, o acesso é por convite e os pesos não são publicados. Ninguém fora desses canais pode oferecê-lo, incluindo nós. O que você pode fazer hoje é reconstruir a metade útil dessa demo .xlsx com modelos que já estão abertos para negócios, e a auditoria de quadro acima mostra exatamente como evitar a parte que quebra.

Três etapas, uma aba do navegador no Atlas Cloud:

1. Um modelo de milhão de tokens lê o documento e escreve um roteiro de planos com timecode, com cada número incorporado como uma string literal.
2. Um modelo de imagem renderiza o primeiro quadro, que é onde toda a precisão do texto é fixada.
3. Um modelo de vídeo anima esse quadro de acordo com o roteiro.

Três limites honestos nesta cadeia. Ela não consome um binário .pptx, então você cola o texto ou o CSV você mesmo. O Wan 2.7 atinge o máximo de 15 segundos, então uma única tomada de 30 segundos está fora de questão. E o caminho de imagem-para-vídeo é silencioso por design: seu parâmetro audio aceita uma faixa que você fornece para conduzir a sincronização labial, ele não inventa uma trilha sonora. Se você quiser áudio gerado na mesma passada, usa o irmão texto-para-vídeo e abre mão do controle do primeiro quadro, o que para um vídeo cheio de valores em dólar é a troca errada. Preços verificados nas páginas do modelo em 20 de agosto de 2026, e observe que um preço listado é um mínimo: níveis de qualidade e resolução aumentam a cotação em tempo real, então leia o botão Executar antes de se comprometer.

Vamos construí-lo.

Para uma execução hospedada atual, abra Wan 3.0 no Atlas Cloud e teste um prompt como o abaixo antes de publicar o fluxo de trabalho.

Captura de tela de prompt para resultado do Wan 3.0: Auditoria de documento para vídeo.

Etapa 1: Transforme Sua Planilha em um Roteiro de Planos com Timecode

Modelos de vídeo não lembram números. Eles renderizam qualquer string que você fornecer. Portanto, o trabalho desta etapa é converter uma tabela em direções de plano onde cada figura já está escrita como texto entre aspas.

Cole sua planilha entre os marcadores <<<. Configurações: temperatura 0,3, max_tokens 4000. Mantenha max_tokens generoso, porque um modelo com capacidade de raciocínio que fica sem orçamento no meio do pensamento retorna uma resposta vazia pela qual você ainda paga.

textCopy
1Você é um diretor de motion graphics. Abaixo está uma exportação bruta de planilha.
2
3<<<
4Mês,América do Norte,Sudeste Asiático,Europa,GMV Total
5Jan,1580,880,640,3100
6Fev,2110,1240,900,4250
7Mar,2740,1610,1150,5500
8Abr,3120,1980,1330,6430
9Mai,3350,2240,1460,7050
10Jun,3460,2480,1580,7520
11Crescimento H1,+45,7%,,,
12>>>
13
14Escreva um roteiro de planos para um vídeo de dados de negócios de 10 segundos, 16:9, estilo Apple Keynote. Regras:
151. Exatamente 2 planos. Dê a cada um um timecode de entrada/saída (00:00-00:05, 00:05-00:10).
162. Cada número que aparece na tela deve ser escrito na descrição do plano como uma string literal exata, entre aspas, por exemplo "US$ 1.580". Nunca escreva "o valor de janeiro" - escreva os dígitos.
173. NÃO peça uma legenda, um eixo com marcas de rótulo ou mais de duas séries de dados na tela ao mesmo tempo. Use numerais grandes independentes e um selo em formato de pílula coral.
184. Fundo branco puro, paleta coral suave + cinza escuro, sem serifa.
195. Termine com uma linha de direção de BGM + SFX (whoosh na entrada, um toque de sino no selo).
20Produza apenas o roteiro, sem comentários.
21

A regra 3 é o retorno da auditoria. A saída oficial quebrou exatamente em três coisas: legendas, marcas de eixo e gráficos de múltiplas séries. Então, excluímos todos os três do briefing e gastamos esse espaço na tela com numerais grandes e um selo codificado por cores. Mesma informação, nenhuma superfície de falha.

A regra 2 é a que as pessoas pulam, e é a razão pela qual os dígitos sobrevivem até o final desta cadeia. Uma descrição de plano que diz "o valor de janeiro" entrega o número de volta a um modelo que tem que inventar glifos para ele. Uma descrição de plano que diz "US$ 1.580" entre aspas dá às próximas duas etapas uma string para copiar. Você não está pedindo visualização de dados aqui, está pedindo uma instrução de digitação.

O que volta é um roteiro de dois planos com timecodes de entrada e saída, cada figura na tela citada como literal, e uma linha de encerramento de BGM e SFX. Mantenha em um arquivo temporário; as etapas 2 e 3 leem dele.

Etapa 2: Gere o Primeiro Quadro da Marca

Cada caractere do texto na tela é decidido aqui. Um modelo de imagem em alta qualidade renderiza US$ 1.580 corretamente de forma muito mais confiável do que um modelo de vídeo pode escrevê-lo enquanto também o move, então resolvemos a tipografia em uma imagem estática e deixamos a etapa 3 apenas empurrar pixels.

Abra GPT Image 2 e defina a qualidade como alta e o tamanho para a opção 16:9, que nesta página é 2048x1152. Corresponda a proporção ao vídeo que você está prestes a fazer, ou a etapa 3 começará cortando sua tipografia.

textCopy
1Um quadro de apresentação estilo Apple Keynote impecável em um fundo
2branco puro sem costura, fotografado como se projetado em uma parede
3de estúdio fosca. Título centralizado em uma fonte geométrica sem
4serifa carvão escuro lendo "H1 2026", definido em espaço negativo
5generoso. Abaixo dele, dois numerais grandes no mesmo tipo, "US$
61.580" à esquerda e "US$ 3.460" à direita, separados por uma seta
7cinza clara fina. Abaixo da seta, pequeno texto de legenda cinza
8claro lendo "Crescimento Mensal do GMV". Abaixo disso, um único selo
9em forma de pílula coral com texto branco lendo "+45,7%".
10Iluminação suave e difusa, gradiente quente sutil no canto superior
11direito, granulação de papel sutil, sem desordem, sem logotipos, sem
12gráficos. Minimalismo corporativo ultra-limpo, 16:9.
13

Dois detalhes que valem a pena copiar. "Sem gráficos" está lá de propósito. E leia a cotação de preço no botão Executar antes de pressioná-lo, porque qualidade alta em um quadro 2K largo custa um múltiplo do valor listado de US$ 0,009.

Playground do GPT Image 2 no Atlas Cloud com o prompt do primeiro quadro e o quadro estilo Keynote renderizado mostrando cada figura escrita corretamente

GPT Image 2 em qualidade alta, 16:9 a 2048x1152. Cada figura foi fixada: "H1 2026", "US$ 1.580", "US$ 3.460" e o selo coral "+45,7%", que é exatamente a razão pela qual a tipografia é resolvida em uma imagem estática e não em um modelo de vídeo.

Etapa 3: Renderize o Clipe de Documento para Vídeo e Verifique Cada Dígito

Última etapa. Carregue a imagem da etapa 2 como o primeiro quadro e deixe o modelo de vídeo animá-lo enquanto mantém a tipografia parada.

Abra Wan 2.7 Imagem-para-Vídeo. Configurações: seu primeiro quadro carregado, resolução 1080P, duração 10s. Deixe o campo de áudio vazio, pois este modelo trata o áudio como uma entrada condutora, não algo que ele cria. Você está pontuando este clipe você mesmo, ou em uma passagem separada de texto-para-vídeo.

textCopy
1Anime este quadro como um vídeo de dados de negócios de 10 segundos
2estilo Apple Keynote, mantendo a tipografia existente pixel-estável.
3
400:00-00:05 - O título "H1 2026" mantém-se, depois dissolve-se em
5partículas douradas que flutuam para fora. Os dois numerais "US$
61.580" e "US$ 3.460" deslizam da esquerda e da direita e se fixam
7no lugar; a seta cinza fina desenha-se entre eles da esquerda para a
8direita. O selo coral lendo "+45,7%" surge de baixo com um leve
9excesso, cronometrado para um único toque de sino claro.
10
1100:05-00:10 - Tudo desliza suavemente para a esquerda. Três barras
12arredondadas grossas crescem para cima a partir de uma linha de base
13compartilhada contra o mesmo fundo branco puro, coral, azul-petróleo
14e âmbar, com um numeral grande independente acima de cada uma: "US$
153.460", "US$ 2.480", "US$ 1.580". Sem legenda, sem eixo, sem marcas
16de rótulo, sem linhas de grade. A câmera permanece travada e
17perfeitamente parada durante todo o tempo.
18

"Manter a tipografia existente pixel-estável" e "câmera permanece travada" estão fazendo um trabalho real. Cada movimento de câmera é outra chance para o modelo redesenhar texto que deveria deixar em paz.

Em seguida, faça a parte chata e importante: pause em cada quadro onde um número aparece e leia-o contra a linha de origem. Isso é uma verificação de 30 segundos, e é a única coisa entre você e um vídeo que mostra com confiança o valor de receita errado.

Playground do Wan 2.7 Imagem-para-Vídeo no Atlas Cloud com o primeiro quadro carregado e o clipe de dados finalizado renderizado

Wan 2.7 Imagem-para-Vídeo a 1080P com o primeiro quadro da etapa 2 carregado e o clipe finalizado no painel de saída. Vale notar o que o painel diz: pedimos 10 segundos, o campo de duração mostrou 10, e a renderização veio com 5. A cotação de Execução nos disse isso antes do arquivo, que é exatamente a razão para lê-la.

O clipe de dados finalizado reconstruído a partir da mesma planilha de GMV, cada figura intacta

A recompensa: a mesma planilha, reconstruída com legendas e marcas de eixo deliberadamente omitidas. O modelo comprimiu ambos os planos roteirizados nos cinco segundos que realmente renderizou, e cada figura sobreviveu ao movimento: "US$ 1.580" e "US$ 3.460" na abertura, depois "US$ 3.460", "US$ 2.480" e "US$ 1.580" sobre as três barras. Zero rótulos distorcidos, porque não havia rótulos para distorcer. Silencioso por design, já que o caminho de imagem-para-vídeo não pontua nada para você.

Variações de Documento para Vídeo e Quanto Custa um Minuto Finalizado

O caso da planilha é o mais difícil. Os outros três casos de uso oficiais são mais fáceis, e é onde reside a maior parte do valor comercial.

Material didático. Alimente com uma entrada de enciclopédia e peça uma aula em um nível de leitura específico. A saída abaixo é uma aula animada em estilo chibi sobre o poeta Wang Wei, com 25,03 segundos de duração.

O estilo de desenho se mantém por toda parte. Os detalhes do personagem não. Na marca de 3 segundos, ele usa um boné preto contra um fundo branco liso; aos 22 segundos, o boné se tornou azul claro e ele está dentro de uma pintura clássica em rolo. A mesma deriva que o testador do deck viu nas armações de óculos. Se você reconstruir isso na cadeia de três etapas, fixe um cartão de personagem na etapa 1 e reutilize o quadro da etapa 2 como sua âncora de estilo.

Entrada de enciclopédia em uma aula animada para o primeiro ano, 25,03s com áudio gerado. Demo oficial em beta público do Wan 3.0 da Alibaba.

Filmes de marca. Um documento de proposta se torna um anúncio completo de 30 segundos. É o mais bonito dos quatro demos e o menos verificável, já que você não pode ver o que o documento de origem dizia. Observe a consistência em vez da beleza: este é o modo de falha que pegou o testador de terceiros, cujo produto mudou de forma três vezes em um clipe.

Documento de proposta em um filme de marca de cuidados com a pele de 30,04s. Demo oficial em beta público do Wan 3.0 da Alibaba, áudio ativado.

Resumos de relatório. Não existe demo oficial para este, então trate o padrão como não testado: peça um apresentador, uma afirmação por plano e coloque cada figura entre aspas exatamente como na etapa 1.

Agora o dinheiro.

Duas tabelas de preços publicadas do Wan 3.0 discordam se 1080p é ¥1,2 ou US$ 0,20 por segundo, que não são o mesmo número. Verifique a taxa no endpoint pelo qual você é realmente cobrado antes de orçar uma série.

O custo oculto não é a taxa por segundo. É a reexecução. A entrada de documento leva um arquivo por tarefa, então alterar um único número significa regenerar o vídeo inteiro. Na cadeia de três etapas, o roteiro de planos é um artefato de texto reutilizável, então uma alteração de número custa uma renderização em vez de uma tarefa completa. Ao longo de um ciclo de relatórios trimestrais, essa diferença supera em muito o preço por segundo.

Uma nota legal antes de carregar qualquer coisa. Um documento que você envia para um modelo hospedado é um documento que sai do seu prédio, e decks internos e dados financeiros não divulgados geralmente têm uma política associada a isso. Verifique antes da pressão do prazo, não depois. E todos os clipes de demonstração oficiais neste artigo pertencem à Alibaba, citados aqui como material de beta público; nada aqui é uma licença para reutilizá-los comercialmente.

Perguntas Frequentes sobre Wan 3.0 Documento para Vídeo

Quais tipos de arquivo o Wan 3.0 documento para vídeo pode aceitar e qual o tamanho?

doc, xls, ppt, pdf, txt e md, com key, pages e numbers também relatados, além de um link da web simples em vez de um arquivo. Um arquivo ou um link por tarefa, até 100 MB ou 50 páginas.

O Wan 3.0 transforma cada slide em uma cena?

Não, e esse é o equívoco mais comum. Ele lê o documento inteiro e depois dirige um vídeo a partir do que aprendeu. No limite, são 50 páginas em 30 segundos, ou 0,6 segundos por página, então ele produz um trailer em vez de uma virada de página. Tanto os casos de uso oficiais quanto os testes independentes apontam na mesma direção.

Os números da minha planilha estão precisos no vídeo?

Os valores das células se mantiveram em todos os casos que verifiquei, incluindo US$ 1.580, US$ 3.460 e +45,7% na demo oficial. O que falha é a mobília do gráfico: legendas se fundem, marcas de eixo ficam não lineares e separadores de milhares desaparecem. Injete cada figura como um literal entre aspas e projete legendas e marcas de rótulo para fora do briefing inteiramente.

Posso usar o Wan 3.0 documento para vídeo através de uma API hoje?

Apenas pelos canais próprios da Alibaba, atualmente com acesso por convite, e os pesos não são publicados. O Wan 2.2 continua sendo o último lançamento de peso aberto na linha. Até que isso mude, a cadeia de três etapas acima é o substituto prático.

Quanto custa um vídeo de 30 segundos do Wan 3.0?

Na taxa publicada de 1080p, são ¥36, ou US$ 6,00 na tabela internacional, para um clipe de 30 segundos. Faça um orçamento para reexecuções em vez de uma única passada, porque uma correção de um único número significa regenerar tudo.

Qual é a coisa mais próxima do Wan 3.0 documento para vídeo que posso executar agora?

Um modelo de contexto longo para escrever o roteiro de planos, depois o Wan 2.7 a US$ 0,1 por segundo para a renderização, com MiniMax H3 na mesma taxa ou Seedance 2.5 a US$ 0,134 por segundo como alternativas. Você obtém a aparência de imagens geradas e texto preciso no quadro. O que você não obtém: 30 segundos em uma única tomada contínua, áudio na mesma passada que a renderização de imagem-para-vídeo, ou um modelo que leia o .pptx para você.

O resumo honesto: Wan 3.0 documento para vídeo é uma capacidade real com um limite real, e a lacuna entre a saída dele e a sua é menor do que parece, desde que você pare de pedir a qualquer um deles para desenhar uma legenda.