Wan 3.0 Documento para Vídeo: Eu Auditei Cada Quadro

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

Essa é a promessa do Wan 3.0 document to video, a primeira entrada nativa de documento da família, e a demonstração 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 da planilha de origem.

Então arrastei o playhead até 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 leu genuinamente sua tabela, e 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 hoje.

Principais conclusões

• Wan 3.0 aceita 1 arquivo ou 1 link, até 100MB ou 50 páginas, e gera até 30 segundos em 1080p.
• Ele dirige um filme a partir do seu documento. Não transforma o slide 3 no take 3.
• Os valores das células permanecem intactos. Legendas de gráficos, marcas dos eixos e separadores de milhares não.
• 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 document to video: a demonstração oficial do xlsx renderizada como um filme de dados animado no estilo Keynote

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

O que o Wan 3.0 Document to Video realmente faz

Versão curta, para você sair em um minuto se for só isso 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 passagem. Máximo de 30 segundos, máximo de 1080p. Ele não percorre suas páginas em ordem.

Aqui estão os limites que realmente regem um projeto.

A beta pública foi aberta em 6 de agosto de 2026 (AgentUpdate, agosto de 2026). A lista de formatos e as duas folhas de preço 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 alinham claramente a quatro trabalhos que as pessoas já pagam para agências fazerem:

• Documento de proposta em um filme de marca. Um documento de pitch de cuidados com a pele se torna um anúncio de 30 segundos com uma atriz principal e uma história de 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 demonstração acima, e de longe o mais difícil dos quatro.
• Relatório em um resumo narrado. Um relatório escrito se torna um briefing estilo apresentador.

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

Os concorrentes em "PDF para vídeo" não estão fazendo isso. O document-to-video 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 todo o argumento: estes não são concorrentes na mesma categoria. Um faz apresentações de slides narradas. O outro faz imagens que nunca existiram. Compará-los em preço por minuto é como comparar uma fotocopiadora a uma equipe de filmagem.

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

Contraexemplo: ao ser solicitado a transformar uma página da web sobre mecânica quântica em um explicador divertido, o Wan 3.0 produziu exatamente o formato apresentador-mais-legenda que os concorrentes vendem. Ele atinge o limite de 30 segundos em 30,02s. Demonstração pública beta oficial da Alibaba, áudio ativado.

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

Por que o Wan 3.0 Document to Video quebra gráficos, mas mantém seus números

Aqui está a coisa mais útil neste artigo: extraí 12 quadros uniformemente espaçados da demonstração 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 dessa demonstração 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 todos renderizados corretamente, e o slogan de encerramento saiu sem um único caractere errado (AI-Driven Lab, agosto de 2026).

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

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

Auditoria de quadro do Wan 3.0 document to video mostrando uma legenda de gráfico mesclada e um eixo y quebrado

Congelado aos 12s na demonstração 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 lêem 30, 60, 70. Espaços de pixel 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 terminam 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$ 1.750, 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 deles. Ao lado estão cinco números de crescimento verde para quatro barras. E o segmento de rosca centraliza em US$ 89,7M, uma vírgula onde um ponto decimal deveria estar.

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 que um modelo de vídeo renderiza qualquer texto denso, aproximadamente.

Há uma segunda razão estrutural pela qual a saída não se parece 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 faz 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 takes.

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 demonstrações oficiais de documento chegam a 30,04s, 30,02s, 25,03s e 23,04s. Os dois clipes de 30 segundos param dentro de quatro centésimos de segundo um do outro. E a demonstração da planilha foi solicitada por 22 segundos, mas entregou 23,04. Analisamos esse limite na prévia do Wan 3.0.

Portanto: expectativas calibradas. Alimente-o 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 isso economiza uma hora de pesquisa.

A entrada de documento do Wan 3.0 vive apenas nos canais próprios da Alibaba, o acesso é controlado 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 demonstração do xlsx com modelos que já estão abertos para negócios, e a auditoria de quadro acima diz exatamente como evitar a parte que quebra.

Três etapas, uma guia do navegador no Atlas Cloud:

1. Um modelo de um milhão de tokens lê o documento e escreve um roteiro de take 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 garantida.
3. Um modelo de vídeo anima esse quadro de acordo com o roteiro.

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

Vamos construí-lo.

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

Modelos de vídeo não lembram números. Eles renderizam qualquer string que você der a eles. Portanto, o trabalho desta etapa é converter uma tabela em direções de take onde cada valor já está escrito 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 take para um vídeo de dados de negócios de 10 segundos, 16:9, estilo Apple Keynote. Regras:
151. Exatamente 2 takes. 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 take como uma string literal exata, entre aspas, ex.: "US$ 1.580". Nunca escreva "o valor de janeiro" - escreva os dígitos.
173. NÃO peça uma legenda, um eixo com rótulos de marca ou mais de duas séries de dados na tela ao mesmo tempo. Use numerais grandes autônomos e um único selo em forma 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 várias séries. Então, excluímos todos os três do briefing e gastamos esse espaço da tela em numerais grandes e um selo codificado por cores. A mesma informação, nenhuma da superfície de falha.

A regra 2 é a que as pessoas ignoram, e é a razão pela qual os dígitos sobrevivem até o final desta cadeia. Uma descrição de take que diz "o valor de janeiro" entrega o número de volta a um modelo que precisa inventar glifos para ele. Uma descrição de take 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 takes com timecodes de entrada e saída, cada figura na tela citada como literal, e uma linha de BGM e SFX de encerramento. Mantenha-o em um arquivo temporário; as etapas 2 e 3 leem dele.

Etapa 2: Gere o Primeiro Quadro da Marca

Cada caractere de 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 como a opção 16:9, que nesta página é 2048x1152. Combine a proporção de aspecto com o vídeo que você está prestes a fazer, ou a etapa 3 começará cortando sua tipografia.

textCopy
1Um quadro de apresentação impecável no estilo Apple Keynote em um fundo branco puro sem costura, fotografado como se projetado em uma parede de estúdio fosca. Título centralizado em uma fonte geométrica sem serifa cinza carvão profundo lendo "H1 2026", definido em espaço negativo generoso. Abaixo, dois numerais grandes no mesmo tipo de letra, "US$ 1.580" à esquerda e "US$ 3.460" à direita, separados por uma seta cinza clara fina. Abaixo da seta, texto de legenda cinza claro pequeno lendo "Crescimento Mensal do GMV". Abaixo disso, um único selo em forma de pílula coral com texto branco lendo "+45,7%". Iluminação suave e difusa, gradiente quente fraco no canto superior direito, granulação de papel sutil, sem bagunça, sem logotipos, sem gráficos. Minimalismo corporativo ultra limpo, 16:9.
2

Dois detalhes que vale 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 amplo custa um múltiplo do valor listado de $0,009.

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

GPT Image 2 em qualidade alta, 16:9 em 2048x1152. Cada figura chegou: "H1 2026", "US$ 1.580", "US$ 3.460" e o selo coral "+45,7%", que é exatamente por que 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 estável.

Abra Wan 2.7 Image-to-Video. Configurações: seu primeiro quadro carregado, resolução 1080P, duração 10s. Deixe o campo de áudio vazio, já que este modelo trata o áudio como uma entrada de direção, e 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 no estilo Apple Keynote, mantendo a tipografia existente estável em pixels.
2
300:00-00:05 - O título "H1 2026" mantém-se, depois se dissolve em partículas douradas que se desviam para fora. Os dois numerais "US$ 1.580" e "US$ 3.460" deslizam da esquerda e da direita e se fixam no lugar; a seta cinza fina se desenha entre eles da esquerda para a direita. O selo coral lendo "+45,7%" aparece de baixo com um ligeiro overshoot, sincronizado com um único toque de sino claro.
4
500:05-00:10 - Tudo desliza suavemente para a esquerda. Três barras grossas e arredondadas crescem para cima a partir de uma linha de base compartilhada contra o mesmo fundo branco puro, coral, verde-azulado e âmbar, com um numeral grande autônomo acima de cada um: "US$ 3.460", "US$ 2.480", "US$ 1.580". Sem legenda, sem eixo, sem rótulos de marca, sem linhas de grade. A câmera permanece travada e perfeitamente imóvel durante todo o tempo.
6

"Mantendo a tipografia existente estável em pixels" e "câmera permanece travada" estão fazendo trabalho real. Cada movimento de câmera é outra chance para o modelo redesenhar o 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. Essa 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 Image-to-Video no Atlas Cloud com o primeiro quadro carregado e o clipe de dados finalizado renderizado

Wan 2.7 Image-to-Video em 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 voltou 5. A cotação de Execução nos disse isso antes do arquivo, que é toda a razão para lê-lo.

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 projetadas para fora. O modelo comprimiu os dois takes roteirizados nos cinco segundos que realmente renderizou, e cada figura sobreviveu à mudança: "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 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 a maior parte do valor comercial reside.

Material didático. Alimente-o 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 durante todo o tempo. Os detalhes do personagem não. Na marca de 3 segundos, ele usa um boné preto contra um fundo branco simples; aos 22 segundos, o boné ficou azul claro e ele está em pé 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, bloqueie 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. Demonstração pública beta oficial 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. Demonstração pública beta oficial do Wan 3.0 da Alibaba, áudio ativado.

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

Agora o dinheiro.

Duas tabelas de preço publicadas do Wan 3.0 discordam se 1080p é ¥1,2 ou $0,20 por segundo, que não são o mesmo número. Verifique a taxa no endpoint contra o 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 aceita um arquivo por job, então alterar um único valor significa regenerar o vídeo inteiro. Na cadeia de três etapas, o roteiro de take é um artefato de texto reutilizável, então uma alteração de número custa uma renderização em vez de um job completo. Ao longo de um ciclo de relatórios trimestrais, essa diferença supera o preço por segundo.

Uma nota legal antes de você 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 anexada a isso. Verifique antes da pressão do prazo chegar, não depois. E cada clipe de demonstração oficial neste artigo pertence à Alibaba, citado aqui como material de beta pública; nada aqui é uma licença para reutilizá-los comercialmente.

FAQ do Wan 3.0 Document to Video

Quais tipos de arquivo o Wan 3.0 document to video aceita, e qual o tamanho máximo?

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 job, até 100MB ou 50 páginas.

O Wan 3.0 transforma cada slide em uma cena?

Não, e esse é o mal-entendido mais comum. Ele lê o documento inteiro, 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 demonstração oficial. O que falha é a mobília do gráfico: legendas se fundem, marcas de eixo saem não lineares e separadores de milhares desaparecem. Injete cada valor como um literal entre aspas e projete legendas e marcas de eixo para fora do briefing inteiramente.

Posso usar o Wan 3.0 document to video através de uma API hoje?

Apenas através dos canais próprios da Alibaba, atualmente com acesso por convite, e os pesos não são publicados. 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, isso é ¥36, ou $6,00 na tabela internacional, para um clipe de 30 segundos. Faça orçamento para reexecuções em vez de uma única passagem, porque uma correção de um número significa regenerar tudo.

Qual é a coisa mais próxima do Wan 3.0 document to video que posso executar agora?

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

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